Conference Agenda

Der Beitrag beschreibt die Entwicklung einer RDF-basierten Ontologie, die aus dem XML-basierten MEI-Datenmodell des MerMEId-Editors hervorgeht. Ziel ist es, einen verlustfreien Übergang zwischen MEI und RDF zu ermöglichen und gleichzeitig ein entitätsbasiertes, semantisch anschlussfähiges Datenmodell für die musikwissenschaftliche Forschung zu schaffen. Die Ontologie basiert auf etablierten Standards wie LRMoo, CIDOC CRM, schema.org und DoReMus, ergänzt durch eigene Klassen. Parallel erfolgt die technische Modernisierung des MerMEId-Tools zu einer benutzerfreundlichen Webanwendung mit SHACL-basierten Formularen zur Erfassung und Validierung von RDF-Daten. Das neue System erlaubt die flexible Modellierung eigenständiger Entitäten (z. B. Werke, Personen, Quellen) sowie deren semantische Verknüpfung. Langfristig soll eine Infrastruktur entstehen, die die FAIR-Prinzipien erfüllt, interdisziplinäre Anschlussfähigkeit bietet und die nachhaltige Nutzung musikwissenschaftlicher Metadaten sichert.

"Schubert meets AI" zielt auf die Entwicklung eines KI-basierten Frameworks zur automatisierten Extraktion und Konvertierung quellenbezogener Daten aus der Neuen Schubert-Ausgabe in das MEI-Format (Music Enconding Initiative). Grundlage dafür sind die digitalisierten Kritischen Berichte und die Abschnitte "Quellen und Lesarten" in den gedruckten Bänden der Ausgabe. Mithilfe von domänenspezifischem Prompt Engineering, Few-shot Learning und Retrieval-Augmented Generation werden quellenbezogene Informationen maschinenlesbar aufbereitet und in die Plattform Schubert-digital integriert. Der Fokus liegt auf der modellbasierten Bewältigung komplexer, halbstrukturierter Textdaten, insbesondere bei Handschriftenbeschreibungen und editorischen Kommentaren. Erste Versuche zeigen eine sehr hohe Genauigkeit bei der Extraktion einfacher Metadaten; komplexere Inhalte erfordern weitere Optimierung. Das Vorhaben versteht sich als methodischer Beitrag zur digitalen Musikwissenschaft und liefert Impulse für vergleichbare Anwendungen in anderen geisteswissenschaftlichen Kontexten.

This paper explores the computational analysis of sound in English-language literary fiction, building on Guhr’s (2026) operationalisation of fictional sound events as sound-word-bearing verbal phrases annotated with loudness levels. Originally developed for German prose, the method is adapted here to 19th-century British fiction, using the Dickens Novel Corpus (DNov) as a case study. Rather than relying exclusively on manual annotation, German-language training texts were automatically translated into English using the DeepL API, preserving XML-based annotation spans. These, combined with a single manually annotated English text, were used to fine-tune a pre-trained English BERT model. The results show a surprisingly strong performance compared to similar adaptations in other genres of the same target language. The paper discusses the benefits of using translated annotations and examines sound-related patterns across Dickens's novels using a scalable reading approach to DNov.