6. August 2026 – Archivalia

Online-Repertorium Deutsche Antikenübersetzung 1501–1620 – ORDA16 ist misslungen

https://www.orda16.gwi.uni-muenchen.de/

Den Anmerkungen von Walter Behrendt soll meine eigene Einschätzung folgen, die wenig vorteilhaft für das Projekt ausfällt.

Permalinks gibt es nicht für Personen. Der Handschriftencensus hat – denkbar unklug – nicht mehr funktionierende Datenbankabfragen bei 87 Handschriften eingetragen, die nunmehr alle geändert werden müssen!

Die Personenrecherche ist unzulänglich. Bei Wolfgang Rem entblödet sich das Projekt nicht, als einzigen Titel die ADB anzugeben! Neue Nachweise bietet die Oberdeutsche Personendatenbank. Nicht einmal die im GND-Datensatz erwähnten Contemporaries of Erasmus hat man konsultiert.

Bei zugeschriebenen Übersetzungen wären Angaben, woher diese Zuschreibungen stammen, zwingend erforderlich gewesen. Bei dem Cgm 6940 wird die Übersetzung Sophronius Eusebius Hieronymus: Epistula Hieronymi ad Demetriadem (Epistula 130) [CPL 620.130] ohne Begründung Thomas Finck zugeschrieben. Die Verfasserschaft begründete ich 2018 hier, wo auch die weitere Überlieferung zu finden ist.

Über die Übersetzungen erfährt man nur, wo sie überliefert sind. Aus welchem Grund bei Seneca von Henkel im ²VL genannte Übersetzungen ausgelassen wurden, erfährt man nicht. Bei den Handschriften sind die Bibliotheksorte nicht suchbar. Man muss die einzelnen Einträge anklicken, um sie zu sehen.

Handschriftenerkennung mit KI? Ein erster Selbstversuch mit Transkribus

Historische Handschriften zu entziffern kann je nach Schriftart, Lesbarkeit und individuellen paläografischen Kenntnissen durchaus zur Herausforderung werden. Diese Erfahrung hat vermutlich so manch ein*e Geschichtsstudent*in gemacht, als er oder sie zum ersten Mal mit einer scheinbar unentzifferbaren Quelle konfrontiert wurde. Künstliche Intelligenz verspricht als Werkzeug, etwa durch speziell für die Handschriftenerkennung entwickelte Modelle, Abhilfe zu schaffen. Wie hilfreich und nutzbar die KI dafür aber tatsächlich ist, hängt stark von der Herangehensweise und dem eigentlichen Vorhaben ab.

Wie hilft KI bei der Handschriftenerkennung?
Ich bin keineswegs Expertin in diesem Bereich; nach meinen Recherchen lässt sich daher vereinfacht Folgendes festhalten: Gedruckte Texte mit einheitlichen Buchstaben, Layout und Schriftart können mittlerweile mit OCR (Optical Character Recognition) zuverlässig von Computern erfasst werden. Dabei werden die Zeichen eines Textes automatisch erkannt und in maschinenlesbaren Text umgewandelt. Typische Anwendungsbereiche sind beispielsweise die Digitalisierung gedruckter Zeitungen oder Bücher.

Mit Handschriften gestaltet sich das jedoch deutlich schwieriger: Handschriften sind in ihrer Gestalt naturgegeben wesentlich komplexer, da sie sich nicht nur stark zwischen verschiedenen Schreiber*innen unterscheiden, sondern selbst innerhalb eines Textes derselben Person (etwa hinsichtlich der Neigung, Form oder des Abstands der Buchstaben) variieren können. Moderne HTR-Anwendungen (Handwritten Text Recognition) nutzen Verfahren der künstlichen Intelligenz, wie etwa neuronale Netze, um dieses Problem zu adressieren und auch Handschriften für Computer erkennbar zu machen. Anstatt einzelne Buchstaben nach festen Regeln zu identifizieren (wie bei klassischen OCR-Verfahren für gedruckte Texte), werden die Modelle zur Handschriftenerkennung mit großen Mengen bereits transkribierter Handschriften trainiert. Die Modelle lernen Muster und Zusammenhänge zu erkennen und werden so stetig verbessert – so heißt es zumindest.

