Ontologie-Entwurfsmuster zur Modellierung raumkonstitutierender Attribute frühneuzeitlicher Orte in der Digitalen Kartenwerkstatt Altes Reich (DigiKAR)

ein Gastbeitrag von Ingo Frank (IOS Regensburg)

Ausgehend von der konzeptuellen bzw. letztlich ontologischen Frage ‚Was ist eigentlich ein Ort (im frühneuzeitlichen Alten Reich)?‘ und der damit einhergehenden konzeptuellen Modellierung mit den begrifflichen Unterscheidungen haben wir uns bei der Planung des DigiKAR-Projekts für eine Ontologie-basierte Datenmodellierung entschieden. Die Vorgehensweise setzt auf eine iterative Entwicklung von sogenannten Ontologie-Entwurfsmustern (Ontologie Design Patterns), mit denen immer wiederkehrende Modellierungsprobleme gelöst werden sollen. In diesem Beitrag werden die ortsbezogenen Ontologie-Entwurfsmuster vorgestellt und ihre Rolle für die formale Modellierung historischer Fragestellungen diskutiert.

Digitale Kartenwerkstatt Altes Reich

Das Projekt „Digitale Kartenwerkstatt Altes Reich: historische Räume neu modellieren und visualisieren (DigiKAR)“ widmet sich Fragen der Fragmentierung, Verflechtung, Pluralität und Konkurrenz räumlicher Strukturen im Heiligen Römischen Reich Deutscher Nation in der Frühen Neuzeit. Anhand zweier Fallstudien zu den Kurfürstentümern Mainz und Sachsen werden in der „digitalen Kartenwerkstatt“ alternative Ansätze zur Erfassung, Aufbereitung und Darstellung mehrdeutiger räumlicher Konfigurationen und Praktiken erarbeitet. DigiKAR möchte damit einerseits einen allgemeinen Beitrag zur historiographischen Erforschung des Alten Reiches als Raum geteilter und überlappender Herrschaft leisten. Zum anderen sollen innovative und für andere Forschungsprojekte anschlussfähige Konzepte und best practices der Erfassung, Modellierung und Visualisierung raumbezogener historischer Daten entwickelt werden.

Ontologien und Datenmodellierung

Am Anfang unseres Projekts stand die Frage ‚Was ist eigentlich ein Ort (im frühneuzeitlichen Alten Reich)?‘ (siehe dazu auch den Aufsatz Places in Information Science von Purves, Winter und Kuhn 2019) und die damit einhergehende konzeptuelle Modellierung mit den begrifflichen Unterscheidungen (siehe dazu als frühneuzeitlichen Vorläufer Lorhards diagrammatische Ontologie, Abb. 1) stand am Anfang unseres Projekts. Bei der Entwicklung des Datenmodells zur Datenerfassung haben wir uns am Linked Places Format sowie an der Linked Pasts Ontology aus dem World Historical Gazetteer-Projekt orientiert. Insbesondere war dabei die einfachere Variante LP-TSV unsere Grundlage für den Entwurf von Tabellenvorlagen zur Datensammlung.

Abb. 1. Diagrammatische Ontologie im achten Buch der Ogdoas Scholastica von Jacob Lorhard aus dem Jahr 1606. Herzog August Bibliothek Wolfenbüttel. Permalink.

Die Vorgehensweise im DigiKAR-Projekt setzt basierend auf einer Anforderungsanalyse mit User Stories und Competency Questions auf die iterative Entwicklung von Ontologie-Entwurfsmustern. Als Lösungsschablonen für sich wiederholende Entwurfsprobleme kommen Design Patterns ursprünglich aus der Architektur und haben sich dann auch in der Informatik etabliert. Mit dem Ontologie-basierten Modellierungsansatz anhand Semantic Web- und Linked Data-Technologien wollen wir im DigiKAR-Projekt den typischen Einschränkungen der gängigen Datenmodelle im GIS-Bereich und den Nachteilen der entsprechend konventionell modellierten Geodaten entgegenwirken. Am schwerwiegendsten sind die folgenden drei Probleme, die wir aus der Auflistung von Kuhn, Kauppinen und Janowicz (2014, S. 174) entnehmen:

  1. “the semantics of terms remains implicit or hard to share and reason with”
  2. “global, unique identifiers are hard to obtain and not encouraged”
  3. “valuable data sets remain isolated and hard to integrate”

