Corpus der Plenarprotokolle des Deutschen Bundestages (CPP-BT)

<h3>&Uuml;berblick</h3> <p>Das <strong>Corpus der Plenarprotokolle des Deutschen Bundestages (CPP-BT)</strong> ist einer der gr&ouml;&szlig;ten, frei verf&uuml;gbaren Datens&auml;tze von Plenarprotokollen des Deutschen Bundestages. Er ist eine Zusammenstellung aller Plenarprotokolle von der 1. Wahlperiode bis zur aktuellsten 21. Wahlperiode die im XML-Format auf dem <a href="https://www.bundestag.de/services/opendata">Open Data Portal</a> des Deutschen Bundestages und dem <a href="https://dip.bundestag.de/">Dokumentations- und Informationssystem f&uuml;r parlamentarische Materialien (DIP)</a> bis zum jeweiligen Stichtag ver&ouml;ffentlicht waren.</p> <p><em>Bitte beachten Sie das beiliegende Codebook!</em> Es enth&auml;lt wichtige Informationen zur korrekten Nutzung des Datensatzes. Es hilft auch bei der Entscheidung, welche Variante f&uuml;r Sie am besten geeignet ist. In der Regel empfehle ich f&uuml;r quantitative Forschung die CSV-Dateien und f&uuml;r traditionelle Forschung die TXT-Sammlung. Parquet-Dateien sind f&uuml;r Big Data-Anwendungen verf&uuml;gbar.</p> <p>Der CPP-BT ist der <strong>Zwillings-Korpus</strong> des<strong> </strong><a href="https://doi.org/10.5281/zenodo.4643065"><strong>Corpus der Drucksachen des Deutschen Bundestages (CDRS-BT)</strong></a><strong>.&nbsp;</strong> Durch die Verbindung beider Korpora k&ouml;nnen Sie Plenarprotokolle und Drucksachen &mdash; und damit alle Vorg&auml;nge des Bundestages &mdash; in einheitlichen Analysen untersuchen.</p> <p>&nbsp;</p> <h3>Aktualisierung</h3> <p>Dieser Datensatz wird mehrmals pro Wahlperiode aktualisiert. Benachrichtigungen &uuml;ber neue und aktualisierte Datens&auml;tze ver&ouml;ffentliche ich immer zeitnah auf Mastodon unter <a href="https://fediscience.org/@seanfobbe">@seanfobbe@fediscience.org</a></p> <p>&nbsp;</p> <h3>NEU in Version 2025-05-24</h3> <ul> <li>Vollst&auml;ndige Aktualisierung der Daten (bis einschlie&szlig;lich aktuellste Wahlperiode)</li> <li>Neukonzeptionierung des Datensatzes als deklarative {targets} Pipeline</li> <li><strong>Wichtige &Auml;nderung: </strong>Variable "nummer_original" zu "protokoll_nr" umbenannt</li> <li><strong>Wichtige &Auml;nderung:</strong> Variable "datum" zu "sitzung_datum" umbenannt</li> <li>Neues Feature: Alle Einzelreden des Bundestages in tabellarischem Format mit vielen neuen Metadaten verf&uuml;gbar (ab 18. Wahlperiode)</li> <li>Neues Feature: Datensatz im Parquet-Format verf&uuml;gbar</li> <li>Neues Feature: Zus&auml;tzlicher Bericht zur Qualit&auml;tskontrolle</li> <li>Inhaltiche Erweiterung und Verbesserung der TXT-Variante</li> <li>Viele zus&auml;tzliche Tests zur Qualit&auml;tspr&uuml;fung</li> <li>Pipeline ruft automatisch die tagesaktuell neuesten Bundestagsprotokolle ab (API Key notwendig)</li> <li>Pipeline speichert viele Checkpoints und kann jederzeit unterbrochen und fortgesetzt werden</li> <li>Delta Updates m&ouml;glich</li> <li>Grundlegende &Uuml;berarbeitung des Codebooks</li> </ul> <p>&nbsp;</p> <h3>Features</h3> <ul> <li>Insgesamt bis zu 35 Variablen in der CSV-Variante</li> <li>Plenarprotokolle von der 1. Wahlperiode bis zur neuesten Wahlperiode am Stichtag</li> <li>Aufteilung in