Kategorie: Geschichtswissenschaft

Vor ein paar Monaten las ich in der ZEIT einen Artikel, der die Auftakte diverser Digitalisierungsprozesse in Staatsbibliotheken und Bundesarchiven beschrieb (Zum ZEIT Artikel). Ziel sei, die Trainingskorpora von LLMs durch Digitalisate zur eigenen Geschichte und Sprache mitzugestalten. Vor allem wolle man aber von dem schon jetzt absehbaren großen Nutzen von LLMs für die geschichtswissenschaftliche Forschung profitieren. Während in Norwegen bereits seit 20 Jahren Unmengen an Beständen eingescannt werden, hängt Deutschland mit einem Anteil von 0,2% (Stand 2023, Prozentsatz entnommen aus dem Artikel) digitalisierten Inhalten aus dem Staatsarchiv weit zurück – natürlich vor allem aufgrund rechtlicher Beschränkungen und Datenschutz.

Wie groß der Nutzen dennoch sein könnte und teils bereits ist, wird in dem Artikel überzeugend anhand einiger Beispiele argumentiert: Die Transkription handschriftlicher Dokumente, das Lesen und Erfassen historischen Materials in einer Menge, zu der ein einzelner Mensch nie fähig wäre oder die Auswertung von Fotos, auf denen mithilfe einer KI-gestützten Gesichtserkennungssoftware Täter und Opfer aus der NS-Zeit posthum identifiziert werden können.

Exkurs zum Gender Data Gap

An diesen, eigentlich vielversprechenden, ersten Eindruck musste ich nun kürzlich wieder denken, allerdings mit wachsender Skepsis. Ich las gerade erneut Perez‘ „Invisible Women“, ein Buch über den Gender Data Gap (kurze Erläuterung zum “Gender Data Gap”) aus dem ‚prähistorischen‘ Jahr 2019 – also 3 Jahre bevor sich mit der Veröffentlichung von ChatGPT LLMs nennenswert in der breiten Masse etablierten. Bereits zu diesem Zeitpunkt, als das Problem noch unabhängig (oder zumindest größtenteils unabhängig) von KI behandelt werden konnte, ließen sich bereits die negativen Konsequenzen und statistischen Verzerrungen nachweisen, die der Gender Data Gap beim Training und der Entwicklung diverser Algorithmen und Applikationen mit sich brachte. Die von Perez zusammengetragenen und beschriebenen Folgen der androzentrischen Trainingskorpora reichen von Sprach- und Transkriptionsassistenzen, die weibliche Stimmen schlechter verstanden, über Übersetzungstools, die die weiblichen und männlichen Endungen je nach stereotypischem Ermessen und Berufen wegließen, ergänzten oder wechselten (Google Translate und Gender), bis hin zur Beeinflussung von Ergebnissen und deren Priorisierung bei Internetsuchen (Stereotypen in der Google (Bilder-)Suche).

Bedeutung eines Data Gaps für die Frauengeschichte

Meine Assoziation mit dem ZEIT-Artikel rührte vor allem von der Frage her, wie sich der bestehende Mangel an Repräsentation von Frauen in Quellen und geschichtlichen Darstellungen wohl im Kontext der verbreiteten Nutzung von KI bzw. LLMs in der Geschichtswissenschaft auswirken würde. Letztlich hat die Geschichte ja ihren ganz eigenen, ziemlich beachtlichen, Gender Data Gap.

