In unserer dritten Folge zu Künstlicher Intelligenz in den Digital Humanities sprechen wir mit Jonatan Steller von der Akademie der Wissenschaften und der Literatur Mainz und der Hochschule Darmstadt sowie mit Axel Pichler von der Universität Wien. Gemeinsam schauen wir uns an, wie Large Language Models (LLMs) in der geisteswissenschaftlichen Forschung eingesetzt werden, was sich dadurch verändert und warum nicht alles, was technisch möglich ist, auch unbedingt gemacht werden solle.
Wir kommen mit unseren Gästen zunächst auf die Forschungspraxis zu sprechen und auf die Frage, was sich konkret mit LLMs anfangen lässt. Unsere Gäste berichten von Projekten, in denen Sprachmodelle literarische Interpretationen generieren und komplexe Klassifikationsaufgaben übernehmen. Besonders interessant ist dabei weniger, was die Modelle am Ende produzieren, sondern was wir tun müssen, um sie überhaupt sinnvoll einzusetzen und ihre Ergebnisse bewerten zu können. Denn dafür müssen wir unsere eigenen theoretischen Annahmen, Begriffe und Methoden erst einmal möglichst genau erklären. Jonatan zeigt uns anhand seiner Projekte, wie KI-Technologien Forschungsworkflows unterstützen können. Wir sprechen über die automatische Klassifikation historischer Daten, die Erstellung von Trainingskorpora und darüber, wie LLMs digitale Forschungsangebote zugänglicher machen können. Gleichzeitig stellt sich die Frage, wie viel Arbeit sich tatsächlich automatisieren lässt und wo weiterhin menschliche Expertise gefragt ist. Denn auch wenn Modelle bestimmte Aufgaben übernehmen können, bleiben ihre Ergebnisse nicht automatisch zuverlässig. Und manchmal, da stimmen wir unseren Gästen zu, ist es sogar einfacher, eine Aufgabe gleich selbst zu erledigen.
Damit kommen wir zu einer Frage, die uns in dieser Staffel schon mehrfach beschäftigt hat: Wie verändert KI eigentlich unsere wissenschaftliche Arbeit? Einerseits können LLMs den Einstieg in die Programmierung erleichtern und die Entwicklung eigener Werkzeuge beschleunigen. Andererseits bedeutet mehr Automatisierung nicht unbedingt weniger Arbeit. Wir diskutieren darüber, was passiert, wenn sich Forschende zunehmend individuelle Software erstellen lassen, statt gemeinsam an nachnutzbaren Lösungen zu arbeiten. Werden etablierte DH-Tools dadurch irgendwann überflüssig? Oder entstehen daraus gerade neue Möglichkeiten für die Zusammenarbeit? Ein Thema, das uns immer wieder interessiert, ist Open Science und die digitale Souveränität. Wir klären, was Open Source und Open Weight voneinander unterscheidet und warum offene Modelle in der Forschung nicht immer so einfach einzusetzen sind. Es braucht nicht nur entsprechende Modelle, sondern auch Rechenressourcen und technische Infrastrukturen. Gleichzeitig sprechen wir darüber, welche ForschungsdatenUnter Forschungsdaten können sämtliche Daten verstanden werden, die im Laufe des Forschungszyklus (von der initialen Idee, über die Planung und Durchführung von Forschungsaktivitäten, bis hin zu Publikationen und Langzeitarchivierung der Ergebnisse) entstehen. Da es keine einheitliche Definition des Begriffs gibt, versteht jede wissenschaftliche Disziplin etwas anderes darunter. Beispiele sind Messdaten, Fragebögen, audiovisuelle Aufzeichnungen und Digitalisate. More an kommerzielle Anbieter weitergegeben werden dürfen und wie sich die wissenschaftliche Unabhängigkeit langfristig sichern lässt. Auch die ökologischen, sozialen und politischen Folgen der Technologie spielen dabei eine Rolle. Und selbst die Offenheit wissenschaftlicher Daten bringt neue Herausforderungen mit sich: Was passiert beispielsweise, wenn automatisierte Zugriffe durch Bots Forschungsrepositorien so stark belasten, dass sie kaum noch erreichbar sind?
Was uns im Podcast auch immer beschäftigt, ist die Ausbildung neuer Wissenschaftler*innen. Müssen Studierende künftig vor allem lernen, gute Prompts zu schreiben? Unsere Gäste sehen das differenzierter. Viel wichtiger ist es, zu verstehen, wie die Systeme funktionieren, welche Aufgaben sie übernehmen können und wie sich ihre Ergebnisse überprüfen lassen. Gerade für die Digital Humanities bedeutet das auch, die eigenen Methoden und theoretischen Annahmen noch einmal genauer zu hinterfragen. Vielleicht liegt darin also eine der größten Veränderungen durch LLMs: dass wir uns noch einmal intensiver mit unseren eigenen wissenschaftlichen Arbeitsweisen auseinandersetzen müssen.
Zum Schluss wagen wir einen Blick in die Zukunft. Werden LLMs die Digital Humanities grundlegend verändern oder werden sie irgendwann einfach ein weiteres Werkzeug im Methodenbaukasten? Unsere Gäste diskutieren unterschiedliche Entwicklungsmöglichkeiten und machen deutlich, dass die Zukunft der DHDH steht für Digital Humanities, also digitale Geisteswissenschaften. More nicht allein von technischen Innovationen abhängt, sondern auch davon, wie wir diese Technologien einsetzen und welche Kompetenzen wir dabei bewahren.
Wer also noch nach Unterhaltung beim Plätzchenbacken, beim Basteln von Weihnachtsdeko oder einfach zum Tee oder Kaffee sucht: Reinhören!
_______________________________________________________________________________
Genannte Forschungsprojekte:
- Digitales Familiennamenwörterbuch
- Iconclass
- Journal of Computaional Literary Studies
- Model Context Protocol (MCP)
Weitere Interessante Links: