Entsperren des Emotional Archive: Sentiment und Emotionsanalyse für historische Briefe

Historische Briefe sind weit mehr als Tinte auf Pergament; sie sind intime Aufzeichnungen der menschlichen Erfahrung, die Hoffnungen, Ängste und tägliche Realitäten von längst vergangenen Menschen einfangen. Doch der emotionale Subtext dieser Dokumente bleibt oft verborgen, verdeckt durch Veränderungen in der Sprache, sozialen Normen und dem schieren Umfang der Korrespondenz, die überlebt. Für Historiker, Archivare und Pädagogen besteht die Herausforderung nicht nur darin, zu lesen, was geschrieben wurde, sondern die emotionale Landschaft hinter den Worten wirklich zu verstehen. Jüngste Durchbrüche in der Computerlinguistik - speziell die Gefühls- und Emotionsanalyse - bieten eine leistungsstarke Linse, durch die diese persönlichen Archive untersucht werden können. Durch die Anwendung dieser Techniken können Wissenschaftler über anekdotische Eindrücke hinausgehen, um emotionale Muster, Widersprüche und Wendepunkte zu enthüllen, die unser Verständnis der Vergangenheit prägen.

Dieser Artikel untersucht, wie die Gefühls- und Emotionsanalyse auf historische Briefe angewendet werden kann, welche methodischen Überlegungen eine genaue Interpretation gewährleisten und welche weiteren Auswirkungen dies auf die Digital Humanities hat. Wir werden konkrete Beispiele durchgehen, die Grenzen aktueller Modelle diskutieren und hervorheben, wie diese Werkzeuge – gepaart mit traditionellen historischen Methoden – eine Sammlung von Briefen in einen reichen emotionalen Datensatz verwandeln können.

Definition des analytischen Rahmens: Sentiment vs. Emotionsanalyse

Bevor wir uns mit historischen Anwendungen befassen, ist es wichtig, zwischen den beiden primären computergestützten Ansätzen zu unterscheiden: der Sentimentanalyse und der Emotionsanalyse, die zwar häufig austauschbar verwendet werden, aber unterschiedlichen analytischen Zwecken dienen und unterschiedliche Arten von Erkenntnissen liefern.

Sentimentanalyse: Polarität und Ton

Sentimentanalyse ist die automatisierte Einteilung von Text in weit gefasste Kategorien von Polarität – typischerweise positiv, negativ oder neutral. Nuanciertere Systeme können eine numerische Punktzahl (z. B. -1 bis +1) oder ein ternäres Etikett zuweisen. Bei historischen Briefen kann die Sentimentanalyse Fragen beantworten wie: Hat sich der Gesamtton der Korrespondenz eines Soldaten zu Kriegszeiten mit der Verschleppung des Konflikts negativer entwickelt? Hat sich die kollektive Stimmung einer Gemeinschaft in den Monaten vor einem großen politischen Ereignis verändert? Die Stärke der Sentimentanalyse liegt in ihrer Skalierbarkeit; sie kann schnell Tausende von Buchstaben verarbeiten, um übergreifende emotionale Bahnen zu identifizieren.

Emotionsanalyse: Granulare affektive Zustände

Die Emotionsanalyse geht tiefer, indem sie spezifische emotionale Zustände identifiziert - Freude, Traurigkeit, Wut, Angst, Überraschung, Ekel und manchmal differenziertere Kategorien wie Vertrauen oder Vorfreude. Dieser Ansatz stützt sich auf psychologische Modelle wie Paul Ekmans grundlegende Emotionen oder Robert Plutchiks Rad der Emotionen. Wenn sie auf historische Briefe angewendet wird, kann die Emotionsanalyse zum Beispiel nicht nur zeigen, dass ein Buchstabe negativ ist, sondern dass er durch eine Mischung aus Wut und Angst gekennzeichnet ist - eine Unterscheidung, die einen Krisenpunkt oder eine Veränderung in der Beziehung des Autors signalisieren kann. Emotionsanalyse verwendet oft Lexikone (Wörterbücher von Wörtern, die mit emotionalen Assoziationen kommentiert werden) oder Modelle des maschinellen Lernens, die auf beschrifteten Texten trainiert werden.