Bevor man mir hier fairerweise einen übermäßigen Pessimismus vorwirft: Natürlich weiß ich um all die beachtlichen Bemühungen, die in der Frauengeschichtlichen Forschung in den letzten Jahrzenten angestoßen wurden. Nichtsdestotrotz ist die Frauengeschichte eine verhältnismäßig junge Tradition – gegenüber knapp 2500 Jahren „Männergeschichte“ (wie ich sie aus gegebenem Anlass einmal nennen möchte) – mit dementsprechend ‚wenig‘ Material. Auch muss in der Frauengeschichte eine andere Herangehensweise an die Rekonstruktion von Ereignissen und Lebensrealitäten auf Basis vorhandener Quellen gewählt werden – aufgrund teils eben nicht vorhandener Quellen. Amy Richlin behandelt genau das in ihrer Monografie „Arguments with Silence, Writing the History of Roman Women“.  Der Titel steht dabei eigentlich schon für sich. Um die Geschichte von Frauen aus einer Zeit zu rekonstruieren, in der sie – wenn überhaupt – durch ihre männlichen Zeitgenossen erwähnt wurden, muss implizit aus der Stille heraus argumentiert werden. Es sind kritische und oft indirekte Rückschlüsse nötig, um unverfälschten Erkenntnisse über das Leben von Frauen auf Basis ihrer Darstellung durch antike, männliche Autoren (die zwingendermaßen ein bedeutendes Interesse am Erhalt des Status Quo in Sachen Geschlechterordnung hatten) zu gewinnen.

Das historische Argumentieren und die kritische Auseinandersetzung mit Quellen ist allerdings genau das, was LLMs (noch) nicht können – wie auch der ZEIT Artikel kritisch einräumt. LLMs arbeiten im Kern vor allem nach Wahrscheinlichkeiten, die sich mitunter aus ihren Trainingskorpora ergeben. Was die Präsenz in und Menge an Quellen betrifft, haben Frauen aber leider, wie gerade geschildert, ziemlich schlechte Karten. Übrigens genauso, wie jede andere „stumme Gruppe“ in der Geschichte.

Mit Blick auf die Bemühungen, Archivbestände zunehmend zu digitalisieren und im Kontext von LLMs und deren Training für die Geschichtswissenschaften in einem ganz neuen Maß nützlich zu machen, halte ich gerade im deutschen Raum eine bestimmte Verschärfung geschlechtlicher Asymmetrien für nicht unwahrscheinlich: Aufgrund der vorhin schon kurz angeprangerten rechtlichen Beschränkungen in Sachen Datenschutz und Urheberrecht wird vor allem Textmaterial genutzt, das beispielsweise aufgrund seines Alters nicht mehr urheberrechtlich geschützt ist (also 70 Jahre nach Tod der verfassenden Person). So dürften ältere Darstellungen und Auffassungen von Gesellschaft und Geschichte, bei denen Frauen als historische Subjekte wenig Erwähnung finden oder dem androzentrischen Blick erliegen, einen disproportional großen Teil der Trainingsgrundlage von LLMs ausmachen. Die Frauen- und Geschlechtergeschichte, die diesen Darstellungen etwa seit den 1970er Jahren entgegenwirkt, ist dagegen öfter urheberrechtlich geschützt, zudem auch schlicht in geringerem Maß vorhanden und damit im Trainingsmaterial deutlich unterrepräsentiert. Die Annahme, dass ein solches Ungleichgewicht Konsequenzen mit sich bringt, liegt – gerade im Hinblick auf Perez‘ Ausführungen – nahe.

Selbsttest zur Reproduktion geschichtlicher Lücken bei LLMs

Ob Modelle tatsächlich klassische, androzentrische Deutungsmuster und Schemata bei der Darstellung von Geschichte reproduzieren und festigen, wollte ich der Neugierde halber einmal selbst ausprobieren. Die Idee war, Fragen zu Geschichte zu stellen, die die Erwähnung von Frauen eigentlich logisch implizieren, aber nicht zwingend voraussetzen.

Das ergiebigste Beispiel war die Frage nach „Schule im antiken Rom“. Die Antworten variierten natürlich teilweise zwischen den verschiedenen Sprachmodellen, wobei ich die Unterschiede teilweise auch auf vorhandene Daten zu meiner Person schieben würde. ‚Zufällig‘ arbeite ich nun andauernd zu Frauengeschichte und habe im Prozess immer wieder die verschiedensten KI-Tools verwendet, deren Erinnerungsspeicher und Kontextwissen wohl unweigerlich die Ergebnisse verfälscht.

