LLMs in der Geschichtswissenschaft

LLMs in der Geschichtswissenschaft#

LLMs wie ChatGPT können nicht nur beim Verfassen von Texten unterstützen, sondern bieten darüber hinaus vielfältige Einsatzmöglichkeiten, auch besonders im Bereich der Geschichtswissenschaften.

Arbeit mit historischen Quellen#

Bei der Transkription von historischen Quellen kommt oft Optical Character Recognition (OCR) zum Einsatz. OCR-Tools werden oft mithilfe von KI verbessert. LLMs können auch hilfreich dabei sein, den Output von OCR zu bereinigen, indem sie Fehler erkennen und korrigieren.

Verstehen und Analysieren von Text#

Ein zentrales Anwendungsfeld von LLMs ist nicht nur das Verfassen, sondern auch das Verstehen und die Analyse von Texten. Für die Geschichtswissenschaften hilfreich können u. a. Named Entity Recognition, Sentiment Analysis, Topic Modelling und Stilometrie-Analysen sein. Diese Methoden werden vor allem dann eingesetzt, wenn große Textmengen schnell und systematisch analysiert werden sollen.

Named Entity Recognition#

Named Entity Recognition (NER) bezeichnet die Aufgabe, Entitäten in Texten zu erkennen und zu klassifizieren (z. B. Personen, Orte, Organisationen, Zeitangaben etc.) [LSHL22]. Gerade im Kontext der Geschichtswissenschaften ist es hilfreich zu wissen, wer in historischen Quellen erwähnt wird und welche Orte und Institutionen dabei eine Rolle spielen. NER ist also eine wichtige Basis für weitergehende Analysen, z. B. für die Untersuchung historischer Kommunikationsnetze, geografischer Bezüge oder institutioneller Strukturen.

LLMs, deren Hauptaufgabe es ist, Sprache zu verstehen, haben sich als sehr hilfreich für NER erwiesen.

Fig. 12 zeigt einen Beispieltext, in dem Entitäten gekennzeichnet wurden. Anhand dieses kurzen Beispiels wird auch ein zentrales Problem der NER deutlich, nämlich die Ambiguität zwischen Ort und Organisation (z. B. „Universität Erfurt“),

Sentiment Analysis#

Im Rahmen von Sentiment Analysis wir die Stimmung und/oder emotionale Haltung eines Texts eingeschätzt, was in geschichtswissenschaftlicher Forschung u. a. bei der Bewertung von politischen Reden, Zeitungsartikeln und Briefen oder im Allgemeinen bei der Auswertung öffentlicher Meinung unterstützen kann. Auch hierbei können LLMs effizient eingesetzt werden.

Im Folgenden betrachten wir diesen Beispieltext aus der Rhein-Ruhr-Zeitung vom 07.01.1919. [Quelle]

Eine simple Sentimentsanalyse mit ChatGPT ergibt Folgendes:

Satz	Tonlage / Sentiment	Hinweise
Erfurt, der Ort der Nationalversammlung!	Positiv / Feierlich	Ausrufezeichen, Betonung auf Bedeutung und Ehre
[…] ist nunmehr von den Volksbeauftragten als Ort der Nationalversammlung Erfurt in Aussicht genommen.	Neutral bis leicht positiv	Sachliche Mitteilung, aber durch die Auswahl Erfurts mitschwingende Wertschätzung
[…] die uralte Metropole Thüringens, das als Binnen- und Industriestadt gleich geschätzte Erfurt […]	Positiv / wertschätzend	Lobende Adjektive: “uralte Metropole”, “geschätzt”
[…] die kommende deutsche Nationalversammlung in ihren Mauern sehen wird.	Positiv / hoffnungsvoll	Zukunftsgerichtet, mit stolzem Unterton
Alle politischen Parteien Deutschlands verknüpfen mit dem Namen Erfurt besondere Erinnerungen an ihre eigene Geschichte.	Reflexiv / positiv konnotiert	Appell an nationale Erinnerungskultur, identitätsstiftend

Topic Modelling#

Topic Modelling ist ein weiteres Anwendungsgebiet von LLMs und untersucht, welche Themen in einer großen Textsammlung vorkommen. Im Kontext der Geschichtswissenschaft lässt sich so z. B. aufzeigen, welche Themen in Zeitungen einer Epoche dominieren.

