Für Forschungsfragen zum Thema Ernährung: Wie archivierte Websites aufbereitet werden können

Zum Tag der Archive unter dem Motto „Essen und Trinken“ haben wir bespielhaft Forschungsfragen zu Ernährungsweisen formuliert und testweise geschaut, wie archivierte Websites dazu ausgewertet werden könnten. Welche Daten wir ausgewählt, wie wir diese aufbereitet und welche Stichproben wir genommen haben, lesen Sie hier.

Potenzial von digitalen Quellen für Auswertungen

Digital vorliegende Quellen bieten Potenzial für Forschungsfragen. Das A und O ist zunächst eine entsprechende Vorbereitung des Datenmaterials, was in vielen Fällen aufwendig ist. Dies ermöglicht bzw. erleichtert fast automatisierte Abfragen. Das hier gezeigte Beispiel soll verdeutlichen, dass auch an Netzressourcen als relativ neue Quellenart Fragestellungen gerichtet und mit einfachen Mitteln bereits Verläufe aufgezeigt werden könnten.

Auswahl eines Ressorts für unsere Testauswertung

Man kann durchaus von Big Data sprechen, wenn man sich anschaut, was in zehn Jahren praktischer Website-Archivierung hier im Staatsarchiv zusammengekommen ist. Im Laufe der Zeit nahm sowohl die Anzahl der Portale als auch der Umfang einzelner Portale zu. Heute liegen allein für das Ressort vom Staatsministerium für Energie, Klimaschutz, Umwelt und Landwirtschaft (SMEKUL) knapp 120 GB Datenvolumen, was fast 700.000 Dateien entspricht, vor.

Wovon handeln die Webportale?

Zum einen gibt es Behördenwebauftritte des SMEKUL und dessen nachgeordneten Behörden, darunter zum Beispiel das Landesamt für Umwelt, Landwirtschaft und Geologie oder die Staatliche Betriebsgesellschaft für Umwelt und Landwirtschaft. Zum anderen gibt es eine Vielzahl an Themenportalen, hier ein Auszug aus den letzten Jahren, wobei manche davon heute nicht mehr bestehen: Bio-Regio, Boden, Ernährungsvorsorge, Gartenbau, Grüne Berufe, Klima, Landwirtschaft, Mehrwert, Nachhaltigkeit, Natur, Regionales, Umwelt, Wald, Wasser, Wertstoffe.

Im Verlauf der letzten Jahre lässt sich hier bereits erkennen: Mit Aufkommen von Portalen wie „Bio-Regio“ und „Regionales“ soll Aufmerksamkeit auf regional produzierte bzw. teils biologisch angebaute Lebensmittel gelenkt werden. Gerade bei diesen Portalen sind Content-Liefernde nicht nur Behörden, sondern auch produzierende Betriebe.

Was kann man im Archiv finden?

Wir kopieren jedes halbe Jahr jene Webportale für die Archivierung und bereiten sie, wenn nötig, technisch auf. Anschließend werden sie in größeren Einheiten, hier pro Ressort, in Archivpaketen archiviert.

Über Website-Archivierung haben wir bereits hier im SAXARCHIV-Blog berichtet.

Was lässt sich mit der großen Dateisammlung anfangen?

Man kann in den archivierten Portalen mit handelsüblichen Webbrowsern stöbern, ähnlich wie im Liveweb in den Portalen. Wir haben uns aber gefragt, wie wir Inhalte systematisch und für einen größeren Zeitraum auswerten können.

Wir erstellten zunächst ein Textcorpus, da wir keine Bilder, sondern nur Wörter bzw. technisch gesehen Zeichenfolgen auswerten können. Die Dateisammlung mit den anfänglich erwähnten 700.000 Dateien wurde daher bereinigt, so dass nur noch HTML-Textdateien vorlagen – immerhin noch etwa 85.000 Dateien mit einem Speichervolumen von 7,3 GB.

Die Dateien blieben dabei weiterhin aufgeteilt in Pakete für Jahres- bzw. Halbjahresschnitte (hier 17 Pakete), um später damit Verläufe aufzeigen zu können.

Außerdem waren beispielhafte Forschungsfragen wie „Nimmt der Anteil an biologisch angebauten Lebensmittelprodukten aus sächsischer Herstellung zu?“ zunächst in einzelne Bestandteile zu zerlegen. Das heißt, es wurden konkrete Stichwörter aus Fragen abgeleitet. In diesem Fall: „biologisch“ und „regional“.

Anhand von diesen und weiteren Stichwörtern wurden die Textcorpus-Pakete jeweils mit einem Texteditor durchsucht und im Ergebnis lagen Trefferzahlen vor. Diese wurden anschließend noch visualisiert.

Quantität und Qualität der Daten und welche weiteren Schritte zu machen wären

Die Stichwörter wurden dabei bewusst auf Wortstämme gekürzt, damit möglichst viele Wortbildungsformen auffindbar sind, Beispiel: „vegetar“ in „vegetarier“, „vegetarisch“ etc. Gleichzeitig ist für eine weitere Auswertung damit aber zu bedenken, dass oben genannte Präfixe bzw. Wortteile natürlich auch außerhalb des Ernährungskontexts auftreten können, als Beispiel seien hier „bio“ (in „Biotop“, „Biografie“ etc.) oder „saison“ (in „Wettersaison“, „Saisonarbeit“ etc.) genannt.

Weiterhin ist zu beachten, dass verschiedene technische Schreibweisen in HTML-Code vorliegen können. Insbesondere kann dies bei Sonderzeichen der Fall sein: Auch wenn Webbrowser „Spezialität“ anzeigen, kann es im Quellcode als „Spezialität“ oder aber als „Spezialität“ (Umlaut „ä“ in HTML-Code) auftreten. Außerdem können auch fremdsprachige oder dialektale Wörter oder Synonyme eingesetzt worden sein. Nicht zuletzt können auch hier und da Rechtsschreibfehler bzw. Buchstabendreher enthalten sein. All diese Spezialfälle haben wir hier nicht betrachtet.

Ein weiterer Punkt bei der systematischen Abfrage von HTML-Code ist, dass im Code mehr steckt, als im Browser zu sehen ist. Das heißt, damit werden auch Metadaten (z. B. Suchmaschinenstichworte, Webadressen) und Verlinkungspfade (z. B. zu anderen Webseiten, Download- oder Bilddateien) durchsucht.

Nächste Schritte wären also demnach, eine qualitative Inhaltsbewertung der Trefferzahlen vorzunehmen. Zusätzlich kann dann das Textcorpus auf Portal-, Datei- oder Code-Ebene weiter ausgedünnt werden. Anschließend wären die Abfragen erneut durchzuführen.

Was sagen die Zahlen? Lassen sich Verläufe ablesen?

In unserem Beispiel steigert sich bei allen Suchbegriffen die Trefferanzahl im Verlauf der untersuchten Zeitspanne, bei fast allen fällt sie aber auch wieder ab. Dabei treten die Begriffe „bio“ und vor allem „regional“ um ein Vielfaches gegenüber den anderen Begriffen auf. Wir haben dies in einer Grafik dargestellt und die Trefferstatistik für „bio“ und „regional“ in einer verdichteten Ansicht (hier in Orange) eingefügt. Bei „fair“ und „nachhaltig“ sind steigende Tendenzen zu beobachten.

---

---