Wie zuverlässig die KI-gestützte Handschriftenrerkennung mittlerweile ist, hängt allerdings stark von den Gegebenheiten der zu lesenden Schrift (z. B. vom Zustand des Mediums, der Qualität des hochgeladenen Scans oder Fotos, davon, wie sauber geschrieben wurde oder wie ungewöhnlich die Schrift ist) ab.

Transkribus
Wer nach einer KI-Anwendung zur Handschriftenerkennung speziell für historische Quellen sucht, wird früher oder später auf Transkribus stoßen. Die Plattform wurde von der Gruppe Digitalisierung und elektronische Archivierung der Universität Innsbruck in Zusammenarbeit mit weiteren europäischen Forschungsgruppen entwickelt. Ziel ist es, die Technologie nicht nur Forschenden, sondern auch der breiten Öffentlichkeit zugänglich zu machen und große Mengen historischer Handschriften digital zu erschließen und durchsuchbar zu machen.

Transkribus vereint dabei verschiedene Modelle zur Handschrifterkennung, die je nach Sprache, Schriftart oder Zeitraum ausgewählt werden können. Es besteht außerdem die Möglichkeit, eigene Modelle auf einem spezifischen Quellenbestand zu trainieren.

Erste Schritte und Selbstversuch
Transkribus hat mich neben seinem akademischen Anspruch und den vielen Anwendungsmöglichkeiten (die in diesem Rahmen nicht alle aufgezählt werden können) mit der einfachen Zugänglichkeit überzeugt: Im Browser kann man mit einer kostenlosen Anmeldung recht schnell das erste Dokument hochladen und transkribieren lassen. Dafür braucht man nur ein gutes Foto oder besser einen Scan des Dokuments, bevor man sich für eines der zahlreichen Transkriptionsmodelle entscheiden kann. Besonders hilfreich erscheint mir dabei, dass die Modelle nach Sprache und Entstehungszeitraum gefiltert werden können – die meisten verfügen außerdem über eine Kurzbeschreibung sowie Kennzahlen (etwa zu Trainingsdaten), die dabei helfen, ein passendes Modell für das eigene Vorhaben auszuwählen.

Für meinen Versuch habe ich mich für eine Seite aus einem privaten Rezeptbüchlein von 1902 entschieden, das mir bisher stellenweise nicht ganz zu entschlüsseln war. Ich habe drei der gängigen Modelle, die zur Erkennung deutscher Kurrentschrift geeignet sein sollen, getestet:

1. “German Genius” – ein Modell, das von Transkribus selbst entwickelt wurde, aber leider nur in der Bezahlversion verfügbar ist.

2. “The German Giant 1” – ein kostenloses Modell das von der Community trainiert wurde.
3. “Text Titan II” – ein mehrsprachiges Modell, das ebenfalls von Transkribus stammt und aktuell als zuverlässigstes (aber kostenpflichtiges) Universal-Modell empfohlen wird.

Ergebnis: Da ich mich hiermit das erste Mal an eine KI-gestützte Anwendung zur Transkription von Handschriften herangewagt habe, hatte ich zwar keinen spezifischen Erwartungshorizont, war insgesamt aber positiv überrascht. Wie auf den Bildern zu erkennen ist, haben alle drei Modelle den Großteil des Rezepts bzw. den Kontext richtig erfasst – allerdings eben nur den Großteil, nicht ohne Fehler und vor allem nicht auf den einzelnen Buchstaben genau. Aufgefallen ist mir dabei, dass die Wörter, die allen drei Modellen Schwierigkeiten bereiteten, dieselben sind, die auch für mich persönlich schwer bis gar nicht lesbar sind. Das hat für mich die ein oder andere Überlegung zur tatsächlichen Verwendbarkeit der Handschriftenerkennung mit KI aufgeworfen.

