2.2. Filmwissenschaft#
Auch in der Filmwissenschaft werden Ansätze der Digital Humanities immer wichtiger. Malte Hagener und Diana Roig-Sanz weisen jedoch darauf hin, dass sich digitale Methoden in der Filmwissenschaft und Filmgeschichtsschreibung nur langsam etablieren und führen dies u.a. auf die Komplexität des multimodalen Objekts Film zurück (Hagener and Roig-Sanz, 2024). Einerseits erschwert die Datengröße der digitalen Formen die Arbeit, andererseits sind Fragen des Copyrights in Bezug auf Film besonders komplex. Zudem seien viele Quellen noch nicht digitalisiert und noch nicht online verfügbar. Strukturierte Datensätze müssen erst noch erstellt und Standards etabliert werden. Es gilt, neue digitale Methoden zu entwickeln und mit bestehenden Ansätzen zu kombinieren.
Dabei sind datengetriebene, quantitative Vorgehensweisen schon länger in Gebrauch. Bereits in den 1970er-Jahren setzte sich Barry Salt dafür ein, statistische Methoden für die Analyse von Filmen anzuwenden (Salt, 1974) und baute seine Überlegungen in den folgenden Jahren weiter aus (Salt, 2009). Eine wichtige Größe für die statistische Filmanalyse ist für Salt die “Average shot lenght” (ASL), also die durchschnittliche Länge der Einstellungen eines Films, die sich aus der Länge des Films geteilt durch die Anzahl der Einstellungen errechnet. Davon ausgehend kann z.B. auf die Häufigkeit von Schnitten und damit auf verschiedene Montagestile rückgeschlossen werden. Neben der ASL wurden auch Einstellungsgrößen und Kamerabewegungen in Einstellungen quantitativ erfasst und statistisch ausgewertet.
2.2.1. Datenbanken und digitale Tools#
Quantitative und statistische Daten dieser Art werden u.a. über Datenbanken veröffentlicht. Yuri Tsivian (Tsivian, 2009) nahm Salts Ansatz auf und führte ihn in Form von “Cinemetrics” weiter. Er entwickelte ein einfaches digitales Tool, mit dem die Einstellungswechsel bei der Sichtung eines Films manuell erfasst werden können. Die so erhaltenen Werte, also die Zahl der Einstellungen in einem Film und die Länge der Einstellungen werden im Anschluss in eine Datenbank im Internet hochgeladen, wo eine statistische Auswertung dieser Daten erfolgt. Dies geschieht über die Cinemetrics Website, auf der neben der ASL unter anderem die Dauer der längsten und kürzesten Einstellung, die Anzahl der Einstellungen oder die Gesamtlänge des Films aufgeführt werden. Ebenso können auf der Grundlage dieser Daten verschiedene Visualisierungen erstellt werden (vgl. Fig. 2.1). Diese Datenbank ist frei zugänglich, alle können also sowohl Daten zur Verfügung stellen als auch mit den vorhandenen Daten arbeiten.
Fig. 2.1 Screenshot der Visualisierung eines Eintrags aus der Cinemetrcis-Datenbank#
Zudem sind viele Datenbanken mit filmografischen Angaben, wie z.B. Titel, Entstehungsjahr, beteiligte Personen, Produktionsländer oder Festivalpremieren frei zugänglich. Beispiele hierfür sind etwa IMDb, OFDb oder filmportal.de. Diese Datenbanken liefern Daten und Metadaten zu Filmen, die unter verschiedenen Perspektiven ausgewertet werden können (Stelmach, 2024). Wichtig ist dabei im Blick zu behalten, dass einige dieser Datenbanken, wie IMDb, von kommerziellen Anbietern betrieben werden, wodurch die freie Zugänglichkeit der Daten eingeschränkt ist und auch die Datenerhebung kommerziellen Gesichtspunkten folgt (Campregher Paiva, 2025). Für Analysen im Rahmen der Production Studies sind etwa Zusammensetzungen der Filmcrew, Produktionsbudgets oder Förderungen interessant, Webseiten mit Ratings, Rezensionen, digitalisierte Presseartikel oder Kinoprogramme ermöglichen die Auswertung der Rezeption von Filmen.
Zu beachten ist hierbei, dass bei der Publikation von Daten aus solchen frei zugänglichen Datenbanken im Rahmen eigener Forschungsprojekte bestimmte rechtliche Rahmenbedingungen eingehalten werden müssen. Auf dieses Thema wird im Kapitel zu Problemfeldern bei der Datenpublikation noch näher eingegangen.
