DIGITALE TEKSTANALYSE
---------------------------------------------------------------------------------------------------------------------------------------
Praktische informatie
---------------------------------------------------------------------------------------------------------------------------------------
| Structuur van het vak
6 x hoorcolleges 2,5u (theoretische inleiding)
4 x hoorcolleges 1,25 (toepassing eerdere colleges)
1 x herhalingsles
● zelfstudie
○ digitale leerpaden (Ufora) – verplicht doorlopen (uploaden), telt mee voor punten (10%)
○ wetenschappelijk artikel
○ deel van het handboek Taaltechnologie ontrafeld
● verplichte leerstof:
○ alle slides van de les
○ enkel vermelde paginas van het handboek (op slides) Taaltechnolgie Ontrafeld
■les 4 => slide 4 (p12-15), slide 27 (p17-29)
■les 5 => slide 30 (p30-55)
○ overzicht op einde van les (inhoud+voorbeeldvragen)
● niet te kennen: de formule TF-IDF berekenen, TF-IDF waardes (les 3)
○ je moet wel de intuïtie van de formule kunnen uitleggen, waar de componenten voor de staan
en wat ze betekenen
| Examen
- schriftelijk examen (gesloten boek)
- 2u30
- rekenmachine mag mee!
- antwoordt altijd gestructureerd, in volzinnen en zo volledig mogelijk, maar vermeld geen
overbodige of irrelevante informatie
- type vragen:
1)Kennis reproduceren (theorie)
a)Wat is het verschil tussen close en distant reading?
b)Wat is Type-token ratio? Wat is TF-IDF?
→ meer dan de helft van de vragen zijn reproductievragen
2)Kennis toepassen (oefenen)
a)Verschillende soorten van ambiguïteit kunnen herkennen en uitleggen
b)Maak bag-of-wordsvectoren voor volgende tekst …
c) Leg uit: “you shall know a word by the company it keeps”
3)Inzichtsvragen (verbanden leggen tussen verschillende stukken leerstof)
a)Waarom is part-of-speech tagging een desambigueringstaak?
b)Waarom verhoogt generatieve AI de kans op fake news?
, Les 1 - 23/09/2025
---------------------------------------------------------------------------------------------------------------------------------------
Les 1 - Inleiding
---------------------------------------------------------------------------------------------------------------------------------------
|| Taaltechnologie
● artificiële / kunstmatige intelligentie (AI): mogelijkheid van machines om mensachtige vaardigheden
te vertonen (zoals redeneren, leren, plannen, creativiteit)
○ook verzamelnaam voor de technologieën die machines een zekere vorm van (menselijke)
intelligentie verschaffen
○meestal taakgericht (op specifieke taak)
○nog geen “human-like AI” → geen echte emoties of creativiteit
○voorbeelden: gezichtsherkenning, ChatGPT, DALL·E (tekeninggenerering), Zora-robot (tehuizen),
Virtual reality (VR) en Augmented reality (AR)
⚠ VR = volledig fictieve virtuele omgeving, AR = realiteit met digitale toevoegingen
● taaltechnologie: vakgebied (binnen AI) dat zich bezighoudt met de computationele verwerking van
menselijke taal, zowel in gesproken als geschreven vorm
- Hoe goed kunnen computers teksten vertalen, samenvatten,schrijven?
- Hoe goed kunnen computers conversaties onderhouden met mensen?
- Kunnen computers emoties of ironie herkennen in een tekst?
- Voor welke maatschappelijke toepassingen kan taaltechnologie ingezet worden?
