Christian Laesser – Suche nach Lotte Reiniger – Datenvisualisierung und Webdesign für die BMFTR-Forschungsgruppe DAVIF

BMFTR-Forschungsgruppe DAVIF

Suche nach Lotte Reiniger

Eine Scrollytelling-Datenvisualisierung für die BMFTR-Forschungsgruppe DAVIF, die filmhistorische Metadatenlücken in ein öffentliches Argument darüber verwandelt, wessen Arbeit gezählt wird und wessen verschwindet.

"Die Zusammenarbeit mit Christian war eine großartige Erfahrung. Er versteht es, komplexe Forschungsfragen und vielfältige Archivmaterialien in überzeugende Datenvisualisierungen und kreatives Storytelling zu verwandeln. Seine Prototypen ermöglichten ein fokussiertes und iteratives Vorgehen; seine klare Kommunikation und Neugier trugen maßgeblich zum Projekterfolg bei. Theoretische und praktische Expertise in einen produktiven Dialog zu bringen, ist herausfordernd – was diese Zusammenarbeit besonders bereichernd gemacht hat."

— Dr. Sarah-Mai Dang, Projektleiterin, BMFTR-Forschungsgruppe DAVIF

Herausforderung

Die BMFTR-Forschungsgruppe DAVIF der Philipps-Universität Marburg hatte vier Jahre untersucht, wie filmhistorische Metadaten unser Verständnis von Frauen im frühen Kino prägen. Am Ende des Projekts hatte das Team neben verschiedenen Publikationen zwei Datenvisualisierungstools entwickelt und drei Datensätze aus Wikidata, dem DFF Deutsches Filminstitut & Filmmuseum und dem Women Film Pioneers Project zusammengeführt. Die Forschungsfrage war klar, und die Daten waren vorhanden. Was der nächste Schritt brauchte, war ein thematischer Fokus, eine narrative Form und eine Person, die konzeptuell mitdenkt statt nur ausführt. Das Briefing war bewusst offen gehalten: eine ausdrückliche Einladung, die Form des finalen Outputs gemeinsam zu entwickeln.

Lösung

Das Ergebnis ist eine Scrollytelling-Website, ko-autorisiert mit Sarah-Mai Dang, deren Forschung zur feministischen Filmgeschichtsschreibung und zu kritischen Datenstudien die konzeptuelle Grundlage der Arbeit bildet. Gemeinsam nutzt das Projekt eine einzige Person, Lotte Reiniger, Regisseurin des weltweit ersten abendfüllenden Animationsfilms, als Linse, um zu untersuchen, was Datenbanken aufzeichnen und was sie weglassen. Drei ineinandergreifende Visualisierungsabschnitte führen die Lesenden durch ihre Filme, die Lücken zwischen Datensätzen und die Inkonsistenz in der Kategorisierung ihrer Berufsrollen. Entscheidend: Die Website zeigt ihr tatsächliches Werk neben der Metadatenanalyse, animierte Scherenschnittfilme, die direkt im Browser zu sehen sind, damit fehlende Daten als echte Abwesenheit spürbar werden, nicht als abstrakte Statistik. Die Website wurde in SvelteKit entwickelt, mit Canvas-basierten Animationen und D3 für die interaktiven Diagramme.

Mein Beitrag

Dies war eine Zusammenarbeit auf Augenhöhe. Sarah-Mai Dang brachte die Forschungsmethodik, den theoretischen Rahmen, die redaktionelle Leitung, die Textinhalte, die Ko-Kuration der Daten, die wissenschaftliche Analyse und die Validation ein, die dem Projekt sein intellektuelles Fundament gaben. Ich brachte Datennormalisierung, Narrativkonzeption, visuelles Design und Frontend-Entwicklung ein und übersetzte die Forschung in eine Scrollytelling-Website, gebaut in SvelteKit mit Canvas-Animationen und D3.

