Plädoyer für eine transparente(digitale) Wissensproduktion
In einer Welt, in der Kategorien wie Wahrheit und Glaubwürdigkeit zunehmend umstritten sind, bedarf es Transparenz darüber, wie Wissen entsteht – auch in der Wissenschaft selbst. Die rasanten technologischen Entwicklungen der letzten Jahre haben einen Wandel hervorgerufen, der noch lange nicht umfassend verstanden werden konnte. Mensch und Maschine sind inzwischen fast unwiderrufbar miteinander verwoben und bedingen sich so bei der Wissensproduktion gegenseitig – ein Umstand, der nicht nur technische, sondern auch soziale, kulturelle und politische Implikationen hat. Daten, Algorithmen und Modelle erlangten in diesem Prozess zentrale Bedeutungen, ohne dass immer klar ist, wer sie formt, was sie aussagen und welche vorgängigen Entscheidungen in sie eingeschrieben sind.
Am 11. März 2026 war Prof.in Dr. Martina Heßler im Kolloquium des Arbeitsbereichs Digital History an der Universität Bielefeld mit einem Vortrag zum Thema „Nur ein Bug, kein Fehler? Überlegungen zur Geschichte technologischer Fehler und den Möglichkeiten einer Error Literacy“ zu Gast. Martina Heßler ist seit 2019 Professorin für Technikgeschichte an der TU Darmstadt und arbeitet unter anderem zu Technikemotionen, Technikanthropologie und aktuell zur Geschichte technologischer Fehler. Sie gab uns einen Einblick in ihre aktuellen Überlegungen zu Fehlern, Nichtwissen und dem verantwortungsvollen Umgang mit komplexen Systemen, die sich der menschlichen Evaluation zunehmend entziehen.
In den vergangenen Semestern haben sich die Mitglieder des Arbeitsbereichs Digital History aus unterschiedlichen Perspektiven mit den Herausforderungen und Potenzialen Künstlicher Intelligenz (KI) beschäftigt. Dabei standen nicht nur die Möglichkeiten generativer KI für Forschung und Lehre im Mittelpunkt, sondern auch grundlegende Fragen der Mensch-Maschine-Interaktion. Diskutiert wurden etwa die Rolle des „Human in the Loop“, die Bedeutung menschlicher Kontrolle und Bewertung in algorithmisch gestützten Arbeitsprozessen sowie die Frage, wie digitale Tools historische Erkenntnisprozesse verändern (können). Mit dem Kolloquiumsvortrag von Martina Heßler (TU Darmstadt) wurde diese Diskussion um eine weitere wertvolle Perspektive erweitert.
Werden Historiker*innen durch Künstliche Intelligenz (KI) ersetzt – oder eröffnen sich neue Möglichkeitsräume? Dr. Sebastian Kubon plädierte im Digital History-Kolloquium dafür, die Debatte um KI nicht nur als Verlustgeschichte zu erzählen, sondern Agency aktiv neu zu gestalten.
Während die Veranstaltungen und Diskussionen im akademischen Jahr 2024/25 innerhalb des Bielefelder Digital History-Teams vor allem die generellen Auswirkungen, Herausforderungen und Chancen Künstlicher Intelligenz (KI) in den Geschichtswissenschaften fokussierten, eröffnete Dr. Sebastian Kubon im ersten Digital History-Kolloquium des Jahres 2026 eine weitere Sichtweise auf den Umgang mit KI: nämlich die der Agency beim Umgang mit KI in der geschichtswissenschaftlichen Forschung. Dabei fragte er unter anderem: Welche Positionen, Haltungen und Arbeitsweisen müssen Historiker*innen durch KI überdenken? Wie erhalten sich die Forschenden ihre Handlungsoptionen und können angemessen reagieren? Und generiert KI nicht durch die Mensch-Maschine-Interaktion ungeahnte Expansionsmöglichkeiten, die nicht ignoriert, sondern reflektiert genutzt werden sollten?
Vom 18. bis 20. Februar 2026 kamen 26 Forschende aus 16 Ländern im Schloss Herrenhausen in Hannover zusammen. Vorträge gab es keine. Stattdessen wechselten sich Plenarsitzungen, vier thematische Arbeitsgruppen, World-Café-Runden, Posterpräsentationen und gemeinsames Schreiben ab. Das Ziel war nicht bloß ein Austausch über die eigene Forschung, sondern ein kollektives Positionspapier. Am Ende des zweiten Tages schrieb die Gruppe bereits gemeinsam.
„Charting New Territory: Digital Humanities and AI in African Studies“ war ein Scoping Workshop, gefördert von der VolkswagenStiftung und organisiert von Frédérick Madore (Universität Bayreuth) und Vincent Hiribarren (King’s College London). Unter den Teilnehmenden waren Linguist*innen, Literaturwissenschaftler*innen, Historiker*innen, Kunsthistoriker*innen, Ethnolog*innen, Archivar*innen, Expert*innen für KI-Governance, Islamwissenschaftler*innen und Digital-Humanities-Praktizierende, die auf dem afrikanischen Kontinent, in Europa und Nordamerika arbeiten.
