Workflows zur automatisierten Filmannotation – Einstellungs- und Figurenerkennung am Beispiel der Filme Konrad Wolfs#
Im Rahmen der Digital Humanities werden in verschiedenen Bereichen der Geisteswissenschaften in den letzten Jahren verstärkt digitale Werkzeuge und digitale Methoden eingesetzt. Auch die Filmwissenschaft beschäftigt sich mit den Möglichkeiten und Grenzen digitaler Ansätze. So widmet die Zeitschrift montage/av im Jahr 2020 eine Ausgabe dem Thema Digitale Praktiken in der Filmforschung, im gleichen Jahr erscheint in Digital Humanities Quarterly (DHQ) ein Themenschwerpunkt zu Digital Humanities & Film Studies. Für die Filmgeschichtsschreibung zeigt der Sammelband Doing Digital Film History (Dang et al., 2025) verschiedene Perspektiven digitaler Herangehensweisen auf.
Die vorliegende Open Educational Resource (OER)[1] wurde in Form eines Jupyter Books auf der Grundlage einer Fallstudie entwickelt. Sie befasst sich mit einer filmwissenschaftlichen Fragestellung und erkundet, wie für deren Bearbeitung digitale Verfahren sinnvoll eingesetzt werden können. Im Mittelpunkt der exemplarischen Untersuchung stehen die Filme Konrad Wolfs. Ausgangspunkt für die Fallstudie bildet folgende Frage: Welche besonderen stilistischen Merkmale weisen die Filme Konrad Wolfs auf?
Die OER führt anhand eines konkreten Beispiels in einige grundlegende Aspekte des digitalen Arbeitens in der Filmwissenschaft ein. Dabei nimmt die Fallstudie vor allem die automatisierte Erstellung von Film-Annotationen in den Blick. Mit Skripten in der Programmiersprache Python werden die Länge der Einstellungen und das Auftreten von Figuren in Filmen annotiert. Die Python-Skripte können in der OER mit Jupyter Notebooks ausgeführt und bereitgestellte Beispieldateien annotiert werden. Die Ergebnisse werden als Werte in verschiedenen Dateiformaten ausgegeben, die zur Auswertung in digitale Tools importiert werden können. Diese Annotationen werden überprüft, interpretiert und für die weitere Analyse der Filme Konrad Wolfs nutzbar gemacht.
Zielgruppe#
Diese Open Educational Resource (OER) richtet sich in Form eines Selbstlernkurses an Wissenschaftler:innen, die sich für die Bearbeitung filmwissenschaftlicher Fragestellungen mithilfe digitaler Methoden und Tools interessieren. Die Fallstudie wurde in erster Linie für Forschende der Film- und Medienwissenschaft entwickelt. Sie bietet aber auch wertvolle Einblicke für Vertreter:innen anderer geisteswissenschaftlicher Disziplinen wie z.B. der Geschichts- oder Informationswissenschaft, die sich in ihren Forschungsprojekten mit Bewegtbildmaterial beschäftigen möchten. Besondere Vorkenntnisse sind nicht erforderlich, ein Interesse an digitalen Arbeitsweisen und deren technischer Umsetzung sollte jedoch vorhanden sein. Die OER kann dabei sowohl für das eigene Lernen als auch in der Lehre eingesetzt werden.
Struktur der Fallstudie#
Die Darstellung der Fallstudie in dieser Open Educational Resource ist in mehrere Schritte unterteilt.
Fig. 1 Schritte der Fallstudie#
In einem einleitenden Kapitel werden die Lernziele und die technischen Voraussetzungen vorgestellt. Die daran anschließende Fallstudie ist folgendermaßen gegliedert:
im 1. Schritt wird die Rolle von Annotationen für die Analyse von Filmen beschrieben. Quantitative Ansätze in der Filmwissenschaft werden dargestellt und kritisch reflektiert, bevor mögliche Einsatzbereiche der automatisierten Filmannotation vorgestellt werden. Schließlich wird eine filmwissenschaftliche Fragestellung formuliert und operationalisiert, die mithilfe automatisierter Filmannotation bearbeitet werden kann (siehe Kapitel Filmanalyse und automatisierte Annotation).
im 2. Schritt werden die Möglichkeiten von Computer Vision im Rahmen filmanalytischer Prozesse genauer beleuchtet und grundlegende Begriffe wie Machine Learning, Algorithmus und Modell erläutert. Die Möglichkeiten und Grenzen von Computer Vision Modellen bei der automatisierten Annotation von Filmen werden diskutiert (siehe Kapitel Computer Vision für die Filmanalyse).
im 3. Schritt werden geeignete Modelle für die Einstellungs- und Figurenerkennung in einem Film ausgewählt und diese mithilfe von Python-Skripten durchgeführt. Daran anschließend wird die Qualität der erhaltenen Annotationsdaten überprüft und beurteilt. (siehe Kapitel Automatisierte Annotation von Filmen).
im 4.Schritt findet eine Auswertung des automatisiert erstellten Film-Annotationen statt. Die Annotationsdaten werden mithilfe von Python-Skripten visualisiert und explorativ ausgewertet (siehe Kapitel Auswertung der Annotationsdaten).
Im 1. und 2. Schritt werden somit vor allem die theoretischen Grundlagen gelegt, im 3. und 4. Schritt erfolgt die praktische Durchführung der automatisierten Annotation und die Auswertung der erhaltenen Annotationsergebnisse. In einem abschließenden Kapitel werden die Ergebnisse der Fallstudie zusammengefasst und reflektiert, gefolgt von einem Ausblick auf weitere mögliche Einsatzbereiche der automatisierten Annotation von Filmen.
Literatur#
Dang, S.-M., van der Heijden, T., & Olesen, C. G. (Eds.) (2025). Doing Digital Film History: Concepts, Tools, Practices. Berlin, Boston: De Gruyter Oldenbourg. doi:10.1515/9783111082486