Gutes Mining zum bösen Spiel

Digitale Auswertungsmöglichkeiten von Diebstahls- und ‚Verlorenen‘-Anzeigen des Münsterischen Intelligenzblatts

Was haben ein Seehund, ein goldener Ring und ein weißes Schnupftuch gemeinsam? Sie alle wurden zwischen 1795 und 1797 in Münster gestohlen oder gingen verloren. Wir wissen das, weil deren Besitzer:innen entsprechende Anzeigen im Münsterischen Intelligenzblatt platziert haben. Mit dieser hofften Sie ihr Eigentum baldmöglichst beim Intelligenz-Comtoir, dem Herausgeber des Intelligenzlattes, abholen zu können. Das Blatt entstand – wie andere ähnliche Blätter1 – im 18. Jahrhundert und enthielt unter anderem Anzeigen zu offenen Arbeitsstellen, gestohlenen und verlorenen Gegenstände, gerichtliche und landesherrliche Mitteilungen, aber auch Nachrichten zum Fürstbistum Münster und Neuigkeiten aus der gesamten Welt.2 Mit der Zeit erweiterte es sein Anzeigenspektrum auch um neue Formate, wie beispielsweise Verkaufsankündigungen oder Werbeanzeigen.

Anzeige des verlorenen „ächten“ Seehunds aus dem Intelligenzblatt, Intelligenz-Comtoir Münster (1797): Münsterisches Intelligenzblatt. Münster (97), unpag.

Der oben genannte Seehund ist sicherlich eher eine Kuriosität bei den abhanden gekommenen Gegenständen. Und ob es sich bei dem wie es in der Quelle heißt „große[n] ächte[n] Seehund“,3 der mitten in der Innenstadt zwischen Salzstraße und dem Hof des Generals von Wenge in der Hörsterstraße verloren ging, um das lebende Tier oder doch nur um sein Fell handelte, geht aus der Anzeige leider nicht weiter hervor. Bei den anderen beiden Gegenständen sind die Bezeichnungen jedoch eindeutiger und geben einen Einblick in die materielle Kultur. Das Schnupftuch war beispielsweise eines von „18 große[n] feine[n] weiße[n] Schnupftücher gezeichnet mit C. R. unter welchen Buchstaben gleichfalls Numern stehen, welche nicht zu bestimmen sind“4 und der Ring ein „breiter goldener Ring von zween Reifen, welche oben mit einem goldenen Herz zusammengefaßt sind, […] selbiger ist durch die darinn eingefaßte blonde Haare besonders kennbar.“5

Da die gestohlenen oder verlorenen Gegenstände oft sehr detailliert erfasst wurden, können sie anhand ihrer Beschreibungen in den Anzeigen genauer untersucht werden. Die Intelligenzblätter, die lange Zeit nur wenig von der Forschung beachtet wurden,6 bieten damit die Möglichkeit Rückschlüsse auf die materielle Kultur der münsterländischen Bevölkerung im 18. und 19. Jahrhundert zu schließen. Gleichzeitig ergänzen sie damit Forschungen zur Kriminalitätsgeschichte, da gerade in Bezug auf Diebstähle die materielle Kultur noch wenig betrachtet wurde.7

Salzstraße (grau, markiert mit Nr. 57) und Position des Stadthofs von Wenge zu Beck an der Hörsterstraße (markiert mit Nr. 41); Kartenausschnitt aus “Grundlage der Haupt und Residenzstadt Münster gezeichnet von Joseph Schmeddes domkapitularischer Oberführer und beaydeter Landmesser im jahr 1802”, Signatur: .Abt. Westfalen, Kartensammlung A, Nr. 37369 (https://dfg-viewer.de/show/?tx_dlf[id]=https%3A%2F%2Fwww.landesarchiv-nrw.de%2Fdigitalisate%2FAbt_Westfalen%2FKartensammlung_A%2F%7E373%2F37369%2Fmets.xml); zur Position des Hofes WEIDNER, Marcus (2000): Landadel in Münster 1600-1760. Stadtverfassung, Standesbehauptung und Fürstenhof. Teil 2. Münster, S. 1039.