Einzelreden&nbsp;u.a. mit ID, Name, Fraktion und Amt der Redner:in (ab 18. Wahlperiode)</li> <li>Aufteilung in Protokollbestandteile: Inhaltsverzeichnis, Sitzungsverlauf, Anlagen, Rednerliste (ab 18. Wahlperiode)</li> <li>Fortlaufende Aktualisierung (Datensatz kann zus&auml;tzlich via Pipeline t&auml;glich aktualisiert werden)</li> <li>Urheberrechtsfreiheit</li> <li>Offene und plattformunabh&auml;ngige Formate (PDF, TXT, CSV, XML, Parquet)</li> <li>Linguistische Kennzahlen</li> <li>Umfangreiches Codebook</li> <li>Compilation Report, um den Erstellungs-Prozess zu erl&auml;utern</li> <li>Dutzende Diagramme und Tabellen f&uuml;r alle Zwecke (im ZIP-Archiv 'ANALYSE')</li> <li>Diagramme liegen jeweils in einem f&uuml;r den Druck (PDF) und das Web (PNG) optimierten Format vor</li> <li>Tabellen sind im CSV-Format bereitgestellt und sind damit sowohl f&uuml;r Menschen als auch f&uuml;r Maschinen gut lesbar</li> <li>Kryptographische Signaturen</li> <li><a href="https://doi.org/10.5281/zenodo.4542661">Ver&ouml;ffentlichung des Source Codes</a></li> </ul> <h3>&nbsp;</h3> <h3>Eckdaten</h3> <p><em>Stichtag:</em> 24. Mai 2025</p> <p><em>Inhaltlicher Umfang</em>: 4566 Plenarprotokolle / ~362 Millionen Tokens</p> <p><em>Zeitlicher Umfang:</em> 1949 bis 2025</p> <p><em>Wahlperioden:</em> 1. bis 21. Wahlperiode</p> <p><em>Formate:</em><strong> </strong>CSV, TXT, XML und Parquet</p> <h3>&nbsp;</h3> <h3>Source Code und Compilation Report</h3> <p>Der gesamte Erstellungs-Prozess ist vollautomatisiert und detailliert dokumentiert. Mit jeder Kompilierung des vollst&auml;ndigen Datensatzes wird auch ein umfangreicher Compilation Report in einem attraktiv designten PDF-Format erstellt (&auml;hnlich dem Codebook). Zudem werden Qualit&auml;tskontrollen auf Vollst&auml;ndigkeit und Plausibilit&auml;t durchgef&uuml;hrt und in einem separaten Bericht dokumentiert.</p> <p>Der Compilation Report enth&auml;lt den Source Code f&uuml;r die Daten-Pipeline, dokumentiert relevante Rechenergebnisse, gibt sekundengenaue Zeitstempel an und ist mit einem klickbaren Inhaltsverzeichnis versehen. Wenn Sie sich f&uuml;r Details des Erstellungs-Prozesses interessieren, lesen Sie diesen bitte zuerst.</p> <p>Der vollst&auml;ndige <em>Source Code,</em> der <em>Compilation Report</em> und die <em>Robustness Checks</em> sind <em>&ouml;ffentlich einsehbar und dauerhaft erreichbar</em> im wissenschaftlichen Archiv des CERN unter diesem Link hinterlegt:&nbsp;<a href="https://doi.org/10.5281/zenodo.4542661">https://doi.org/10.5281/zenodo.4542661</a></p> <h3>&nbsp;</h3> <h3>Kryptographische Signaturen</h3> <p>Die Integrit&auml;t und Echtheit der einzelnen Archive des Datensatzes sind durch eine <em>Zwei-Phasen-Signatur</em> sichergestellt.</p> <p>In <em>Phase I</em> werden w&auml;hrend der Kompilierung f&uuml;r jedes ZIP-Archiv, das Codebook und die Robustness Checks Hash-Werte in zwei verschiedenen Verfahren (SHA2-256 und SHA3-512) berechnet und in einer CSV-Datei dokumentiert.</p> <p>In <em>Phase II</em> werden diese CSV-Datei und der Compilation Report mit meinem pers&ouml;nlichen geheimen GPG-Schl&uuml;ssel signiert. Dieses Verfahren stellt sicher, dass die Kompilierung von jedermann durchgef&uuml;hrt werden kann, insbesondere im Rahmen von Replikationen, die pers&ouml;nliche Gew&auml;hr f&uuml;r Ergebnisse aber dennoch vorhanden ist.