<?xml version="1.0" encoding="utf-8" ?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Archiving and Interchange DTD v1.3 20210610//EN"
                  "http://jats.nlm.nih.gov/archiving/1.3/JATS-archivearticle1-3.dtd">
<article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" dtd-version="1.3" article-type="other">
<front>
<journal-meta>
<journal-id></journal-id>
<journal-title-group>
<journal-title>forTEXT</journal-title>
</journal-title-group>
<issn publication-format="electronic">2943-212X</issn>
<publisher>
<publisher-name>Universitäts- und Landesbibliothek
Darmstadt</publisher-name>
<publisher-loc>Darmstadt</publisher-loc>
</publisher>
</journal-meta>
<article-meta>
<article-id pub-id-type="doi">10.48694/fortext.3780</article-id>
<title-group>
<article-title>Lerneinheit: Netzwerkanalyse mit Gephi
lehren</article-title>
</title-group>
<contrib-group>
<contrib contrib-type="author">
<contrib-id contrib-id-type="orcid">0000-0002-7952-4194</contrib-id>
<name>
<surname>Schumacher</surname>
<given-names>Mareike</given-names>
</name>
<email>Mareike.Schumacher@sprachlit.uni-regensburg.de</email>
<xref ref-type="aff" rid="aff-1"/>
</contrib>
<aff id="aff-1">
<institution-wrap>
<institution>Universität Regensburg</institution>
</institution-wrap>
</aff>
</contrib-group>
<pub-date date-type="pub" publication-format="electronic" iso-8601-date="2024-08-30">
<day>30</day>
<month>8</month>
<year>2024</year>
</pub-date>
<volume>1</volume>
<issue>6</issue>
<issue-title>Netzwerkanalyse</issue-title>
<pub-history>
<event>
<event-desc>Erstveröffentlichung: 21.10.2019 auf <ext-link ext-link-type="uri" xlink:href="https://fortext.net/routinen/lehrmodule/netzwerkanalyse-mit-gephi-lehren">fortext.net</ext-link>
<date date-type="origdate" iso-8601-date="2019-10-21">
<day>21</day>
<month>10</month>
<year>2019</year>
</date>
</event-desc>
</event>
</pub-history>
<permissions>
<license license-type="open-access">
<ali:license_ref xmlns:ali="http://www.niso.org/schemas/ali/1.0/">https://creativecommons.org/licenses/by-sa/4.0/</ali:license_ref>
<license-p>-This work is licensed under a Creative Commons
Attribution-ShareAlike 4.0 International License.</license-p>
</license>
</permissions>
</article-meta>
</front>
<body>
<p><bold>Erstveröffentlichung:</bold> 21.10.2019 auf <ext-link ext-link-type="uri" xlink:href="https://fortext.net/routinen/lehrmodule/netzwerkanalyse-mit-gephi-lehren">fortext.net</ext-link></p>
<sec id="eckdaten-des-lehrmoduls">
  <title>Eckdaten des Lehrmoduls</title>
  <list list-type="bullet">
    <list-item>
      <p>Thema der Sitzung: Figurennetzwerke in den Dramen Karoline von
      Günderrodes</p>
    </list-item>
    <list-item>
      <p>Lernziele: Kenntnisse über die Methode der Netzwerkanalyse,
      sicherer Umgang mit Gephi, kritische Bewertung der Methode,
      Autorinnenkenntnis und Einblicke in das Dramenwerk einer
      Schriftstellerin</p>
    </list-item>
    <list-item>
      <p>Phasen: Vorstellung und Diskussion der Methode, Demonstration
      der Toolfunktionen (vgl.
      <xref alt="Feature" rid="glossary-feature">Feature</xref>),
      Gruppenarbeit, Gruppenpräsentation, Abschlussdiskussion</p>
    </list-item>
    <list-item>
      <p>Sozialformen: Vortrag, Gruppenarbeit, Diskussion</p>
    </list-item>
    <list-item>
      <p>Medien/Materialien: Alle Lernenden müssen einen Laptop haben,
      auf dem Gephi installiert ist; Lehrende benötigen einen Laptop und
      einen Beamer</p>
    </list-item>
    <list-item>
      <p>Dauer des Lehrmoduls: 2 x 90 Minuten</p>
    </list-item>
    <list-item>
      <p>Schwierigkeitsgrad des Tools: mittel</p>
    </list-item>
  </list>
</sec>
<sec id="bausteine">
  <title>Bausteine</title>
  <list list-type="bullet">
    <list-item>
      <p>Verlaufsraster des Lehrmoduls: Aus welchen Phasen setzt sich
      das Lehrmodul zusammen? Dem Verlaufsplan entnehmen Sie Inhalte und
      Schwerpunkte.</p>
    </list-item>
    <list-item>
      <p>Anwendungsbeispiel: Anhand welcher Texte unterrichten Sie
      Netzwerkanalyse? Leiten Sie die Studierenden dazu an,
      Figurennetzwerke der Dramen Karoline von Günderrodes zu
      visualisieren und zu explorieren.</p>
    </list-item>
    <list-item>
      <p>Verlauf der Unterrichtseinheit(en): Wie sieht die konkrete
      Ausgestaltung der Phasen aus und welche Arbeitsschritte werden
      vorgenommen? Erfahren Sie, wie die Unterrichtseinheit strukturiert
      ist und welche Beispielaufgaben Sie Ihren Studierenden stellen
      können.</p>
    </list-item>
    <list-item>
      <p>Lösungen zu den Beispielaufgaben: Hat die Lerngruppe die
      Beispielaufgaben richtig gelöst? Hier erfahren Sie, wie Sie die
      Antworten erhalten.</p>
    </list-item>
  </list>
  <p>Alle Materialien zu diesem Lehrmodul finden Sie auf Zenodo über
  <ext-link ext-link-type="uri" xlink:href="https://zenodo.org/records/12529966">diesen
  Link</ext-link>.</p>
  <p>
  </p>
</sec>
<sec id="verlaufraster-des-lehrmoduls">
  <title>Verlaufraster des Lehrmoduls</title>
  <table-wrap>
    <table>
      <colgroup>
        <col width="20%" />
        <col width="20%" />
        <col width="20%" />
        <col width="20%" />
        <col width="20%" />
      </colgroup>
      <thead>
        <tr>
          <th>Phase</th>
          <th>Impulse des/der Lehrenden</th>
          <th>Erwartete Aktivität der Lernenden</th>
          <th>Sozialform</th>