● toepassingen van taaltechnologie:
○dagelijks gebruik: ChatGPT, Siri (voice recognition), Google Translate, DeepL (automatische vertaling),
Grammarly, chatbots, Waze (gps-systemen)
○aanbevelingssystemen: TikTok, Netflix, Spotify bv. ‘deze serie/artiest zal je ook leuk vinden’
○sentimentanalyse: automatische beoordeling van teksten als (eerder) positief of negatief
● specifieke toepassingsdomeinen:
○voor taalprofessionals en taalleerders: automatisch vertalen, automatisch ondertitelen,
AI-ondersteund leren (bv. Duolingo)
○voor cyberveiligheid: detectie van cyberpesten en grooming (eerder als filtertool, met menselijke
controle van moderator)
○voor nieuwspersonalisatie: automatisch groeperen en catalogiseren van nieuws volgens
onderwerp/gebeurtenis
○voor emotiedetectie en sentimentanalyse: analyse van gevoelens in reviews (+/-) of via sociale
robots (bv. Furhat) (emotiedetectie en weerspiegeling)
|| Digital humanities (DH)
● nauw verband: taaltechnologie & digitale tekstanalyse
● taaltechnologie
○gericht op toepassingen
○praktisch: chatbots, spraakherkenning, vertaling, sentimentanalyse
● digitale tekstanalyse
○gericht op onderzoek & methodes
○praktisch: analyse van teksten om patronen, structuren en betekenissen te ontdekken
● Digital Humanities / Digitale Geesteswetenschappen: onderzoeksdomein op kruispunt van
computer/digitale technologieën en de Geesteswetenschappen (Humanities)
● Humanities / Geesteswetenschappen: disciplines die focussen op kunsten, literatuur, muziek, theater,
dans, architectuur, filosofie en elke uitdrukking van menselijke cultuur
○historische situering: Renaissance
→ verschuiving focus van god naar mens (centraal in wereldbeeld) = antropocentrisme
,● DH = tweerichtingsverkeer
○D: gebruik van technologie en digitale methodes in geesteswetenschappelijk onderzoek
○H: kritische reflectie op technologie vanuit humanistische vragen over de technologie (zoals ethiek,
macht, bias, mensbeeld)
● DH: systematisch gebruik van digitale bronnen & methodes in de geesteswetenschappen (databanken,
tekstanalysetools,programmeertalen, visualisaties, etc.)+ de analyse van hun toepassing
● kenmerken DH:
○interdisciplinair (jobs etc)
○empirisch (datagebaseerd) (breed scala aan methodes) (observeerbare data)
○voortdurend evoluerende definitie (vaak aangepast)
● doel: onderzoek in de humanities verzamelen, organiseren,analyseren en presenteren met behulp van
computationele methodes
→ ultiem doel: nieuwe vragen stellen en beantwoorden + oude vragen op een nieuwe manier benaderen
● toepassingen van Digital Humanities-projecten:
○Stanford
■inhoud databases koppelen aan geografische info → resultaat: visualisatie op kaart
○GhentCDH
■interdisciplinaire samenwerking (humaniora + techniek) (ingenieurs, programmeurs, etc.)
○Verdwenen Zwinhavens
■virtuele 3D-reconstructie van verdwenen Brugse havens
■archeologisch, non-invasief (geen aantasting terrein)
○WECHANGED
■netwerken van vrouwelijke editors (1710–1920)
■database: autobiografisch + schriftelijke data
■metadata + geografie → wie kende wie? (vinden van patronen + overzicht op kaart)
○CUNE-IIIF-ORM
■digitalisering, tekstanalyse (inhoud) en transliteratie (omzetten tekens) van spijkerschrift
■3D-modellen van kleitabletten
■interdisciplinair: computerlinguisten en archeologen
■toepassing: automatisch tekstanalyse (automatische omzetting spijkerschrift naar alfabetisch
schrift) om eigennamen + belangrijke concepten uit kleitabletten te extraheren
○Digital Transgender Archive
■multimedia-zoekmachine (weergave info via tekst, beeld, audio)