Wie gelingt gutes Projektmanagement in der Forschungssoftwareentwicklung – insbesondere in kleinen, interdisziplinären Teams? Vom 04. bis 05. Dezember waren wir – Patrick Jentsch (Technischer Koordinator der Fakultät für Geschichtswissenschaft, Philosophie und Theologie und Research Software Engineer im Arbeitsbereich Digital History) und ich, Inga Kirschnick (wissenschaftliche Mitarbeiterin an der Universität Bielefeld: Research Software Engineer im Teilprojekt INF des SFB 1288 und dem Arbeitsbereich Digital History) – zu Gast beim zweiten Research Software Engineer Workshop an der TU Darmstadt und haben Ansätze in der Softwareentwicklung in den Digital Humanities verglichen und gemeinsame Herausforderungen sichtbar gemacht. Der Titel <rse-workshop version=”2″/> verdeutlicht unser Vorhaben: eine nahtlose Fortsetzung unseres produktiven Treffens im April 2025.
Der Workshop wurde vom Fachgebiet Digital Philology, Neuere deutsche Literaturwissenschaft an der Technischen Universität Darmstadt (Prof. Dr. Evelyn Gius) ausgerichtet und von Malte Meister (Technischer Mitarbeiter an der Technischen Universität Darmstadt: Research Software Engineer bei Prof. Dr. Evelyn Gius) organisiert. Vielen Dank für euer Engagement! Wir haben uns sehr wohl gefühlt.
Malte Meister, Patrick Jentsch, Inga Kirschnick und Jonas Widmer (v. l. n. r.), Foto: Mari Akazawa
Insgesamt haben vier Research Software Engineers (RSEs) aus Darmstadt, Bern und Bielefeld teilgenommen: Malte Meister, Jonas Widmer, Patrick Jentsch und ich, Inga Kirschnick.
Auch dieses Mal hat der Workshop Raum für inhaltlichen Austausch und technische Diskussionen, für Erfahrungsberichte aus der täglichen Arbeit sowie bereichernde persönliche Gespräche bei einem Getränk auf dem Darmstädter Weihnachtsmarkt geboten. Überraschend war vor allem, wie ähnlich die Probleme in ganz unterschiedlichen Projekten sind – und wie verwandt unsere Umgangsstrategien und Wünsche.
Was passiert, wenn Digital History auf Human-Centered AI trifft? Historiker*innen und KI-Forschende haben im Rahmen eines Austauschtreffens über die Chancen und Grenzen digitaler Methoden, Mensch-Maschine-Interaktion und algorithmische Entscheidungen diskutiert. Die Gespräche eröffneten unerwartete Perspektiven und erörterten Fragen, die das Verhältnis von Mensch und Maschine für die Beteiligten in ein neues Licht rückten.
Das Treffen am 11. November 2025 im CITEC der Universität Bielefeld bot der AG Digital History einen Rahmen für den interdisziplinären Austausch mit der Forschungsgruppe Human-Centered Artificial Intelligence unter Leitung von Hanna Drimalla. Im Mittelpunkt standen Schnittstellen, methodische Herausforderungen und Erfahrungen im Einsatz KI-basierter Verfahren. Damit schloss der inhaltliche Austausch an die vorausgehende Auseinandersetzung mit Künstlicher Intelligenz in der Digital History an und fokussierte zugleich aktuelle Fragen der Human-Machine-Interaction.
Dieser Blogpost ist die stark gekürzte Fassung eines Essays, der zuletzt als CeUS Working Paper beim Center for Uncertainty Studies (CeUS) der Universität Bielefeld veröffentlicht worden ist.1 Alle Referenzen zu den im vorliegenden Text aufgeführten Informationen sind im Working Paper aufgeführt.
Technologischer Wandel führt zu Reaktionen der Selbstvergewisserung
Was bedeutet es, dass ChatGPT und Co. inzwischen Teil akademischer Forschungspraxis geworden sind und oft sogar für das Schreiben von Fachtexten eingebunden werden? Etwas Grundlegendes hat sich verschoben, denn zwischen Tastatur und Gehirn gibt es plötzlich eine weitere Instanz, die zwar von Menschen instruiert wird, aber dennoch mit einer relativen ‚Eigenständigkeit‘ Sätze vorschlägt, Argumente glättet, Ideen anbietet oder Analyseergebnisse liefert. Diese Entwicklung – egal wie man zu ihr steht – zwingt uns, über unser tradiertes und zukünftiges Verständnis von Autor:innenschaft, Kreativität und Innovationsverantwortlichkeit in der wissenschaflichen Praxis nachzudenken. Wo genau endet Unterstützung durch Technologie und wo beginnt Delegation an die Technologie? Große Sprachmodelle (LLMs), die auch den bekannten KI-Chatbots zugrunde liegen, können selbstverständlich nicht als verantwortlich gelten für generierte Inhalte; aber welche genauen Rollen wir ihnen und uns in Zukunft anvertrauen wollen, ist Gegenstand einer lebendigen Diskussion geworden.
