Seit einigen Jahren etabliert sich die Kombination von maschinellen Lernverfahren mit der Anwendung auf historische Quellen. Mittels automatisierter Handschriftenerkennung werden umfangreiche Quellenkorpora greifbar. Entitätenerkennung unterstützt bei der Identifikation von Akteur*innen und durch Klassifikationsformen werden die Quellenmassen in neuer Tiefe erschlossen.
Somit haben maschinelle Lernverfahren, die häufig mit dem Begriff der „künstlichen Intelligenz“ gefasst werden, einen fundamentalen Wandel in der Geschichtswissenschaft eingeleitet, der auf methodischer, methodologischer und auch epistemologischer Ebene noch nicht abschließend ausgelotet und theoretisiert ist.
Mit Fokus auf automatisierte Texterkennung kann aufgezeigt werden, dass große Modelle für ganze Schrifttypen (bspw. für Deutsche Kurrent des 19. Jahrhunderts oder für humanistische Kursiven) entwickelt und erfolgreich angewandt werden können. Anhand vormoderner Texte wird aufgezeigt, wie mit verhältnismäßig wenig Trainingsmaterial bereits erfolgreiche tagger zur Erkennung von Entitäten erzeugt werden können und auch für die Vernetzung von Entitäten Lösungen in greifbare Nähe rücken.
Der Beitrag zeigt somit Anwendungsformen des machine learning für vormoderne Dokumente auf und diskutiert, wie mit den durch die Methode eingeschleusten Unsicherheiten und Fehlern umgegangen werden kann. Somit wird eine reflektierte und kritische Beschäftigung mit den Methoden für aktuelle und zukünftige geschichtswissenschaftliche Forschungen ausgelotet.
Vortrag im Rahmen des „Digital History“-Forschungskolloquiums
Zeit: Mittwoch, 14. Juni 2023, 16-18 Uhr
Ort: Zoom-Konferenz (Zugang auf Anfrage oder via Mailingliste)
Literatur:
Hodel, Tobias: Konsequenzen der Handschriftenerkennung und des maschinellen Lernens für die Geschichtswissenschaft. Anwendung, Einordnung und Methodenkritik, in: Historische Zeitschrift 316 (1), 2023, S. 151–180. Online: <https://doi.org/10.1515/hzhz-2023-0006>.
Hodel, Tobias; Schoch, David; Schneider, Christa u. a.: General Models for Handwritten Text Recognition: Feasibility and State-of-the Art. German Kurrent as an Example, in: Journal of Open Humanities Data 7, 2021. Online: <https://doi.org/10.5334/johd.46>, Stand: 01.08.2021.
Abstract:
Hodel, Tobias, Prada Ziegler, Ismail, Schneider, Christa: Pre-Modern Data: Applying Language Modeling and Named Entity Recognition on Criminal Records in the City of Bern, in: DH2023
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Digital History Berlin (Redaktion) (12. Juni 2023). Tobias Hodel: Historische Materialien nach dem machine learning turn bearbeiten: Chancen und Herausforderungen. Digital History Berlin. Abgerufen am 15. Oktober 2024 von https://doi.org/10.58079/nl4p