          <th>Medien / Materialien</th>
        </tr>
      </thead>
      <tbody>
        <tr>
          <td>Vorab und Einstieg (ca. <italic>15 Minuten</italic>)</td>
          <td>Was ist Netzwerkanalyse? In welchen Disziplinen ist die
          Methode verankert?</td>
          <td>Vorab: Methodeneintrag Netzwerkanalyse
          (<xref alt="Schumacher 2024a" rid="ref-schumacherMethodenbeitragNetzwerkanalyse2018" ref-type="bibr">Schumacher
          2024a</xref>), Video-Fallstudie
          (<xref alt="forTEXT 2019d" rid="ref-fortextAnalyseFigurennetzwerkeLessings2019" ref-type="bibr">forTEXT
          2019d</xref>) zur Netzwerkanalyse, Lerneinheit Netzwerkanalyse
          mit Gephi
          (<xref alt="Schumacher 2024b" rid="ref-schumacherLerneinheitNetzwerkanalyseMit2020" ref-type="bibr">Schumacher
          2024b</xref>) und Video-Tutorials
          (<xref alt="forTEXT 2019a" rid="ref-fortextTutorialGephiInstallieren2019" ref-type="bibr">forTEXT
          2019a</xref>;
          <xref alt="forTEXT 2019b" rid="ref-fortextTutorialGephiDaten2019" ref-type="bibr">forTEXT
          2019b</xref>;
          <xref alt="forTEXT 2019c" rid="ref-fortextTutorialGephiNetzwerkvisualisierung2019" ref-type="bibr">forTEXT
          2019c</xref>;
          <xref alt="forTEXT 2019e" rid="ref-fortextTutorialNetzwerkanalyseMit2019" ref-type="bibr">forTEXT
          2019e</xref>) zur Netzwerkanalyse; Beteiligung an der
          Diskussion</td>
          <td>Diskussion im Plenum</td>
          <td>Beamer, Laptop</td>
        </tr>
        <tr>
          <td>Problematisierung (ca. <italic>15 Minuten</italic>)</td>
          <td>Was wird in der Netzwerkanalyse betrachtet? Wie verhalten
          sich diese „Daten“ zum Text? Wie ist diese
          Komplexitätsreduktion begründet?</td>
          <td>Beteiligung an der Diskussion; Rückbezug auf
          Methodeneintrag</td>
          <td>Diskussion im Plenum</td>
          <td>Beamer, Laptop</td>
        </tr>
        <tr>
          <td>Erarbeitung (ca. <italic>60 Minuten</italic>)</td>
          <td>Vorstellung der Toolfunktionen; Betreuung der
          Kleingruppen</td>
          <td>Hands-on Netzwerkanalyse in Kleingruppen; Vorbereitung
          einer Präsentation als Hausaufgabe</td>
          <td>Lehrvortrag und Gruppenarbeit</td>
          <td>Beamer, Laptop, Gephi, Korpus, Netzwerkdaten</td>
        </tr>
        <tr>
          <td>Sicherung (ca. <italic>60 Minuten</italic>)</td>
          <td>Moderation der Gruppenpräsentationen</td>
          <td>Präsentation der Gruppenarbeitsergebnisse</td>
          <td>Präsentation</td>
          <td>Beamer, Laptop, Gephi, Korpus, Netzwerkdaten</td>
        </tr>
        <tr>
          <td>Reflexion &amp; Transfer (ca. <italic>30
          Minuten</italic>)</td>
          <td>Diskussion von Schwierigkeiten, Impulse für Transfer
          geben</td>
          <td>Ergebnisse und Schwierigkeiten aus den
          Gruppenpräsentationen diskutieren</td>
          <td>Diskussion im Plenum</td>
          <td>Beamer, Laptops</td>
        </tr>
      </tbody>
    </table>
  </table-wrap>
  <p>Das Verlaufsraster stellen wir Ihnen zum Download
  <ext-link ext-link-type="uri" xlink:href="https://zenodo.org/records/12529966">auf
  Zenodo</ext-link> zur Verfügung.</p>
</sec>
<sec id="anwendungsbeispiel">
  <title>1. Anwendungsbeispiel</title>
  <p>In zwei Seminarsitzungen werden Sie die Methode der Netzwerkanalyse
  (<xref alt="Schumacher 2024a" rid="ref-schumacherMethodenbeitragNetzwerkanalyse2018" ref-type="bibr">Schumacher
  2024a</xref>) lehren. Sie übertragen (vgl.
  <xref alt="Domäneadaption" rid="glossary-domain-adaption">Domäneadaption</xref>)
  damit ein ursprünglich sozialwissenschaftliches Verfahren auf einen
  literaturwissenschaftlichen Anwendungsbereich. Die Studierenden
  probieren die Methode an einem Dramenkorpus (vgl.
  <xref alt="Korpus" rid="glossary-korpus">Korpus</xref>) der
  Schriftstellerin Karoline von Günderrode aus und wenden das
  Netzwerkanalysetool Gephi
  (<xref alt="Schumacher 2024c" rid="ref-schumacherToolbeitragGephi2019" ref-type="bibr">Schumacher
  2024c</xref>) praktisch an. Zusätzlich erlernen sie den Umgang mit der
  Dramen-Netzwerkdatenbank DraCor
  (<xref alt="Horstmann 2024" rid="ref-horstmannRessourcenbeitragDraCorDrama2020" ref-type="bibr">Horstmann
  2024</xref>). Schließlich erarbeiten die Studierenden in Gruppen
  kleinere Fallstudien, die sie dem gesamten Seminar präsentieren und
  zur Diskussion stellen.</p>
</sec>
<sec id="verlauf-der-unterrichtseinheiten">
  <title>2. Verlauf der Unterrichtseinheiten</title>
  <sec id="vorarbeiten">
    <title>2.1 Vorarbeiten</title>
    <p>Die Studierenden sollten vorab den Methodeneintrag
    Netzwerkanalyse
    (<xref alt="Schumacher 2024a" rid="ref-schumacherMethodenbeitragNetzwerkanalyse2018" ref-type="bibr">Schumacher
    2024a</xref>) und den Tooleintrag Gephi
    (<xref alt="Schumacher 2024c" rid="ref-schumacherToolbeitragGephi2019" ref-type="bibr">Schumacher
    2024c</xref>) gelesen sowie das Fallstudien-Video Analyse der
    Figurennetzwerke in Lessings Emilia
    Galotti(<xref alt="forTEXT 2019d" rid="ref-fortextAnalyseFigurennetzwerkeLessings2019" ref-type="bibr">forTEXT
    2019d</xref>) geschaut haben. Außerdem sollten sie mithilfe der
    Tutorial-Videos
    (<xref alt="forTEXT 2019a" rid="ref-fortextTutorialGephiInstallieren2019" ref-type="bibr">forTEXT