Auffällig war aber bei der Beantwortung der Fragen, vor allem eben beim Beispiel der Schulbildung, dass genau das Schema von sozialgeschichtlicher Schein-Neutralität stattfand, das Anette Kuhn bereits 1990 in einem Artikel zur Frauengeschichtsforschung in der APuZ (bpb Artikel zur Frauengeschichte) beschrieb. Die hartnäckige Annahme in der Sozialgeschichte war (und ist es teilweise immer noch), dass „Frauen in den sozialgeschichtlichen Kategorien“ (Kuhn, S. 2) mit eingeschlossen seien. Unter vermeintlich geschlechtsneutralen Begriffen beschrieb man in der Gesellschaftsgeschichte letztlich vor allem Männer.

Die Ergebnisse des kleinen KI-Selbsttests spiegelten eigentlich genau das wider: In den meisten von LLMs formulierten Antworten zur Schulfrage war von „Kindern“ die Rede, obwohl höhere Schulformen und manche der dort genannten Bildungswege fast ausschließlich Jungen vorbehalten waren. Differenziert wurde vor allem nach gesellschaftlichem Stand, während die doch recht gravierenden geschlechtliche Unterschiede in der Schulbildung bestenfalls mit einem Nebensatz eingeräumt wurden. Das galt übrigens auch für Antworten auf die Frage nach der gesellschaftlichen Ordnung in der römischen Republik. Auch hier wurde die Differenzierung hin zu den anderen 50% der Bevölkerung, wenn überhaupt, eher sparsam vorgenommen.

Diese Art von Selbsttest ist natürlich nur sehr begrenzt aussagekräftig, aber die folgende Frage nach den Konsequenzen der Trainingskorpora und den hierauf aufbauenden Antworten der LLMs bleibt bestehen: Wird so vielleicht genau das verstärkt, was Kuhn bereits vor 35 Jahren als Gefahr betonte, nämlich die subtile Integration und Assimilation von „Frauengeschichte in die ‚allgemeine‘ sozialgeschichtliche Perspektive“?

Mögliche Lichtblicke

Um bei all’ den geschilderten Risiken und möglichen Bedrohungen feministischer Geschichtswissenschaften dennoch ein etwas ganzheitlicheres Bild zu zeichnen, hier der Vollständigkeit halber auch ein paar positive Aussichten und Perspektiven:

1. Algorithmen mit Gender-Bias können überarbeitet und beispielsweise aktiv durch Supervised-Fine-Tuning korrigiert werden (Studie für alle, die sich die Hoffnung wieder nehmen lassen wollen)
2. Dank Produkten wie dem „Scantent“ wird das hochwertige Digitalisieren für nur knapp 240€ auch kleineren (teils eben auch explizit frauengeschichtlichen) Archiven zugänglich gemacht; von dem eigentlich Digitalisierungsprozess der Archive profitieren erst einmal viele, vor allem solche Forschungsfelder, denen es an zugänglichem Material mangelt – wobei ich mich dennoch frage, welches Buch jemals so problemlos aufgeschlagen bleiben würde wie das auf dem Produktbild, ohne, dass man es beim Scannen festhält… Scan-Tent Produktseite
3. Der geschichtliche Nutzen von LLMs und KI-gestützten Softwares könnte gerade für die Frauengeschichte und ihre Forschung von größtem Nutzen sein: z.B. bei der Durchsuchung von Quellen, in denen Frauen zwar selten aber eben durchaus erwähnt werden oder beim Auffinden von Fachliteratur, die gerade in neueren Feldern oft schwieriger aufzufinden ist.

Fazit

Letztlich scheinen LLMs im Kontext der Frauengeschichte potenziell Fluch und Segen zugleich zu sein. Bei unkritischem Einsatz und ohne ein Bewusstwerden der Leerstellen in unseren Datensätzen könnten sie für die Rezeption von Frauen in der Geschichte und somit natürlich auch allgemein in der Gesellschaft einen nennenswerten Rückschlag bedeuten. Zugleich haben sie, bei richtiger Verwendung, ein enormes Potenzial für die Geschichtswissenschaften im Allgemeinen, vor allem aber für die Frauengeschichtsforschung im Speziellen. Dies gilt zumindest, solange man die ethischen und nachhaltigen Aspekte außen vorlässt, bei denen KI nun mal so gar nicht gut dasteht.

Quellen

Perez, C. C. (2020). Invisible Women. Exposing Data Bias in a World Designed for Men.