Abstract: Tobias Hodel, Die Maschine und die Geschichtswissenschaft: Einfluss des maschinellen Lernens auf eine Disziplin

Montag, 01.3.2021, 11h15-12h30: Roundtable 1 “Neue Methoden der Digital History I” (Diskussion Paper/Screencasts, Moderation: Mareike König)


Es gibt wenig Technologien, die einerseits die Phantasie der Menschen so stark beeinflussen wie sie andererseits durch ihren Einsatz beeindrucken. Machine learning gehört zweifelsohne dazu. Maschinelles Lernen wird mittlerweile für jegliche Bewertungsentscheide eingesetzt, die vor wenigen Jahren noch als ungeeignet für die Bearbeitung durch Algorithmen oder allgemein „den Computer“ beurteilt wurden.

Das Prinzip des machine learning ist einfach aber nicht unproblematisch: Neuronale Netze, dem menschlichen Gehirn nachempfundene vernetzte Speicherzellen, werden mit möglichst viel vorgefertigten Daten versorgt und in einem Trainingsprozess auf die zu lösende Aufgabe getrimmt. Entscheidend sind zwei Größen: Die Quantität und die Qualität der eingegebenen Daten. Von Spracherkennung über Bildanalyse zu Dokumentenauswertung. Maschinelles Lernen setzt sich als Technologie in diversen Feldern durch und wird seit wenigen Jahren auch für naturwissenschaftliche Auswertungen benutzt.

In den Geisteswissenschaften findet diese Technologie aktuell erst an den Rändern Anwendung. Texterkennung und Topic Modeling (als Beispiele für supervised und unsupervised Formen des maschinellen Lernens) sind Einsatzbereiche, die sich selbstlernende Algorithmen zu Nutze machen. Bereits absehbar ist indes, dass zukünftig weit mehr (Be-)Wertungsentscheide manuell unterstützt oder gar autonom durch Maschinen getroffen werden. Named Entity Recognition sowie visuelle und textuelle Strukturanalyse zeitigen gemäß ersten Tests und proof-of-concepts bessere Resultate, als dies rein regelgeleitete Algorithmen vermögen. Mit wenig Phantasie lassen sich gar die Einsatzmöglichkeiten noch erweitern und die Interpretation von Texten (machine reasoning) mit und dank machine learning modellieren.

Training als Basis für komplexe, statistisch unterstützte Wertungen erweist sich dabei als größte Stärke und gleichzeitige neuralgische Stelle des Prozesses, da durch das Trainingsmaterial (Vor-)Urteile übernommen und verstärkt werden. Dieser Effekt wurde beispielsweise für Suchmaschinen und bei Bewerbungsprozessen mehrfach nachgewiesen und problematisiert.1 Je nach Form des maschinellen Lernens werden Trainingsmaterialien vorgegeben und überprüft (supervised) oder Strukturen selbständig erlernt (unsupervised).

Darüberhinaus stellt der Umgang mit Resultaten des machine learning aus Sicht der algorithm studies eine Herausforderung dar. Die Algorithmen lassen sich zwar an unterschiedlichen Stellen zu Ausgaben zwingen (bekannt sind die Google Image-Traum Algorithmen),2 jedoch ist ein Nachvollziehen der Entscheide innerhalb neuronaler Netze bislang nicht erfolgreich möglich. Die Kritik und die Auswertung der Resultate aus Vorgängen des maschinellen Lernens ähneln entsprechend hermeneutischen Interpretationen, die gerade durch den geschichtswissenschaftlichen Werkzeugkasten wie der Quellenkritik, aber auch anderen Methoden analysiert werden müssen.3

Erst das wechselseitig close- und distant-reading der Quellen und der Resultate machen es möglich, die Belastbarkeit der maschinell gewonnenen Wertungen zu überprüfen.

Im Rahmen des Papers werden drei Themenblöcke angeschnitten, die unterschiedliche Anwendungen des maschinellen Lernens im Fokus haben. Erstens und wohl am unproblematischsten ist die Nutzung von machine learning zur Handschriftenerkennung. Der menschliche bias fließt zwar durch Transkriptionsentscheide in die Automatisierung ein, führt aber zu harmlosen Fehlern und Hyperkorrekturen (etwa der falschen Expansion von Abkürzungen). Problematischer ist zweitens die Entitätenerkennung (Named Entity Recognition), die kulturwissenschaftliche Fragen zum Individuum und zu Zuschreibungen zu Namen und Personen aufwirft. Schließlich kann drittens mit machine learning Strukturerkennung betrieben werden. Eine Vorgehensweise, die in analoger Form aus der klassischen Diplomatik (Identifikation von Urkundenteilen, wie Protokoll, Kontext oder Eschatokoll) bekannt ist. Ein entsprechendes Training mit Übernahme der kanonisierten Wertung ist möglich, führt aber unweigerlich zur Verstärkung impliziter und expliziter Bevorzugungen. Im deutschsprachigen Raum wären solche Bevorzugungen etwa die Prägung der Diplomatik durch die Analyse ausgefertigter Königsurkunden im Gegensatz zu den zahlenmäßig massiv überwiegenden Urkunden, die unter dem Label „Privaturkunden“ zusammengefasst werden.

Das Oszillieren zwischen praktischen Umsetzungen und theoretischen Überlegungen führt zu neuen Problemstellungen, die Epistemologie und heuristische Methoden der Geschichtswissenschaften betreffen. Maschinelles Lernen wird dabei als nützliche Erweiterung der Disziplin an der Schwelle des Einsatzes von big data angesehen, die es kritisch zu betrachten und zu verfolgen gilt. Die Einsichten dienen dabei nicht nur der intradisziplinären Methodendiskussion, sondern führen darüber hinaus zu kritischen Positionen für den Einsatz des machine learning im alltäglichen Leben, von Shoppingentscheiden zu selbstfahrenden Autos oder Kreditprüfungsmechanismen.


Tobias Hodel ist Historiker und Assistenzprofessor für Digital Humanities an der Universität Bern. Er beschäftigt sich aktuell mit maschinellen Lernverfahren und den methodischen sowie epistemologischen Konsequenzen für die Geisteswissenschaften. Er leitete das e-Learningprojekt Ad fontes sowie die digitale Edition Königsfelden und war Teil des Projekts READ (Recognition and Enrichment of Archival Documents).

 

  1. Noble, Safiya Umoja: Algorithms of Oppression: How Search Engines Reinforce Racism, New York 2018; Caliskan, Aylin; Bryson, Joanna J.; Narayanan, Arvind: Semantics derived automatically from language corpora contain human-like biases, in: Science 356 (6334), 14.04.2017, S. 183–186. Online: <https://doi.org/10.1126/science.aal4230>. []
  2. Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike: Google AI Blog: Inceptionism: Going Deeper into Neural Networks. Online: <https://ai.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html>, Stand: 01.04.2019. []
  3. Für die Literaturwissenschaften siehe als Beispiel: Underwood, Ted: Emerging conversations between literary history and sociology., in: The Stone and the Shell, 02.12.2015, <https://tedunderwood.com/2015/12/02/emerging-conversations-betweenliterary-history-and-sociology/>, Stand: 11.04.2019. []

Veröffentlicht von

AG Digitale GW

Die Arbeitsgruppe "Digitale Geschichtswissenschaft" des Verbands der Historiker und Historikerinnen Deutschlands e.V. wurde auf dem Mainzer Historikertag im September 2012 gegründet.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.