Posted on 4 Kommentare

Netzwerkvisualisierung: Daniel Kehlmanns RUHM

Daniel Kehlmanns Ruhm ist ein in neun Geschichten erzählter Roman. Ruhm lebt von den Verbindungen, den wechselseitgen Verstrickungen der jeweiligen Protagonisten: Während in der einen Geschichte die Reise des Schriftstellers Leo Richter durch Südamerika geschildert wird, handelt eine andere von dessen berühmtester Romanfigur Rosalie, die wiederum mit einer anderen fiktiven Figur, Lara Gaspard, verwandt ist. Von Lara Gaspard, deren Alter Ego Elisabeth zu sein scheint, träumt wiederum Mollwitz, ein Netzfreak und Angestellter in einer Telekommunikationsfirma, aus deren internen Intrigen letzlich die doppelte Nummernvergabe erwächst, bei der alles seinen Anfang nimmt und Ebling das Leben des berühmten Schauspielers Ralf Tanners zerstört.

Ruhm_Hauptpersonen_final_korr_Blog

Möchte man ein Netzwerk visualisieren, dann sind viele Entscheidungen zu treffen, allen voran die Entscheidung, welche Personen in die Darstellung aufgenommen werden sollen. Alle? Nur die namentlich Genannten? Oder nur diejenigen, welche die Handlung vorantreiben? Die Protagonisten? Auch diejenigen, mit denen die Protagonisten in einer engen Beziehung stehen? Man sieht, es ist unumgänglich eine präzise Fragestellung zu formulieren, um sich nicht im Detail zu verlieren. Mich interessieren diejenigen Figuren einer Geschichte, die mit Figuren einer anderen Geschichte verbunden sind, so dass jede von mir aufgenommene Figur in mindestens zwei verschiedenen Geschichten vorkommen muss. Ausnahmen von dieser Regel bilden dabei Figuren, die Brücken schlagen, wie dies z.B. im Fall von Eblings Ehefrau Elke der Fall ist, die diesen indirekt mit dem Autor Miguel Auristos Blancos verbindet, da sie eines dessen Bücher liest.

Der Name jeder Figur dient in meiner Netzwerkvisualisierung als Knotenpunkt. Den namenlosen und äußerst mysteriösen Taxifahrer‘ habe ich dabei in Anlehnung an die Forschungsliteratur zu David Lynchs Spielfilm LOST HIGHWAY, in dem ein ähnlich mysteriöser Mann, der die Fäden zu ziehen scheint, auftaucht, Mystery Man getauft. Die Schriftgröße aller Namen ist abhängig von der Anzahl der Verbindungslinien des Knotens, so dass stärker vernetzte Figuren nicht nur stärker ins Zentrum rücken, sondern auch deren Namen in einer größeren Schrift erscheinen. Um zu zeigen, welche Figur aus welcher Geschichte mit welcher Figur aus einer anderen Geschichte verbunden ist, habe ich jeder Geschichte zudem eine Farbe zugeteilt und den Figurennamen jeweils einen Kreis in der entsprechenden Farbe zur Seite gestellt, so dass man sieht, welche Figuren miteinander verbunden sind und  in welchen Geschichten sie agieren.

Das Netzwerk habe ich mit gephi erstellt, die exportierte Vektorgrafik mit inkscape nachbearbeitet und das Ergebnis schließlich als .png abgespeichert.

4 thoughts on “Netzwerkvisualisierung: Daniel Kehlmanns RUHM

  1. Interessant! Danke für den Link auf gephi. Das muss ich mir unbedingt genauer ansehen.

    Liebe Grüße
    Sabine

  2. Berichte mir, wenn du damit herumgespielt hast… würde mich sehr interessieren, was du davon hälst!

  3. Hi Ruth, sehr spannend! Gephi ist wirklich ein sehr cooles Tool. Ich habe mich beim Lesen gefragt, wie du eine Verbindung zwischen zwei Personen definierst, und wie du die Stärke der Verbindung festlegst. Oft wir das ja einfach über das gemeinsame Auftreten des Namens der Person in einem irgendwie definierten Abstand gemacht (gleiche Seite, gleicher Absatz, nicht mehr als 100 Wörter Abstand, etc.). Und dann gibt es das Problem der Personalpronomina. Aber hier scheint das ohnehin anders zu funktionieren, und da die Verbindungen über Geschichten-Grenzen hinweg passieren, würde das wohl auch nicht gut funktionieren. Also, Ms. Reiche, wie haben Sie das gemacht?

  4. Hi Christof, die Stärke der Beziehungen zwischen den Figuren habe ich nicht gewichtet, so dass Liebesbeziehungen eine genauso dicke Verbindungslinie erhalten wie z.B. ein Small Talk in einem Internetcafé. Ich habe mich für dieses Vorgehen entschieden, da mir eine Gewichtung zu interpretativ erschienen wäre und es für mich einfach nur von großem Interesse war, welche Figuren überhaupt zueinander in Beziehung stehen. Und das habe ich dann tatsächlich ‚händisch‘ gemacht, also während des ersten Lesens alle Figuren notiert (die Knoten) und beim zweiten Lesen die Verbindungen festgehalten (die Kanten). Dieses Vorgehen ist ziemlich aufwendig, definitiv nicht für Big Data geeignet 😉 Deshalb würde mich der Ansatz mit dem definierten Abstand auch mal interessieren. Wie hoch ist denn da die Trefferquote?

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.