Vor wenigen Jahren war Handwritten Text Recognition (HTR) noch ein Nischenthema in der digitalen Geschichtswissenschaft. Inzwischen gehört sie zum methodischen Repertoire vieler Projekte und das nicht nur, weil sie die ressourcenintensive Arbeit des Transkribierens erleichtert, sondern auch, weil sie neue Perspektiven und Zugänge zu historischen Quellen eröffnet. Der zunehmende Einsatz von KI-gestützter Texterkennung verändert, wie Forschende auf digitalisierte Bestände blicken, und stellt auch Fragen danach, welche Rolle technische Infrastrukturen und Tools in historischen Arbeitsprozessen spielen sollten. Im Zentrum der gegenwärtigen HTR-Landschaft stehen insbesondere zwei Plattformen, die sich in den letzten Jahren als dominante Eckpfeiler der Gemeinschaft etablierten: Transkribus und eScriptorium. Beide verfolgen das gleiche Ziel und bieten ähnliche Werkzeuge dazu, unterscheiden sich aber grundlegend von ihrem Aufbau bis in die zugrunde liegenden Modellarchitekturen. Diese Unterschiede sind prägend dafür, wie Projekte in der Digital History mit maschineller Transkription arbeiten können und nicht zuletzt auch wie sie ihre Daten verstehen und deuten können.
Transkribus
Transkribus, welches ursprünglich an der Universität Innsbruck entwickelt wurde und heute vom Unternehmen READ-Coop betrieben wird, bietet eine vollständig integrierte, webbasierte Umgebung. Modelltraining, Layoutanalyse und Transkription sowie Daten- und Gemeinschaftsmanagement sind in einem einzigen Hub vereint. Für viele Forschende erleichtert dieser Ansatz den Einstieg erheblich, denn die Oberfläche ist zumeist intuitiv, zahlreiche Basismodelle stehen zur Verfügung und die Plattform übernimmt die gesamte Verwaltung der Infrastruktur von der Datenhaltung bis zur Verarbeitung. Besonders bei modernen Handschriften liefert Transkribus stabile Ergebnisse und vor allem die deutschen Modelle überzeugen mit ihrer Qualität. Das zugrunde liegende Modellformat PyLaia ist bewährt und effizient, mittlerweile aber etwas veraltet und stößt bei komplexeren Schrifttypen und heterogenen Datensätzen an seine Grenzen. Hinzu kommt, dass der Service ausschließlich über die Server der READ-Coop betrieben werden kann, was zwar Speicherplatz spart und den technischen Aufwand der Nutzenden reduziert, aber Fragen zum Datenschutz und zur langfristigen Verfügbarkeit aufwirft. Das Preismodell, das auf einem Credit- und einem Premium-Account-System basiert, hat sich in den letzten Jahren deutlich ausgeweitet, sodass einige Kernfunktionen wie etwa der Export in verschiedenen Formaten oder das Verwenden größerer Modelle zusätzliche Kosten verursachen. Für kleinere oder öffentlich finanzierte Projekte kann all dies zu spürbaren Hürden werden.
eScriptorium hingegen, welches an der Université PSL entwickelt und weiterhin angepasst wird, verfolgt einen anderen Ansatz. Die Plattform ist vollständig Open Source und verwendet mit Kraken eine leistungsfähigere Modellarchitektur, die besonders für komplexe Layouts und weniger stark strukturierte Datensätze wie bei vormodernen Texten geeignet ist. Im Gegensatz zu Transkribus ist eScriptorium dezentral organisiert, so kann die Software auf eigenen Servern laufen oder auch lokal betrieben werden, wodurch Projekte die volle Kontrolle über ihre Datenspeicherung und -nutzung behalten. Diese Offenheit bedeutet leider, dass die Einrichtung des Services technisches Wissen erfordert, wenn man sich und sein Projekt nicht an bestehende Instanzen angliedern möchte, denn eine funktionierende Instanz muss installiert, konfiguriert und konstant gewartet werden. Dies ist insbesondere wichtig, da eScriptorium noch in der Entwicklung ist und deswegen Probleme und Bugs auftreten können, welche die Arbeitsprozesse behindern. Die Gemeinschaft rund um eScriptorium ist sehr aktiv, wenn auch über verschiedene Plattformen verteilt, auf denen Modelle und Datensätze geteilt werden. Besonders relevant sind HuggingFace für die Bereitstellung von Modellen und HTR-United für die Sammlung und Dokumentation von Datensätzen.
In der praktischen Arbeit überzeugt eScriptorium vor allem dann, wenn Projekte langfristig und forschungsnah mit HTR arbeiten wollen. Gleichzeitig bringt die dezentrale Struktur aber auch immer Herausforderungen mit sich, etwa in der Stabilität einzelner Versionen, der Zugänglichkeit der Dokumentation oder dem Austausch mit anderen Forschenden. Beide Plattformen unterstützen derzeit noch nicht das neue TrOCR-Format, das auf Transformer-Architekturen basiert und in Tests besonders hohe Genauigkeit zeigt. Eine Integration dieses Formats in eScriptorium wird allerdings im Rahmen des FLOW-Projekts, das sich in Lübeck, Bern und Bielefeld mit flexiblen, nachhaltigen Workflows in der Digital History beschäftigt, geplant. Die bald mögliche Integration zeigt zugleich, dass sich der Bereich der HTR konstant und rasant entwickelt, aber auch, wie wichtig offene Strukturen für bestimmte Entwicklungen und Anpassungen in ihm sind.