Von der Quelle zum auswertbaren Digitalisat

Ein neues Projekt am Trier Center für Digital Humanities der Universität Trier macht sich dies zunutze und wertet das Intelligenzblatt mit Methoden des Text Minings aus, um neue Einblicke in die materielle Kultur der Frühen Neuzeit zu gewinnen. Text Mining bezeichnet als Überbegriff verschiedene statistische, lexikalische und linguistische Methoden, bei denen mit computergestützten und algorithmus-basierten Verfahren Informationen aus großen Textbeständen gewonnen werden können.8 Wie das geschieht, von der Vorbereitung der Digitalisate, über die automatisierte Erkennung von Text, bis hin zur Auswertung und ersten Ergebnisse, wird im Folgenden gezeigt.

Mit Blick auf das im oben gesagte ist Text Mining gerade für serielle Quellen, die im großem Umfang überliefert sind, attraktiv. Beim Münsterischen Intelligenzblatt ist dies der Fall. Es erschien von 1763 bis 1849. Zuerst nur zwei Mal wöchentlich, wurde es später sogar sechs Mal in der Woche ausgeliefert. Die mehrfach in der Woche erschienene Zeitschrift ist in den Jahrgängen 1765, 1766 und 1768 bis 1849 überliefert und in digitaler Form als PDF-Datei verfügbar.9 Dies macht sie aber noch nicht direkt für das Text Mining nutzbar. Dafür fehlt es noch an einer maschinenlesbaren Form.

Ansicht des Ergebnisses der Texterkennungssoftware Project PERO OCR. Oben die digitalisierten Dokumentseiten mit den grün umrandeten Textfeldern, darunter eine Seite mit den erkannten Zeilen mit lila Umrandung und dem erkannten Text unten.

Bevor die Intelligenzblätter ausgewertet werden können, müssen sie erst mit Hilfe automatisierter Texterkennung – auch Optical Character Recognition (OCR) – in ein maschinenlesbares Format übertragen werden. In der Vorverarbeitung, dem pre-processing, muss dafür überprüft werden, ob die Seiten verzerrt oder ‚schräg‘ eingescannt wurden. Diese Probleme können durch Rotation oder den Einsatz weiterer Programme behoben werden.10 Danach übernimmt die Texterkennungssoftware die Binarisierung – das heißt, dass die Digitalisate in Text oder Hintergrund unterschieden werden. Oft ist es sinnvoll danach noch einmal das Layout der erkannten Textfelder zu überprüfen, da zum Beispiel Tintenflecken oder ähnliches auch als Textfeld erkannt werden können. Anschließend kann die Texterkennung erfolgen.

In der Nachbereitung – post-processing – wird versucht die Qualität des erkannten Textes zu verbessern. Bei modernen Quellen ist dies einfacher. Durch die Verwendung von normierter Sprache – beispielweise des Hochdeutschen – können die erkannten Texte mit digitalen Lexiken abgeglichen werden, um nicht eindeutig erkannten Transkriptionen sinnvolle Wörter zuzuordnen. Bei der Texterkennung des Intelligenzblattes ist der Prozess schwieriger: Einerseits ist die Sprache nicht normiert, sodass verschiedene Schreibweisen eines Wortes existieren. Im Falle der oben beschriebenen Kuriosität ist etwa von einem „ächten“ und nicht einem „echten“ Seehund die Rede. Gleichzeitig treten viele Eigennamen auf, die dazu ebenfalls in unterschiedlichen Varianten existieren. Darunter fallen in erster Linie die Namen der Personen die Gegenstände verloren haben, aber auch geografische Bezeichnungen, wie Orts- oder Straßennamen. Diese müssen aufwändig manuell angepasst werden. Zum Abschluss wird die Textgenauigkeit der Erkennung überprüft. Eine Methode diese zu bestimmen ist die prozentuale Anzahl der falschen Zeichen gegenüber der Zeichen im Originaltext zu betrachten. Gängige Richtwerte liegen dabei im Bereich von mindestens über 99%.11

