Data Quality – Digital History Berlin

13. Mai 20265. Juni 2026

Firmin Forster: Lost in Noise? Perspektiven auf Datenqualität auf der DHNB 2026

„Aus Mangel ist Überfluss geworden.“

Mit diesen Worten eröffnet Kristoffer Nielbo, Professor und Direktor des Center for Humanities Computing (CHC) der Universität Aarhus, die Tagung der Digital Humanities in the Nordic and Baltic Countries (DHNB) im März 2026 in Aarhus. Zahlreiche Digitalisierungsprojekte der letzten Jahrzehnte haben zu einer Fülle an digitalem Material im Bereich des kulturellen Erbes geführt, so Nielbo weiter, die nun Forschungsrichtungen ermöglicht, die noch vor wenigen Jahren undenkbar waren, und den Blick auf einen viel weiteren kulturellen Horizont eröffnet. Dabei spielen Archive eine zentrale Rolle, die Nielbo als Ergebnis früherer archivalischer Entscheidungen versteht. Diese Entscheidungen lassen sich auch durch die Digitalisierung nicht rückgängig machen. Zugleich bringt diese Fülle eine neue Herausforderung mit sich: darin verloren zu gehen – im Motto der Tagung zusammengefasst: „Lost in Abundance“.

12. Dezember 202511. Dezember 2025

Claire Lemercier: In Defence of Dirty Data. Standardization, Source Criticism, and Digital/Quantitative History

This talk originates in discussions with Clare H. Crowston in the context of a “Social Science History” meeting on “Data,” which then became part of my long, ongoing conversation on methods with Claire Zalc. The phrase “dirty data” was then taken up by colleagues who launched a call for papers for a special issue of French History. It will be published in 2026 and I will mention some of its contents in my talk, along with research by Claire Zalc, some of my own, and other texts that made us think about sources, methods, and “data” in history.

15. Juli 202415. Juli 2024

Simon Donig, Anna-Lena Körfer: Was bedeutet Datenqualität in den historisch arbeitenden Fächern? Auf dem Weg zu einem Daten-editorischen Framework für die Erzeugung und Publikation FAIRer Forschungsdaten

Projekte in der Digitalen Geschichte sind auf hochqualitative Datensets angewiesen – egal ob sie sie für komplexe Machine Learning-Verfahren verwenden oder ob sie sich nur für einzelne Datenpunkte interessieren, die ergänzend zu einer traditionellen hermeneutischen Analyse granular ausgewertet werden sollen. Aber was bedeutet „hochqualitativ“ eigentlich für die historisch arbeitenden Geisteswissenschaften?