{"id":22316,"date":"2025-05-13T16:15:50","date_gmt":"2025-05-13T14:15:50","guid":{"rendered":"https:\/\/dhd-blog.org\/?p=22316"},"modified":"2025-05-13T16:15:50","modified_gmt":"2025-05-13T14:15:50","slug":"trends-in-den-computational-literary-studies-bei-den-dhd-jahrestagungen","status":"publish","type":"post","link":"https:\/\/dhd-blog.org\/?p=22316","title":{"rendered":"Trends in den Computational Literary Studies bei den DHd-Jahrestagungen"},"content":{"rendered":"

Die Computational Literary Studies<\/em> (CLS) haben sich im vergangenen Jahrzehnt als ein dynamisches und zunehmend eigenst\u00e4ndiges Forschungsfeld innerhalb der Digital Humanities etabliert. Die DHd-Jahrestagungen fungieren dabei nicht nur als Forum f\u00fcr aktuelle Diskussionen, sondern auch als Schaufenster f\u00fcr langfristige Entwicklungen, methodische Innovationen und disziplin\u00e4re Herausforderungen.<\/p>\n

Etablierung der CLS in den Digital Humanities<\/h3>\n

Wie Hatzel et al. (2023, 1-2) in ihrem \u00dcbersichtsartikel \u201eMachine Learning in Computational Literary Studies\u201c betonen, verstehen sich die CLS als ein Teilbereich der Digital Humanities, der sich durch die Anwendung computerbasierter Verfahren auf literaturwissenschaftliche Fragestellungen auszeichnet. Einen wichtigen Schub erhielten die CLS durch die Einrichtung des von der DFG gef\u00f6rderten Schwerpunktprogramms \u201eComputational Literary Studies\u201c (SPP 2207) sowie durch die Gr\u00fcndung des Journal of Computational Literary Studies<\/em> (JCLS) in der ersten H\u00e4lfte der 2020er Jahre.<\/p>\n

In der deutschsprachigen DH-Community ist die wachsende Bedeutung der CLS auch an der Entwicklung der Tagungsformate der DHd ablesbar: W\u00e4hrend CLS-relevante Beitr\u00e4ge in den fr\u00fchen Jahrestagungen noch unter allgemeineren Titeln wie \u201eTexte und Strukturen\u201c (2019) oder \u201eKomplexe Textph\u00e4nomene\u201c (2020) verhandelt wurden, tragen die Sessions seit 2023 explizit den Titel \u201eComputational Literary Studies\u201c. 2025 gen\u00fcgten bereits die K\u00fcrzel \u201eCLS Analyse\u201c, \u201eCLS Methoden I\u201c und \u201eCLS Methoden II\u201c \u2013 ein deutliches Signal f\u00fcr die gewachsene disziplin\u00e4re Eigenst\u00e4ndigkeit und Sichtbarkeit des Feldes.<\/p>\n

Angesichts dieser zunehmenden Etablierung stellte sich mir die Frage, welche methodischen Trends und inhaltlichen Entwicklungslinien sich in den Abstracts der DHd-Jahrestagungen von 2014 bis 2025 abzeichnen. Um relevante Beitr\u00e4ge zu identifizieren, habe ich basierend auf der Definition des Schwerpunktprogramms1<\/a> und einem Listenabgleich von Keywords, Topics und most distinctive Words (siehe Abb. 1) pro Beitrag CLS-relevante Abstracts automatisch aus den XML-Dateien extrahiert. Das so zusammengestellte Untersuchungskorpus wurde anschlie\u00dfend tabellarisch aufbereitet und mit den Metadaten aus den XMLs und manuellen Erg\u00e4nzungen angereichert. Der Dataframe bildete sodann die Grundlage f\u00fcr interaktive Visualisierungen, die eine Exploration der CLS-Entwicklungen im Kontext der vergangenen DHd-Jahrestagungen erm\u00f6glichen.2<\/a><\/p>\n

