Maschinelles Lernen – Digital History Berlin

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?

8. Juli 20248. Juli 2024

Sébastien de Valeriola: Mining legendaries: a quantitative approach to hagiographic manuscripts

Since the middle of the 17th century, scholars have been systematically describing numerous medieval manuscripts preserved in libraries and religious institutions that contain hagiographic texts, that is texts recounting the lives of saints. In this talk, we will show how one can apply quantitative tools to the resulting database to consider these codices from a new point of view.

24. Juni 202424. Juni 2024

Hiltmann et al.: NER, aber prompto! Named Entity Recognition mit Large Language Models für historische Texte

Projektteam: Torsten Hiltmann, Martin Dröge, Nicole Dresselhaus, Sophie Eckenstaler, Till Grallert, Jascha Schmitz, Philipp Schneider, Melanie Althage
(Humboldt-Universität zu Berlin, NFDI4Memory)

Als mit der Veröffentlichung von ChatGPT die Aufmerksamkeit in einem verstärkten Maße auf Large Language Models gelenkt wurde, wusste man zwar, dass sich damit vieles verändern würde, doch die konkreten Auswirkungen waren noch nicht absehbar. Mit unserem Vortrag wollen wir für die Geschichtswissenschaften aufzeigen, was diese neue Technologie ganz konkret für unser Fach leisten kann. Am Beispiel der Named Entity Recognition (NER), also der Erkennung und Klassifikation von Eigennamen bzw. von jenen Textstellen, die namentlich auf Entitäten wie Personen, Orte oder Institutionen verweisen, wollen wir zeigen, inwieweit mit dieser Technologie auch in den Geschichtswissenschaften neue Wege beschritten werden können.

3. Juni 20243. Juni 2024

Kilian Lüders: Natural Language Processing und die Entscheidungsbegründungen des Bundesverfassungsgerichts

Das Bundesverfassungsgericht (BVerfG) hat die Geschichte der Bundesrepublik entscheidend mitgeprägt und gilt auch im internationalen Vergleich als ein besonders einflussreiches Verfassungsgericht. In den 70 Jahren seines Bestehens hat es die institutionelle Rolle, die es heute ausübt, selbst geschaffen. Besondere Aufmerksamkeit verdient dabei die Art und Weise, wie das Gericht argumentiert und seine Entscheidungen begründet. Schließlich hat es eine Verfassungsrechtsprechung und -dogmatik entfaltet, die das gesamte deutsche Rechtssystem durchdringt und über die einzelne Entscheidung hinaus wirkt.

6. Mai 2024

Julia Pabst: Maschinelles Lernen in der Epigraphik. Abhängigkeiten zwischen Zeit, Raum und Genealogie auf Grabmälern

Die Digitalisierung schafft neue Möglichkeiten, historische Daten zu erfassen, analysieren und zu interpretieren. Diese Entwicklung wirkt sich insbesondere auf die Hilfswissenschaften aus. Zielte die erste Welle der Digitalisierung in den Geschichtswissenschaften zunächst vor allem auf die reine Erstellung von Digitalisaten und Bereitstellung von Metadaten, erweitert die zweite Welle unsere Möglichkeiten, komplexe Zusammenhänge zu verstehen. In der Epigraphik, Heraldik und Genealogie ermöglichen neue Werkzeuge, wie maschinelles Lernen, Muster in großen Datensätzen zu identifizieren, die traditionell schwer zu erfassen sind. So können fragmentarische Digitalisate beispielsweise mit Informationen aus besser erforschten Quellen angereichert werden und zur Identifikation neuer Zusammenhänge führen.

2. Februar 20242. Februar 2024

Thea Sommerschield: Machine Learning for Ancient Languages. Trends, challenges, and future prospects for a digital ancient history

Recent advances in Artificial Intelligence and Machine Learning (ML) have facilitated unprecedented analyses of ancient languages with unparalleled detail. ML methods now enable the exploration of several tasks associated with the study of ancient texts, including decipherment, digitization, attribution, studies in intertextuality and semantics.