    2019a</xref>;
    <xref alt="forTEXT 2019b" rid="ref-fortextTutorialGephiDaten2019" ref-type="bibr">forTEXT
    2019b</xref>;
    <xref alt="forTEXT 2019c" rid="ref-fortextTutorialGephiNetzwerkvisualisierung2019" ref-type="bibr">forTEXT
    2019c</xref>;
    <xref alt="forTEXT 2019e" rid="ref-fortextTutorialNetzwerkanalyseMit2019" ref-type="bibr">forTEXT
    2019e</xref>) Gephi installiert und die Lerneinheit Netzwerkanalyse
    mit Gephi
    (<xref alt="Schumacher 2024b" rid="ref-schumacherLerneinheitNetzwerkanalyseMit2020" ref-type="bibr">Schumacher
    2024b</xref>) gemacht haben. Lassen Sie die Studierenden vorab die
    Netzwerkdaten im GEXF-Format zu
    <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-nikator">Nikator</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-magie-und-schicksal">Magie
    und Schicksal</ext-link> und
    <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-udohla">Udohla</ext-link>
    von Karoline von Günderrode herunterladen. Da in allen drei Dramen
    die Bedeutung von weltlicher Macht der von emotionalen Beziehungen
    gegenüber gestellt wird, eignen sich diese Dramen besonders für eine
    vielfältige interpretationsgeleitete Betrachtung literarischer Werke
    mittels Netzwerkanalyse. Wenn Sie mit anderen Texten arbeiten
    wollen, finden Sie zahlreiche für die Netzwerkanalyse aufbereitete
    Datensätze ebenfalls bei DraCor
    (<xref alt="Horstmann 2024" rid="ref-horstmannRessourcenbeitragDraCorDrama2020" ref-type="bibr">Horstmann
    2024</xref>). Sollten Sie Ihre Seminarsitzung nicht in einem
    Computerlabor abhalten, erinnern Sie Ihre Studierenden vor der
    Sitzung noch einmal daran, ihren eigenen Laptop mitzubringen. Eine
    eins-zu-eins-Ausstattung ist für das Erlernen der Funktionen am
    sinnvollsten. Mehr als zwei Studierende sollten auf keinen Fall an
    einem Laptop arbeiten. Gephi ist weder für Smartphones noch für
    Tablets (oder andere Touch-Geräte) geeignet.
    Je nachdem, welchen Lehrstil Sie bevorzugen, können Sie für den
    Einstieg einige Folien zur Methode der Netzwerkanalyse vorbereiten.
    Um Ihnen die Vorbereitung zu erleichtern, haben wir
    <ext-link ext-link-type="uri" xlink:href="https://zenodo.org/records/12529966">Beispielfolien</ext-link>
    entworfen, an denen Sie sich orientieren können.</p>
  </sec>
  <sec id="einstieg-und-problematisierung">
    <title>2.2 Einstieg und Problematisierung</title>
    <p>Zu Beginn der Unterrichtseinheit sollten Sie transparent machen,
    was die Studierenden in der über zwei Sitzungen gehenden Einheit zur
    Netzwerkanalyse erwartet:</p>
    <list list-type="bullet">
      <list-item>
        <p>In der ersten Sitzung wird die Methode vorgestellt und
        kritisch hinterfragt, kleinere Projekte für die Gruppenarbeit
        werden entworfen, Teams gebildet und die Arbeit an den
        Fallstudien begonnen.</p>
      </list-item>
      <list-item>
        <p>In der zweiten Sitzung werden die Fallstudien in Form von
        Ergebnispräsentationen vorgestellt. Im Anschluss werden
        Besonderheiten der Methode diskutiert und Erfahrungen aus der
        Projektarbeit ausgetauscht.</p>
      </list-item>
    </list>
    <p>Die Netzwerkanalyse ist ein Verfahren, das in den
    Sozialwissenschaften entwickelt wurde, inzwischen aber in
    zahlreichen Disziplinen verankert ist. In einem
    literaturwissenschaftlichen Seminar bietet es sich an, diesen Weg
    noch einmal nachzuzeichnen und die Parallelen zwischen der Analyse
    sozialer Gruppen und literarischer Figuren hervorzuheben. Darüber
    hinaus ist es wichtig, die grundlegenden Parameter und deren
    Bedeutung zu erläutern. Machen Sie den Studierenden deutlich, dass
    in der Netzwerkanalyse zu Beginn immer die Reduktion auf Knoten
    (Nodes) und Verbindungen (Edges) steht. Wie diese Nodes und Edges
    definiert werden, ist aber völlig frei wählbar. Fragen Sie die
    Studierenden, welche Art Netzwerke (neben sozialen Gruppen) ihnen
    noch einfallen, und sammeln Sie diese Ideen. Heben Sie hervor, dass
    Netzwerkanalyse kein ausschließlich digitales Verfahren ist, sondern
    dass netzwerkartige Strukturen ein Denkmodell sind, das auch manuell
    erstellt werden kann. Als rein mentales Hilfsmittel unterstützt es
    z. B. dabei, einen Text schematisch zu erfassen und sich dessen
    Strukturen vorzustellen. Fordern Sie die Studierenden auf, an die
    bisher im Seminar besprochenen Primärtexte zu denken und darin
    Netzwerke zu finden. Dies könnten z. B. Machtstrukturen, Diskurse,
    familiäre Verbindungen oder auch räumliche Systeme sein.
    Gehen Sie dann langsam in eine Phase kritischer Betrachtung über.
    Fragen Sie die Studierenden nach den Vor- und Nachteilen der
    Reduktion auf die zwei Parameter der Nodes und Edges. Geben Sie
    ihnen auch die Gelegenheit, Fragen zum Methodeneintrag
    Netzwerkanalyse
    (<xref alt="Schumacher 2024a" rid="ref-schumacherMethodenbeitragNetzwerkanalyse2018" ref-type="bibr">Schumacher
    2024a</xref>) und der Fallstudie im Video
    (<xref alt="forTEXT 2019d" rid="ref-fortextAnalyseFigurennetzwerkeLessings2019" ref-type="bibr">forTEXT
    2019d</xref>) zu stellen. Durch die Konzentration auf Knotenpunkte
    und Verbindungen ist es nötig, Texte sehr genau auf diese Parameter
    zu untersuchen: Aus dem Text werden Netzwerkdaten (vgl.