\"Most
Abb. 1:<\/strong> Der Screenshot zeigt die zehn most distinctive words<\/em> inklusive ihrer berechneten TF-IDF Scores f\u00fcr alle Beitr\u00e4ge der DHd-Jahrestagung 2020. In der interaktiven Visualisierung der Daten mit einem Drop-Down-Men\u00fc k\u00f6nnen die Beitr\u00e4ge nach Jahr, Autor:in oder durch die Auswahl eines spezifischen Abstracts gefiltert werden. Die interaktive Visualisierung zum Ausprobieren finden Sie hier<\/a>.<\/p>\n

Welche CLS-Forschungstrends zeigen sich in den Abstracts der DHd-Jahrestagungen?<\/h3>\n

Ein zentrales Ergebnis der Analyse ist die methodische Breite der CLS, die von der Anwendung g\u00e4ngiger DH-Verfahren wie Netzwerkanalyse, Topic Modeling und Sentimentanalyse bis hin zu klassischem maschinellem Lernen und dem Einsatz generativer Sprachmodelle reicht. Die differenzierte Behandlung von Subkategorien des maschinellen Lernens stellte sich dabei als besondere Herausforderung heraus. Schlie\u00dflich wollte ich die Entwicklungen und H\u00f6hepunkte traditioneller, feature-basierter Klassifikationsalgorithmen, multi-layered neuronaler Netze im Deep Learning sowie statistisch-kontextbasierter und generativer Sprachmodelle jeweils separat visualisieren. Ein Histogramm der verwendeten Methoden als Keyword-Cluster pro Abstract zeigt, welche Verfahren wann zum ersten Mal behandelt wurden, an Bedeutung gewinnen oder verlieren (siehe Abb. 2).<\/p>\n

\"Liniendiagramm
Abb. 2:<\/strong> Diese Visualisierung der verwendeten Methoden als Keyword-Cluster pro Abstract zeigt den relativen Anteil (%) der Methodengruppen pro Jahr. Eine interaktive Version dieser Graphik finden Sie hier<\/a>.<\/p>\n

Das dargestellte Liniendiagramm (Abb. 2) zeigt die relative Nennung der 15 h\u00e4ufigsten Methodengruppen in den Abstracts (siehe Code<\/a>). Die Y-Achse gibt den prozentualen Anteil an, den jede Methodengruppe im jeweiligen Jahr an der Gesamtzahl aller Abstracts hat und erm\u00f6glicht eine zeitlich normalisierte Betrachtung, bei der Schwankungen in der Gesamtanzahl der Abstracts pro Jahr ber\u00fccksichtigt werden. Jeder Linienverlauf repr\u00e4sentiert eine Methodengruppe und zeigt, wie oft sie im Verh\u00e4ltnis zur Gesamtzahl der Abstracts eines Jahres erw\u00e4hnt wurde.<\/p>\n

Die Abbildung verdeutlicht die konstruktive Weiterentwicklung der CLS: Zun\u00e4chst m\u00fcssen Textdaten aufbereitet und in geeigneter Qualit\u00e4t zur Verf\u00fcgung gestellt werden, bevor sie analysiert und schlie\u00dflich als Grundlage f\u00fcr das Finetuning von Sprachmodellen verwendet werden k\u00f6nnen. Nicht \u00fcberraschend ist also der Peak an Abstracts zur Aufbereitung digitaler Editionen und Textkorpora in der Anfangszeit der DHd-Jahrestagungen sowie ihre andauernde Relevanz. In den Abstracts werden die digitale Bereitstellung von Texten, der Digitalisierungsprozess sowie die Entwicklung von Qualit\u00e4tsstandards in OCR, XML\/TEI und Normdatenanreicherung behandelt. War auch das Preprocessing in den Anfangsjahren noch ein zentraler Diskussionspunkt, wird es in den letzten Jahren bereits nicht mehr explizit in den Abstracts aufgef\u00fchrt. Dieses Nichtauff\u00fchren im Flie\u00dftext weist auf die Etablierung von anerkannten Standards in der Datenvorbereitung hin und spricht f\u00fcr die Qualit\u00e4t von Preprocessinglibraries, Pipelines und ihren Ergebnissen.<\/p>\n