Aus Intelligenzblättern schlauer werden mit Text Mining

Vom Münsterischen Intelligenzblatt wurden bisher elf Jahrgänge per Texterkennung bearbeitet, die die Jahre 1765-66, 1775-77, 1785-87 und 1795-97 umfassen. Die Erkennungsgenauigkeit von Zeichen lag bei vier Seiten, die als Stichproben verwendet wurden, bei über mindestens 99,8%. Für eine Analyse wurden die Anzeigen zu gestohlenen, verlorenen und gefundenen Gegenständen identifiziert und in einer Datenbank zusammengefasst, um die darin beschriebene materielle Kultur, das heißt: die dinglichen Besitztümer der Zeitgenoss:innen, zu untersuchen. Die Datenbank umfasst bisher 1.085 Anzeigen und enthält daneben auch weitere Angaben wie zum Beispiel das Erscheinungsjahr, die Bandnummer und vieles mehr. Für die spätere Analyse der materiellen Kultur sind die Fragen relevant: Welche Gegenstände sind am häufigsten verloren gegangen oder wurden gestohlen? Zeigen sich über die Zeit Veränderungen und Unterschiede bei verschiedenen Bevölkerungsgruppen?

Ausschnitt aus der Datenbank zu den Diebstahls—und Verlustanzeigen.

Es wird daher ein sogenannter „bag of words“-Ansatz verfolgt. Dieser behandelt alle Worte als einzelnes Objekt und achtet dabei nicht auf Wortstellung und grammatikalische Wortart – eben als wären alle Wörter eines Dokuments in einem Beutel zusammengewürfelt. Der Ansatz bietet sich an, da mit ihm die Fragen nach der Häufigkeit von Wörtern (Frenquenzanalyse) und ob zwei Wörter häufiger zusammen in einer Anzeige vorkommen (Kookurenzanalyse) zeit- und ressourceneffektiv untersucht werden können.12

Da allein die Wörter untersucht werden sollen, werden in einem ersten Schritt die Satzzeichen und Zahlen aus den Anzeigen entfernt. Das kann automatisch umgesetzt werden. Der nächste Schritt ist zumindest in Bezug auf das Intelligenzblatt etwas aufwändiger und kann nur teilweise automatisch durchgeführt werden: Auf das Problem des „ächten“ und „echten“ Seehunds wurde oben bereits eingegangen. Diese unterschiedlichen Schreibweisen müssen einem Wort „echten“ zugeordnet werden, um anschließend auch noch eine Lemmatisierung durchzuführen. Diese ordnet flektierte Worte, also „echter“, „echten“ und „echte“, ihrer Grundform „echt“ zu, sodass später jedes Vorkommen des Wortes gezählt werden kann. Gerade in Bezug auf nicht normierte Personennamen wäre dies sehr aufwändig, da diese meist noch vielfältiger umschrieben werden.13

Die Namen werden jedoch in einem nächsten Schritt aus dem verwendeten Textkorpus entfernt. Bei diesem Schritt werden insgesamt Wörter, die häufig auftauchen, aber wenig Aussagewert haben, aus dem Korpus herausgenommen. Beispiele dafür sind etwa Adverbien und Konjunktionen, aber auch Verben, wie „sein“ und „werden“. Dies geschieht einerseits, um den Arbeitsaufwand zu reduzieren, andererseits aber auch um die Ergebnisse aussagekräftiger zu gestalten. Solche so genannten Stopwords können je nach Fragestellung angepasst werden und umfassen in Fall der Analyse der gestohlenen und gefundenen Gegenstände eben auch Personen- und Ortsnamen.

Licht ins Dunkel bringen mit der Frequenzanalyse

Mit dem so reduzierten Korpus lassen sich die ersten Analysen durchführen. Bei einer einfachen Frequenzanalyse, also einer Übersicht der Häufigkeit eines Wortes im gesamten Korpus, finden sich in vor Allem erwartbare Ergebnisse. Da die gesamte Wortliste über 2.900 Worte umfasst werden hier allein die 25 häufigsten Wörter betrachtet. Unter diesen sind zehn aus dem Themenbereich „Diebstahl“. So finden sich „stehlen“, „Täter“ und „entwenden“ darunter. Genauso sind es Worte, die zu einzelnen obligatorischen Sätzen gehören, etwa zur Bitte um Informationen zu den gestohlenen Gegenständen und zur Belohnung bei Ergreifung der Täter am Ende der Anzeige: „ediktmäßig“, „Belohnung“, „Verschweigung“ und „Gericht“ zählen dazu. Sie treten auf, da die Zeugen bei der Aussage vor Gericht geschützt werden sollten und – falls der Täter gefasst wird – „sich die Edictmäßige Belohnung, mit Verschweigung des Namens“ abholen konnten.14 Das wird meist mit der erwähnten oder ähnlichen formelhaften Umschreibungen explizit geäußert.