    <xref alt="Metadaten" rid="glossary-metadaten">Metadaten</xref>)
    herausgefiltert. Diese Daten umfassen Figurennamen, Figurengender,
    die Anzahl der gesprochenen Worte jeder Figur und die gemeinsamen
    Auftritte der Figuren. Stellen Sie sicher, dass die Studierenden
    verstehen, dass diese Daten nur einen Teil der Informationen
    darstellen, die in einem literarischen Text enthalten sind. Machen
    Sie auch deutlich, dass das Herausfiltern von Daten immer ein
    interpretativer Vorgang ist und dass es so etwas wie „objektive
    Daten“ nicht gibt. Bei Bedarf finden Sie hierfür Anschauungsmaterial
    in den von uns vorbereiteten Beispielfolien.</p>
  </sec>
  <sec id="erarbeitung">
    <title>2.3 Erarbeitung</title>
    <p>In der Vorbereitung haben die Studierenden die Lerneinheit
    (<xref alt="Schumacher 2024b" rid="ref-schumacherLerneinheitNetzwerkanalyseMit2020" ref-type="bibr">Schumacher
    2024b</xref>) bereits mit Hilfe der Tutorial-Videos
    (<xref alt="forTEXT 2019a" rid="ref-fortextTutorialGephiInstallieren2019" ref-type="bibr">forTEXT
    2019a</xref>;
    <xref alt="forTEXT 2019b" rid="ref-fortextTutorialGephiDaten2019" ref-type="bibr">forTEXT
    2019b</xref>;
    <xref alt="forTEXT 2019c" rid="ref-fortextTutorialGephiNetzwerkvisualisierung2019" ref-type="bibr">forTEXT
    2019c</xref>;
    <xref alt="forTEXT 2019e" rid="ref-fortextTutorialNetzwerkanalyseMit2019" ref-type="bibr">forTEXT
    2019e</xref>) abgeschlossen und die grundlegenden Funktionen von
    Gephi
    (<xref alt="Schumacher 2024c" rid="ref-schumacherToolbeitragGephi2019" ref-type="bibr">Schumacher
    2024c</xref>) kennengelernt. Geben Sie ihnen nun die Gelegenheit,
    Fragen dazu zu stellen und von technischen Problemen zu berichten.
    Beheben Sie nach Möglichkeit die technischen Probleme. Achten Sie
    dabei aber darauf, dass Sie nicht zu viel Zeit damit verbringen. Im
    Notfall müssen die Studierenden zu zweit einen Rechner nutzen, auf
    dem Gephi ohne Schwierigkeiten läuft. Teilen Sie das Seminar dann in
    sechs Gruppen ein. Die Gruppen arbeiten alle mit dem gleichen
    Untersuchungsgegenstand, den drei Figurennetzwerken aus Karoline von
    Günderrodes Dramen. Die ersten fünf Aufgaben erarbeiten alle Gruppen
    während der Seminarzeit. Die Aufgabe sechs hat sechs Varianten, von
    denen jede Gruppe eine wählen kann. Achten Sie darauf, dass jede der
    sechs Aufgabenvarianten nur von jeweils einer Gruppe bearbeitet
    wird, damit keine Doppelung entsteht.
    Geben Sie den Gruppen folgende Arbeitsaufträge an die Hand:</p>
    <p><bold><italic>Aufgabe 1</italic></bold>: Schauen Sie sich die
    Figurennetzwerke aus Karoline von Günderrodes Dramen zunächst auf
    <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/">Dracor</ext-link>
    an. Welches ist das Drama mit der höchsten Dichte? Was bedeutet
    diese und wofür stehen die anderen Netzwerk-Metriken?</p>
    <p><bold><italic>Aufgabe 2</italic></bold>: Laden Sie sich nun die
    für Gephi aufbereiteten Netzwerkdaten für jedes Drama im GEFX-Format
    von Gephi herunter. Öffnen Sie die Netzwerkdaten mithilfe von Gephi.
    Schauen Sie sich das Datenlabor an. Welche Zusatzinformationen
    (außer Figuren und deren Verbindungen) finden Sie?</p>
    <p><bold><italic>Aufgabe 3</italic></bold>: Wählen Sie eines der
    Dramen aus, das Sie in Ihrer Projektarbeit primär untersuchen
    wollen. Öffnen Sie die dazugehörigen Netzwerkdaten in Gephi. Wählen
    Sie ein Layout für Ihr Netzwerk. Passen Sie die Farbe der Knoten
    nach Figurengender an. Gibt es mehr männliche, weibliche oder
    undefinierte Figuren? Passen Sie die Farbe der Verbindungen nach
    Gewichtung an. Welche Verbindung ist die stärkste?</p>
    <p><bold><italic>Aufgabe 4</italic></bold>: Erstellen Sie eine
    Vorschau Ihres Netzwerkes und sichern Sie diese, indem Sie die
    Screenshot-Funktion nutzen. Wenden Sie sich nun den anderen beiden
    Netzwerken zu. Laden Sie die Netzwerkdaten dazu von DraCor herunter.
    Erstellen Sie vergleichbare Netzwerke und schauen Sie sich alle drei
    Dramen-Netzwerke nebeneinander an. In welchem Drama kommen die
    meisten weiblichen Figuren vor? Welche der Figuren ist im jeweiligen
    Drama diejenige, die am meisten spricht?</p>
    <p><bold><italic>Aufgabe 5</italic></bold>: Begeben Sie sich nun auf
    die Suche nach Hintergrundinformationen zu den drei Dramen und deren
    Autorin. Wie sind die Dramen zeitlich einzuordnen? Wann und wo hat
    die Schriftstellerin Karoline von Günderrode gelebt und mit wem
    stand sie in Kontakt?</p>
    <p><bold><italic>Aufgabe 6</italic></bold>: 1: Lesen Sie das Drama
    <italic>Nikator</italic>. Erstellen Sie dazu mit Gephi ein Netzwerk,
    das die Art der Verbindung der Figuren zueinander zeigt (Macht,
    Verwandtschaft, Liebe,…). Geben Sie den unterschiedlichen
    Beziehungstypen unterschiedliche Werte auf einer Skala von eins bis
    fünf und tragen Sie diese Werte in die Datentabelle unter weight
    ein. Geben Sie ihrem Netzwerk ein Layout und gestalten Sie es
    farblich. Vergleichen Sie dieses Netzwerk mit dem während der
    Seminarsitzung betrachteten Netzwerk zu <italic>Nikator</italic>. Wo
    liegen Gemeinsamkeiten und Unterschiede? Welche Erfahrungen haben
    Sie beim Anlegen des Netzwerks gemacht?</p>
    <p>2: Lesen Sie das Drama <italic>Nikator</italic>. Erstellen Sie
    dazu mit Gephi ein Netzwerk, das die emotionalen Verbindungen
    zwischen den Figuren zeigt. Entwickeln Sie eine Skala mit Werten von
    eins bis fünf, die die Stärke der Verbindung beziffern. Tragen Sie
    diese Werte in die Datentabelle unter weight ein. Geben Sie ihrem
    Netzwerk ein Layout und gestalten Sie es farblich. Vergleichen Sie
    dieses Netzwerk mit dem während der Seminarsitzung betrachteten
    Netzwerk zu <italic>Nikator</italic>. Wo liegen Gemeinsamkeiten und
    Unterschiede? Welche Erfahrungen haben Sie beim Anlegen des
    Netzwerks gemacht?</p>
    <p>3: Lesen Sie das Drama <italic>Magie und Schicksal</italic>.