20. November 202322. November 2023

Pauline Spychala: EScriptorium und Transkribus im Spiegel – Vorläufige Schritte zum Training eines HTR-Modells an französischen spätmittelalterlichen Quellen

Projekte, die Handwritten Text Recognition verwenden, werden seit einigen Jahren häufiger und bieten neue Perspektiven für die historische Forschung. Dabei ist eine besondere Dynamik in der französischen Mediävistik zu beobachten, deren Projekte neue Transkriptionsstandards für mittelalterliche Quellenkorpora versprechen und auch umsetzen. Dank leistungsfähiger Transkriptionsplattformen wie eScriptorium und Transkribus ist die Forschung in der Lage, mit großen Textkorpora im Umfang von mehreren tausend Seiten zu arbeiten. Projekte wie etwa HIMANIS und CREMMALAB in Frankreich stellen zahlreiche Datensätze für das Training von Transkriptionsmodellen für westliche lateinische Quellen zur Verfügung. Die im Rahmen dieser Projekte angestellten Überlegungen zur Standardisierung von Prozessen oder zur Verwendung einer unkorrigierten Transkription haben die Grundlage für Studien individueller Forschender gelegt. Dazu gehört auch das im Rahmen dieses Forschungsprojekts vorgestellte Quellenkorpus: die erhaltenen und digitalisierten Plädoyerregister des Parlement von Paris für den Zeitraum 1395 bis 1488. Das Projekt geht von der sozialgeschichtlichen Frage nach dem Verhältnis von Gelehrten in der französischen Hauptstadt mit der Bevölkerung während des Hundertjährigen Kriegs aus. Ziel ist die Einrichtung eines effizienten Arbeitsablaufs für dieses Korpus einzurichten, das reich an Informationen ist. Dabei wird sowohl mit Transkribus als auch mit eScriptorium gearbeitet. Das Ziel ist also nicht nur ein Vergleich der beiden Tools, sondern der Aufbau eines Workflows, der beide miteinander kombiniert.

12. Juni 202322. Juni 2023

Tobias Hodel: Historische Materialien nach dem machine learning turn bearbeiten: Chancen und Herausforderungen

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.

16. Januar 202326. Januar 2023

Benjamin Lee: Newspaper Navigator: Reimagining Digitized Newspapers with Machine Learning

The millions of digitized historic newspaper pages within Chronicling America, a joint initiative between the Library of Congress and the National Endowment for the Humanities, represent an incredibly rich resource for a broad range of users. Historians, journalists, genealogists, students, and members of the American public explore the collection regularly via keyword search.

10. Januar 202317. Januar 2023

Chat GPT – Fluch oder Segen generativer KIs für die universitäre Lehre? Info- und Austauschveranstaltung am 17. Januar 2023

OpenAIs ChatGPT ist seit Ende November letzten Jahres kostenfrei zugänglich – alle Zeitung berichten über diese neue Stufe der Künstlichen Intelligenz, in den sozialen Medien diskutieren Wissenschaftler:innen wild über weitere zu erwartende Entwicklungen und postulieren einen fundamentalen epistemischen Bruch. Blogger:innen überbieten sich mit den skurrilsten Resultaten, die sie ChatGPT entlocken konnten, während Dozent:innen und Lehrer:innen eher beunruhigt sind: Was bleibt, wenn Maschinen das Schreiben überzeugend übernehmen können? Sollen wir uns auf ein Wettrüsten von Plagiatserkennung und KI einlassen? Ist das das Ende der Hausarbeit? Befreit die KI uns und die Studierenden vielleicht auch von ermüdender Arbeit? Können wir KI sinnvoll in die Lehre einbeziehen? Was ChatGPT überhaupt ist und welche Folgen die bislang noch kostenfreie Nutzung des KI-Chatbots für die Bildungslandschaft bringt, darüber wollen wir informieren und mit anderen Lehrenden und Forschenden der Humboldt-Universität in einen Austausch treten.