Ähnlich wenig verwunderlich ist, dass die zweitgrößte Gruppe dem Themenfeld „verlorene/gefundene Gegenstände“ angehört: „finden“, „verlieren“, „Intelligenz“, „Comtoir“ und „Trinkgeld“ sind darunter. Die drei letztgenannten sind auch hier wieder aufgrund des formelhaften Zusatzes vorhanden:

„Vorgestern ist […] ein Beutel […] verloren worden, wer selben gefunden hat, wird ersuchet, dem Inteiligenz Comtoir gegen ein billiges Trinkgeld solchen einzuliefern.“15

Nur auf den ersten Blick verwunderlich ist, dass trotz dieser Ergebnisse die drittgrößte Gruppe in den am häufigsten auftauchenden Wörtern aus verschiedenen Farben besteht: „weiß“, „rot“, „blau“ und „schwarz“. Doch vor dem Hintergrund der genauen Beschreibung der verlorenen Objekte ist auch dies schnell ersichtlich.

Für das weitere Vorgehen bei der Analyse lassen sich hieraus zwei Aspekte ableiten: Einerseits wird durch die Häufigkeit der genannten Farben ersichtlich, dass es einen hohen und detaillierten Informationsgehalt zur materiellen Kultur in den Anzeigen gibt, da dies bei der Wiederfindung oder –erlangung der Gegenstände hilft.16 Diese Informationen können mit einer einfachen Frequenzanalyse abgerufen werden. Andererseits scheint es bei der Frage nach den verlorenen und gestohlenen Gegenständen sinnvoll zu den vorher bereits definierten Stopwords auch die aus den Bereichen „Diebstahl“ und „verlorene Gegenstände“ zu ergänzen, die in den formelhaften Sätzen auftauchen, da diese für die gewählte Fragestellung irrelevant sind.

Mit der Frequenzanalyse den Dingen auf der Spur

Führt man eine Frequenzanalyse mit diesem wiederum reduzierten Korpus und allein der Substantive aus, zeigt sich ein anderes Bild. Ein Großteil der 25 häufigsten Worte setzt sich nun aus zwei Gruppen zusammen: Auf der einen Seite – und ebenso die Gruppe die häufiger auftaucht – sind dies Kleidungsstücke und Stoffe, von Halstüchern, über Hemden bis zu Wolle und Leinen.Auf der anderen Seite sind es Worte aus dem Bereich „Geld“ wie etwa „Ducat“, „Geld“ und „Gulden“. Dies deutet darauf hin, dass diese Gegenstände häufiger abhandengekommen sind. Es ist naheliegend, dass auch Diebe sich auf diese spezialisiert hatten, da sie Vorkenntnisse zu Qualität und Wert der Textilien besaßen und damit eher wussten, was sich zu stehlen lohnt.17 Ebenso tauchen nun auch kleinere wertvollere Gegenstände, wie Uhren und Ringe in der Liste auf.

Erste Seite des Münsterischen Intelligenzblatts (21, 1775, unpag.) mit dem Beginn einer Anzeige zu den gestohlenen Sachen.