Sinnvoll ist das vor allem bei großen Textsammlungen, doch auch für kurze Textausschnitte kann Topic Modelling vorgenommen werden, hier anhand obigen Zeitungsartikels mithilfe von ChatGPT.

Identifizierte Themen (Topics):

Ort der Nationalversammlung
- Begriffe: „Nationalversammlung“, „Volksbeauftragte“, „in Aussicht genommen“, „kommende“
- Bedeutung: Der Text berichtet, dass Erfurt als möglicher Veranstaltungsort für eine deutsche Nationalversammlung diskutiert wird.
Symbolische Bedeutung Erfurts für die Parteien
- Begriffe: „besondere Erinnerungen“, „eigene Geschichte“, „alle politischen Parteien“
- Bedeutung: Erfurt wird als Ort mit historischer Bedeutung für verschiedene politische Bewegungen dargestellt.
Charakteristik der Stadt Erfurt
- Begriffe: „uralte Metropole Thüringens“, „Binnenstadt“, „Industriestadt“
- Bedeutung: Die Stadt wird geographisch und wirtschaftlich eingeordnet und gewürdigt.

Hier werden beispielsweise 1.8 Millionen Artikel der New York Times auf ihre Themen hin untersucht und die Potenziale, die Topic Modelling bietet, beleuchtet.

Stilometrie/Autorschaftsanalyse#

Auch Stilometrie – die Analyse individueller Schreibstile anhand sprachlicher Merkmale (z. B. Wortwahl, Satzstruktur) – ist ein Anwendungsfeld von LLMs. Ein Ziel kann hier beispielsweise sein, Autorenschaft zu erkennen oder mehrere Autoren in einem Text abzugrenzen.

Für den kurzen Abschnitt aus obigem Beispiel trifft ChatGPT folgende Stilometrie-Analyse.

Merkmal	Beschreibung
Satzlänge	Mittel bis lang, oft komplex
Wortwahl	Formal, historisch, politisch konnotiert
Stilistik	Nominalstil, geringe Emotionalisierung
Tempus	Präsens / Futurisch mit prognostischem Ton
Funktion	Informativ und legitimierend (politisch)

Auch bei der Stilometrie ist die Methode besonders sinnvoll bei großen Textsammlungen – hier lassen sich die Ähnlichkeiten zwischen verschiedenen Texten messen und Stile quantisieren.

Fazit#

LLMs können auf vielfältige Art und Weise zu einem vertieften Textverständnis beitragen – angefangen von Zusammenfassungen und „Übersetzungen“ in leichte Sprache über Verfeinerung automatischer Transkription bis hin zur computergestützten Textanalyse. Methoden wie NER, Sentiment Analysis eröffnen neue Herangehensweisen an die Analyse historischer Quellen. Auf ihrer Basis können Daten ausgewertet und visualisiert werden – u. a. können identifizierte Entitäten (Personen, Orte, …) in Beziehungsnetzwerken dargestellt, chronologische Zusammenhänge können erschlossen und Entitäten mit Ortsbezug können auf Karten projiziert werden.

Quellen und weiterführende Links#

Die Chancen und Herausforderungen von LLMs in der Geschichtswissenschaft schlüsselt auch dieser Blogbeitrag auf.

Darüber hinaus gibt es viele hilfreiche Online-Ressourcen, z. B.

Zitierte Literatur#

LSHL22: Jing Li, Aixin Sun, Jianglei Han, and Chenliang Li. A Survey on Deep Learning for Named Entity Recognition. IEEE Transactions on Knowledge and Data Engineering, 34(1):50–70, 2022. doi:10.1109/TKDE.2020.2981314.