HTR als epistemisches Instrument
Welche Plattform sich für ein konkretes Projekt eignet, hängt schlussendlich stark von den Zielsetzungen und Rahmenbedingungen ab. Transkribus bietet eine niedrigschwellige, zentrale Lösung, die sich besonders für Personen, die neu in das Thema einsteigen, und Projekte eignet, die von den großen Communities der Plattform profitieren können. eScriptorium hingegen ist komplexer, aber bietet langfristig mehr Kontrolle, Nachvollziehbarkeit und Anschlussfähigkeit. Die Wahl zwischen beiden Systemen ist damit nicht nur eine technische, sondern auch eine methodische Entscheidung. Sie betrifft die Frage, ob ein Projekt eher auf Komfort und Stabilität setzt oder auf langfristige Nachnutzbarkeit und Anpassbarkeit.
Schon alleine die Entscheidung, KI-gestützte HTR-Systeme zu verwenden, hat Folgen für den gesamten Forschungsprozess. HTR verändert, wie Forschende historische Quellen lesen und verstehen. Statt jedes Wort einzeln zu entziffern und in seinem Kontext zu bewerten, prüfen sie maschinell erzeugte Vorschläge auf ihre Fehler, wobei die tiefere Ebene des Textverständnisses verloren gehen kann. Der Umgang mit Quellen wird damit zugleich fehleranfälliger, algorithmischer und interpretativer. Entscheidungen darüber, welche Modelle wie trainiert werden, welche Datensätze genutzt und welche Plattformen gewählt werden, beeinflussen unmittelbar, welche Texte wo und wie sichtbar gemacht werden und welche nicht. In diesem Sinne ist HTR mehr als ein Werkzeug, sie ist ein epistemisches Instrument, das technische, methodische und historische Dimensionen miteinander verknüpft. Die Entscheidung zwischen Transkribus und eScriptorium ist daher auch eine Wahl zwischen unterschiedlichen Vorstellungen digitaler Forschung in unserem sich durch KI verändernden Verständnis der Geschichtswissenschaft. Beide Plattformen zeigen, dass KI nicht nur neue Werkzeuge für die Forschung bereithält, sondern auch neue Fragen aufwirft, denen wir uns nun stellen müssen.
Künstliche Intelligenz (KI) ist gegenwärtig in aller Munde, ihr Einsatz findet im breiten gesellschaftlichen Diskurs gleichermaßen Anhänger*innen wie Gegner*innen. Letztere zeichnen in ihren Voraussagen über die Entwicklung und Verwendung von KI-Systemen utopische Szenarien von einer ‚übermächtigen Intelligenz‘, die Menschen wie auch Maschinen steuern könne. Aktive Handlungsmöglichkeiten menschlicher Akteur*innen fallen in diesen vereinfachten Vorstellungen jedoch vollkommen aus dem Raster. Dass KI transformiert, ist sicherlich Konsens. Aber was genau verändert sich mit der Verwendung von KI-Systemen? Welche Erwartungen sind damit verknüpft? Wie verschieben sich dabei die Rollen von Forscher*innen und das Selbstverständnis von historisch arbeitenden Disziplinen?
Grund genug für die Mitglieder unseres Arbeitsbereichs im Rahmen des vierten Digital History-Projekttags zu „KI und Geschichtswissenschaft“ am 25.06.2025 genau an die Scharnierstellen ranzuzoomen, an denen Digital Historians mit KI arbeiten und ‚interagieren‘. Hierzu gaben Melvin Wilde und Sophie Spliethoff zwei Impulse.
Melvin Wilde startete mit einem Impuls zum „Deep-Learning bei HTR und Annotationen“. Am Beispiel des FLOW Projekts zeigte er auf, dass die historische Handschriftenerkennung, Annotation und NER-Verfahren durch KI kostenärmer, weil auch zeiteffizienter ist. Die Transkription werde durch den Einsatz von KI deutlich beschleunigt und die Datenaufbereitung durch die automatisierte Zeichenerkennung und Transformation in andere digitale Dateiformate erleichtert. Chat-Interfaces schwächten die Bedeutung von Programmierskills, während Methoden und Datensätze leichter aufgespürt werden könnten, was den Einsatz von KI zu einem demokratisierenden Element von Wissen und Wissensaufbereitung mache. Gleichwohl leidet das explorative Lernen, so Melvin Wilde: Denn so erlesen die Chat-Interfaces einerseits seien, so sehr entfernten sich Digital Historians andererseits von einer direkten Interaktion mit Quellenmaterialien. Die Sorge, sich zu sehr auf die KI-Systeme zu verlassen, stehe dem ebenso entgegen wie die Reproduktion von Bias‘. Was sich daran aufzeigen lässt, ist, dass die neugewonnene Datenverarbeitung zu anderen Möglichkeiten der Quantifizierbarkeit von Daten führt. Ihre Effizienz hinsichtlich Kosten und Zeit hingegen bedarf deshalb umso mehr einer Neubewertung in den digitalen Geisteswissenschaften.
