Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Schlagwort: Maschinelles Lernen

Veröffentlicht am

Gerben Zaagsma: Facing the History Machine: Why Histories of Digital History Matter

With the advent of AI in the last few years, historians are grappling with the question of how these new tools will affect historical knowledge production. Yet questioning the impact of new technologies on the profession is hardly new. For decades, historians have raised fundamental epistemological and methodological questions when confronted with new technologies, yet this is often forgotten in favor of a rhetoric of radical newness and future promises. Recent scholarship is beginning to change this, however. As the praxeological turn in the history of the humanities and historiography has taken hold over the past two decades, scholars have begun to investigate the role of technology in the creation of historical knowledge.[1] More recently, the history of digital history has emerged as a new avenue of research.[2] Nonetheless, the strongest interest in the history of digital history manifests in the history of the humanities and the history of knowledge, and not in the field itself.

„Gerben Zaagsma: Facing the History Machine: Why Histories of Digital History Matter“ weiterlesen

Veröffentlicht am

Preprint published: NER4all or Context is All You Need


The Chair for Digital History is happy to announce that we published our first preprint on arXiv:

Torsten Hiltmann, Martin Dröge, Nicole Dresselhaus, Till Grallert, Melanie Althage, Paul Bayer, Sophie Eckenstaler, Koray Mendi, Jascha Marijn Schmitz, Philipp Schneider, Wiebke Sczeponik, Anica Skibba, NER4all or Context is All You Need: Using LLMs for low-effort, high-performance NER on historical texts. A humanities informed approach, arXiv (4.02.2025), DOI: https://doi.org/10.48550/arXiv.2502.04351

Abstract:
Named entity recognition (NER) is a core task for historical research in automatically establishing all references to people, places, events and the like. Yet, due to the high linguistic and genre diversity of sources, only limited canonisation of spellings, the level of required historical domain knowledge, and the scarcity of annotated training data, established approaches to natural language processing (NLP) have been both extremely expensive and yielded only unsatisfactory results in terms of recall and precision. Our paper introduces a new approach. We demonstrate how readily-available, state-of-the-art LLMs significantly outperform two leading NLP frameworks, spaCy and flair, for NER in historical documents by seven to twentytwo percent higher F1-Scores. Our ablation study shows how providing historical context to the task and a bit of persona modelling that turns focus away from a purely linguistic approach are core to a successful prompting strategy. We also demonstrate that, contrary to our expectations, providing increasing numbers of examples in few-shot approaches does not improve recall or precision below a threshold of 16-shot. In consequence, our approach democratises access to NER for all historians by removing the barrier of scripting languages and computational skills required for established NLP tools and instead leveraging natural language prompts and consumer-grade tools and frontends.

Veröffentlicht am

Clemens Neudecker: Context matters. Chancen und Herausforderung bei der Arbeit mit Künstlicher Intelligenz und Kulturellem Erbe

A banana on a table and an image of a banana on a laptop on the same table. Each of the two bananas has a white frame around it with the word ‚Banana‘ sticked on top of it

Für Bibliotheken bieten die auf dem Gebiet der Künstlichen Intelligenz (KI) erzielten Fortschritte vielfältige Chancen. Die Staatsbibliothek zu Berlin – Preußischer Kulturbesitz (SBB) entwickelt im Rahmen von Projekten wie Mensch.Maschine.Kultur KI-Technologien für eine Vielzahl von Anwendungsbereichen: von Text- und Layouterkennung über Bildanalyse bis zu maschinell unterstützter Sacherschließung und nicht zuletzt Datenbereitstellung und digitaler Kuratierung. Andererseits sind bei der Anwendung von KI-Technologien für das Kulturelle Erbe immer auch die historischen und kulturellen Kontexte zu beachten.

„Clemens Neudecker: Context matters. Chancen und Herausforderung bei der Arbeit mit Künstlicher Intelligenz und Kulturellem Erbe“ weiterlesen
Veröffentlicht am

Mila Oiva: Chasing Leninism with AI. Using Computational Methods to Trace Cultural Phenomena through Historical Audiovisual Materials

How can we trace intangible historical phenomena, such as worldviews, cultural representations, or cultural-political movements through large-scale audiovisual archives? While the hermeneutic tradition of close reading has long provided a foundation for analyzing small-scale historical materials, the rise of digital sources presents new challenges and opportunities. When engaging with vast datasets, the intuitive processes of qualitative analysis must be made explicit, translating human insights into computational terms. This requires us to define the phenomenon under study more explicitly, identify its measurable units within the data, and critically evaluate how both the available data and applied methods allow us to address the research question.

„Mila Oiva: Chasing Leninism with AI. Using Computational Methods to Trace Cultural Phenomena through Historical Audiovisual Materials“ weiterlesen
Veröffentlicht am

Yannick Haas: NS-Sprachgebrauch im Nachrichtenmagazin DER SPIEGEL: Eine NLP-Analyse „latenter“ sprachlicher Kontinuitäten in den 1950er und 1960er Jahren

Die Frage, ob nationalsozialistisches Gedankengut in der Nachkriegszeit fortlebte, ist ein zentrales Thema der deutschen Geschichtsforschung. Während bisherige Arbeiten hauptsächlich personelle Kontinuitäten beleuchten, gibt es bislang nur wenige quantitative Untersuchungen, die sich gezielt mit sprachlichen Kontinuitäten in der Presse auseinandersetzen.

„Yannick Haas: NS-Sprachgebrauch im Nachrichtenmagazin DER SPIEGEL: Eine NLP-Analyse „latenter“ sprachlicher Kontinuitäten in den 1950er und 1960er Jahren“ weiterlesen
Veröffentlicht am

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?

„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“ weiterlesen
Veröffentlicht am

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.

„Sébastien de Valeriola: Mining legendaries: a quantitative approach to hagiographic manuscripts“ weiterlesen
Veröffentlicht am

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.

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

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.

„Kilian Lüders: Natural Language Processing und die Entscheidungsbegründungen des Bundesverfassungsgerichts“ weiterlesen
Veröffentlicht am

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.

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