Resümee

5.6. Resümee#

Keypoints: Moviebarcodes

  • Moviebarcodes verdichten Farb- und Helligkeitsverläufe eines Films oder Filmsegments zu einer statischen Visualisierung, die den zeitlichen Ablauf und die Farbdramaturgie erfasst.

  • In der filmwissenschaftlichen Analyse können Moviebarcodes stilistische Merkmale, Rhythmusverläufe, Wiederholungen und graduelle Veränderungen sichtbar machen sowie den Vergleich mehrerer Werke ermöglichen.

  • Ihre technische Erstellung basiert auf der regelmäßigen Extraktion von Frames, der Reduktion jedes Einzelbilds auf einen Pixelstreifen und der zeitlichen Zusammensetzung zu einem Gesamtbild.

Keypoints: Systematische Aufbereitung von Forschungsdaten

  • Die systematische Aufbereitung eines Datensatzes erfordert ein konsistentes Metadatenschema, das projektspezifische Anforderungen mit etablierten allgemeinen sowie fachspezifischen Standards wie beispielsweise Dublin Core und EN 15744 verbindet.

  • Eindeutige interne und externe Identifier gewährleisten die stabile Zuordnung, Referenzierbarkeit und relationale Verknüpfung von audiovisuellen Ressourcen und weiteren Forschungsdaten (z.B Annotationsdaten, Moviebarcodes).

  • Kontrollierte Vokabulare, ISO-Standards und verbindliche Formatregeln reduzieren Inkonsistenzen und erhöhen Maschinenlesbarkeit, Interoperabilität und Auswertbarkeit der Daten.

  • Die object_id fungiert als zentraler Primärschlüssel, über den die verschiedenen Bestandteile des Datensets miteinander verknüpft werden.

  • Ein maschinenlesbares Metadatenschema im yaml-Format dokumentiert Felder, Datentypen, Mappings, Vokabulare und Validierungsregeln und kann als anpassbare Vorlage für andere Projekte nachgenutzt werden.

Keypoints: Formate und Konvertierung

  • Für die Publikation und Langzeitarchivierung sollten Forschungsdaten möglichst in offenen, nicht-proprietären, maschinenlesbaren und interoperablen Formaten bereitgestellt werden.

  • Unterschiedliche Formate erfüllen unterschiedliche Funktionen: xlsx eignet sich als Arbeitsformat, csv für tabellarischen Datenaustausch, json für strukturierte und maschinenlesbare Daten sowie html für eine browserbasierte, nutzerfreundliche Durchsuchbarkeit.

  • Bei Formatkonvertierungen müssen Zeichencodierung, Trennzeichen, leere Felder, Spaltennamen und Datentypen kontrolliert werden, um Struktur- und Informationsverluste zu vermeiden.

  • Die parallele Veröffentlichung des ursprünglichen Arbeitsformats und offener Exportformate erhöht Nachvollziehbarkeit, Zugänglichkeit und langfristige Nachnutzbarkeit.

  • Automatisierte Workflows mit (z. B. html-Skript und Python) ermöglichen reproduzierbare Exporte und anpassbare Darstellungsformen für eigene Forschungsdatensätze.

Keypoints: Datenbereinigung und Dokumentation

  • Datenbereinigung umfasst die Vereinheitlichung von Strukturen, Schreibweisen, Feldnamen, Trennzeichen, Identifikatoren und kontrollierten Vokabularen, damit Datensätze konsistent und maschinenlesbar vorliegen.

  • Ein maschinenlesbares yaml-Schema kann als Regelwerk dienen, um Pflichtfelder, Muster und zulässige Werte automatisiert gegen eine csv-Datei zu prüfen.

    • Ein Python-basiertes Validierungsverfahren identifiziert Abweichungen und dokumentiert sie in einem nachvollziehbaren Validation Report.

  • Offene Dokumentationsformate im Markdown-Format wie z. B. README-Dateien erläutern Herkunft, Struktur, Methoden, Formate, Lizenzen und Zitationshinweise eines Datensatzes.

Keypoints: Diskriminierungssensible Überprüfung

  • Eine diskriminierungssensible Überprüfung kann strukturelle Schwerpunkte und Ausschlüsse eines Korpus sichtbar machen, etwa hinsichtlich geografischer Herkunft, Geschlecht, zeitlicher Situiertheit und verwendeter Datenquellen.

  • Quantitative Auswertungen von Metadaten können Verhältnisse und Ungleichgewichte als Tendenzen sichtbar machen, müssen jedoch im jeweiligen Forschungsdesign und Entstehungskontext des Korpus interpretiert werden.

  • Kategorien wie country oder director sowie externe Standards und Datenbanken sind nicht neutral, sondern beruhen auf politischen, institutionellen und produktionsästhetischen Hierarchien und historischen Machtgefügen.

  • Für die Überprüfung sollten sowohl eigene Metadaten als auch nachgenutzte Begriffe, Normdaten, Vokabulare und externe Quellen auf diskriminierende Sprache, Narrative und Ausschlüsse untersucht werden.

  • Quantitative (Meta-)Datenanalysen können Ansatzpunkte für weiterführende qualitative Untersuchungen liefern, erlauben für sich genommen jedoch keine analytisch fundierten Aussagen über konkrete ästhetische, narrative oder ideologische Darstellungsweisen der Werke selbst.