Warum beides für die historische Forschung wichtig ist

Historische Briefe drücken selten reine, einzelne Emotionen aus. Ein Abschiedsbrief kann Traurigkeit mit Hoffnung vermischen; ein Geschäftsbrief kann Wut unter formaler Höflichkeit verbergen. Die Verwendung von Gefühls- und Emotionsanalysen im Tandem ermöglicht es Forschern, diese Komplexität zu erfassen und ein reicheres emotionales Profil zu liefern als die Polarität allein. Zum Beispiel kann ein Brief mit neutraler Stimmung immer noch signifikanten emotionalen Inhalt enthalten, wenn der Autor Untertreibung oder Ironie anwendet - Nuancen, die die Emotionsanalyse durch Erkennen von Wörtern erfassen könnte, die mit unterdrückter Wut oder verborgener Angst verbunden sind.

Anwenden von Gefühls- und Emotionsanalyse auf historische Briefe

Die praktische Anwendung dieser Techniken auf historische Korrespondenz erfordert eine sorgfältige Vorbereitung und domänenspezifische Anpassung. Im Folgenden skizzieren wir die wichtigsten Schritte und heben hervor, wie jede zu einer robusten analytischen Pipeline beiträgt.

Schritt 1: Digitalisierung und Corpus Assembly

Die erste Hürde besteht darin, physische Buchstaben zu digitalisieren und einen konsistenten Korpus zusammenzustellen. Optische Zeichenerkennung (OCR) muss mit kursiven Skripten, verblassender Tinte und unterschiedlichen Seitenlayouts umgehen. Bei handgeschriebenen Briefen kann manuelle Transkription oder spezielle Handschrifterkennung erforderlich sein. Die Qualität des digitalen Textes beeinflusst direkt die Analysegenauigkeit. Sobald der Korpus zusammengebaut ist, sollte der Korpus mit Metadaten organisiert werden: Datum, Schreiber, Empfänger, geografische Herkunft und alle bekannten Ereignisse oder Kontexte.

Diese Metadaten werden entscheidend für die Verknüpfung emotionaler Verschiebungen mit externen historischen Faktoren.

Schritt 2: Vorverarbeitung und Normalisierung

Historische Sprache stellt einzigartige Herausforderungen dar. Rechtschreibung war oft nicht standardmäßig, Interpunktion unregelmäßig und Vokabular archaisch.

  • Normalisierung buchstabieren: Wörter wie “dich” oder “hath” in moderne Entsprechungen umwandeln oder sie bewahren, aber in ein Standardwörterbuch abbilden.
  • Tokenization: Splitting text in words while handling archaic abstracts (z.B., "&c." for "etc.").
  • Stop-Wortentfernung (oder -retention): Einige Emotionsmodelle profitieren davon, funktionale Wörter zu behalten, da sie Subtext vermitteln können (z. B. "aber", "noch", "obwohl").

Wenn man die Rechtschreibung nicht normalisiert, kann das dazu führen, dass Modelle Wörter falsch einordnen oder sie als Vokabulär behandeln. Eine gute Praxis ist es, ein benutzerdefiniertes historisches Lexikon zu erstellen oder ein Werkzeug wie VADER (Valence Aware Dictionary and sEntiment Reasoner) nach dem Umschulen mit historischen Textproben zu verwenden.

Schritt 3: Auswahl und Anpassung des Modells

Modelle, die in modernen sozialen Medien oder Filmrezensionen trainiert werden, werden Begriffe wie "Melancholie" (die im 19. Jahrhundert ein klinischer Begriff war, nicht unbedingt negativ) oder "Homosexuell" (was vor dem 20. Jahrhundert glücklich bedeutete) falsch lesen.

  • Verwende Transfer-Lernen: Beginne mit einem vortrainierten Modell (z.B. BERT, RoBERTa) und passe es auf einen kuratierten Satz historischer Buchstaben an, die manuell für Emotionen kommentiert wurden.
  • Incorporate historical thesauri: Resources like the Oxford English Dictionary Historical Thesaurus can help map word meanings across centurys.
  • Domänenspezifische Validierung durchführen: Lassen Sie Historiker eine zufällige Stichprobe von Modellausgaben überprüfen, um Fehlklassifizierungen zu erfassen.

Schritt 4: Analyse und Interpretation

Sobald das Modell läuft, ist die Ausgabe ein strukturierter Datensatz: Jeder Buchstabe oder Absatz ist mit Stimmungspolarität und Emotionsetiketten versehen.

  • Zeichne emotionale Trajektorien im Laufe der Zeit für einen einzelnen Schriftsteller oder eine Gruppe auf.
  • Korrekt Emotionen mit bekannten Ereignissen (z.B. ein Anstieg der Angst vor einer Schlacht, ein Rückgang der Freude nach dem Tod eines geliebten Menschen).
  • Vergleiche emotionale Profile über Geschlechter, soziale Klassen oder politische Fraktionen hinweg.