W\u00e4hrend auch Distinktivit\u00e4ts- und Netzwerkanalysen zu den Verfahren geh\u00f6ren, die seit der ersten Jahrestagung vertreten sind, werden Topic Modeling und Sentimentanalyse erstmals 2015 erw\u00e4hnt, sind seitdem aber nicht mehr wegzudenken, auch wenn sie seit ihren H\u00f6hepunkten (2020 Topic Modeling, 2023 Sentimentanalyse) tendenziell r\u00fcckl\u00e4ufig sind. Die Bl\u00fctezeit der CLS hat hingegen gerade erst begonnen: Nach einem ersten Peak 2022 (Zeitpunkt der Abstracteinreichung (Juli 2021) parallel zum Ende des ersten Jahres des DFG-SPP CLS) erzielt das Keyword-Cluster3<\/a> einen beeindruckenden Aufschwung mit kontinuierlich steigender Tendenz.
\nEin klarer Aufw\u00e4rtstrend zeigt sich auch bei \u201edeep learning & neural nets\u201c, die ab 2015 deutlich zulegen und sich als zunehmend wichtige Methode etablieren. Gemeinsam mit den differenzierten Keyword-Clustern „general machine learning“ und „generative language models (LLMS)“ bilden sie ein omnipr\u00e4sentes Methodenrepertoire in den CLS.
\nBesonders auff\u00e4llig ist, dass Annotationen \u00fcber den gesamten Zeitraum hinweg ein zentrales Element bleiben, sei es als Grundlage manueller Analysen oder als Trainings- und Testdaten f\u00fcr maschinelles Lernen.<\/p>\n

Und was ging bei der DHd2025?<\/h3>\n

Auf der Jahrestagung 2025 war die Pr\u00e4senz der Computational Literary Studies un\u00fcbersehbar. Ich besuchte die explizit als CLS ausgewiesenen Sessions \u201eCLS Analyse\u201c, \u201eCLS Methoden I\u201c und \u201eCLS Methoden II\u201c, in denen zentrale Fragen der computergest\u00fctzten Literaturwissenschaft diskutiert wurden. Dar\u00fcber hinaus fanden sich CLS-relevante Vortr\u00e4ge auch in angrenzenden Formaten wie der Session \u201eLarge Language Models I\u201c und dem Doctoral Consortium. Besonders bemerkenswert ist auch, dass es dieses Jahr gleich zwei Panels zur digitalen Untersuchung von Literatur gab, was die zunehmende Sichtbarkeit und Relevanz des Feldes nochmals unterstreicht: interdisziplin\u00e4r unter dem Titel \u201eGender (under) construction: Daten und Diversit\u00e4t im Kontext digitaler Literaturwissenschaft\u201c (Mende et al. 2025) und mit st\u00e4rkerem Fokus auf das Computationale unter dem Titel \u201eLiteraturgeschichte \u201aunder construction\u2018 \u2013 was k\u00f6nnen die Computational Literary Studies beitragen? Ein Panel zur digitalen Untersuchung von Raum in der Literatur\u201c.<\/p>\n