Die drei Punkte formulieren verschiedene Aspekte der Schwierigkeiten, die man mit den herkömmlichen Geodaten in Sachen Nachnutzbarkeit und Interoperabilität hat. Besonders der erste Punkt verweist auf die Probleme, die sehr gut mit einer ontologischen Herangehensweise an die Modellierung gelöst werden können. Die folgende Definition von Studer, Benjamins und Fensel (1998) macht den Mehrwert einer Ontologie als Rahmen der Datenmodellierung im Kontext der Bedeutung und Nachvollziehbarkeit der erfassten Information über die Untersuchungsgegenstände deutlich:

An ontology is a formal, explicit specification of a shared conceptualisation (Studer, Benjamins und Fensel 1998, S. 184).

Es geht also darum, formal und explizit festzulegen, was genau die Dinge sind, über die wir in einem Projekt reden und was genau die Begriffe bedeuten, mit denen wir diese Dinge erfassen und deren Eigenschaften und Beziehungen untereinander beschreiben.

Ontologie-Entwurfsmuster

Modellierungsansatz

Im Prinzip ist das Datenmodell für DigiKAR ein CIDOC CRM– und CRMgeo-Anwendungsprofil, das sich modular aus Ontologie-Entwurfsmustern zusammensetzt, um nach und nach die verschiedenen Anforderungen an die Datenmodellierung zu erfüllen. Wir verwenden zur Beschreibung dieser Entwurfsmuster SHACL (Shapes Constraint Language). Mit SHACL wird festgelegt, welche Verknüpfungen zwischen Klassen und Eigenschaften (Kardinalitäten, erlaubte kontrollierte Vokabulare, etc.) im Datenmodell erlaubt sind. Der Einfachheit halber befinden sich derzeit alle in SHACL repräsentierten Module in einer SHACL-Datei, deren gesamter Inhalt im Schema-Diagramm aller mit SHACL definierten Ontologie-Entwurfsmuster für Ortsdaten und biographische Daten in der Dokumentation daher etwas kleinteilig ist. Die Ontology Design Patterns können bei Bedarf an einer zentralen Stelle erweitert oder angepasst werden, um ggf. bisher noch nicht unterstützte Anforderungen an die Datenmodellierung oder Abfragemöglichkeiten zu erfüllen. Erweiterbar sind auch die in SKOS modellierten Wissensorganisationssysteme, die von den Entwurfsmustern z.B. zur Typisierung von Orten oder zur Klassifikation der Funktionen von Amtsträgern im Alten Reich vorgesehen sind.

Mit den im Projekt entwickelten Ontologie-Entwurfsmustern können nicht nur die grundsätzlichen Anforderungen an einen Gazetteer erfüllt werden, sondern auch weitere für die Visualisierung relevante Attribute von Orten im Alten Reich erfasst werden, wie im weiteren Verlauf dieses Beitrags verdeutlicht wird. Bol (2011) beschreibt die Anforderungen an einen Gazetteer wie folgt:

To be useful it should tell us when the name was valid, what type of feature it was (a mountain, a settlement, an administrative unit, a religious site, etc.), where it was, and the source of this information (Bol 2011, S. 303).

Ortsnamen

Historische Ortsnamen bzw. Ortsnamensvarianten gehören also zu den grundlegenden Angaben, die in einem Gazetteer als Information über die erfassten Orte bereitgestellt werden sollen. Die Modellierung historischer Orstnamen und deren zeitlicher Gültigkeit erfolgt mit dem zugehörigen Entwurfsmuster anhand der CRM-Klasse E41 Appellation und der Klasse F52 Name Use Activity aus der CRM-Erweiterung FRBRoo. Wie bei den Ortsnamen gibt es generell bei allen hier vorgestellten Entwurfsmustern die Möglichkeit zeitliche Information und Angaben zur Quelle zu erfassen.

Ortstypen

Mit dem Ontologie-Entwurfsmuster für Ortstypen wird ein Ort typisiert, d.h. durch Begriffe aus einer Ortstypologie genauer spezifiziert. Dabei können auch mehrere Ortstypen zur Klassifikation zugeordnet werden, um z.B. auszudrücken, welche Siedlungstypen der Ort im Lauf der Zeit hatte (um z.B. seine Entwicklung vom Dorf zur Stadt nachzuzeichnen) oder um zu erfassen, wie der Ort aus Sicht verschiedener Quellen eingeordnet wird (z.B. als Dorf in Quelle A und genauer als Langdorf in Quelle B).