Ein anderes Forschungsbeispiel lieferte Sophie Spliethoff mit einem Impuls zur „Korpusexploration mithilfe von Word Embeddings – A work in Progress“ aus dem SAIL Projekt. Um sich der Frage, inwiefern in vormodernen Reformationsschriften durch den Buchdruck neu aufkommenden Medienformate hinsichtlich ihrer Nutzung reflektiert wurden, automatisiert anzunähern, arbeitete sie jüngst mit Word Embeddings (d. h. der Vektorisierung von Wörtern). Nach einer Explorationsphase unterschiedlicher Modelle, händischen Word Stemmings (d. h. der Zurückführung von Wörtern auf ihren morphologischen Stamm) und darauf aufbauenden computerisierten Visualisierungen zeigte sie auf, dass bereits eine Verbindung zwischen Genres und spezifischen Ausdrucksweisen besteht. Außerdem wurde das Zusammenspiel aus künstlicher und menschlicher Intelligenz bei der Datenverarbeitung und ihrer Modellierung deutlich: Aufgrund der nicht-standardisierten vormodernen Schreibweisen und Textunreinheiten in den transkribierten Quellen verzichtete sie auf ein computerisiertes Stemming, da bestehende Stemmer zu unsauberen Ergebnissen führten. Zwar bestätigte das nicht-computerisierte Word Stemming den Verdacht eines höheren (Zeit-)Aufwands, allerdings führte dies auch zu einer intensiveren Auseinandersetzung mit dem Material und der spezifischen Semantik der Genretexte auf Forscher*innenseite. Die Performanz des Word Stemmings baut folglich die Brücke zwischen dem, was vorher vielleicht bloß ‚ein Gefühl‘ über den Text war, und den vermeintlich ‚fertigen‘ Ergebnissen von KI-Systemen. Eine solche Arbeitsteilung, wie Sophie Spliethoff sie präsentierte, ermöglicht ein besseres Verständnis des Untersuchungsmaterials und macht die Prozesse der Mensch-Maschine-Interaktion transparent(er). Darüber hinaus lassen sich auf diese Weise geschichtswissenschaftliche Überlegungen und Hypothesen bereits unmittelbar in den verschiedenen Stadien der Modellierung überprüfen. Eine weitere Erkenntnis ist, dass die KI nicht zwangsläufig bessere Ergebnisse prodzuziert.
Angesichts des enormen Potentials von KI-Systemen für die Geschichtswissenschaft und der eigenen Praxiserfahrungen unserer Mitarbeiter*innen finden sich unmittelbare Anknüpfungspunkte, die in einer Reflexion der Techniken geschichtswissenschaftlichen Arbeitens münden. Die Impulsvorträge von Melvin Wilde und Sophie Spliethoff eint, dass KI-Systeme angesichts der Erwartungen, die an sie gerichtet werden, in ihrer Leistungsfähigkeit überschätzt werden: Sowohl in Hinsicht auf die Erkennung von Berufen oder Nobilitäten in mittelalterlichen Gerichtstexten als auch von frühneuzeitlichen Genreunterscheidungen können auch Double Checks der Ergebnisse durch einen zweiten Durchlauf von KI-Systemen keine guten Ergebnisse hervorbringen. Die Überprüfung und Nachbesserung durch Digital Historians ist und bleibt unerlässlich. Durch veränderte Repräsentationsformen der historischen Quellen verändert sich zwar der Zugang zum Material und die Auseinandersetzung mit ihrer digitalen Entsprechung. Gleichzeitig findet aber auch eine Intensivierung innerhalb der verschiedenen Arbeitseinheiten, zu verschiedenen Zeitpunkten oder mit seinen digitalen Entsprechungen statt. Welche Folgen haben dann jedoch forschungsorientierte Einsätze von KI-Systemen?
Erstens ist zu klären, mit welchen Fragestellungen, Zielen und Nutzen das KI-System in die eigene Forschungsarbeit einbezogen wird: Was soll die computerisierte Methode leisten, was andere Methoden nicht können? Wie verhält sich der Einsatz von KI zu anderen Methoden in der ‚traditionellen Geschichtswissenschaft‘? Bieten KI-Systeme lediglich eine Zeitersparnis, sodass Arbeitszeit effektiver genutzt werden kann, oder liefert ihr Einsatz heuristischen Mehrwert?
Zweitens ist zu prüfen, inwiefern das Forschungsziel das Training neuer Modelle erfordert oder ob bereits bestehende Modelle nachgenutzt werden können. Wie kann das Post-Processing hinsichtlich bestehender und trainierter Modelle eingebunden werden? Wie können digitale Ressourcen nachhaltig und sparsam eingesetzt werden? Handelt es sich im Projekt, um ein empirisches Projekt oder ein Infrastrukturprojekt mit gänzlich anderer Mission?
Drittens lässt sich dafür plädieren, dass Digital Historians als kritische Stimme gegenüber KI-Systemen und Modellen der Generalisierbarkeit und Effizienzlogik auftreten. Denn es braucht jene, die solche digitalen Methoden kritisieren, reflektieren und einordnen; das sind Kernkompetenzen von Historiker*innen, die sich über das Historische auf das Digitale weiterziehen lassen. Insofern schließt sich die Frage an, welche Kompetenzen von Digital Historians mitgebracht und welche forschungsfördernden Methoden (für den Umgang mit KI) zusätzlich erarbeitet werden sollten, um Kritikfähigkeit zu erreichen.