Während sich die vorherigen Angaben auf den gesamten Korpus beziehen, lässt sich mit einer Aufteilung des Korpus auf einzelne Zeitabschnitte – 1765-66, 1775-77, 1785-87 und 1795-97 – die Entwicklung der gesuchten und gefundenen Gegenstände über die Zeit hinweg nachvollziehen. In den einzelnen Abschnitten stellen Stoffe und Kleidungsstücke wieder die am häufigsten auftauchenden Worte dar. In den Zeiträumen 1775-77, 1785-87 und 1795-97, sind mindestens drei der fünf häufigsten Worte verschiedene Kombinationen von „Leinen“, „Wolle“, „Halstuch“, „Band“, „Tuch“ oder „Leinwand“. Sie verdeutlichen, dass die Anzeigen vor allem einen Fokus auf Textilien besaßen. Andere (Wert-)Gegenstände („Ducat“, „Kreuz“) sind seltener. Eine Ausnahme bildet der erste Zeitabschnitt (1765-66): Hier können vier der fünf häufigsten Wörter dem Bereich „Hund“ und deren Beschreibung zugeordnet werden („Fleck“, „Hund“, „Kopf“, „Hünerhund“). Dies hat weniger den Grund, dass Hunde öfter als andere Gegenstände geklaut wurden oder verloren gegangen sind. Vielmehr ist es der Tatsache geschuldet, dass zu Beginn der Veröffentlichung des Intelligenzblatts vor allem „Verlorenen“- sprich: Verlustanzeigen – auch von entlaufenen Hunden – geschaltet wurden. Diese konnten eben auch entlaufene Hunde beinhalten: 1765-66 wurden im Durchschnitt 21,5 Diebstahl- und Verlustanzeigen pro Jahr veröffentlicht, von denen 90,7% Verlustanzeigen waren. Später steigt die Zahl der Anzeigen und der Anteil der Verlustanzeigen sinkt, sodass schließlich 1795-97 im Durchschnitt insgesamt 207,3 Diebstahl- und Verlustanzeigen pro Jahr veröffentlicht wurden, jedoch nur noch ein Anteil von 25,9% Verlustanzeigen waren. Entsprechend sank relativ auch der Anteil entlaufener Hunde in den Anzeigen.

Die Analyse ist daher immer auch vor der Entwicklung des Intelligenzblattes zu sehen. Anzeigen zu gestohlenen Gegenstände waren am Anfang wenige; keineswegs jedoch, weil weniger Diebstähle geschahen und mehr Objekte verloren wurden. Diebstähle wurden einfach noch weniger in dem Blatt publiziert. Mit der Etablierung des Mediums wird das Potential jedoch vor allem für gestohlene Objekte zusehends erkannt – und die Anzeigen nehmen zu.18 Eine Trennung der Anzeigenarten ist durch die vorläufige kleine Datenbank noch nicht möglich. Mit einer größeren Datenbank werden später auch Analysen der verschiedenen Anzeigenarten per Binnendifferenzierung durchführbar sein.

Tiefere Einblicke in die Anzeigen mit der Kookurenzanalyse

Neben der Analyse der Häufigkeit der Worte bietet das gemeinsame Auftauchen von zwei Worten in einer Anzeige und dessen Betrachtung mittels Kookurrenzanalyse die Möglichkeit tiefergehende Einblicke zu erhalten. Es lässt sich beispielsweise überprüfen, welche Personengruppe mit welchen Gegenständen öfter in einer Anzeige genannt werden. Da die genannten Personengruppen fast ausschließlich die Personen sind, die bestohlen worden sind oder die Gegenstände verloren haben, lässt sich so auf deren materielle Kultur schließen. Die Personen werden teilweise mit ihrem Beruf oder ihrer sozialen Stellung genannt, sodass die Nennung zur Unterscheidung genutzt werden kann.

Deutliche Unterschiede bei der Kookurrenz von Berufsbezeichnungen und Gegenstandsbeschreibungen zeigen sich etwa beim Vergleich der Analysen der Begriffe „Händler“ und „Zeller“ – eine Bezeichnung für den Inhaber eine landwirtschaftlichen Vollerwerbsstelle.19 Während bei „Händler“ neben Nennungen von „Leinen“ und „Halstücher“ auch hochwertigere Textilien wie „Florettband“ und „Samtband“, aber auch „Silber“ und „Ducat“ in den 25 häufigsten Kookurrenzen auftauchen, fehlen die letzten bei „Zeller“. Hier finden sich dagegen mehr Kookurrenzen mit Worten aus dem landwirtschaftlichen Bereich, wie „Roggen“ und „Pferd“. Legt man die Idee zu Grunde, dass Diebe vor allem dort was stahlen und auch verlorene Gegenstände nur angezeigt wurden, wenn sie einen bestimmten Wert hatten,20 zeigen sich hier bereits Unterschiede in den abhanden gekommenen Gegenständen.21 Noch interessanter wäre ein Einblick, ob sich die Diebstähle oder das Verlieren bestimmter Gegenstände in den Personengruppen über die Zeit hin verändern, etwa durch Kriege oder wirtschaftliche Notzeiten.22 Aufgrund der relativ kleinen Datenbank ist diese Analyse im Moment noch nicht möglich und auch diese bisherigen Ergebnisse müssen später noch mit umfangreicherem Datenmaterial bestätigt werden.