    Erstellen Sie dazu mit Gephi ein Netzwerk, das die Art und die
    Richtung der Liebe zeigt, die die Figuren miteinander verbindet.
    Entwickeln Sie eine Skala mit Werten von eins bis drei, die die
    Stärke der Liebe beziffern. Tragen Sie diese Werte in die
    Datentabelle unter weight ein. Achten Sie darauf, dass Sie auch die
    Richtung der Liebe berücksichtigen müssen. Bei einer beidseitigen
    Liebesbeziehung müssen Sie dafür zwei Kanten anlegen. Geben Sie
    ihrem Netzwerk ein Layout und gestalten Sie es farblich. Vergleichen
    Sie dieses Netzwerk mit dem während der Seminarsitzung betrachteten
    Netzwerk zu <italic>Magie und Schicksal</italic>. Wo liegen
    Gemeinsamkeiten und Unterschiede? Welche Erfahrungen haben Sie beim
    Anlegen des Netzwerks gemacht?</p>
    <p>4: Lesen Sie das Drama <italic>Magie und Schicksal</italic>.
    Erstellen Sie dazu mit Gephi zwei Netzwerke. Im ersten Netzwerk
    visualisieren Sie die Beziehungen der Figuren zueinander
    entsprechend des Wissensstandes, die die Zuschauer*innen und auch
    die Figuren selbst zu Beginn des Dramas haben. Im zweiten Netzwerk
    zeigen Sie die tatsächlichen familiären Verhältnisse, die am Ende
    aufgedeckt werden. Geben Sie ihren Netzwerken Layouts und gestalten
    Sie sie farblich. Vergleichen Sie diese Netzwerke mit dem während
    der Seminarsitzung betrachteten Netzwerk zu <italic>Magie und
    Schicksal</italic>. Wo liegen Gemeinsamkeiten und Unterschiede?
    Welche Erfahrungen haben Sie beim Anlegen des Netzwerks gemacht?</p>
    <p>5: Lesen Sie das Drama <italic>Udohla</italic>. Erstellen Sie
    dazu mit Gephi ein Netzwerk, das nicht nur die auftretenden, sondern
    alle im Drama erwähnten Figuren und ihre Beziehungen zueinander
    sowie ihre Religionszugehörigkeit zeigt (fügen Sie dazu im
    Datenlabor eine neue Spalte „Religion“ ein). Stellen Sie die
    einander gegenüberstehenden familiären Gruppen im Netzwerk visuell
    dar. Vergleichen Sie dieses Netzwerk mit dem während der
    Seminarsitzung betrachteten Netzwerk zu <italic>Udohla</italic>. Wo
    liegen Gemeinsamkeiten und Unterschiede? Welche Erfahrungen haben
    Sie beim Anlegen des Netzwerks gemacht?</p>
    <p>6: Lesen Sie das Drama <italic>Udohla</italic>. Erstellen Sie
    dazu mit Gephi zwei Netzwerke, die die Machtstrukturen zeigen, die
    die Figuren miteinander verbinden. Im ersten Netzwerk zeigen Sie das
    weltliche Herrschaftssystem (mit dem König als höchstem Machthaber).
    Im zweiten Netzwerk zeigen Sie die Machtstrukturen, die durch Liebe
    (familiäre oder romantische) entstehen. Geben Sie Ihren Netzwerken
    passende Layouts und gestalten Sie sie farblich. Vergleichen Sie
    diese Netzwerke mit dem während der Seminarsitzung betrachteten
    Netzwerk zu <italic>Udohla</italic>. Wo liegen Gemeinsamkeiten und
    Unterschiede? Welche Erfahrungen haben Sie beim Anlegen des
    Netzwerks gemacht?</p>
  </sec>
  <sec id="sicherung">
    <title>2.4 Sicherung</title>
    <p>Die zweite Sitzung beginnt mit den Ergebnispräsentationen. Diese
    finden im Plenum statt. Lassen Sie alle Gruppen direkt nacheinander
    präsentieren und bitten Sie die Zuhörenden, aufkommende Fragen zu
    notieren. Nach allen Gruppenpräsentationen sollten Sie noch etwas
    Zeit für Rückfragen, Anmerkungen und weiterführende Bemerkungen
    einplanen. Nach insgesamt etwa 60 Minuten leiten Sie langsam über in
    die letzte Phase dieses Lehrmoduls.</p>
  </sec>
  <sec id="transfer-reflexion">
    <title>2.5 Transfer &amp; Reflexion</title>
    <p>In der Sicherungsphase steht zuerst die Reflexion der Erfahrungen
    aus der Gruppenarbeit im Mittelpunkt. Wie sind die Gruppen bei der
    Erarbeitung ihrer Präsentationen vorgegangen? Wie sind sie auf ihr
    Schwerpunktthema gekommen? Welche Besonderheiten sind ihnen bei der
    Erarbeitung eines eigenen Netzwerkes im Vergleich zur Arbeit mit den
    Netzwerkdaten von DraCor aufgefallen? Welche historischen und
    literaturtheoretischen Themen wurden aufgegriffen und wie wurden
    diese dargestellt? Wie hätte man diese Themen ohne die digitale
    Methode erarbeiten können? Welche anderen Themen könnten sich die
    Studierenden für weitere Netzwerkanalysen vorstellen?</p>
    <p>Am Ende der Sitzung fragen Sie Ihre Studierenden, inwiefern sie
    Netzwerkanalyse in ihre zu schreibende Hausarbeit integrieren
    könnten. Fragen Sie sie außerdem, ob ihnen die Methode auch für
    andere Seminare bzw. ihr weiteres Studium geeignet erscheint.