Punktkoordinaten

Eine zentrale Anforderung für unseren Punkt-basierten Ansatz zur Visualisierung von ortsbasierter Information ist natürlich die Erfassung von Punktkoordinaten eines Ortes. Im Entwurfsmuster zur Modellierung der Punktkoordinaten eines Ortes verwenden wir der Einfachheit halber direkt die Eigenschaft has centroid und die Klasse Point aus der GeoSPARQL-Ontologie, um die Koordinaten im WKT- oder auch GeoJSON-Format zu erfassen, wie im folgenden Schema-Diagramm zu sehen ist (Abb. 2).

Abb. 2. Schema-Diagramm des Ontologie-Entwurfsmusters zur Modellierung von Punktkoordinaten eines Ortes
Räumliche Ausdehnung

Im Zentrum des Ontologie-Entwurfsmusters zur Modellierung der räumlichen Ausdehnung eines Ortes stehen die Klassen E39 Presence und SP6 Declarative Place aus der CRM-Erweiterung CRMgeo. In der Definition der Klasse E93 Presence ist in der CRM-Dokumentation als ein Beispiel die Ausdehnung des Römischen Reichs im Jahr 33 v.Chr. aufgeführt. Die grundsätzliche Idee von CRMgeo ist dabei, die prinzipiell nicht exakt festzumachende räumliche Erstreckung von geopolitischen Entitäten oder auch Dingen wie Bergen bei der Modellierung dadurch zu erfassen, dass man der realen – aber prinzipiell nicht genau festzustellenden – Ausdehnung und der durch Messungen oder Beobachtungen erfassbaren Ausdehnung unterscheidet. Das Entwurfsmuster um die Klasse E93 Presence ist inspiriert von dem durch Francesco Beretta für GEO-LARHRA entwickelten Datenmodell und dem Modellierungsansatz von Vincent Ducatteeuw, die beide recht ähnlich aufgebaut sind. Wie man in der folgenden Abbildung (Abb. 3) sieht, können Daten aus anderen Projekten nachgenutzt werden, indem die Geodaten daraus in die Struktur des Ontology Design Patterns gebracht und mit den anderen Daten integriert werden.

Abb. 3. Karte mit der räumlichen Ausdehnung der Bistümer des Alten Reiches ab dem Jahr 1500 – Geodaten aus dem Datensatz Die Grenzen der Bistümer des Alten Reiches um 1500. Rekonstruktion der Germania Sacra anhand publizierter Karten und Quellenmaterialien des Germania Sacra-Projekts

Bei unserem Punkt-basierten Ansatz geht es nicht wörtlich verstanden lediglich um die Erfassung und Darstellung der Punktkoordinaten oder ggf. auch räumlichen Ausdehnungen von Orten, sondern in erster Linie um das, was in der Geoinformationswissenschaft als place-based information bezeichnet wird (siehe dazu den Artikel von Blaschke et al. 2018): die Modellierung von Attributen von Orten, um anhand dieser Eigenschaften möglichst gut die Konstitution von Räumen – nicht nur geographischen, sondern vor allem auch politischen, sozialen, wirtschaftlichen und religiösen – analysieren und visualisieren zu können.

Multiple Zugehörigkeiten

Sehr wichtig zur Erfassung solcher raumkonstituierenden Attribute von Orten im Alten Reich ist in unserem Projekt das Ontologie-Entwurfsmuster zur Modellierung multipler Zugehörigkeiten eines Ortes. Insbesondere geht es dabei um die Erfassung von Herrschaftsrechten wie der Grundherrschaft oder der Ober- und Untergerichtsbarkeit, d.h. die grundherrschaftliche oder juristische Relation zwischen Orten und Herrschaftsträgern bzw. Rechtsinhabern. Zur Modellierung dieser Zugehörigkeiten greifen wir auf die Klasse C14 Holding of a Right or Obligation und deren Eigenschaften aus der sich noch in Entwicklung befindlichen CRM-Erweiterung SDHSS (Semantic Data for Humanities and Social Sciences) zurück, wie im nachfolgenden Diagramm (Abb. 4) zu sehen ist. Details dazu findet man in der Dokumentation des Design Patterns auf GitHub.