○TORN-APART
■database van asielzoekers (alle info samengebracht in 1 grote database)
■geospatiale + tekstuele analyse (geografische info gelinkt aan tekstuele info)
| Korte geschiedenis van Digital Humanities
● 1940s: onderzoeksgebied Humanities Computing
○pionier: Roberto Busa
○Index Thomisticus (digitaal corpus van werken van Thomas van Aquino)
→ allereerste gebruik van computer voor letterkundig onderzoek
● nood aan standaardisering → TEI (1987)
○TEI (Text Encoding Initiative): protocol voor taggen van digitale teksten
○basis voor latere XML & HTML (standaardcodering voor hedendaagse websites)
● 1981: eerste PC (Personal Computer)
● 1990s: digitale tekst-en beeldarchieven (Women Writers Project)
● komst van WorldWideWeb (meer aandacht voor design en multimedia, audio en video)
● 2004: term ‘digital humanities’ ontstaat
→ computationele wending: gebruik van computers binnen de humanities
● 2009: vakgebied digital humanities krijgt officieel vorm (MLA-conventie)
midden 20ste E: aanzet > traag ontwikkeld > begin 21ste E: evolutie versneld (PC, www)
, | Kritiek op Digital Humanities
1. gebrek aan kritische reflectie over implicaties van computationele denkbeelden
Big Data, visualisatie en methodes (data = altijd selectie → kan foutief/subjectief zijn)
2. black box: gebruik van tools door wetenschappers die niet volledig begrijpen hoe deze tools
werken en hoe de data die ze invoeren verwerkt en geanalyseerd worden
3. gebrek aan diversiteit: bias in data → beïnvloed resultaten (tools en teksten)
bv. genderbias in Google Translate (Hongaars)
4. gebrek aan focus op pedagogiek: nadruk ligt op onderzoek, minder op onderwijs(innovatie)
| Digital Humanities: data & methodes
● data: tekst, beeld, audio/video, 3D-modellen, gestructureerde data (bv. geospatiale data, sociale +
politieke netwerkdata)
● methodes: digitale tekstanalyse, computationele taalkunde, Natuurlijke taalverwerking (NLP),
netwerkanalyse, computationele literatuuranalyse
|| Digitale tekstanalyse
● tekstanalyse: studie van voorkomen woorden & patronen in tekst + semantische (betekenis)
en grammaticale informatie extraheren over woorden in tekst
○digitale tekstanalyse: gebruik van digitale tools voor de automatische analyse van teksten
→ computers sneller + grotere hoeveelheden tekst (subdomein van Digital Humanities)
● close reading: manueel analyseren van teksten (lezen)
● distant reading (Franco Moretti): computationele/automatische analyse van teksten om patronen te
vinden in grote tekstcollecties (=corpora) (die je als mens niet opmerkt als je teksten leest)
| Voorbeelden digitale tekstanalyse:
● onderzoek naar de betekenis van woorden
● verandering van betekenis van woorden doorheen de tijd
● collocaties (vaste woordcombinaties, bv. rekenen op, aanbod accepteren/afslaan)
● automatische detectie van eigennamen in tekst
| Toepassingen digitale tekstanalyse:
● automatische sentiment- en emotiedetectie
● profilering (schatten: geslacht, leeftijd → detectie grooming of cyberpesten)
● Word Sense Disambiguation (cross-lingual): de taak om vast te stellen welke specifieke betekenis (sense)
van een woord in een bepaalde context wordt gebruikt
|| Tekstcollecties verzamelen en structureren
| Corpus verzamelen
● corpus: authentieke (echt, feitelijk voorgekomen) tekstcollectie (verzameling teksten)
→ om taal te bestuderen/beschrijven of om modellen te trainen voor automatische tekstanalyse
● relevant voor onderzoeksvraag
● representatief: is de dataselectie een betrouwbaar sample? (taalvariëteit, taal, periode, auteur, etc.)