Ausblick

Die vorläufigen, im vorangegangenen skizzierten Ergebnisse aus nur einem kleinen Teil der verfügbaren Quellen zeigen bereits die Möglichkeiten des Text Minings bei der umfassenden Auswertung der Intelligenzblätter. Natürlich muss die Quellenbasis erweitert, die verwendeten Stopwords und das verwendete Vokabular fortlaufend ergänzt und präzisiert und die Methodik weiter verfeinert werden, um belastbare Ergebnisse zu erzielen. Dies wird im weiteren Verlauf des Projektes vorgenommen.

Dann lassen sich auch weitere Zielen verfolgen: Mit einer größeren Quellenbasis kann beispielsweise eine genauere Binnendifferenzierung mithilfe der Kookurrenzanalyse und auch eine genauere Betrachtung der Entwicklung über die Zeit hinweg durchgeführt werden. Dazu wäre es möglich, wenn die Ergebnisse der Frequenzanalyse in einer Zeitreihenbetrachtung ins Verhältnis zu den jeweiligen Gesamtzahl der Anzeigen gebracht werden, auch genauere Aussagen dazu treffen, ob Gegenstände zu bestimmten Zeiten häufiger gestohlen worden sind. Letztlich können auch Gruppen von Wörtern, die einem bestimmten Bereich zuzuordnen sind, untersucht werden. Doch auch so wird deutlich, dass durch die Intelligenzblätter und ihre Anzeigen mithilfe von Text Mining ein tieferer Einblick in und ein grundlegenderes Verständnis der materiellen Kultur des frühneuzeitlichen Münsterlandes gewonnen werden kann.


Vorgeschlagene Zitierweise: Henning Bovenkerk, Gutes Mining zum bösen Spiel, in: Westfalen/Lippe - historisch, 18/11/2022, https://hiko.hypotheses.org/2445.

Henning Bovenkerk (M.A., M.Ed.) studierte Geschichte und Germanistik in Münster. Bereits in seiner Masterarbeit befasste er sich mit der Konsumrevolution im Münsterland. Seit Anfang 2018 promoviert er im Rahmen des DFG-Projekts “Konsumrevolution und Wandel des Konsums von Haushalten im Spiegel von Nachlassverzeichnissen (frühes 16. bis frühes 19. Jahrhundert, Nordwestdeutschland)” an der Universität Münster.

Sein Projekt zum Münsterischen Intelligenzblatt verfolgt er im Rahmen eines Kurzzeitstipendiums am Trier Center für Digital Humanities der Universität Trier.