Abb. 4. Schema-Diagramm des Ontologie-Entwurfsmusters zur Modellierung multipler Zugehörigkeiten eines Ortes.
Quantitative Ortsdaten

Mit dem Ontologie-Entwurfsmuster für quantitative Daten können Angaben wie Einwohnerzahlen zu Orten, aber auch Information über die Steuern und Abgaben, die aus Orten an die entsprechenden Empfänger geleistet werden mussten, modelliert werden. Das Entwurfsmuster verwendet die CRM-Klassen E16 Measurement und E54 Dimension zur Repräsentation von historischen Zensusdaten oder dergleichen mehr. Unter ‚Messung‘ wird die Beobachtung einer Größe (Dimension) zu einer bestimmten Zeit verstanden. Die Dimension wird durch die Eigenschaften P2 has type (Eintrag aus einem kontrollierten Vokabular wie z.B. ‚Besessene Mann‘), P90 has value (quantitative Größe oder auch Eintrag einer Entität) und P91 has unit (Eintrag aus einem kontrollierten Vokabular mit Maßeinheiten) genauer spezifiziert (siehe Beispieldaten in der Dokumentation des Entwurfsmusters). Da im Prinzip beliebig viele Dimensionen und Klassifikationssysteme hinzugefügt werden können, stellt es eine generische Lösung zur Erfassung von quantitativen Daten dar.

Verknüpfung mit Wissensorganisationssystemen

Der Einsatz eines Klassifikationssystems wie etwa zur Typisierung eines Ortes oder den Dimensionen beim Entwurfsmuster für quantitative Daten ist typisch für CRM mit seinem Modellierungsprinzip der Verwendung von allgemeinen Klassen und der Spezifizierung der Klasseninstanzen anhand von Begriffen aus Wissensorganisationssystemen (kontrollierte Vokabulare, Klassifikationssysteme, Thesauri). So kommen bei der Datenmodellierung im DigiKAR-Projekt verschiedene Wissensorganisationssysteme zum Einsatz, um verschiedene Aspekte der modellierten Phänomene genauer zu spezifizieren:

Fazit

Die wesentliche Idee unseres Modellierungsansatzes ist die Bereitstellung von Datenmodellen – den Ontologie-Entwurfsmustern – zur Erstellung interoperabler und nachnutzbarer Daten (Stichwort FAIR: Wilkinson et al. 2016). Bei der Entwicklung der Entwurfsmuster haben wir die zur Erfüllung unserer Anforderungen geeigneten Klassen und Eigenschaften aus dem unüberschaubaren Pool an vielfältigen Modellierungsmöglichkeiten von CRM und seinen Erweiterungen systematisch herausgepickt (das Gegenbeispiel wären “Frankenstein ontologies” in Corcho, Poveda-Villalón und Gómez-Pérez 2015), so dass diese Entwurfsmuster einen Einstieg bieten können, um zu einer einheitlichen Modellierung bestimmter Phänomene frühneuzeitlicher Orte und der geographischen und sozialen Mobilität von Personen im Alten Reich zu gelangen.

Was darüber hinaus für die Entscheidung für CRM als Basis für die Datenmodellierung spricht, sind die Möglichkeiten mit den Strukturen um die Klasse E13 Attribute Assignment aus der CRM-Kernontologie so etwas wie Zuschreibungen oder mit der CRM-Erweiterung CRMinf auch Argumentationszusammenhänge oder Begründungen aus dem wissenschaftlichen Diskurs zu modellieren. Das hat den Vorteil, dass auf diese Weise unsicheres Wissen oder Interpretationen durch die Modellierung explizit gemacht werden kann, anstatt einfach nur in Form textueller Beschreibung in einem Anmerkungsfeld zu landen (siehe dazu Piotrowski 2019, Abschnitt 4.2).


Cite this article as: Ingo Frank, „Ontologie-Entwurfsmuster zur Modellierung raumkonstitutierender Attribute frühneuzeitlicher Orte in der Digitalen Kartenwerkstatt Altes Reich (DigiKAR)“, in Digital Humanities Lab, 06/04/2023, https://dhlab.hypotheses.org/?p=3819.