    Betonen Sie dabei, dass die digitale Methode immer auch mit
    traditionelleren Methoden verbunden werden kann. Eine
    sozialwissenschaftliche Methode wie die Netzwerkanalyse eignet sich
    nicht nur für die textimmanente Analyse, sondern kann zudem und
    insbesondere Aufschluss über Briefnetzwerke, kreative Zirkel oder
    Autor*innen einer oder mehrerer Epochen geben. Wichtig ist, dass Sie
    zum Abschluss dieses Lehrmoduls noch einmal darauf hinweisen, dass
    die Netzwerkanalyse ein interpretativer Prozess ist, in dessen
    Rahmen die Komplexität des Textes auf bestimmte Parameter reduziert
    wird. Selbst bei der digitalen Netzwerkanalyse geschieht die
    Aufbereitung der Daten nicht auf Knopfdruck, sondern muss immer
    manuell durchgeführt werden. Das heißt, dass auch Projekte wie
    DraCor diese Daten nicht automatisch generieren (vgl.
    <xref alt="Text Mining" rid="glossary-text-mining">Text
    Mining</xref>), sondern in demselben Prozess erstellen, den Ihre
    Studierenden durchlaufen haben.</p>
  </sec>
</sec>
<sec id="lösungen-zu-den-beispielaufgaben">
  <title>3. Lösungen zu den Beispielaufgaben</title>
  <p>Die Lösungsvorschläge zu diesem Lehrmodul erhalten Sie auf
  <ext-link ext-link-type="uri" xlink:href="https://zenodo.org/records/12529966">Zenodo</ext-link>.</p>
</sec>
<sec id="externe-und-weiterführende-links">
  <title>Externe und weiterführende Links</title>
  <list list-type="bullet">
    <list-item>
      <p>DraCor:
      <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/">https://web.archive.org/save/https://dracor.org/</ext-link>
      (Letzer Zugriff: 31.07.2024)</p>
    </list-item>
    <list-item>
      <p>Materialien zum Lehrmodul:
      <ext-link ext-link-type="uri" xlink:href="https://zenodo.org/records/12529966">https://zenodo.org/records/12529966</ext-link>
      (Letzer Zugriff: 31.07.2024)</p>
    </list-item>
    <list-item>
      <p>Netzwerkdaten zu <italic>Nikator</italic>:
      <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-nikator">https://web.archive.org/save/https://dracor.org/ger/guenderode-nikator</ext-link>
      (Letzer Zugriff: 31.07.2024)</p>
    </list-item>
    <list-item>
      <p>Netzwerkdaten zu <italic>Magie und Schicksal</italic>:
      <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-magie-und-schicksal">https://web.archive.org/save/https://dracor.org/ger/guenderode-magie-und-schicksal</ext-link>
      (Letzer Zugriff: 31.07.2024)</p>
    </list-item>
    <list-item>
      <p>Netzwerkdaten zu <italic>Udohla</italic>:
      <ext-link ext-link-type="uri" xlink:href="https://web.archive.org/save/https://dracor.org/ger/guenderode-udohla">https://web.archive.org/save/https://dracor.org/ger/guenderode-udohla</ext-link>
      (Letzer Zugriff: 31.07.2024)</p>
    </list-item>
  </list>
</sec>
<sec id="glossar">
  <title>Glossar</title>
  <def-list>
    <def-item>
      <term><styled-content id="glossary-annotation">Annotation</styled-content></term>
      <def>
        <p>Annotation beschreibt die manuelle oder automatische
        Hinzufügung von Zusatzinformationen zu einem Text. Die manuelle
        Annotation wird händisch durchgeführt, während die
        (teil-)automatisierte Annotation durch
        <xref alt="Machine-Learning-Verfahren" rid="glossary-machine-learning">Machine-Learning-Verfahren</xref>
        durchgeführt wird. Ein klassisches Beispiel ist das
        automatisierte
        <xref alt="PoS-Tagging" rid="glossary-pos">PoS-Tagging</xref>
        (Part-of-Speech-Tagging), welches oftmals als Grundlage
        (<xref alt="Preprocessing" rid="glossary-preprocessing">Preprocessing</xref>)
        für weitere Analysen wie Named Entity Recognition (NER) nötig
        ist. Annotationen können zudem deskriptiv oder analytisch
        sein.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-browser">Browser</styled-content></term>
      <def>
        <p>Mit Browser ist in der Regel ein Webbrowser gemeint, also ein
        Computerprogramm, mit dem das Anschauen, Navigieren auf, und
        Interagieren mit Webseiten möglich wird. Am häufigsten genutzt
        werden dafür Chrome, Firefox, Safari oder der Internet
        Explorer.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-data-mining">Data
      Mining</styled-content></term>
      <def>
        <p>Data Mining gehört zum Fachbereich
        <xref alt="Information Retrieval" rid="glossary-information-retrieval">Information
        Retrieval</xref> und bezieht sich auf die systematische
        Anwendung computergestützter Methoden, die darauf abzielt, in
        vorhandenen Datenbeständen Muster, Trends oder Zusammenhänge zu
        erkennen. Textbasierte Formen des Data Minings sind u. a.
