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.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Laura Maria Niewöhner (14. August 2025). Von Angesicht zu Angesicht? Die Rolle von Digital Historians im Umgang mit KI. Digital History Bielefeld. Abgerufen am 6. März 2026 von https://doi.org/10.58079/14jd2