● altijd selectie: onmogelijk alle relevante teksten verzamelen → bias mogelijk
→ zo breed mogelijk selecteren (toepassing)
○ bias: 1 specifiek aspect over-/ ondergerepresenteerd (bv. enkel mannelijke auteurs)
| Bestaande corpora voor het Nederlands
● Instituut voor de Nederlandse Taal (INT): hedendaags+historisch NL+corpora+lexica
● Corpus Hedendaags Nederlands (CHN)
● SoNaR: + 500 miljoen woorden uit uiteenlopende domeinen + genres
● Corpus Gesproken Nederlands (CGN): 9 miljoen woorden spraak + orthografische transcriptie
● Historische corpora: bv. Corpus Middelnederlands (1300- 1550)
---------------------------------------------------------------------------------------------------------------------------------------
Praktische informatie
---------------------------------------------------------------------------------------------------------------------------------------
| Structuur van het vak
6 x hoorcolleges 2,5u (theoretische inleiding)
4 x hoorcolleges 1,25 (toepassing eerdere colleges)
1 x herhalingsles
● zelfstudie
○ digitale leerpaden (Ufora) – verplicht doorlopen (uploaden), telt mee voor punten (10%)
○ wetenschappelijk artikel
○ deel van het handboek Taaltechnologie ontrafeld
● verplichte leerstof:
○ alle slides van de les
○ enkel vermelde paginas van het handboek (op slides) Taaltechnolgie Ontrafeld
■les 4 => slide 4 (p12-15), slide 27 (p17-29)
■les 5 => slide 30 (p30-55)
○ overzicht op einde van les (inhoud+voorbeeldvragen)
● niet te kennen: de formule TF-IDF berekenen, TF-IDF waardes (les 3)
○ je moet wel de intuïtie van de formule kunnen uitleggen, waar de componenten voor de staan
en wat ze betekenen
| Examen
- schriftelijk examen (gesloten boek)
- 2u30
- rekenmachine mag mee!
- antwoordt altijd gestructureerd, in volzinnen en zo volledig mogelijk, maar vermeld geen
overbodige of irrelevante informatie
- type vragen:
1)Kennis reproduceren (theorie)
a)Wat is het verschil tussen close en distant reading?
b)Wat is Type-token ratio? Wat is TF-IDF?
→ meer dan de helft van de vragen zijn reproductievragen
2)Kennis toepassen (oefenen)
a)Verschillende soorten van ambiguïteit kunnen herkennen en uitleggen
b)Maak bag-of-wordsvectoren voor volgende tekst …
c) Leg uit: “you shall know a word by the company it keeps”
3)Inzichtsvragen (verbanden leggen tussen verschillende stukken leerstof)
a)Waarom is part-of-speech tagging een desambigueringstaak?
b)Waarom verhoogt generatieve AI de kans op fake news?
, Les 1 - 23/09/2025
---------------------------------------------------------------------------------------------------------------------------------------
Les 1 - Inleiding
---------------------------------------------------------------------------------------------------------------------------------------
|| Taaltechnologie
● artificiële / kunstmatige intelligentie (AI): mogelijkheid van machines om mensachtige vaardigheden
te vertonen (zoals redeneren, leren, plannen, creativiteit)
○ook verzamelnaam voor de technologieën die machines een zekere vorm van (menselijke)
intelligentie verschaffen
○meestal taakgericht (op specifieke taak)
○nog geen “human-like AI” → geen echte emoties of creativiteit
○voorbeelden: gezichtsherkenning, ChatGPT, DALL·E (tekeninggenerering), Zora-robot (tehuizen),
Virtual reality (VR) en Augmented reality (AR)
⚠ VR = volledig fictieve virtuele omgeving, AR = realiteit met digitale toevoegingen
● taaltechnologie: vakgebied (binnen AI) dat zich bezighoudt met de computationele verwerking van
menselijke taal, zowel in gesproken als geschreven vorm
- Hoe goed kunnen computers teksten vertalen, samenvatten,schrijven?
- Hoe goed kunnen computers conversaties onderhouden met mensen?
- Kunnen computers emoties of ironie herkennen in een tekst?
- Voor welke maatschappelijke toepassingen kan taaltechnologie ingezet worden?