Das implizite Versprechen einer KI als, lapidar gesprochen, ‚eierlegende Wollmilchsau‘ der Digital History wird gegenwärtig nicht eingelöst. Vielmehr bringt die Reflexion über ihre Verwendung und die Rückkopplung an wissenschaftliche Fragestellungen Digital Historians zurück zu den Wurzeln ihrer Kompetenz. Historische Quellen werden zwar zunehmend multimodal, Prinzipien der hermeneutischen Praktiken der Wissensgenerierung bleiben jedoch bedeutsam und werden insbesondere vor dem Hintergrundrauschen von KI-Versprechen umso wichtiger.
Am 7. Mai 2025 fand der dritte Projekttag des Arbeitsbereichs Digital History zu „Künstliche Intelligenz (KI) und Geschichtswissenschaft“ an der Universität Bielefeld statt und widmete sich gleich zwei Themen: Zunächst hielt Nora Probst vom Institut für Medienkultur und Theater der Universität zu Köln einen Vortrag zum Thema „KI in Theaterarchiven? Maschinelles Lernen in den Theater- und Tanzwissenschaften“. Anschließend sprach Silke Schwandt über die Möglichkeiten, Personen in historischen Texten mittels KI zu identifizieren.
„KI in Theaterarchiven? Maschinelles Lernen in den Theater- und Tanzwissenschaften“
Nach einer kurzen Vorstellung sprach Nora Probst zunächst generell über ihre Forschung und stellte dabei Anwendungsverfahren von Computervisionserfahrungen vor, welche automatisierte Personen-, Gesichts- und Bilderkennung beinhalten. Hierbei betonte sie die kritische Auseinandersetzung mit Technologien und ging auf maschinelles Lernen in den Theaterwissenschaften ein. Sie merkte an, dass die systematische Nutzung von KI in den Theaterwissenschaften noch nicht umfangreich stattfinde, es aber mittlerweile vermehrt Fallbeispiele für ihren Einsatz gebe. Anschließend stellte sie die Theaterwissenschaftliche Sammlung der Universität zu Köln vor. Die inhaltlichen Schwerpunkte ihres Vortrags lagen unter anderem auf dem Theater, seiner Dokumentation und Archivierung sowie verschiedenen Anwendungsgebieten von KI in den Theaterwissenschaften, Methoden der Erschließung von Bildern und audiovisuellen Daten.
Was ist Theater?
Einleitend erklärte Nora Probst das Theater sowohl als Schauplatz, als auch als das, was auf dem Schauplatz geschehe, und führte dazu verschiedene Auffassungen von Theater vor. Essenziell erscheint die Formel A impersonates B while C looks on (Eric Bentley),auf die sich Theateraufführungen herunterbrechen ließen. Dabei betonte sie den Fiktionalitätsvertrag zwischen Spielerinnen und Zuschauerinnen, der jedoch aus künstlerischen Gründen immer wieder verwischt und hinterfragt werde, was zur Metaphorisierung der Bühne führe. Ergänzend dazu ging sie noch auf den Einsatz von Kameras und ähnlichen Aufnahmegeräten im Alltag ein, die potenziell jeden (öffentlichen) Ort zu einer Bühne umfunktionieren können und damit alle Menschen zu Akteur*innen einer imaginativen „Theateraufführung“ machen, die eine Rolle in dieser „Aufführung“ spielen oder zumindest ihre Handlungsweisen unter Beobachtung eines imaginären Publikums verändern.
Als nächstes kam Nora Probst auf die Archivierung von Theater zu sprechen. Hier zeigte sie zunächst auf, wie die Theaterwissenschaftliche Sammlung in Köln aufgebaut ist und welche Bestände sie beinhaltet. In der Sammlung lassen sich beispielsweise Regieanweisungen, Requisiten, Fotografien und audiovisuelle Dokumentationen sowie Briefe und Tagebücher finden – vornehmlich Bild- und Textmaterial zum europäischen Theater vom 16. Jahrhundert bis zur Gegenwart. Besonderes Interesse habe sie selbst an dem Netzwerk aus materiellen und immateriellen Sammlungsgegenständen. Das Augenmerk der Sammlung liege jedoch vor allem auf den Theateraufführungen und ihrer Dokumentation. In diesem Zusammenhang verwies Nora Probst darauf, dass sich theatrale Phänomene aufgrund ihrer Flüchtigkeit kaum sammeln ließen. Diese Leerstelle werde in der Regel durch theatrale Artefakte ersetzt bzw. aufgefüllt, um zumindest ein grobes Verständnis der theatralen Phänomene für die Nachwelt aufrechtzuerhalten. Mit Blick auf die Sammlung sei vor allem die Menge der Born-Digital Objekte, also der Objekte, die in digitaler Form erstellt werden und daher von Anfang an digital vorliegen, also nicht digitalisiert bzw. von einer analogen in eine digitale Form überführt werden müssen, in den letzten Jahren enorm gestiegen. Diesen Anstieg veranschaulichte sie unter anderem mit dem Erwerb einer Sammlung von zahlreichen digitalen Theaterfotografien von Wolfgang Weimer, der sie zum dritten Punkt ihres Vortrags brachte.
