Ausbau und Optimierung des Digitalen Programmarchivs deutscher Volkshochschulen für KI-gestützte Forschung (DiPA-AI)

Das am Deutschen Institut für Erwachsenenbildung (DIE) beheimatete Volkshochschul-Programmarchiv umfasst Programmhefte deutscher Volkshochschulen von den 1950er Jahren bis in die Gegenwart. Damit ist es eine zentrale Primärquelle für die Erwachsenen- und Weiterbildungsforschung und bietet bislang kaum genutztes Potenzial für Forschung zu Kultur-, Sozial- und Bildungsgeschichte, für die Linguistik und für die Digital Humanities.

Die digitalen Bestände des Archivs liegen bislang in zwei getrennten Infrastrukturen vor. Im Digitalen Programmarchiv (DiPA; dipa.die-bonn.de) stehen rund 4.800 Programmhefte von 41 Volkshochschulen aus den Jahren 1957 bis 2003 zur Verfügung, die in den DFG-Projekten RetroPro und RetroPro2 retrodigitalisiert und umfassend mit Metadaten erschlossen wurden; im Projekt DiPA+ wurde das DiPA in das NFDI-Konsortium Text+ integriert. Die seit 2004 gesammelten born-digital Programmhefte von 50 Volkshochschulen sind dagegen nur als PDF- und Textdateien mit wenigen Metadaten zugänglich. Im Projekt DiPA-AI werden beide Bestände zu einem einheitlichen, maschinenlesbaren und für KI-gestützte Forschung optimierten Korpus zusammengeführt und angereichert.

Wie kann das Digitale Programmarchiv zu einem qualitativ hochwertigen, umfassenden Datenkorpus für KI-gestützte Forschung ausgebaut werden, um

• retrodigitalisierte und born-digital Programmhefte in einem harmonisierten Korpus innerhalb einer gemeinsamen Infrastruktur zusammenzuführen?
• die Daten durch semantische Auszeichnung, Metadatenanreicherung sowie Erkennung und Verknüpfung von Entitäten (Named Entity Recognition und Linking) für Text-as-Data- und KI-gestützte Verfahren nutzbar zu machen?
• Forschenden – auch ohne Vorerfahrung mit KI-Methoden – einen niedrigschwelligen, interaktiven Zugang zum Korpus zu eröffnen?

Volkshochschulen sind die größten Anbieter öffentlich geförderter Erwachsenen- und Weiterbildung in Deutschland. Ihre Programmhefte zeigen, welche Themen von welchen Einrichtungen, zu welcher Zeit, in welchen Regionen und für welche Zielgruppen angeboten wurden. Zugleich lassen sie sich als Interpretationen gesellschaftlicher Veränderungsprozesse lesen – etwa zu Themen wie Nachhaltigkeit, Geschlechterbilder, Migration, Demokratie oder technologischer Wandel. Obwohl Programmanalysen in der Erwachsenenbildungsforschung eine lange Tradition haben, werden Text-as-Data- und KI-Methoden hier bislang kaum eingesetzt – auch weil frei zugängliche, bereinigte und sorgfältig mit Metadaten ausgezeichnete Korpora fehlen. DiPA-AI baut das DiPA deshalb zu einem KI-fähigen Datenkorpus aus. Dies umfasst drei wesentliche Projektziele:

1. Integration: Alle digitalisierten Programmhefte – retrodigitalisiert und born-digital – werden in einem harmonisierten Korpus im DiPA zusammengeführt. Für die born-digital Programmhefte werden dazu dieselben Formate und Metadaten erzeugt wie für die retrodigitalisierten (u. a. JPEG, ALTO-XML, TXT, METS/MODS) und persistente Identifikatoren vergeben.
2. Qualitätsverbesserung: Das Korpus wird auf Basis eines eigens entwickelten TEI-P5-Schemas für Volkshochschulprogramme semantisch ausgezeichnet und durch Named Entity Recognition sowie die Verknüpfung von Personen, Orten und Institutionen mit der Gemeinsamen Normdatei (GND) angereichert. Für die Konvertierung der sehr unterschiedlich gestalteten Programmhefte nach TEI-XML wird ein großes Sprachmodell nachtrainiert (Fine-Tuning).
3. Interaktiver Zugang: Mit dem Interactive Corpus Analysis Tool (ICAT) entsteht ein KI-gestützter Zugang zum Korpus, der drei Ergebnistypen nebeneinander anzeigt: eine generative Antwort auf natürlichsprachliche Fragen, passende klassifizierte Einträge und Metadaten sowie klassische Volltexttreffer. Nutzende können damit eigene Teilkorpora zusammenstellen und in gängigen Formaten (z. B. CSV, JSON, TXT) exportieren.

Das erweiterte Korpus wird in die Text+-Registry und die Federated Content Search (FCS) von Text+ eingebunden und u. a. im Verbund Forschungsdaten Bildung, im BERD-Datenportal und im SSH Open Marketplace nachgewiesen. Eine anonymisierte Fassung ist frei zugänglich; registrierte Wissenschaftlerinnen und Wissenschaftler erhalten Zugang zum vollständigen Datenbestand. Der im Projekt entwickelte Quellcode wird als Open Source veröffentlicht.