Die Beitr\u00e4ge des Jahres 2025 spiegeln aktuelle Forschungstrends wider, die sich thematisch zwischen methodischer Validierung und dem produktiven Umgang mit Vagheit bewegen. Ein immer wiederkehrendes Thema ist dabei die Frage, wie literaturwissenschaftliche Konzepte so operationalisiert werden k\u00f6nnen, dass sie mit den Methoden der NLP analysierbar werden. Auch die Diskussion um Referenzkorpora und Qualit\u00e4tsstandards f\u00fcr Annotationen war pr\u00e4sent: W\u00e4hrend viele Projekte auf spezifisch zusammengestellte Korpora zur\u00fcckgreifen, fehlt es nach wie vor an breit akzeptierten und annotierten Referenzkorpora. Hinsichtlich der Qualit\u00e4t von Annotationen schlug Janina Jacke (2025) einen \u201ePlatinstandard\u201c f\u00fcr kollaborativ erstellte, argumentativ begr\u00fcndete Annotationen mit Entscheidungsb\u00e4umen vor.
\nEin innovativer methodischer Vorschlag kam von Julia Dudar und Christof Sch\u00f6ch (2025), die synthetische Texte als Kontrollgruppe verwendeten, um Analyseeffekte besser einordnen zu k\u00f6nnen. In diesem Zusammenhang wurden Stichprobenstrategien und Validierungsverfahren als offene Forschungsfragen thematisiert. Auch das Distinktivit\u00e4tsma\u00df Zeta wurde wieder intensiv diskutiert und seine Leistungsf\u00e4higkeit erneut unter Beweis gestellt werden. Christof Sch\u00f6ch wies jedoch darauf hin, dass es nicht das eine perfekte Ma\u00df gebe, sondern es immer auf die zugrundeliegenden Fragestellungen und Korpora ankomme.<\/p>\n

Ein weiteres Thema war die Segmentierung von Erz\u00e4hltexten, etwa in Szenen oder andere narrative Einheiten \u2013 eine Herausforderung an der Schnittstelle von Linguistik und Narratologie, zu der Nora Ketschik (2025) treffend anmerkte, dass Prosatexte eben keine Dramen seien, die in der Regel schon von ihrer Textstruktur her eine sinnvolle Segmentierung mitbringen. Auch die Modellierung von Figuren und Perspektiven r\u00fcckte st\u00e4rker in den Fokus: Hier wurde betont, wie wichtig eine pr\u00e4zise Koreferenzaufl\u00f6sung ist, um zwischen handelnden und nur erw\u00e4hnten Figuren zu unterscheiden, wenn Figurenbeziehungen in Netzwerken visualisiert werden sollen. Auch der Modellierung von Vagheit wurde in diesem Jahr wieder Aufmerksamkeit geschenkt: Julian Schr\u00f6ter (2025) stellte den c@1-Score vor, der es Modellen erlaubt, sich im Falle von Unsicherheiten zu enthalten \u2013 ein Verfahren, das er als besonders geeignet f\u00fcr vage literarische Kategorien vorstellte. Neu in der methodischen Diskussion war die Analyse gesprochener Literatur: Haimo Stiemer et al. (2025) untersuchten Pausen, Intonation und Prosodie in H\u00f6rbuchprosa mit Hilfe des Tools WhisperX, um Korrelationen zwischen Sprechpausen und narrativen Einschnitten zu identifizieren, die f\u00fcr einen neuen Ansatz der Textsegmentierung genutzt werden k\u00f6nnen.<\/p>\n

Ein \u00fcber einzelne Vortr\u00e4ge hinausgehendes immer wiederkehrendes Thema ist die Evaluierung (u.a. spezifisch behandelt in Pichler et al. (2025)), da sich mit zunehmender Anwendung generativer Modelle auch deren Fokus verschiebt: Neue Evaluationsmetriken und speziell kuratierte Testdatens\u00e4tze gewinnen an Bedeutung, da herk\u00f6mmliche, \u00f6ffentlich verf\u00fcgbare Daten aufgrund m\u00f6glicher Pre-Training-\u00dcberschneidungen an Aussagekraft verlieren. Gerade im Hinblick auf generative KI in Annotationsprozessen stellt sich die Frage nach der Validit\u00e4t der Ergebnisse: Wie k\u00f6nnen wir sicher sein, dass, wenn die Annotation der 50 Beispiele aus unseren Testdaten erfolgreich war, die Annotationen auch dar\u00fcber hinaus valide und nicht wom\u00f6glich halluziniert sind?<\/p>\n