</p> <p>Die w&auml;hrend der Kompilierung des Datensatzes erstellte CSV-Datei mit den Hash-Pr&uuml;fsummen ist mit meiner <em>pers&ouml;nlichen GPG-Signatur</em> versehen. Der mit dieser Version korrespondierende Public Key ist sowohl mit dem Datensatz als auch mit dem Source Code hinterlegt. Er hat folgende Kenndaten:</p> <p><em>Name:</em> Sean Fobbe (fobbe-data@posteo.de)</p> <p><em>Fingerabdruck:</em> FE6F B888 F0E5 656C 1D25 3B9A 50C4 1384 F44A 4E42</p> <h3>&nbsp;</h3> <h3>Kein Urheberrecht: Public Domain</h3> <p>An den Plenarprotokollen besteht gem. &sect; 5 Abs. 2 UrhG <em>kein </em>Urheberrecht, da sie amtliche Werke sind. &sect; 5 UrhG ist auf amtliche Datenbanken analog anzuwenden (BGH, Beschluss vom 28.09.2006 - I ZR 261/03, "S&auml;chsischer Ausschreibungsdienst"). Alle eigenen Beitr&auml;ge (z.B. durch Zusammenstellung und Anpassung der Metadaten) und damit den gesamten Datensatz stelle ich gem&auml;&szlig; einer <a href="https://creativecommons.org/publicdomain/zero/1.0/legalcode">CC0 1.0 Universal Public Domain License</a> vollst&auml;ndig urheberrechtsfrei.</p> <p>&nbsp;</p> <h3>Disclaimer</h3> <p>Dieser Datensatz ist eine private wissenschaftliche Initiative und steht in keiner Verbindung zum Deutschen Bundestag oder anderen amtlichen Stellen der Bundesrepublik Deutschland.</p> <p>&nbsp;</p> <h3>Alternativen</h3> <ul> <li>Blaette, A., &amp; Leonhardt, C. (2024). GermaParl Corpus of Plenary Protocols (v2.1.0) [Data set]. Zenodo. <a href="https://doi.org/10.5281/zenodo.12794676">https://doi.org/10.5281/zenodo.12794676</a></li> <li>Richter, F., Koch, P., Franke, O., Kraus, J., Kuruc, F., Thiem, A., H&ouml;gerl, J., Heine, S., &amp; Sch&ouml;ps, K. (2020). Open Discourse (Version V4) [dataset]. Harvard Dataverse. <a href="https://doi.org/doi:10.7910/DVN/FIKIBO">https://doi.org/doi:10.7910/DVN/FIKIBO</a></li> <li>Rauh, Christian; Schwalbach, 2020, "The ParlSpeech V2 data set: Full-text corpora of 6.3 million parliamentary speeches in the key legislative chambers of nine representative democracies", <a href="https://doi.org/10.7910/DVN/L4OAKN">https://doi.org/10.7910/DVN/L4OAKN</a>, Harvard Dataverse, V1</li> <li>Open Knowledge Foundation, "Offenes Parlament", <a href="https://offenesparlament.de/daten/">https://offenesparlament.de/daten/</a></li> </ul> <p>&nbsp;</p> <h3>Weitere Open Access Ver&ouml;ffentlichungen (Fobbe)</h3> <p>Website<em> </em>&mdash;<em> </em><a href="https://www.seanfobbe.de">www.seanfobbe.de</a></p> <p>Open Data&nbsp; &mdash;&nbsp; <a href="https://zenodo.org/communities/sean-fobbe-data/">zenodo.org/communities/sean-fobbe-data/</a></p> <p>Source Code&nbsp; &mdash;&nbsp; <a href="https://zenodo.org/communities/sean-fobbe-code/">zenodo.org/communities/sean-fobbe-code/</a></p> <p>Volltexte regul&auml;rer Publikationen&nbsp; &mdash;&nbsp; <a href="https://zenodo.org/communities/sean-fobbe-publications/">zenodo.org/communities/sean-fobbe-publications/</a></p> <p>&nbsp;</p> <h3>Kontakt</h3> <p>Fehler gefunden? Anregungen? Melden Sie diese entweder im Issue Tracker auf Codeberg oder kontaktieren Sie mich &uuml;ber <a href="https://www.seanfobbe.de">www.seanfobbe.de</a></p>