Handbuch Digital Humanities

tern, wie "und", "der" und "die". Ordnet man alle Wörter, die
in einem Text, oder in einem ganzen Textkorpus vorkommen
nach ihrer Häufigkeit, so reicht oft schon die Berücksichtigung
der Häufigkeiten der ersten 100 Wörter in dieser Liste,
um stilistische Unterschiede zwischen Autoren herauszuarbeiten
zu erkennen.
Je nach Fragestellung kann aber auch die Berücksichtigung
anderer Eigenschaften der zu untersuchenden Texte sinnvoll
sein, z.B. Satzlängen, die Häufigkeiten von Wortgruppen, von
bestimmten grammatischen Konstruktionen oder von seltenen
Inhaltswörtern. Diese Eigenschaften eines Textes, die
einer Analyse zu Grunde liegen, bezeichnet man als Features.
Grundsätzlich kann fast jede Eigenschaft eines Textes als Feature
in der Stilometrie zum Einsatz kommen – vorausgesetzt
sie ist messbar und erlaubt es, jedem Text einen eindeutigen
Wert zuzuordnen. In der Praxis, gerade bei der Autorenschaftsattribution,
haben sich als die gängigsten Features
tatsächlich die Häufigkeiten der häufigsten Wörter etabliert.
Aber wie erkennt man nun relevante Unterschiede in einer
Vielzahl von Features, z.B. in zwei Reihen von jeweils 100
Worthäufigkeiten? Der, auch in der Stilometrie übliche Weg,
in einer Menge von Informationen relevante Muster zu finden
ist die Reduktion auf ein vereinfachendes Modell. Für die
Stilanalyse werden einzelne Texte als Datenpunkte in einem
mehrdimensionalen Raum modelliert. Die Dimensionen bzw.
die Achsen des Koordinatensystems sind in diesem Modell
die Features, die Position eines Punktes, d.h. eines Textes
auf einer bestimmten Achse entspricht dem Wert, den der
Text für dieses Feature hat, also z.B. der Häufigkeit, mit der
das entsprechende Wort in diesem Text vorkommt. Das heißt
aber nun, dass ein Textkorpus, wenn nur die 100 häufigsten
Wörter als Features berücksichtigt werden, als Wolke von
Punkten in einem Koordinatensystem mit 100 Dimensionen
modelliert wird! Gleichzeitig lassen sich aber nur höchstens 3
Dimensionen sinnvoll graphisch abbilden. Wie soll also dieses
"vereinfachende" Modell helfen, relevante Muster zu erkennen?
Ein etabliertes mathematisches Verfahren, mit dieser
Art von Datenmodell umzugehen ist die Principal Component
Analysis. Sie ist auch eines der ersten Verfahren, die in der
quantitativen Textanalyse eingesetzt wurden.
91