Nicht zuletzt r\u00fcckte auch die Rolle der CLS f\u00fcr die Literaturgeschichtsschreibung ins Zentrum der Diskussion (Panel von Herrmann et al. (2025)). Die Analyse gr\u00f6\u00dferer literarischer Korpora erm\u00f6glicht es, neue literaturgeschichtliche Narrative zu formulieren und kanon\u00fcbergreifende Entwicklungen sichtbar zu machen. Dabei geht es nicht nur um die Datenmenge, sondern vor allem um die Verkn\u00fcpfung von Textanalysen mit Kontextinformationen und Metadaten. Als neues Ideal der Literaturgeschichtsschreibung gilt die Einbeziehung der literarischen Kommunikation, so dass nicht nur eine Literaturgeschichte, sondern verschiedene Literaturgeschichten gleichzeitig geschrieben werden, ohne dabei das Einzelph\u00e4nomen aus dem Blick zu verlieren.<\/p>\n

Insgesamt zeigt die DHd2025 eindrucksvoll, wie weit die CLS innerhalb der Digital Humanities gekommen sind: Methodisch vielf\u00e4ltig, institutionell verankert und thematisch anschlussf\u00e4hig erweisen sie sich als ein zentraler Baustein der digitalen Literaturwissenschaft, der nicht vor den schnelllebigen und sich st\u00e4ndig wandelnden Sprachmodellen zur\u00fcckschreckt, sondern innovative Wege findet, neue Methoden produktiv in den Werkzeugkasten der CLS zu integrieren.<\/p>\n

\n

1<\/sup> CLS \u201eis dedicated to developi[n]g and establishing innovative computational methods in the field of literary studies. In this emerging rese[]a[r]ch field, literary scholars are working together with computer linguists and computer scientists to discover new perspectives on literary history, narratology and style analysis\u201c (SPP 2207 CLS, 2020<\/a>).<\/p>\n

2<\/sup> Der verwendete Code befindet sich im GitHub Repositorium<\/a>. Die XML-Versionen der DHd-Abstracts sind \u00fcber die DHd GitHub Repositorien<\/a> abrufbar. Mein besonderer Dank gilt Patrick Helling f\u00fcr die schnelle Bereitstellung der XML-Versionen der Jahrestagung 2025.<\/p>\n

3<\/sup> „computational literary studies (CLS)“: [„computational literary studies“, „CLS“, „computationelle literaturwissenschaft“, „komputationale literaturwissenschaft“, „literary computing“, „digitale literaturwissenschaft“, „digital literary studies“, „algorithmische literaturwissenschaft“]<\/p>\n<\/section>\n

Acknowledgements<\/h3>\n

Mein Dank gilt dem DHd-Verband, der mir durch ein Reisekostenstipendium die Teilnahme an der DHd2025 zum Thema \u201eUnder Construction\u201c in Bielefeld erm\u00f6glichte.<\/p>\n

Referenzen<\/h3>\n

DHd-Verband (2025): DHd-Abstracts 2014 bis 2025 [GitHub Repositories], https:\/\/github.com\/DHd-Verband<\/a>.<\/p>\n

Dudar, Julia and Christof Sch\u00f6ch (2025): \u201cExploring Measures of Distinctiveness: An Evaluation Using Synthetic Texts\u201d. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943110<\/a>.<\/p>\n

Guhr, Svenja (2025): CLS-Trends at DHd [GitHub Repository], https:\/\/github.com\/SvenjaGuhr\/CLS-Trends_at_DHd<\/a>.<\/p>\n

Hatzel, Hans Ole, Haimo Stiemer, Chris Biemann, and Evelyn Gius (2023): \u201cMachine Learning in Computational Literary Studies\u201d, it-Information Technology. DOI: 10.1515\/itit-2023-0041<\/a>.<\/p>\n

