Advanced search in Research products
Research products
arrow_drop_down
Searching FieldsTerms
Any field
arrow_drop_down
includes
arrow_drop_down
Include:
The following results are related to Digital Humanities and Cultural Heritage. Are you interested to view more results? Visit OpenAIRE - Explore.
4 Research products, page 1 of 1

  • Digital Humanities and Cultural Heritage
  • Research software
  • Open Access
  • German

Date (most recent)
arrow_drop_down
  • Research software . 2022
    Open Access German
    Authors: 
    Ehlers, Dajana; Kampf, Julia; Ihnen, Greta; Neuhaus, Lara Alyssa; Breninek, Christopher; Reinhart, Hanna;
    Publisher: Zenodo

    Was ist Puls? Wann lebte Ramses II.? Und welche Länder bereisten die Wikinger? Alles Fragen die durch einen Besuch im Museum geklärt werden können. Doch was passiert, wenn nach einem langen Arbeitstag diese Fragen zwischen dir und deinem wohlverdienten Feierabend stehen? Komm zu uns ins Museum, lerne verschiedene Epochen in kurzen Alltagsmomenten kennen und entkomme aus dem Museum! Du bist in einem historischen Museum angestellt und nach einem viel zu langen Arbeitstag zwischen Objekten, Museumskonzepten und Recherche hast du die Zeit völlig aus den Augen verloren. Dein Chef und alle anderen haben dich vergessen und einfach eingeschlossen. Nun musst du versuchen einen Code für den Ausgang zu finden. Hierfür reist du mental zu den Römern, Ägyptern und Wikingern, meisterst Level in dem du das Alltagsleben der verschiedenen Kulturen nachempfindest. Gleichzeitig kannst du im Museum mehr über den Kontext der Geschichten und den Objekten, mit denen du interagierst, erfahren. Es öffnet dir den Blick, weg von den glitzernden „Sensationsfunden“, reißerischen Abenteuern und Zaubereien mit dem Pinsel, hin zu den Menschen wie du und ich. Die Erfahrungen reichen vom Handwerk, der Religion bis hin zum Essen. Vielleicht gehst du deinen nächsten Museumsbesuch etwas anders an und wirst nicht mehr nur von den Münzen und Waffen angezogen, sondern auch vom Mühlstein und den möglichen Personen, die dahinterstehen! Made with Unity More information on the accompanying university website.

  • Open Access German
    Authors: 
    José, Calvo Tello;
    Publisher: Zenodo

    This is the code and data for following article: * Calvo Tello, José. 2023 (accepted). ‘Where Are Romance Studies Heading? A Bibliographic Data Science Analysis Using Regression’. Edited by Nanette Rißler-Pipika, Jan Rohden, and José Calvo Tello. Apropos [Perspektiven Auf Die Romania].

  • Research software . 2021
    Open Access German
    Authors: 
    Mareike Schumacher;
    Publisher: Zenodo

    CRF-Classifier für automatische Annotation männlicher, weiblicher und neutraler Genderzuschreibungen in deutschsprachiger Literatur. Der Gender-Classifier kann mit dem Stanford Named Entity Recognizer zusammen genutzt werden. Das Modell wurde mit einem Trainingskorpus folgender Zusammensetzung trainiert: ca. 100.000 Tokens aus 25 Novellen des deutschen Novellenschatzes ca. 40.000 Tokens aus 10 Romanen des 18. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 19. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 20. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 21. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 18. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 19. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 20. Jahrhunderts ca. 7.000 Figurennamen aus 500 Dramen des 17.-20. Jahrhunderts (bereitgestellt von https://dracor.org) Getestet wurde das Modell mit 6 Novellen aus dem deutschen Novellenschatz, 8 Romanen aus den Jahrhunderten 18-21 und 3 Dramen von Caroline von Günderrode (1805), das Modell erreichte in den Tests einen durchschnittlichen overall F1-Score von 78,09%. Die Erkennung von Genderzuschreibungen in Novellen des 19. Jahrhunderts ist mit einem durchschnittlichen overall F1-Score von 85,52% am besten. In Romanen des 18.-21. Jahrhunderts beträgt die durchschnittliche Gesamterkennungsgenauigkeit (F1-Score) 72,83%. In Ausschnitten aus drei Dramen von Caroline von Günderode (publiziert 1805) erreicht der Gender-Classifier einen F1-Score von 75,53% Der Classifier wird laufend weiter entwickelt. Es handelt sich um eine Open-Beta-Version. Geplant ist z.B. die Aufnahme weiterer Gender-Kategorien, die nicht in das Binärschema männlich-weiblich fallen. Der Classifier wurde im Projekt m*w entwickelt. Der Classifier kann wie folgt verwendet werden: Laden Sie sich den Classifier herunter Laden Sie sich das Named-Entity-Recognition-Tool StanfordNER herunter Öffnen Sie den Stanford-Named-Entity-Recognizer wie auf der Webseite der Stanford NLP Group beschrieben Laden Sie über "Classifier" > "Load CRF from file" den Gender-Classifier in das Tool Wählen Sie über "File" > "Open File" ein Dokument, in dem Genderzuschreibungen annotiert werden sollen Klicken Sie auf "Run" Die annotierten Daten können über "File" > "Save tagged file as" gespeichert und weiter verwendet werden.

  • Open Access German
    Authors: 
    Simmler, Severin;
    Publisher: Zenodo

    An important step in the quantitative analysis of narrative texts is the automatic recognition of references to figures, a special case of the generic NLP problem of Named Entity Recognition (NER). Usually NER models are not designed for literary texts resulting in poor recall. This Neural Network Model is the continuation of the work of Jannidis et al. and used in this easy-to-use package for the programming language Python.