        <xref alt="Text Mining" rid="glossary-text-mining">Text
        Mining</xref>,
        <xref alt="Web Mining" rid="glossary-web-mining">Web
        Mining</xref> und
        <xref alt="Opinion Mining" rid="glossary-opinion-mining">Opinion
        Mining</xref>.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-domain-adaption">Domäneadaption</styled-content></term>
      <def>
        <p>Domäneadaption beschreibt die Anpassung einer in einem
        Fachgebiet entwickelten digitalen Methode an ein anderes
        Fachgebiet.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-feature">Feature</styled-content></term>
      <def>
        <p>Unter Features können Einzelfunktionen eines Tools verstanden
        werden, die beispielsweise komplexe Funktionen wie die
        Visualisierung eines Textes als
        <xref alt="Wordcloud" rid="glossary-wordcloud">Wordcloud</xref>
        ermöglichen, oder auch kleinere Funktionseinheiten wie den
        Abgleich einzelner Spracheigenschaften
        (<xref alt="Properties" rid="glossary-property">Properties</xref>)
        mit
        <xref alt="annotierten" rid="glossary-annotation">annotierten</xref>
        Beispieltexten darstellen.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-html">HTML</styled-content></term>
      <def>
        <p>HTML steht für <italic>Hypertext Markup Language</italic> und
        ist eine textbasierte Auszeichnungssprache zur Strukturierung
        elektronischer Dokumente. HTML-Dokumente werden von
        <xref alt="Webbrowsern" rid="glossary-browser">Webbrowsern</xref>
        dargestellt und geben die Struktur und Online-Darstellung eines
        Textes vor. HTML-Dateien können außerdem zusätzliche
        <xref alt="Metainformationen" rid="glossary-metadaten">Metainformationen</xref>
        enthalten, die auf einer Webseite selbst nicht ersichtlich
        sind.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-information-retrieval">Information
      Retrieval</styled-content></term>
      <def>
        <p>Die Teildisziplin der Informatik, das Information Retrieval,
        beschäftigt sich mit der computergestützten Suche und
        Erschließung komplexer Informationen in meist unstrukturierten
        Datensammlungen.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-korpus">Korpus</styled-content></term>
      <def>
        <p>Ein Textkorpus ist eine Sammlung von Texten. Korpora (Plural
        für „das Korpus“) sind typischerweise nach Textsorte, Epoche,
        Sprache oder Autor*in zusammengestellt.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-lemmatisieren">Lemmatisieren</styled-content></term>
      <def>
        <p>Die Lemmatisierung von Textdaten gehört zu den wichtigen
        <xref alt="Preprocessing" rid="glossary-preprocessing">Preprocessing</xref>-Schritten
        in der Textverarbeitung. Dabei werden alle Wörter
        (<xref alt="Token" rid="glossary-type-token">Token</xref>) eines
        Textes auf ihre Grundform zurückgeführt. So werden
        beispielsweise Flexionsformen wie „schneller“ und „schnelle“ dem
        Lemma „schnell“ zugeordnet.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-machine-learning">Machine
      Learning</styled-content></term>
      <def>
        <p>Machine Learning, bzw. maschinelles Lernen im Deutschen, ist
        ein Teilbereich der künstlichen Intelligenz. Auf Grundlage
        möglichst vieler (Text-)Daten erkennt und erlernt ein Computer
        die häufig sehr komplexen Muster und Gesetzmäßigkeiten
        bestimmter Phänomene. Daraufhin können die aus den Daten
        gewonnen Erkenntnisse verallgemeinert werden und für neue
        Problemlösungen oder für die Analyse von bisher unbekannten
        Daten verwendet werden.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-markup-language">Markup
      Language</styled-content></term>
      <def>
        <p>Markup Language bezeichnet eine maschinenlesbare
        Auszeichnungssprache, wie z. B.
        <xref alt="HTML" rid="glossary-html">HTML</xref>, zur
        Formatierung und Gliederung von Texten und anderen Daten. So
        werden beispielsweise auch
        <xref alt="Annotationen" rid="glossary-annotation">Annotationen</xref>
        durch ihre Digitalisierung oder ihre digitale Erstellung zu
        Markup, indem sie den Inhalt eines Dokumentes strukturieren.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-metadaten">Metadaten</styled-content></term>
      <def>
        <p>Metadaten oder Metainformationen sind strukturierte Daten,
        die andere Daten beschreiben. Dabei kann zwischen
        administrativen (z. B. Zugriffsrechte, Lizenzierung),
        deskriptiven (z. B. Textsorte), strukturellen (z. B. Absätze
        oder Kapitel eines Textes) und technischen (z. B. digitale
        Auflösung, Material) Metadaten unterschieden werden. Auch
        <xref alt="Annotationen" rid="glossary-annotation">Annotationen</xref>
        bzw.
        <xref alt="Markup" rid="glossary-markup-language">Markup</xref>
        sind Metadaten, da sie Daten/Informationen sind, die den
        eigentlichen Textdaten hinzugefügt werden und Informationen über
        die Merkmale der beschriebenen Daten liefern.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-named-entities">Named
      Entities</styled-content></term>
      <def>
        <p>Eine Named Entity (NE) ist eine Entität, oft ein Eigenname,
        die meist in Form einer Nominalphrase zu identifizieren ist.
        Named Entities können beispielsweise Personen wie „Nils
        Holgerson“, Organisationen wie „WHO“ oder Orte wie „New York“
        sein. Named Entities können durch das Verfahren der Named Entity
        Recognition (NER) automatisiert ermittelt werden.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-opinion-mining">Opinion
      Mininig</styled-content></term>
      <def>
        <p>Unter Opinion Mining, oder Sentiment Analysis, versteht man
        die Analyse von Stimmungen oder Haltungen gegenüber einem Thema,
        durch die Analyse natürlicher Sprache. Das Opinion Mining gehört
        zu den Verfahren des
        <xref alt="Text Minings" rid="glossary-text-mining">Text
        Minings</xref>.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-pos">POS</styled-content></term>
      <def>
        <p>PoS steht für <italic>Part of Speech</italic>, oder „Wortart“
        auf Deutsch. Das PoS-
        <xref alt="Tagging" rid="glossary-annotation">Tagging</xref>
        beschreibt die (automatische) Erfassung und Kennzeichnung von
        Wortarten in einem Text und ist of ein wichtiger
        <xref alt="Preprocessing" rid="glossary-preprocessing">Preprocessing</xref>-Schritt,
        beispielsweise für die Analyse von
        <xref alt="Named Entities" rid="glossary-named-entities">Named
        Entities</xref>.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-preprocessing">Preprocessing</styled-content></term>
      <def>
        <p>Für viele digitale Methoden müssen die zu analysierenden
        Texte vorab „bereinigt“ oder „vorbereitet“ werden. Für
        statistische Zwecke werden Texte bspw. häufig in gleich große
        Segmente unterteilt (<italic>chunking</italic>), Großbuchstaben
        werden in Kleinbuchstaben verwandelt oder Wörter werden
        <xref alt="lemmatisiert" rid="glossary-lemmatisieren">lemmatisiert</xref>.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-property">Property</styled-content></term>
      <def>
        <p>Property steht für „Eigenschaft“, „Komponente“ oder
        „Attribut“. In der automatischen
        <xref alt="Annotation" rid="glossary-annotation">Annotation</xref>
        dienen konkrete Worteigenschaften wie Groß- und Kleinschreibung
        zur Klassifizierung von Wörtern oder Phrasen. Durch die
        Berücksichtigung solcher Eigenschaften in den
        <xref alt="Features" rid="glossary-feature">Features</xref>
        eines Tools kann
        <xref alt="maschinelles Lernen" rid="glossary-machine-learning">maschinelles
        Lernen</xref> bestimmter Phänomene umgesetzt werden. In der
        manuellen Annotation können als Properties auch Eigenschaften
        von
        <xref alt="Annotationen" rid="glossary-annotation">Annotationen</xref>
        benannt werden.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-text-mining">Text
      Mining</styled-content></term>
      <def>
        <p>Das Text Mining ist eine textbasierte Form des
        <xref alt="Data Minings" rid="glossary-data-mining">Data
        Minings</xref>. Prozesse &amp; Methoden, computergestützt und
        automatisch Informationen bzw. Wissen aus unstrukturierten
        Textdaten zu extrahieren, werden als Text Mining
        zusammengefasst.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-type-token">Type/Token</styled-content></term>
      <def>
        <p>Das Begriffspaar „Type/Token“ wird grundsätzlich zur
        Unterscheidung von einzelnen Vorkommnissen (Token) und Typen
        (Types) von Wörtern oder Äußerungen in Texten genutzt. Ein Token
        ist also ein konkretes Exemplar eines bestimmten Typs, während
        ein Typ eine im Prinzip unbegrenzte Menge von Exemplaren (Token)
        umfasst.