Herrmann, Berenike, Daniel Kababgi, Marc Lemke, Nils Kellner, Ulrike Henny-Krahmer, Fotis Jannidis, Katrin Dennerlein, and Matthias Buschmeier (2025): \u201eLiteraturgeschichte \u201aunder Construction\u2018 \u2013 Was k\u00f6nnen die Computational Literary Studies beitragen? Ein Panel zur digitalen Untersuchung von Raum in der Literatur\u201c. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943254<\/a>.<\/p>\n

Jacke, Janina (2025): \u201cPlatinstandard-Annotation in der digitalen Literaturwissenschaft: Definition, Funktionen und diskursive Argumentvisualisierung als Best-Practice-Beispiel\u201d. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943180<\/a>.<\/p>\n

Ketschik, Nora (2025): \u201cNetzwerkanalysen Narrativer Texte – Ein Vorgehensmodell\u201d. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.15124132<\/a>.<\/p>\n

Mende, Jana-Katharina, Claudia Resch, Mareike Schumacher, Laura Untner, Imelda Rohrbacher, Elena Suarez Cronauer, Andrea Gruber und Frederike Neuber (2025): \u201cGender (under) Construction: Daten und Diversit\u00e4t im Kontext digitaler Literaturwissenschaft\u201d. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943036<\/a>.<\/p>\n

Pichler, Axel, Dominik Gerstorfer, Jonas Kuhn und Janis Pagel (2025): \u201cEmpirische Evaluation des Verhaltens von LLMs auf Basis sprachphilosophischer Theorien: Methode und Pilotannotationen\u201d. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943146<\/a>.<\/p>\n

Schr\u00f6ter, Julian (2025): \u201eZur Modellierung von Unsicherheit: Machine Learning und begriffliche Vagheit Am Beispiel der Novellen im 19. Jahrhundert\u201c. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943086<\/a>.<\/p>\n

SPP 2207 CLS (2020): Computational Literary Studies [Website], https:\/\/dfg-spp-cls.github.io<\/a>.<\/p>\n

Stiemer, Haimo, Hans Ole Hatzel, Chris Biemann und Evelyn Gius (2025): \u201ePause im Text. Zur Exploration semantisch konditionierter Sprechpausen in H\u00f6rb\u00fcchern\u201c. Book of Abstracts of DHd 2025, Zenodo. DOI: 10.5281\/zenodo.14943032<\/a>.<\/p>\n<\/figcaption><\/figure>\n<\/figcaption><\/figure>\n","protected":false},"excerpt":{"rendered":"

Die Computational Literary Studies (CLS) haben sich im vergangenen Jahrzehnt als ein dynamisches und zunehmend eigenst\u00e4ndiges Forschungsfeld innerhalb der Digital Humanities etabliert. Die DHd-Jahrestagungen fungieren dabei nicht nur als Forum f\u00fcr aktuelle Diskussionen, sondern auch als Schaufenster f\u00fcr langfristige Entwicklungen, methodische Innovationen und disziplin\u00e4re Herausforderungen. Etablierung der CLS in den Digital Humanities Wie Hatzel et […]<\/p>\n","protected":false},"author":160,"featured_media":22372,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1,103,11,23],"tags":[1778,1032,82,1777,1708,33],"class_list":["post-22316","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-allgemein","category-community","category-forschung","category-forschung-methode","tag-cls","tag-computational-literary-studies","tag-dhd","tag-dhd2014-25","tag-dhd2025","tag-digital-humanities"],"_links":{"self":[{"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/posts\/22316","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/users\/160"}],"replies":[{"embeddable":true,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=22316"}],"version-history":[{"count":38,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/posts\/22316\/revisions"}],"predecessor-version":[{"id":22393,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/posts\/22316\/revisions\/22393"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=\/wp\/v2\/media\/22372"}],"wp:attachment":[{"href":"https:\/\/dhd-blog.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=22316"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=22316"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dhd-blog.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=22316"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}