  1. Zur disparaten Definition des Begriffs „Intelligenzblatt“ siehe Doering-Manteuffel, Sabine; Mančal, Josef; Wüst, Wolfgang (2001): Einleitung. In: Sabine Doering-Manteuffel, Josef Mančal und Wolfgang Wüst (Hg.): Pressewesen der Aufklärung. Periodische Schriften im Alten Reich. Berlin, S. 11–42 Hier insbesondere S. 16-18. []
  2. Bösch, Frank (2019): Mediengeschichte. Vom asiatischen Buchdruck zum Computer. 2. aktual. Auflage. Frankfurt a. M., S. 72–73. []
  3. Intelligenz-Comtoir Münster (1797): Münsterisches Intelligenzblatt. Münster (97), unpag. []
  4. Intelligenz-Comtoir Münster (1795): Münsterisches Intelligenzblatt. Münster (42), unpag. []
  5. Intelligenz-Comtoir Münster (1796): Münsterisches Intelligenzblatt. Münster (45), unpag. []
  6. Fleischmann-Heck, Isa (2019): The Duisburger Intelligenz-Zettel as a Source for Textiles Research. Supply and Consumption of Silk and Cotton Textiles in Western Prussia in the second Half of the Eighteenth Century. In: Kim Siebenhüner (Hg.): Cotton in Context. Manufacturing, Marketing, and Consuming Textiles in the German-speaking World (1500-1900). Köln, S. 335. []
  7. Krug-Richter (2004): Von rechten und unrechten Taten. Eine Einführung. In: Westfälische Forschungen 54, S. 1–17, S. 6. []
  8. Manderscheid, Katharina (2022): Text Mining. In: Nina Baur und Jörg Blasius (Hg.): Handbuch Methoden der empirischen Sozialforschung. 3., vollständig überarbeitete und erweiterte Auflage. Wiesbaden, S. 1719–1732, S. 1719–1720. []
  9. Einzusehen über die Universitäts- und Landesbibliothek Münster unter https://sammlungen.ulb.uni-muenster.de/um/periodical/titleinfo/1488242. []
  10. Hierzu und zum Folgenden: Rehbein, Malte (2017): Digitalisierung. In: Fotis Jannidis, Hubertus Kohle und Malte Rehbein (Hg.): Digital Humanities. Eine Einführung. Stuttgart, S. 179–198, S. 194–196. []
  11. Vgl. etwa die Richtwerte für manuelle und automatisierte Texterkennung der Deutschen Forschungsgemeinschaft. Deutsche Forschungsgemeinschaft (2016): DFG-Praxisregeln „Digitalisierung“. DFG-Vordruck 12.151 – 12/16, S. 35, 37. https://www.dfg.de/formulare/12_151/12_151_de.pdf. []
  12. Kwartler, Ted (2017): Text Mining in Practice with R. Chichester, S. 20–22. []
  13. Rehbein (2017), S. 195. []
  14. Intelligenz-Comtoir Münster (1775): Münsterisches Intelligenzblatt. Münster (5), unpag. []
  15. Intelligenz-Comtoir Münster (1765): Münsterisches Intelligenzblatt. Münster (47), unpag. []
  16. Die Beschreibungen bilden dabei natürlich immer nur ein bestimmtes Bild des gewählten Gegenstandes ab. Zum Unterschied zwischen Beschreibung und Gegenstand siehe Droste, Stefan (2021): Die Materialität des Verlusts. Verlorene Dinge in den Kleinanzeigen der Berlinischen Nachrichten (1764-1769). In: Marian Füssel und Tim Neu (Hg.): Akteur-Netzwerk-Theorie und Geschichtswissenschafts. Leiden, S. 145–168. []
  17. Beuke, Arnold (2004): Diebe im Münsterland. Pferdediebstahl und andere Beschaffungskriminalität vor und während des Dreißigjährigen Krieges. In: Westfälische Forschungen 54, S. 57–98, S. 82–83. []
  18. Dies hängt auch mit einer Fokussierung der Intelligenzblätter hin zu einem mehr regionalen und lokalen Schwerpunkt zusammen. McNeely, Ian F. (2000): The Intelligence Gazette (Intelligenzblatt) as a Road Map to Civil Society. Information Networks and Local Dynamism in Germany, 1770s-1840s. In: Frank Trentmann (Hg.): Paradoxes of Civil Society. New Perspectives on Modern German and British History. Revised Second Edition. New York,, Oxford, S. 135–156. []
  19. Schütte, Leopold (2007): Wörter und Sachen aus Westfalen 800 bis 1800. Münster, S. 638. []
  20. Beuke (2004), S. 80 []
  21. Damit wird hier die Ansicht vertreten, dass die gestohlenen Gegenstände jeweils die sich lohnendsten Gegenstände waren, und nicht, dass diese – wie teils in älterer Forschung beschrieben – einfach typische Diebstahlsobjekte waren. Frank, Michael (1995): Dörfliche Gesellschaft und Kriminalität. Das Fallbeispiel Lippe, 1650-1800. Paderborn, München, S. 260–261. []
  22. Scheutz, Martin (2014): Schnupftücher, Rasiermesser, Fleisch und Strümpfe. Kleinkriminalität und “Bagatelldelikte” in der frühen Neuzeit. In: Historische Sozialkunde 44 (2), S. 23–31, S. 26–30. []

Eine Antwort auf „Gutes Mining zum bösen Spiel“

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search