Zum Beispiel könnte eine Studie von Briefen von amerikanischen Bürgerkriegssoldaten feststellen, dass Feldoffiziere in den ersten Monaten mehr Wut ausdrückten, die allmählich Traurigkeit und Resignation durch das Ende des Krieges wichen - Muster, die sich mit sekundären historischen Berichten decken, aber jetzt empirisch unterstützt werden.

Fallstudie: Sentiment in den Briefen von Abigail und John Adams

Um den praktischen Wert dieser Methoden zu veranschaulichen, betrachten wir die umfangreiche Korrespondenz zwischen John und Abigail Adams von 1762 bis 1801. Ihre Briefe sind eine reiche Quelle, um sowohl persönliche Emotionen als auch politische Gefühle während der amerikanischen Revolution und der frühen Republik zu verstehen. Mithilfe eines maßgeschneiderten, fein abgestimmten Emotionsmodells könnten Forscher:

  • Messen Sie die Häufigkeit von Zuneigungsbegriffen (Freude, Liebe) während der Trennungszeiten.
  • Verfolgen Sie die zunehmende Wut und Frustration in Johns Briefen während der XYZ-Affäre (1797-1798).
  • Identifizieren Sie Momente der Angst in Abigails Briefen während Pockenepidemien und Kriegsdrohungen.

Eine solche Analyse würde nicht die genaue Lektüre ersetzen, sondern würde einen Vergleich der emotionalen Intensität über Jahrzehnte und über die verschiedenen Rollen des Paares ermöglichen - private Vertraute gegenüber Staatsmann.

Kritische Herausforderungen und methodische Sicherungen

Das Versprechen ist zwar groß, doch die Anwendung von Gefühls- und Emotionsanalysen auf historische Briefe ist mit Fallstricken behaftet.

Sprachentwicklung und semantische Drift

Worte ändern sich mit der Zeit. „Ehrfurcht bedeutete einmal Angst oder Terror; „schrecklich bedeutete voller Ehrfurcht. Ein Gefühlsmodell, das auf modernem Englisch trainiert wurde, würde wahrscheinlich einen Brief, der einen „schrecklichen Sturm als negativ beschreibt, falsch klassifizieren, wenn der Autor „beeindruckend oder „angststiftend gemeint hätte. Um dies zu mildern, sollten Forscher periodenspezifische Lexikone bauen und Modelle auf dem gehaltenen historischen Text testen. Das Classical Language Toolkit (CLTK) und der Historische Thesaurus des Englischen sind wertvolle Ressourcen.

Genre und Register

Briefe folgen Konventionen, die je nach Epoche, sozialem Status und Geschlecht variieren. Formale Briefschreibhandbücher des 18. Jahrhunderts förderten die Umschreibung und emotionale Zurückhaltung; ein Autor könnte echten Ärger als milde Meinungsverschiedenheit ausdrücken. Modellgenauigkeit hängt davon ab, diese codierten Ausdrücke zu erkennen. Ein Ansatz besteht darin, separate Modelle für verschiedene Genres zu trainieren (Liebesbriefe, Militärsendungen, Geschäftskorrespondenz) oder Genre-Metadaten als Merkmal zu integrieren.

Das Risiko des Präsentismus

Die Auferlegung moderner emotionaler Kategorien auf vergangene Erfahrungen kann Interpretationen verzerren. Zum Beispiel könnte das, was wir heute „Depression nennen, als „Melancholie oder „Dämpfe beschrieben worden sein, aber nicht unbedingt als pathologisch angesehen werden. Emotions-Etiketten sollten als Näherungs- und nicht als Diagnose behandelt werden. Forscher müssen Ergebnisse immer mit einer Primärquellenanalyse kontextualisieren.

Datensparsamkeit und kleine Datensätze

Viele historische Briefsammlungen sind klein – ein paar hundert Buchstaben statt der Tausenden, die für das Training von Deep Learning-Modellen benötigt werden. In solchen Fällen können regelbasierte Lexikons oder einfaches maschinelles Lernen (z. B. logistische Regression mit Bag-of-Wörter-Funktionen) geeigneter sein. Ensemble-Methoden, die mehrere Modelle kombinieren, können auch die Zuverlässigkeit verbessern.

Integration von Computational und traditionellen Methoden

Der produktivste Ansatz behandelt die Sentiment- und Emotionsanalyse als Ergänzung zu traditionellen historischen Methoden und nicht als Ersatz dafür.