● toepassingen van taaltechnologie:
○dagelijks gebruik: ChatGPT, Siri (voice recognition), Google Translate, DeepL (automatische vertaling),
Grammarly, chatbots, Waze (gps-systemen)
○aanbevelingssystemen: TikTok, Netflix, Spotify bv. ‘deze serie/artiest zal je ook leuk vinden’
○sentimentanalyse: automatische beoordeling van teksten als (eerder) positief of negatief
● specifieke toepassingsdomeinen:
○voor taalprofessionals en taalleerders: automatisch vertalen, automatisch ondertitelen,
AI-ondersteund leren (bv. Duolingo)
○voor cyberveiligheid: detectie van cyberpesten en grooming (eerder als filtertool, met menselijke
controle van moderator)
○voor nieuwspersonalisatie: automatisch groeperen en catalogiseren van nieuws volgens
onderwerp/gebeurtenis
○voor emotiedetectie en sentimentanalyse: analyse van gevoelens in reviews (+/-) of via sociale
robots (bv. Furhat) (emotiedetectie en weerspiegeling)
|| Digital humanities (DH)
● nauw verband: taaltechnologie & digitale tekstanalyse
● taaltechnologie
○gericht op toepassingen
○praktisch: chatbots, spraakherkenning, vertaling, sentimentanalyse
● digitale tekstanalyse
○gericht op onderzoek & methodes
○praktisch: analyse van teksten om patronen, structuren en betekenissen te ontdekken
● Digital Humanities / Digitale Geesteswetenschappen: onderzoeksdomein op kruispunt van
computer/digitale technologieën en de Geesteswetenschappen (Humanities)
● Humanities / Geesteswetenschappen: disciplines die focussen op kunsten, literatuur, muziek, theater,
dans, architectuur, filosofie en elke uitdrukking van menselijke cultuur
○historische situering: Renaissance
→ verschuiving focus van god naar mens (centraal in wereldbeeld) = antropocentrisme
,● DH = tweerichtingsverkeer
○D: gebruik van technologie en digitale methodes in geesteswetenschappelijk onderzoek
○H: kritische reflectie op technologie vanuit humanistische vragen over de technologie (zoals ethiek,
macht, bias, mensbeeld)
● DH: systematisch gebruik van digitale bronnen & methodes in de geesteswetenschappen (databanken,
tekstanalysetools,programmeertalen, visualisaties, etc.)+ de analyse van hun toepassing
● kenmerken DH:
○interdisciplinair (jobs etc)
○empirisch (datagebaseerd) (breed scala aan methodes) (observeerbare data)
○voortdurend evoluerende definitie (vaak aangepast)
● doel: onderzoek in de humanities verzamelen, organiseren,analyseren en presenteren met behulp van
computationele methodes
→ ultiem doel: nieuwe vragen stellen en beantwoorden + oude vragen op een nieuwe manier benaderen
● toepassingen van Digital Humanities-projecten:
○Stanford
■inhoud databases koppelen aan geografische info → resultaat: visualisatie op kaart
○GhentCDH
■interdisciplinaire samenwerking (humaniora + techniek) (ingenieurs, programmeurs, etc.)
○Verdwenen Zwinhavens
■virtuele 3D-reconstructie van verdwenen Brugse havens
■archeologisch, non-invasief (geen aantasting terrein)
○WECHANGED
■netwerken van vrouwelijke editors (1710–1920)
■database: autobiografisch + schriftelijke data
■metadata + geografie → wie kende wie? (vinden van patronen + overzicht op kaart)
○CUNE-IIIF-ORM
■digitalisering, tekstanalyse (inhoud) en transliteratie (omzetten tekens) van spijkerschrift
■3D-modellen van kleitabletten
■interdisciplinair: computerlinguisten en archeologen
■toepassing: automatisch tekstanalyse (automatische omzetting spijkerschrift naar alfabetisch
schrift) om eigennamen + belangrijke concepten uit kleitabletten te extraheren
○Digital Transgender Archive
■multimedia-zoekmachine (weergave info via tekst, beeld, audio)
○TORN-APART
■database van asielzoekers (alle info samengebracht in 1 grote database)
■geospatiale + tekstuele analyse (geografische info gelinkt aan tekstuele info)
| Korte geschiedenis van Digital Humanities
● 1940s: onderzoeksgebied Humanities Computing
○pionier: Roberto Busa