2.2.2. Formen der Visualisierung#
Die große Anzahl an Film- und Metadaten erfordert neue Formen der kritischen Einordnung und Auswertung der Informationen. Eine mögliche Form der Datenerschließung ist die Visualisierung (siehe hierzu auch das Kapitel Datenauswertung und Datenvisualisierung). Im Rahmen seines Ansatzes der “Cultural Analytics” hat sich Lev Manovich intensiv mit Möglichkeiten und Techniken der Visualisierung von (kulturellen) Informationen auseinandergesetzt und stellt als einen Ansatz die “Visualisierung ohne Reduktion” heraus, bei der möglichst alle vorhandenen Informationen in der Visualisierung erhalten bleiben (Manovich, 2020). Diesen Ansatz greift Adelheid Heftberger in ihrer Arbeit zu Dsiga Vertovs Filmen auf und entwickelt ihn weiter (Heftberger, 2016).
Fig. 2.2 Close-ups von Gesichtern in “The Eleventh Year” (Dziga Vertov, 1928) (Quelle: (Heftberger, 2018), CC BY 4.0)#
Sie bestimmt die Länge der Einstellungen von Vertovs Filmen und erstellt mit Einzelbildern aus den Einstellungen Visualisierungen, aus denen Muster im Schnitt oder auch die Wiederkehr einzelner Einstellungen ersichtlich werden (Heftberger, 2018). Komplexe Montagefolgen können so besser erfasst und ausgewertet werden.
2.2.3. Filmanalytische Tools#
Digitale Tools können auch filmanalytische Prozesse unterstützen. Sie erleichtern die Erstellung von Annotationen zu einzelnen Filmen, also die Anreicherung von Filmen mit zusätzlichen Informationen zu dessen verschiedenen medialen Ebenen, wie etwa Tongestaltung, Bild oder Musikeinsatz. Es entstehen digitale Filmprotokolle, durch die Eigenschaften eines Films erfassbar und analysierbar werden sollen. Diese Annotationen können wiederum unter Einbeziehung digitaler Tools ausgewertet und mit Annotationen zu anderen Filmen in Beziehung gesetzt werden.
Annotiert werden Elemente wie Montage, Kamera, Bildkomposition, auftretende Figuren, Dialoge oder Motive (Bakels et al., 2020). Beispiele für solche Tools sind etwa ELAN, das ursprünglich für linguistische Analysen konzipiert wurde, VIAN, das den Fokus v.a. auf die Analyse von Farbe im Film legt und Advene, bei dem Annotationselemente aufeinander bezogen werden können. Solche Tools zur digitalen Filmanalyse werden fortlaufend weiterentwickelt: Einzelne Annotationskomponenten wie z.B. die Erkennung der Länge von Einstellungen oder der Text von Dialogen können immer besser automatisiert erfasst werden. Andere Elemente, wie Kamerabewegungen oder Einstellungsgrößen, müssen meist noch manuell eingegeben oder stark nachgebessert werden. Manuelle und automatische Annotationen werden miteinander verzahnt, die Annotationsergebnisse sollen maschinenlesbar und weiterverarbeitbar sein. Mit ihnen ist z.B. die Erstellung von Visualisierungen möglich, die Muster audiovisueller Kompositionen sichtbar und besser auswertbar machen.
2.2.4. Distant Viewing#
Neben der Annotation einzelner Filme wird mit Unterstützung digitaler Werkzeuge die (teil-)automatisierte Analyse einer großen Menge von Filmen möglich. Franco Moretti entwickelte den literaturwissenschaftlichen Ansatz des “distant reading” (Moretti, 2016), bei dem digitalisierte Texte nach bestimmten Mustern, Motiven oder Wortgruppen durchsucht werden. In Form des “distant viewing” übertragen Taylor Arnold und Lauren Tilton diesen Ansatz auf die Analyse (audio-)visueller Werke (Arnold and Tilton, 2023). Sie setzen sich in diesem Kontext mit den Möglichkeiten und Grenzen von ‘computer vision’ auf der Grundlage von Algorithmen sowohl theoretisch als auch praktisch auseinander. Für die praktische Anwendung des Distant-Viewing-Ansatzes haben sie das Distant Viewing Toolkit entwickelt, das auf der Programmiersprache Python basiert. Mit diesem Toolkit ist es möglich, automatisiert Annotationen zu erstellen, z.B. welche Figuren oder Objekte im Bild sichtbar sind oder wie lange die einzelnen Einstellungen dauern. Auf der Grundlage dieser Annotationen können wiederum Muster erkannt, Gemeinsamkeiten und Unterschiede in einem Korpus von Filmen herausgearbeitet werden. Arnold und Tilton haben dies exemplarisch an der Untersuchung zweier US-amerikanischer TV-Sitcoms aus den 1960er Jahren und in Zusammenarbeit mit Tim van der Heijden für Amateurfilme aufgezeigt (Arnold et al., 2019); (Heijden et al., 2025).