  1. Verwenden Sie Rechenergebnisse, um Muster zu markieren, um sie genau zu lesen.
  2. Integrieren Sie qualitative Feedbackschleifen: Nach der ersten Analyse überprüfen Historiker mehrdeutige Proben und passen die Annotationsrichtlinien des Modells entsprechend an.
  3. Kombinieren Sie mit anderen digitalen Methoden: Netzwerkanalyse von Brief-Co-Autoren oder Themenmodellierung kann zeigen, wie Emotionen sich auf soziale Bindungen und thematische Anliegen beziehen.

Dieser hybride Ansatz wird durch das Projekt Mapping the Republic of Letters veranschaulicht, das Netzwerkanalysen verwendet, um Korrespondenznetzwerke zu verfolgen, aber auch um emotionale Inhalte erweitert werden könnte.

Praktische Werkzeuge und Ressourcen für Historiker

Historiker, die mit Gefühls- und Emotionsanalysen experimentieren möchten, aber keine Programmierkenntnisse haben, können mit benutzerfreundlichen Tools beginnen:

  • Vader – ein lexikonbasiertes Tool für die Stimmungsanalyse, das mit kurzen Texten recht gut funktioniert; erfordert grundlegende Python-Fähigkeiten, wurde aber in Web-Schnittstellen angepasst.
  • Syuzhet – ein R-Paket, das Gefühls- und Emotionsbögen aus Erzählungen extrahiert; kann ohne schwere Codierung durch RStudio laufen.
  • Transkribus – eine Plattform für handschriftliche Texterkennung, die auch grundlegende Stimmungsmarkierungen als Teil ihrer Pipeline bietet.

Für diejenigen, die bereit sind, in benutzerdefinierte Modelle zu investieren, bieten Plattformen wie Hugging Face vortrainierte Transformatormodelle an, die mit bescheidenen Rechenressourcen auf historischen Text abgestimmt werden können. Viele Labore der Digital Humanities bieten Workshops und Kooperationsprojekte an, um den Wissenschaftlern den Einstieg zu erleichtern.

Ethische Überlegungen und verantwortungsbewusster Umgang

Die Arbeit mit persönlichen Briefen - insbesondere mit Briefen, die ursprünglich nicht für die Veröffentlichung bestimmt waren - wirft ethische Fragen auf, auch wenn die Autoren lange verstorben sind.

  • Respektiere die Erwartungen an die Privatsphäre der damaligen Zeit. Einige Briefe sollten nach dem Lesen verbrannt werden; ihre Veröffentlichung erfordert eine sorgfältige Betrachtung.
  • Vermeide reduktive emotionale Diagnosen. Eine Person als “chronisch traurig” zu kennzeichnen, basierend auf einer computergestützten Analyse, kann ihr Leben und ihren Kontext zu sehr vereinfachen.
  • Sei transparent über Unsicherheit. Modellwerte sind probabilistisch, nicht absolut.

Zukünftige Richtungen: Auf dem Weg zu emotional gebildeten historischen KI

Große Sprachmodelle wie GPT-4 und ihre Nachfolger sind zunehmend in der Lage, plausible emotionale Interpretationen von Text zu erzeugen. Ihnen fehlt es jedoch immer noch an echter Empathie und oft an Erklärungen (Halluzinationen).

  • Multimodale Emotionsanalyse, die Handschriftstil, Papierzustand und sogar Siegel oder Diagramme als emotionale Hinweise enthält.
  • Cross-cultural emotion models that account for how different historical societies conceptized feelings (e.g., the medieval Christian concept of “acedia” versus modern boredom).
  • Erklärbare AI, die zeigt, welche Wörter oder Phrasen ein Emotionslabel anführten, so dass Historiker die Argumentation des Modells überprüfen oder in Frage stellen konnten.

Schlussfolgerung

Gefühls- und Emotionsanalyse sind keine magischen Schlüssel, die die Vergangenheit aufschließen. Sie sind stumpfe Instrumente, die, wenn sie sorgfältig kalibriert und in Partnerschaft mit historischem Fachwissen verwendet werden, emotionale Dimensionen enthüllen können, die zuvor unsichtbar waren. Die Briefe, die uns die Geschichte hinterlassen hat, sind keine bloßen Artefakte; sie sind Stimmen, die darauf warten, über Jahrhunderte hinweg gehört zu werden. Durch die Anwendung von Rechenwerkzeugen mit Strenge und Demut können wir genauer zuhören - nicht um das Ohr des Historikers zu ersetzen, sondern um es zu verstärken. Das emotionale Archiv der Vergangenheit ist riesig und wir beginnen erst, es mit neuen Augen zu lesen.