Lektüreempfehlungen

Geleit | Überblick | Manuelle Annotation | Automatische Annotation

Automatische Annotation

• Ulmer, Dennis, Elisa Bassignana, Max Müller-Eberstein, Daniel Varab, Mike Zhang, Rob van der Goot, Christian Hardmeier, und Barbara Plank. 2022. „Experimental Standards for Deep Learning in Natural Language Processing Research“. In Findings of the Association for Computational Linguistics: EMNLP 2022, 2673–92. Abu Dhabi, United Arab Emirates: Association for Computational Linguistics. aclanthology.org/2022.findings-emnlp.196.pdf.
  Diskutiert methodische Standards für Experimente mit neuronalen Netzwerken, Fokus auf NLP-Methoden.

• Hatzel, Hans Ole, Haimo Stiemer, Chris Biemann, und Evelyn Gius. 2023. „Machine Learning in Computational Literary Studies“. It - Information Technology. doi: 10.1515/itit-2023-0041.
  Überblick über konkrete Studien in CLS; bietet eine Systematisierung von machine-learning-Verfahren.

• Kuhn, Jonas. 2020. „Einleitung“. In Reflektierte algorithmische Textanalyse, herausgegeben von Nils Reiter, Axel Pichler, und Jonas Kuhn, 9–40. De Gruyter. doi: 10.1515/9783110693973-002.
  Liefert u.a. Argumente für die Modularisierung computationeller Ansätze.

• Krautter, Benjamin. 2022. „Die Operationalisierung als interdisziplinäre Schnittstelle der Digital Humanities“. Scientia Poetica 26 (1): 215–44. doi: 10.1515/scipo-2022-009.
  Diskutiert die Bedeutung von fachwissenschaftlich fundierter Operationalisierung für die Kooperation in DH-Projekten