DigiKAR ist ein Kooperationsprojekt des Leibniz-Instituts für Europäische Geschichte Mainz (IEG), des Leibniz-Instituts für Länderkunde Leipzig (IfL), des Leibniz-Instituts für Ost- und Südosteuropaforschung Regensburg (IOS), der Johannes Gutenberg-Universität Mainz (JGU) und der École des Hautes Études en Sciences Sociales Paris, Frankreich (EHESS). Das Vorhaben wird für den Zeitraum von drei Jahren durch das Programm „Leibniz-Kooperative Exzellenz“ der Leibniz-Gemeinschaft gefördert.

Featured image: Kartenwerkstatt – kolorierter Holzschnitt aus Paul Pfinzings Methodus Geometrica von 1598: urn:nbn:de:bvb:22-dtl-0000000041. CC-BY-SA 4.0


Referenzen

  • Blaschke, Thomas, Helena Merschdorf, Pablo Cabrera-Barona, Song Gao, Emmanuel Papadakis, und Anna Kovacs-Györi. 2018. „Place versus Space: From Points, Lines and Polygons in GIS to Place-Based Representations Reflecting Language and Culture“. ISPRS International Journal of Geo-Information 7 (11): 452. https://doi.org/10.3390/ijgi7110452.
  • Bol, Peter K. 2011. „What do humanists want? What do humanists need? What might humanists get?“ In GeoHumanities: Art, History, Text at the Edge of Place. London und New York: Routledge.
  • Corcho, Oscar, María Poveda-Villalón, und Asunción Gómez-Pérez. 2015. „Ontology Engineering in the Era of Linked Data“. Bulletin of the Association for Information Science and Technology 41 (4): 13–17. https://doi.org/10.1002/bult.2015.1720410407.
  • Frank, Ingo, und Monika (Renate) Barget. 2021. „Ontology-Based Modeling of Time, Places and Agents in the Project DigiKAR (Digitale Kartenwerkstatt Altes Reich / Digital Map Lab Holy Roman Empire)“. https://doi.org/10.5281/zenodo.4895498.
  • Germania Sacra, Hrsg. 2022. „Die Grenzen Der Bistümer Des Alten Reiches Um 1500. Rekonstruktion Der Germania Sacra Anhand Publizierter Karten Und Quellenmaterialien“ (Datensammlungen der Germania Sacra. Materialien zur Kirche des Alten Reiches 4), Version 2, Göttingen. https://doi.org/10.26015/adwdocs-34.
  • Kuhn, Werner, Tomi Kauppinen, und Krzysztof Janowicz. 2014. „Linked Data – A Paradigm Shift for Geographic Information Science“. In Geographic Information Science, herausgegeben von Matt Duckham, Edzer Pebesma, Kathleen Stewart, und Andrew U. Frank, 173–86. Lecture Notes in Computer Science. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-11593-1_12.
  • Piotrowski, Michael. 2019. „Accepting and Modeling Uncertainty“. In Die Modellierung des Zweifels – Schlüsselideen und -konzepte zur graphbasierten Modellierung von Unsicherheiten, herausgegeben von Andreas Kuczera, Thorsten Wübbena, Thomas Kollatz, Wolfenbüttel 2019 (ZfdG / Sonderbände, 4). http://dx.doi.org/10.17175/sb004_006a.
  • Purves, Ross S., Stephan Winter, und Werner Kuhn. 2019. „Places in Information Science“. Journal of the Association for Information Science and Technology 70 (11): 1173–82. https://doi.org/10.1002/asi.24194.
  • Studer, Rudi, V. Richard Benjamins, und Dieter Fensel. 1998. „Knowledge Engineering: Principles and Methods“. Data & Knowledge Engineering 25 (1): 161–97. https://doi.org/10.1016/S0169-023X(97)00056-6.
  • Wilkinson, Mark D., Michel Dumontier, IJsbrand Jan Aalbersberg, Gabrielle Appleton, Myles Axton, Arie Baak, Niklas Blomberg, et al. 2016. „The FAIR Guiding Principles for Scientific Data Management and Stewardship“. Scientific Data 3 (1): 160018. https://doi.org/10.1038/sdata.2016.18.


Diesen Blogbeitrag zitieren
dhlabeditor (2023, 6. April). Ontologie-Entwurfsmuster zur Modellierung raumkonstitutierender Attribute frühneuzeitlicher Orte in der Digitalen Kartenwerkstatt Altes Reich (DigiKAR). Digital Humanities Lab. Abgerufen am 24. Februar 2024, von https://doi.org/10.58079/nl6l

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search