Das Forschungsfeld der Digitalen Musikwissenschaft (engl. Computational Musicology) hat sich als ein dynamisches und interdisziplinäres Gebiet innerhalb der übergeordneten Digital Humanities etabliert, das die Anwendung computergestützter Methoden auf musikwissenschaftliche Fragestellungen in den Mittelpunkt rückt.

Es versteht die Digitalisierung nicht nur als technischen Fortschritt, sondern als einen fundamentalen Wandel, der neue Forschungsräume und -perspektiven eröffnet und bestehende Methoden transformiert. Die die Broschüre “Methoden und Ziele der digitalen Musikwissenschaft – ein Marktplatz aktueller Forschung” zu der Veranstaltung im Rahmen der Jahrestagung der Gesellschaft für Musikforschung 2023 in Saarbrücken veranschaulicht dies exemplarisch sehr gut.

Digitale Editionen und die Kodierung von Musik

Ein zentraler Bereich ist die digitale Musikedition und die Repräsentation musikalischer Daten. Hierbei spielt die Kodierung musikalischer Inhalte in maschinenlesbaren Formaten eine entscheidende Rolle, wobei sich die Music Encoding Initiative (MEI) und das damit verbundene MEI Format als Standard für digitale Musikeditionen etabliert hat. Dies ermöglicht die Aufbereitung und Annotation digitaler Faksimiles und die Verknüpfung digitaler Forschungsprojekte, wie im Beispiel des Max-Reger-Portals ersichtlich. Darüber hinaus befasst sich die Digitale Musikwissenschaft mit der Erstellung von Ontologien zur formalisierten Repräsentation von Wissen und Informationen über musikalische Quellen.

Von der Mustererkennung zur Korpusforschung

Ein weiterer wichtiger Pfeiler ist die computergestützte Analyse musikalischer Daten. Hier kommen Methoden des Music Information Retrieval (MIR) und der Optical Music Recognition (OMR) zum Einsatz. Während etablierte MIR-Methoden bereits einen einfachen Zugang zur Analyse symbolischer und auditiver Musik sowie zur automatisierten Notenerkennung ermöglichen, steht die Forschung im Bereich der OMR z.B. bei handschriftlichen Noten und komplexen Partituren noch vor grundlegenderen Herausforderungen.

Ziel der computergestützten Musikanalyse ist es letztendlich musikalische Muster zu erkennen und Stile zu analysieren. Dies wird durch die Extraktion von Merkmalen aus symbolischer Musik unterstützt.

Die Korpusforschung, die große Mengen digitalisierter Musikdaten analysiert, gewinnt dabei zunehmend an Bedeutung.

Grenzen und Chancen der Digitalisierung

Das Forschungsfeld befasst sich außerdem auch mit epistemologisch-methodologischen Fragen, die sich aus der Digitalisierung ergeben. Dies schließt die Integration von Computational Thinking und Computational Literacy in Lehre und Forschung der Musikwissenschaft ein.

Die Digitalisierung wird als Chance gesehen, eine präzisere und modellbasierte Erforschung von Musik als geistigem Phänomen zu ermöglichen und stellt neue Anforderungen an eine nachhaltige Forschungsdateninfrastruktur. Zudem werden Möglichkeiten und Grenzen der Digitalen Musikwissenschaft reflektiert, insbesondere im Hinblick auf neue berufliche Perspektiven und die notwendigen Voraussetzungen für Studierende.

Weiterführende Literatur (eine Auswahl)

Calvo-Zaragoza, J., Jr., J. H., & Pacha, A. (2021). Understanding Optical Music Recognition. ACM Computing Surveys, 53(4), 1–35. https://doi.org/10.1145/3397499

Capelle, I., Albrecht-Hohmaier, M., Dufner, J., Acquavella-Rauch, S., Friedl, D., Kepper, J., Alemayehu, H. M., Wawilow, A., Mo, R., Seipelt, A., Cox, S., Sänger, R., Weigl, D. M., VanderHart, C., Goebl, W., Gammert, J., Neumann, J., Stadler, P., Gubsch, C., … Bergmann, K. (2023). Methoden und Ziele der digitalen Musikwissenschaft – ein Marktplatz aktueller Forschung. https://doi.org/10.5281/zenodo.8435249

Cuthbert, M. S., Ariza, C., & Friedland, L. (2011). Feature Extraction and Machine Learning on Symbolic Music Using The Music21 Toolkit. ISMIR 2011. https://web.mit.edu/music21/papers/Cuthbert_Ariza_Friedland_Feature-Extraction_ISMIR_2011.pdf

Klugseder, R. (2017). Möglichkeiten und Grenzen der Digitalen Musikwissenschaft. Erfahrungen aus Forschung und Lehre. https://doi.org/10.15496/publikation-20569

McKay, C., Cumming, J. E., & Fujinaga, I. (2018). JSYMBOLIC 2.2: EXTRACTING FEATURES FROM SYMBOLIC MUSIC FOR USE IN MUSICOLOGICAL AND MIR RESEARCH.

Moss, F. C. (2019). Transitions of Tonality: A Model-Based Corpus Study [EPFL]. https://doi.org/10.5075/epfl-thesis-9808

Moss, F. C., Souza, W. F., & Rohrmeier, M. (2020). Harmony and Form in Brazilian Choro: A Corpus-Driven Approach to Musical Style Analysis. Journal of New Music Research, 49(5), 416–437. https://doi.org/10.1080/09298215.2020.1797109

Münnich, S. (2018). Ontologien als semantische Zündstufe für die digitale Musikwissenschaft?: Eine Bestandsaufnahme. Bibliothek Forschung und Praxis, 42(2), 184–193. https://doi.org/10.1515/bfp-2018-0027

Seifert, U., Klaßmann, S., Varelmann, T., & Dahmen, N. (2020). Computational Thinking in der Musikwissenschaft: Jupyter Notebook als Umgebung für Lehre und Forschung. Freie Beiträge zur Jahrestagung der Gesellschaft für Musikforschung 2019, 309–319. https://doi.org/10.25366/2020.72

Urberg, M. (2017). Pasts and Futures of Digital Humanities in Musicology: Moving Towards a “Bigger Tent.” Music Reference Services Quarterly, 20(3–4), 134–150. https://doi.org/10.1080/10588167.2017.1404301

Weigl, D. M., VanderHart, C., Pescoller, M., Rammler, D., Grassl, M., Trümpi, F., & Goebl, W. (2022). The Vienna Philharmonic Orchestra’s New Year’s Concerts: Building a FAIR Data Corpus for Musicology. 9th International Conference on Digital Libraries for Musicology, 36–40. https://doi.org/10.1145/3543882.3543892