Zum Projekt

Kunde

BMFTR-Forschungsgruppe DAVIF
Meine Role

Datenvisualisierung
Webdesign
Frontend-Entwicklung
Zeitraum

2025–2026
Zusammenarbeit

Dr. Sarah-Mai Dang (Projektleitung, Ko-Autorin, Forschungsmethodik, redaktionelle Leitung und wissenschaftliche Analyse)
Förderung

Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)

Resultate

Startseite des Projekts

Die Einstiegsseite führt Lotte Reiniger über ein Porträt und einen Untertitel ein, der das Projekt als visuelle Analyse und nicht als konventionelle akademische Publikation rahmt. Die Navigationsstruktur signalisiert den Scrollytelling-Ansatz vom ersten Moment an.

Scrollytelling — Filme mit Zeitachse und Berufsverteilung

Der erste Scrollytelling-Abschnitt baut beim Durchscrollen zwei parallele Visualisierungen auf: eine Zeitachse links und eine Berufsverteilung rechts. Die Canvas-Animation zeigt tatsächliche Filmbilder und Titel, sodass das Gewicht jedes fehlenden Films spürbar wird, nicht nur gezählt.

Filme — Informationen über die Nazi-Zeit

Beim Durchscrollen der Filme erscheint eine Notiz im visuellen Stil der Zwischentitel der Stummfilmzeit: Sie kontextualisiert Reinigers Schaffen während der NS-Zeit. Ihre Filme dienten nicht den Propagandazwecken des Regimes, und ihre Wahl von Themen und Mitarbeitenden entsprach nicht den Kriterien der nationalsozialistischen Filmpolitik. Die Notiz steht für die redaktionelle Ehrlichkeit, an der das Projekt durchgehend festhält.

Filme — weitere Beispiele

Jeder Film im Scroll wird mit seinem eigenen visuellen Charakter präsentiert, gespeist aus tatsächlichem Filmmaterial und Standbildern. Die Sequenz ist ein Argument für die Breite und Eigenart von Reinigers Praxis über vier Jahrzehnte hinweg, bevor die Metadatenanalyse zu messen beginnt, wie viel davon die Datenbanken überhaupt erfasst haben.

Beeswarm — Filmabdeckung über drei Datenbanken

Der zweite Abschnitt beginnt damit zu zeigen, was Wikidata allein über Reiniger weiß. Jeder Punkt ist ein Film. Die Visualisierung macht den Umfang der Sammlung unmittelbar lesbar, bevor die vollständigeren Datensätze zum Vergleich hinzugezogen werden.

Beeswarm — datenbanküberspannende Filme

Nach der Normalisierung und dem Abgleich aller drei Datensätze zeigt diese Ansicht nur die Filme, die in mehr als einer Quelle auftauchen. Die Datenharmonisierung, die diesen Vergleich erst möglich macht, war selbst ein wesentlicher Forschungsbeitrag.

Beeswarm — in Wikidata fehlende Filme

Derselbe Beeswarm kodiert, was Wikidata nicht hat: Filme, die DFF oder WFPP dokumentieren, die die meistkonsultierte offene Datenbank der Welt jedoch nie erfasst hat. Die Lücke zwischen der vollständigen Filmografie und dem Wikidata-Subset ist das Argument.

Balkendiagramm — Berufsbezeichnungsverteilung in Wikidata

Der dritte Abschnitt beginnt mit Wikidatas Kategorisierung von Reinigers Berufsrollen. Das Diagramm macht sichtbar, wie eine einzelne Datenbank eine berufliche Identität konstruiert, bevor dieses Bild durch die anderen Quellen kompliziert wird.

Balkendiagramm — Berufsbezeichnungsverteilung über alle drei Datensätze

Alle drei Datensätze nebeneinandergestellt zeigen: Dieselbe Person trägt je nach konsultierter Sammlung eine andere berufliche Identität. Diese Diskrepanz ist kein Rauschen, sondern spiegelt unterschiedliche institutionelle Prioritäten, Kategorisierungssysteme und Vollständigkeitsgrade wider.

Balkendiagramm — die drei häufigsten Berufsbezeichnungen

Das abschließende Diagramm der Sequenz isoliert die drei häufigsten Berufsbezeichnungen über alle Datensätze hinweg und gibt den Lesenden nach der Auseinandersetzung mit der vollen Komplexität der vorherigen Ansichten eine klare vergleichende Zusammenfassung.