○Index Thomisticus (digitaal corpus van werken van Thomas van Aquino)
→ allereerste gebruik van computer voor letterkundig onderzoek
● nood aan standaardisering → TEI (1987)
○TEI (Text Encoding Initiative): protocol voor taggen van digitale teksten
○basis voor latere XML & HTML (standaardcodering voor hedendaagse websites)
● 1981: eerste PC (Personal Computer)
● 1990s: digitale tekst-en beeldarchieven (Women Writers Project)
● komst van WorldWideWeb (meer aandacht voor design en multimedia, audio en video)
● 2004: term ‘digital humanities’ ontstaat
→ computationele wending: gebruik van computers binnen de humanities
● 2009: vakgebied digital humanities krijgt officieel vorm (MLA-conventie)
midden 20ste E: aanzet > traag ontwikkeld > begin 21ste E: evolutie versneld (PC, www)
, | Kritiek op Digital Humanities
1. gebrek aan kritische reflectie over implicaties van computationele denkbeelden
Big Data, visualisatie en methodes (data = altijd selectie → kan foutief/subjectief zijn)
2. black box: gebruik van tools door wetenschappers die niet volledig begrijpen hoe deze tools
werken en hoe de data die ze invoeren verwerkt en geanalyseerd worden
3. gebrek aan diversiteit: bias in data → beïnvloed resultaten (tools en teksten)
bv. genderbias in Google Translate (Hongaars)
4. gebrek aan focus op pedagogiek: nadruk ligt op onderzoek, minder op onderwijs(innovatie)
| Digital Humanities: data & methodes
● data: tekst, beeld, audio/video, 3D-modellen, gestructureerde data (bv. geospatiale data, sociale +
politieke netwerkdata)
● methodes: digitale tekstanalyse, computationele taalkunde, Natuurlijke taalverwerking (NLP),
netwerkanalyse, computationele literatuuranalyse
|| Digitale tekstanalyse
● tekstanalyse: studie van voorkomen woorden & patronen in tekst + semantische (betekenis)
en grammaticale informatie extraheren over woorden in tekst
○digitale tekstanalyse: gebruik van digitale tools voor de automatische analyse van teksten
→ computers sneller + grotere hoeveelheden tekst (subdomein van Digital Humanities)
● close reading: manueel analyseren van teksten (lezen)
● distant reading (Franco Moretti): computationele/automatische analyse van teksten om patronen te
vinden in grote tekstcollecties (=corpora) (die je als mens niet opmerkt als je teksten leest)
| Voorbeelden digitale tekstanalyse:
● onderzoek naar de betekenis van woorden
● verandering van betekenis van woorden doorheen de tijd
● collocaties (vaste woordcombinaties, bv. rekenen op, aanbod accepteren/afslaan)
● automatische detectie van eigennamen in tekst
| Toepassingen digitale tekstanalyse:
● automatische sentiment- en emotiedetectie
● profilering (schatten: geslacht, leeftijd → detectie grooming of cyberpesten)
● Word Sense Disambiguation (cross-lingual): de taak om vast te stellen welke specifieke betekenis (sense)
van een woord in een bepaalde context wordt gebruikt
|| Tekstcollecties verzamelen en structureren
| Corpus verzamelen
● corpus: authentieke (echt, feitelijk voorgekomen) tekstcollectie (verzameling teksten)
→ om taal te bestuderen/beschrijven of om modellen te trainen voor automatische tekstanalyse
● relevant voor onderzoeksvraag
● representatief: is de dataselectie een betrouwbaar sample? (taalvariëteit, taal, periode, auteur, etc.)
● altijd selectie: onmogelijk alle relevante teksten verzamelen → bias mogelijk
→ zo breed mogelijk selecteren (toepassing)
○ bias: 1 specifiek aspect over-/ ondergerepresenteerd (bv. enkel mannelijke auteurs)
| Bestaande corpora voor het Nederlands
● Instituut voor de Nederlandse Taal (INT): hedendaags+historisch NL+corpora+lexica
● Corpus Hedendaags Nederlands (CHN)
● SoNaR: + 500 miljoen woorden uit uiteenlopende domeinen + genres
● Corpus Gesproken Nederlands (CGN): 9 miljoen woorden spraak + orthografische transcriptie
● Historische corpora: bv. Corpus Middelnederlands (1300- 1550)