        Es gibt allerdings etwas divergierende Definitionen zur
        Type-Token-Unterscheidung. Eine präzise Definition ist daher
        immer erstrebenswert. Der Satz „Ein Bär ist ein Bär.“ beinhaltet
        beispielsweise fünf Worttoken („Ein“, „Bär“, „ist“, „ein“,
        „Bär“) und drei Types, nämlich: „ein“, „Bär“, „ist“. Allerdings
        könnten auch vier Types, „Ein“, „ein“, „Bär“ und „ist“, als
        solche identifiziert werden, wenn Großbuchstaben beachtet
        werden.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-web-mining">Web
      Mining</styled-content></term>
      <def>
        <p>Unter Web Mining versteht man die Anwendung von Techniken des
        <xref alt="Data Mining" rid="glossary-data-mining">Data
        Mining</xref> zur Extraktion von Informationen aus dem World
        Wide Web. Das Web Mining ist ein Teilbereich des Data Minings
        und zählt zu einem der wichtigsten Anwendungsgebiete für das
        <xref alt="Text Mining" rid="glossary-text-mining">Text
        Mining</xref>.</p>
      </def>
    </def-item>
    <def-item>
      <term><styled-content id="glossary-wordcloud">Wordcloud</styled-content></term>
      <def>
        <p>Eine <italic>Wordcloud</italic>, oder auch Schlagwortwolke,
        ist eine Form der Informationsvisualisierung, beispielsweise von
        Worthäufigkeiten in einem Text oder einer Textsammlung. Dabei
        werden unterschiedlich gewichtete Wörter, wie die häufigsten
        Wörter, i.d.R. größer oder auf andere Weise hervorgehoben
        dargestellt. Die horizontale/vertikale Ausrichtung und die Farbe
        der dargestellten Wörter hat meistens allerdings keinen
        semantischen Mehrwert.</p>
      </def>
    </def-item>
  </def-list>
</sec>
</body>
<back>
<ref-list>
  <title>Bibliographie</title>
  <ref id="ref-fortextTutorialGephiInstallieren2019">
    <mixed-citation>forTEXT. 2019a. Tutorial: Gephi installieren.
    Netzwerkanalyse und Literaturanalyse. 8. April. doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10276970">10.5281/zenodo.10276970</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10276970">https://doi.org/10.5281/zenodo.10276970</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-fortextTutorialGephiDaten2019">
    <mixed-citation>———. 2019b. Tutorial: Gephi Daten zur
    Netzwerkanalyse vorbereiten. Netzwerkanalyse und Literaturanalyse.
    22. April. doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10276657">10.5281/zenodo.10276657</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10276657">https://doi.org/10.5281/zenodo.10276657</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-fortextTutorialGephiNetzwerkvisualisierung2019">
    <mixed-citation>———. 2019c. Tutorial: Gephi Netzwerkvisualisierung
    bearbeiten. Netzwerkanalyse und Literaturanalyse. 6. Mai. doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10372210">10.5281/zenodo.10372210</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10372210">https://doi.org/10.5281/zenodo.10372210</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-fortextAnalyseFigurennetzwerkeLessings2019">
    <mixed-citation>———. 2019d. Analyse der Figurennetzwerke in Lessings
    „Emilia Galotti“. 23. Mai. doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10221595">10.5281/zenodo.10221595</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10221595">https://doi.org/10.5281/zenodo.10221595</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-fortextTutorialNetzwerkanalyseMit2019">
    <mixed-citation>———. 2019e. Tutorial: Netzwerkanalyse mit Ezlinavis.
    Netzwerkanalyse und Literaturanalyse. 20. Juni. doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.5281/zenodo.10372220">10.5281/zenodo.10372220</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://youtu.be/10.5281/zenodo.10372220">https://youtu.be/10.5281/zenodo.10372220</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-horstmannRessourcenbeitragDraCorDrama2020">
    <mixed-citation>Horstmann, Jan. 2024. Ressourcenbeitrag: DraCor -
    Drama Corpora Project. Hg. von Evelyn Gius. <italic>forTEXT</italic>
    1, Nr. 6. Netzwerkanalyse (30. August). doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.48694/fortext.3785">10.48694/fortext.3785</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://fortext.net/ressourcen/textsammlungen/dracor-drama-corpora-project">https://fortext.net/ressourcen/textsammlungen/dracor-drama-corpora-project</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-schumacherLerneinheitNetzwerkanalyseMit2020">
    <mixed-citation>Schumacher, Mareike. 2024b. Lerneinheit:
    Netzwerkanalyse mit Gephi. Hg. von Evelyn Gius.
    <italic>forTEXT</italic> 1, Nr. 6. Netzwerkanalyse (30. August).
    doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.48694/fortext.3779">10.48694/fortext.3779</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://fortext.net/routinen/lerneinheiten/netzwerkanalyse-mit-gephi">https://fortext.net/routinen/lerneinheiten/netzwerkanalyse-mit-gephi</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-schumacherMethodenbeitragNetzwerkanalyse2018">
    <mixed-citation>———. 2024a. Methodenbeitrag: Netzwerkanalyse. Hg.
    von Evelyn Gius. <italic>forTEXT</italic> 1, Nr. 6. Netzwerkanalyse
    (30. August). doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.48694/fortext.3759">10.48694/fortext.3759</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://fortext.net/routinen/methoden/netzwerkanalyse">https://fortext.net/routinen/methoden/netzwerkanalyse</ext-link>.</mixed-citation>
  </ref>
  <ref id="ref-schumacherToolbeitragGephi2019">
    <mixed-citation>———. 2024c. Toolbeitrag: Gephi. Hg. von Evelyn Gius.
    <italic>forTEXT</italic> 1, Nr. 6. Netzwerkanalyse (30. August).
    doi:
    <ext-link ext-link-type="uri" xlink:href="https://doi.org/10.48694/fortext.3783">10.48694/fortext.3783</ext-link>,
    <ext-link ext-link-type="uri" xlink:href="https://fortext.net/tools/tools/gephi">https://fortext.net/tools/tools/gephi</ext-link>.</mixed-citation>
  </ref>
</ref-list>
</back>
</article>