Methoden und Herausforderungen der Bilderschließung – Sortieren, Erschließen und Erkennen
In diesem Teil des Vortrags widmete sich Nora Probst ausführlich den Methoden und verschiedensten Herausforderungen der Bilderschließung. So stellte sie exemplarisch den Linked Stage Graph vor: Diese Methode, die 2019 während eines Hackathons entstand1, ermögliche eine gute Vergleichbarkeit unterschiedlicher Bühnenbilder anhand bestimmter Unterscheidungsmerkmale wie der Gestaltung oder Farbgebung der Bühnenbilder und fungiere als Schnittstelle zwischen Subjekt und Objekt. Mithilfe eines TSMI-Algorithmus ließen sich ähnliche Bilder gruppieren und gemeinsam analysieren, was ebenfalls ein Anliegen der danach vorgestellten Exire Fotosoftware sei. Dieses freie Tool helfe bei der Verschlagwortung von Bildern, allerdings ohne Preprocessing und ohne Serververbindungen, also lediglich mit der Rechenleistung des eigenen Computers. Darüber hinaus seien bei der Software noch einige andere Probleme zu beobachten: so sei der Algorithmus sehr unsicher bei der Bewertung von historischen schwarz-weiß Aufnahmen sowie bei hohen Kontrasten in den Bildern. Außerdem machen ihm theatrale Darstellungen Schwierigkeiten, in denen beispielsweise mit Masken oder Verkleidungen gearbeitet werde. Außerdem basiere das Programm auf einer binären Geschlechtererkennung, was neben der problematischen Grundannahme einer binären Geschlechterordnung auch zu Herausforderungen im Kontext von Crossdressing im Theaterkontext, also der Darstellung einer Bühnenrolle durch eine Person anderen Geschlechts, führe. Neben all diesen Unzulänglichkeiten seien übliche Probleme mit KI-basiertem Erkennen zu beobachten, das bei Unsicherheiten lieber rate, was sichtbar sein könne, anstatt es als „unsicher“ zu taggen oder auszulassen. So erkenne das Programm zum Beispiels eine Wassermelone, wo ein Schädel in Fotografien von Theateraufführungen von Shakespeares Hamlet zu sehen sei.
Neben den Fotografien werden in der Theaterwissenschaftlichen Sammlung der Universität zu Köln audiovisuelle Aufnahmen von Aufführungen und Proben archiviert. Diese lägen allerdings zum größten Teil als nicht digitalisierten VHS-Aufnahmen vor, was – so Nora Probst – eine erste große Hürde bei der Erschließung der Sammlung darstelle. Jedoch könne auch hier KI einen entscheidenden Fortschritt bringen und dabei helfen, die Aufnahmen zu annotieren und klassifizieren, um zeitliche Ressourcen effizient einzusetzen. Als Beispiel für solche Anwendungen führte Nora Probst das VIVA-Projekt (Visual Information Retrieval in Video Archives)2 vom deutschen Rundfunkarchiv, der Philipps-Universität Marburg und der Technischen Informationsbibliothek der Leibniz Universität Hannover an. In diesem Projekt wurde KI verwendet, um die filmischen Aufnahmen des Fernseh- und Filmarchivs zu sortieren und verschlagworten. Die Tanzforschung habe sich ebenfalls bereits mit KI-unterstützter Analyse von Tanzposen beschäftigt und diese auf Ähnlichkeiten untersucht. Es scheint auf diesem Gebiet also viel experimentiert zu werden, um (zeitlich) kaum leistbare händische Arbeit zu ersetzen.
Ausblick
Als letztes reflektierte Nora Probst darüber, wie KI im Archiv effizienter eingesetzt werden kann. Deep Learning Modelle könnten eine Option sein, wobei gegenüber diesen eine kritische Auseinandersetzung sinnvoll und notwendig sei. Ground Truth sei trotz des Namens nicht zu 100% zu vertrauen, auch daran arbeiten in der Regel nur Menschen und diese machen Fehler. Sie nannte es in Referenz auf einen Videoessay von Tessa Gengnagel (Universität zu Köln) „The Broken Record of Everything“3 , was sowohl auf den fragilen Zustand von Daten als auch auf die Lücken, die es in einer Archivierung zwangsläufig geben müsse, rekurriere. Somit würden – und effektiv werden – mit nicht-perfekten Daten Modelle trainiert, die dann weitere Daten bearbeiten und so zu noch größeren Lücken führen. Bei der anschließenden, gemeinsamen Diskussion wurden die Standardisierung und Normierung der Informationsaufnahme durch die KI erörtert, bei der die Notwendigkeit dieser Arbeitsschritte reflektiert und hervorgehoben wurde, um Vergleichbarkeit zu schaffen. Dabei wurde betont, dass Prozesse der Kategorisierung verschiedenen Schwierigkeiten unterliegen und man dazu neige, schwierige Kategorien nicht in Betracht zu ziehen, um Ergebnisse nicht durch Zeitmangel zu gefährden. Als Fazit der Diskussion über die grundsätzliche Anwendung von KI wurde festgehalten, dass uns die KI gewissermaßen den Spiegel vorhalte: nämlich unsere Forschung und Arbeit durch eben die Kategorien kritisch zu betrachten, die wir selbst an sie anlegen.