2.2.5. Forschungsdaten#
Beim “distant viewing”, aber auch bei allen anderen digitalen, computergestützten Ansätzen in der Filmwissenschaft, entstehen Forschungsdaten (siehe hierzu auch das Kapitel Datenpublikation). Diese Daten sollen langfristig gespeichert und für andere Wissenschaftler:innen zugänglich gemacht werden. Die hierfür notwendige Infrastruktur befindet sich noch im Aufbau. Wichtig ist hierbei neben der langfristigen Speicherung auch die Auffindbarkeit und die Zugänglichkeit der Daten (Hagener and Kammerer, 2020). Zudem muss die Entstehung der Daten nachvollziehbar und deren Qualität einschätzbar sein. Nur so können diese potentiell von anderen Wissenschaftler:innen in anderen Forschungskontexten nachgenutzt werden.
Bei der Datenpublikation müssen zudem rechtliche Aspekte berücksichtigt werden. Insbesondere bei Filmwerken ist in diesem Kontext die Beachtung von Urheberrechten relevant, aber auch Fragen des Datenschutzes, wie z.B. Vorschriften zum Umgang mit personenbezogenen Daten, sind zu bedenken. Personenbezogene Daten können etwa in filmografischen Angaben eine Rolle spielen. Das komplexe Themenfeld der rechtlichen Rahmenbedingungen wird im Kapitel zu Problemfeldern bei der Datenpublikation genauer behandelt.
Als Speicherort für Forschungsdaten stehen verschiedene Repositorien zur Verfügung. Für die deutschsprachige Film- und Medienwissenschaft hat sich etwa media/rep/ etabliert. Zenodo bietet ebenfalls die Möglichkeit, Forschungsdaten zu publizieren und bei re3data kann nach Repositorien recherchiert werden.
2.2.6. Literatur#
Arnold, T., & Tilton, L. (2023 , October). Distant Viewing: Computational Exploration of Digital Images. The MIT Press.
Arnold, T., Tilton, L., & Berke, A. (2019 , July). Visual Style in Two Network Era Sitcoms. Journal of Cultural Analytics, 4(2). URL: https://culturalanalytics.org/article/11045-visual-style-in-two-network-era-sitcoms, doi:10.22148/16.043
Bakels, J.-H., Grotkopp, M., Scherer, T., & Stratil, J. (2020). Digitale Empirie? Computergestützte Filmanalyse im Spannungsfeld von Datenmodellen und Gestalttheorie. montage AV, 29(1), 99-118.
Campregher Paiva, I. (2025). IMDb and the privatization of the digital commons. In Keidl, P. D., & Zündel, J. (Eds.), Platforms and the Moving Image (pp. 191–217). meson press, Lüneburg.
Hagener, M., & Kammerer, D. (2020). Infrastrukturierung der Filmforschung. Auf dem Weg zu digitalen Forschungsumgebungen im Netz? montage AV, 29(1), 43–57.
Hagener, M., & Roig-Sanz, D. (2024 , July). Digital Film Historiography: Challenges of/and Interdisciplinarity. Journal of Cultural Analytics, 9(4). URL: https://culturalanalytics.org/article/120944-digital-film-historiography-challenges-of-and-interdisciplinarity, doi:10.22148/001c.120944
Heftberger, A. (2016). Kollision der Kader: Dziga Vertovs Filme, die Visualisierung ihrer Strukturen und die Digital Humanities. München: edition text + kritik.
Heftberger, A. (2018 , January). Materiality and Montage: Film Studies, Digital Humanities and the Visualization of Moving Images. URL: https://doi.org/10.5281/zenodo.1161531, doi:10.5281/zenodo.1161531
Heijden, T. V. D., Arnold, T., & Tilton, L. (2025). Distant Viewing the Amateur Film Platform. In Dang, S.-M., Van Der Heijden, T., & Olesen, C. G. (Eds.), Doing Digital Film History (pp. 239–270). De Gruyter.
Manovich, L. (2020). Cultural analytics. Cambridge, Massachusetts: The MIT Press.
Moretti, F. (2016). Distant reading. Konstanz: University Press.
Salt, B. (1974). Statistical Style Analysis of Motion Pictures. Film Quarterly, 28(1), 13–22.
Salt, B. (2009). Film style and technology: history and analysis. Third edition ed. London: Starword.
Stelmach, M. (2024). Cinema Counts: The Computational Turn and Quantitative Methods in Film Studies. Kwartalnik Filmowy, pp. 6–28. doi:10.36744/kf.2934
Tsivian, Y. (2009). Cinemetrics, Part of the Humanities' Cyberinfrastructure. In Ross, M., Grauer, M., & Freisleben, B. (Eds.), Digital tools in media studies. Analysis and research. An overview (pp. 93–100). Bielefeld: transcript.