Prozess

Vor jeder Narrativarbeit wurden die drei Datensätze in SvelteKit mit Observable Plot exploriert. In dieser Phase ging es darum, ein echtes Verständnis dafür zu entwickeln, was die Daten enthielten und welche Spannungen in ihnen steckten: welche Berufsbezeichnungen wo auftauchten, welche Filme fehlten, wo Normalisierung nötig war. Die frühere Visualisierungsarbeit der Forschungsgruppe bildete eine Grundlage, aber die Exploration wurde neu durchgeführt, um eine Geschichte zu finden, die noch nicht erzählt worden war.
Ein Foliendeck übersetzte die Datenexploration in eine vorgeschlagene Erzählstruktur, die die drei Datensatzfragen in einem Scrollytelling-Bogen anordnete. Dies wurde zum Instrument für die Abstimmung mit Sarah-Mai Dang über die Erzählrichtung, noch bevor die Produktion begann. Die zentralen redaktionellen Entscheidungen, eine Person im Fokus, das Werk und nicht nur Metadaten zu zeigen und die Abwesenheit argumentativ arbeiten zu lassen, wurden in dieser Phase getroffen.
Die fertige Website erforderte ein stufenweises Vorgehen: Datennormalisierung, Canvas-Animation, D3-Diagrammkomponenten und die SvelteKit-Architektur wurden nacheinander aufgebaut, wobei die volle visuelle Qualität erst kurz vor dem Launch sichtbar wurde. Die Zusammenarbeit mit einer Forschungspartnerin, die den iterativen Prozess verstand und ihm vertraute, machte es möglich, die Arbeit so lange zu verfeinern, bis sie das sagte, was sie sagen musste.

Auswirkungen

Veröffentlichte Forschung erreicht beim Launch das richtige Publikum

Das Projekt wurde im Mai 2026 als dritter und letzter Datenvisualisierungsoutput der BMFTR-Forschungsgruppe DAVIF veröffentlicht, gefördert vom Bundesministerium für Forschung, Technologie und Raumfahrt. Innerhalb weniger Tage nach der Publikation erreichte Sarah-Mai Dangs LinkedIn-Post Filmwissenschaftsprofessoren, Museumsdirektoren, Archivleiter und Digital-Humanities-Forschende in ganz Europa und Nordamerika, darunter Resonanz von Lev Manovich, dessen Kommentar die Seltenheit einer Datenvisualisierung hervorhob, die kritische Fragen über ihre eigenen Datensätze stellt, statt sie einfach darzustellen. Die Reaktion bestätigte die zentrale redaktionelle Entscheidung: Reinigers Kunst neben der Metadatenanalyse zu zeigen ließ das Argument bei Menschen ankommen, denen sowohl Filmgeschichte als auch Datenpraxis am Herzen liegt.

Das Projekt in Zahlen

Abgeglichene Datensätze

Filme im kombinierten Datensatz

Erkenntnisse

Datenvisualisierung kann genauso viel verbergen wie sichtbar machen

Dieses Projekt hat etwas geschärft, das sich schon länger abzeichnete: Visualisierung ist kein neutraler Akt. Wenn Daten in Punkte und Balken abstrahiert werden, ist es leicht, das Dargestellte weniger präsent zu machen, nicht mehr. Die Entscheidung, Reinigers tatsächliche Filme zu zeigen, ihr Werk vor die Lesenden zu stellen, bevor sie über Metadaten nachdenken, entstand aus einem Unbehagen darüber, wie sehr Abstraktion das Publikum von dem entfernen kann, worum es wirklich geht.

Kontakt

Brauchen Sie Unterstützung für Ihr nächstes Projekt?

Zeitzone

CET

Aktuelle Uhrzeit

Antwortzeit

2Werktage

Jedes Projekt beginnt mit einem Gespräch. Nicht sicher, ob Ihr Projekt passt? Zuerst die FAQ lesen, vielleicht beantwortet sie Ihre Frage, bevor wir sprechen.