Digitale Methoden zur Named Entity Recognition und Personenidentifikation in englischen Gerichtsprotokollen
Der zweite Vortrag dieses Projekttags basiert auf der Bachelorarbeit von Dana Meyer und zum Teil auf der Dissertation von Silke Schwandt, die den Vortrag auch selbst hielt. Zunächst stellte sie einleitend das der Bachelorarbeit von Dana Meyer zu Grunde liegende FLOW-Projekt vor, dessen Mitglieder sich dem Aufbau von Workflows in den Digitalen Geschichtswissenschaften anhand der Erschließung marginalisierter Handschriften widmen.4 Im Rahmen des Projekts werden angepasste Variationen des BeNASch Annotationsschemas5 verwendet, das einen eigenen Standard in der Annotation von Personen, Organisationen und anderen Entitäten erstellt hat. Silke Schwandt stellte den Workflow der Named Entity Recognition vor, auf dem die Arbeit aufbaut. Dafür wurden zunächst verknüpfte historische Dokumente aus englischen Gerichtsprozessen im Mittelalter gesammelt und mithilfe von Large Language Models (LLMs) verarbeitet, wobei Entitäten und die Beziehungen dieser Entitäten zueinander extrahiert wurden. Anschließend wurden die strukturierten Daten für das LLM in ein JSON-Format gebracht.
Entscheidend sei hier, dass dieser Workflow die Arbeit eines Menschen nicht obsolet mache, sondern als eine Art Anwendung fungiere und anzusehen sei, die zwangsläufig menschlichen Input benötige. Im Speziellen bei der Korpuserstellung sei das menschliche Eingreifen unerlässlich: Hierbei ist beispielsweise die Auswahl der Fälle entscheidend, in denen genügend Informationen über Personen, Orte und Entscheidungen zu finden sein müssen. In ihrer Arbeit hatte Dana Meyer dafür 100 Fälle aus der Berkshire Eyre ausgewählt. Eyres waren eine spezifische Form von Gerichtsprozessen, bei denen Richter im mittelalterlichen England durch das Land gereist sind, um vor Ort das königliche Recht geltend zu machen. Nach der Auswahl der Fälle sei die Auswahl der Prompts entscheidend: Hier müsse festgelegt werden, wie sinnvolle Prompts an das LLM auszusehen haben, um möglichst gut die Personen ‚finden‘ zu können. In diesem Zusammenhang wurde das Basic Prompting mit dem Chain of Thought-Prompting verglichen. Als letzter Punkt sei die Evaluation der Ergebnisse selbstverständlich unerlässlich. So müssen zunächst mögliche Fehler miteinbezogen werden, typischerweise lägen diese in fehlerhafter Orthografie, im Wechsel zwischen den Sprachen, in gewissen Auslassungen und in der Problematik mit nicht oder falsch aufgelösten Abkürzungen.
Für diesen Anwendungsfall haben sich besonders die neuen Modelle von ChatGPT hervorgetan: Am besten habe das GPT-4o-Modell abgeschnitten, während andere LLMs wie LLAMA noch gar keine Möglichkeit bieten, derlei Ergebnisse darzustellen. Weitere Probleme bestünden in dem begrenzten historischem ‚Wissen‘ der LLMs, aber auch in inkonsistenten Ergebnissen und einem möglicherweise zu kleinen Datensatz. Außerdem wies Silke Schwandt auf weitere relevante Aspekte in Bezug auf die Named Entity Recognition als digitale Methode hin: etwa die Entwicklung von Beziehungsdiagrammen, die generelle Feinabstimmung von annotierten Daten, die Einführung von Retrieval Augmented Generation (RAG), um implizite Informationen verarbeiten zu können, und die Implementierung einer dynamischen Abfrage-Pipeline für Echtzeit-Interaktionen. Darüber hinaus stellte sie Personennetzwerke für eine Analyse der Beziehungen anhand von Zugehörigkeiten zu bestimmten Personenkategorien vor.
Das Team der Digital History freut sich, an dieser Stelle bald auch über den vierten Projekttag zum Jahresthema berichten zu können. Wenn Sie mehr über die Digital History Bielefeld erfahren und rechtzeitig über das Erscheinen neuer Beiträge auf diesem Blog informiert werden möchten, folgen Sie uns gerne auf LinkedIn.
Visual Information Retrieval in Video Archives: https://projects.tib.eu/viva/projekt/ [aufgerufen: 16.07.2025]. ↩︎
Gengnagel, Tessa: „Digital Humanities, or: The Broken Record of Everything“, YouTube-Video, 2022, https://www.youtube.com/watch?v=G3Nn8gw81cA 5. ↩︎
The FLOW Project: https://www.flow-project.net/ [aufgerufen: 16.07.2025]. ↩︎