Advanced search in Research products
Research products
arrow_drop_down
Searching FieldsTerms
Any field
arrow_drop_down
includes
arrow_drop_down
Include:
The following results are related to Digital Humanities and Cultural Heritage. Are you interested to view more results? Visit OpenAIRE - Explore.
4 Research products, page 1 of 1
  • Research software . 2022
    Open Access German
    Authors: 
    Ehlers, Dajana; Kampf, Julia; Ihnen, Greta; Neuhaus, Lara Alyssa; Breninek, Christopher; Reinhart, Hanna;
    Publisher: Zenodo

    Was ist Puls? Wann lebte Ramses II.? Und welche Länder bereisten die Wikinger? Alles Fragen die durch einen Besuch im Museum geklärt werden können. Doch was passiert, wenn nach einem langen Arbeitstag diese Fragen zwischen dir und deinem wohlverdienten Feierabend stehen? Komm zu uns ins Museum, lerne verschiedene Epochen in kurzen Alltagsmomenten kennen und entkomme aus dem Museum! Du bist in einem historischen Museum angestellt und nach einem viel zu langen Arbeitstag zwischen Objekten, Museumskonzepten und Recherche hast du die Zeit völlig aus den Augen verloren. Dein Chef und alle anderen haben dich vergessen und einfach eingeschlossen. Nun musst du versuchen einen Code für den Ausgang zu finden. Hierfür reist du mental zu den Römern, Ägyptern und Wikingern, meisterst Level in dem du das Alltagsleben der verschiedenen Kulturen nachempfindest. Gleichzeitig kannst du im Museum mehr über den Kontext der Geschichten und den Objekten, mit denen du interagierst, erfahren. Es öffnet dir den Blick, weg von den glitzernden „Sensationsfunden“, reißerischen Abenteuern und Zaubereien mit dem Pinsel, hin zu den Menschen wie du und ich. Die Erfahrungen reichen vom Handwerk, der Religion bis hin zum Essen. Vielleicht gehst du deinen nächsten Museumsbesuch etwas anders an und wirst nicht mehr nur von den Münzen und Waffen angezogen, sondern auch vom Mühlstein und den möglichen Personen, die dahinterstehen! Made with Unity More information on the accompanying university website.

  • Open Access German
    Authors: 
    José, Calvo Tello;
    Publisher: Zenodo

    This is the code and data for following article: * Calvo Tello, José. 2023 (accepted). ‘Where Are Romance Studies Heading? A Bibliographic Data Science Analysis Using Regression’. Edited by Nanette Rißler-Pipika, Jan Rohden, and José Calvo Tello. Apropos [Perspektiven Auf Die Romania].

  • Research software . 2021
    Open Access German
    Authors: 
    Mareike Schumacher;
    Publisher: Zenodo

    CRF-Classifier für automatische Annotation männlicher, weiblicher und neutraler Genderzuschreibungen in deutschsprachiger Literatur. Der Gender-Classifier kann mit dem Stanford Named Entity Recognizer zusammen genutzt werden. Das Modell wurde mit einem Trainingskorpus folgender Zusammensetzung trainiert: ca. 100.000 Tokens aus 25 Novellen des deutschen Novellenschatzes ca. 40.000 Tokens aus 10 Romanen des 18. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 19. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 20. Jahrhunderts ca. 40.000 Tokens aus 10 Romanen des 21. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 18. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 19. Jahrhunderts ca. 20.000 Tokens aus 5 Dramen des 20. Jahrhunderts ca. 7.000 Figurennamen aus 500 Dramen des 17.-20. Jahrhunderts (bereitgestellt von https://dracor.org) Getestet wurde das Modell mit 6 Novellen aus dem deutschen Novellenschatz, 8 Romanen aus den Jahrhunderten 18-21 und 3 Dramen von Caroline von Günderrode (1805), das Modell erreichte in den Tests einen durchschnittlichen overall F1-Score von 78,09%. Die Erkennung von Genderzuschreibungen in Novellen des 19. Jahrhunderts ist mit einem durchschnittlichen overall F1-Score von 85,52% am besten. In Romanen des 18.-21. Jahrhunderts beträgt die durchschnittliche Gesamterkennungsgenauigkeit (F1-Score) 72,83%. In Ausschnitten aus drei Dramen von Caroline von Günderode (publiziert 1805) erreicht der Gender-Classifier einen F1-Score von 75,53% Der Classifier wird laufend weiter entwickelt. Es handelt sich um eine Open-Beta-Version. Geplant ist z.B. die Aufnahme weiterer Gender-Kategorien, die nicht in das Binärschema männlich-weiblich fallen. Der Classifier wurde im Projekt m*w entwickelt. Der Classifier kann wie folgt verwendet werden: Laden Sie sich den Classifier herunter Laden Sie sich das Named-Entity-Recognition-Tool StanfordNER herunter Öffnen Sie den Stanford-Named-Entity-Recognizer wie auf der Webseite der Stanford NLP Group beschrieben Laden Sie über "Classifier" > "Load CRF from file" den Gender-Classifier in das Tool Wählen Sie über "File" > "Open File" ein Dokument, in dem Genderzuschreibungen annotiert werden sollen Klicken Sie auf "Run" Die annotierten Daten können über "File" > "Save tagged file as" gespeichert und weiter verwendet werden.

  • Open Access German
    Authors: 
    Simmler, Severin;
    Publisher: Zenodo

    An important step in the quantitative analysis of narrative texts is the automatic recognition of references to figures, a special case of the generic NLP problem of Named Entity Recognition (NER). Usually NER models are not designed for literary texts resulting in poor recall. This Neural Network Model is the continuation of the work of Jannidis et al. and used in this easy-to-use package for the programming language Python.