Mein Fazit: Hohes Potenzial, aber: Erst lernen, dann auslagern

Zunächst lässt sich festhalten, dass die Handschrifterkennung mit Transkribus schnell eine brauchbare Ersttranskription liefert. Allerdings wurden zumindest in meinem kleinen Experiment eben nicht alle Wörter zuverlässig erkannt, und bisher scheint auch der allgemeine Konsens zu sein, dass KI-Ergebnisse auch bei der Handschriftenerkennung immer sorgfältig nachgeprüft werden müssen. Wenn das große Potenzial der KI-gestützten Handschriftenerkennung also darin liegt, umfangreiche Quellenbestände zu erschließen und durch Volltextsuche zugänglich zu machen – was sicherlich eine große Bereicherung für die Digitalisierung von Archivgut und die Quellenarbeit darstellt –, bleibt zu klären, wie eine so umfangreiche menschliche Überprüfung überhaupt geleistet werden kann und inwiefern die KI dann die Arbeit tatsächlich erleichtert. Mit Blick auf die Möglichkeit, in Transkribus eigene Modelle zu trainieren (allerdings nur in der Bezahlversion), kann ich mir jedoch vorstellen, dass eine intensive Auseinandersetzung mit dieser Technologie das schon leisten kann – zum Beispiel, wenn man sich im Rahmen eines Projekts mit einem großen Bestand ähnlicher Handschriften beschäftigt und das Modell darauf spezialisiert.

Ich denke, letztendlich kommt es immer darauf an, wofür man die KI verwendet: Wo es aktuell noch viel menschlichen Aufwand braucht, damit die Transkriptionen den Anforderungen wissenschaftlicher Genauigkeit entsprechen, ist für Laien, die etwa das Rezeptbuch der Urgroßmutter entschlüsseln möchten, vermutlich schon eine Ersttranskription mit dem einen oder anderen Fehler ein großer Erfolg.

Das bringt mich schließlich zurück zu dem Beispiel der Studierenden aus dem Einstieg. Zwar kann die KI die Arbeit, etwa wenn es darum geht, eine Quelle schnell einschätzen zu können oder einen ersten Überblick zu gewinnen, enorm erleichtern. Um aber künftig tatsächlich mit solchen Quellen wissenschaftlich arbeiten zu können, sind menschliche paläografische Kenntnisse aus meiner Sicht unverzichtbar. Egal, ob es darum geht, KI-generierte Transkriptionen zu überprüfen oder Wörter zu entschlüsseln, bei denen die KI aktuell noch nicht weiter weiß – in beiden Fällen ist einem letztendlich nur geholfen, wenn man historische Handschriften auch ohne KI lesen könnte. Ich kann dabei nur aus eigener Erfahrung berichten, aber mir scheint, als wäre im Geschichtsstudium noch Luft nach oben, wenn es darum geht, eine solide Kompetenz im Lesen historischer Handschriften zu vermitteln. Doch selbst wenn Paläografiekurse regelmäßig oder sogar verpflichtend im Studium angeboten würden, läge es letztendlich an jeder und jedem selbst, diese Kompetenzen durch Übung zu vertiefen. Ob diese Übung im klassischen Lesen historischer Handschriften erfolgt oder ob man sich durch Spielereien mit KI-gestützten Modellen nebenbei mit Paläografie vertraut macht – und dabei vielleicht zur Verbesserung zukünftiger Modelle beiträgt –, bleibt allen selbst überlassen.

Links

Zu Transkribus geht es hier

Mehr zum Hintergrund von Transkribus auf Wikipedia

Mehr zu OCR und HTR nachlesbar u. a. auf der Webseite der Uni Trier sowie bei Transkribus

Sieben Schwaben

Mit dem Stoff habe ich mich zweimal befasst:

Sieben Schwaben. In: Enzyklopädie des Märchens Bd. 12 Lief. 2, Berlin/New York 2006 [ganzer Band: 2007], Sp. 649-654
https://archivalia.hypotheses.org/files/2013/02/graf_sieben_schwaben_enz_maerchen.pdf

Über den Ursprung der Sieben Schwaben aus dem landsmannschaftlichen Spott. In: Die Sieben Schwaben. Stereotypen. Ludwig Aurbacher und die Popularisierung eines Schwanks, hrsg. von Dorothee Pesch/Elisabeth Plößl/Beate Spiegel (= Schriftenreihe der Museen des Bezirks Schwaben 48), Oberschönenfeld 2013, S. 15-17, 20-23, 27-31
Online (Scan mit OCR):
http://doi.org/10.5281/zenodo.32427

Siehe auch

https://de.wikisource.org/wiki/Die_Sieben_Schwaben

Ergänzungen und Korrekturen zu ORDA16 (Teil 2)

https://cinquecentine.wordpress.com/2026/08/02/erganzungen-und-korrekturen-zu-orda16-teil-2/

Es geht auch hier, wie in Teil 1, um das Online-Repertorium Deutsche Antikenübersetzung 1501–1620 (Orda16)

Der Beitrag enthält die folgenden Teile:

Fehlende bibliographische Nachweise

Ausgaben im VD16, die übersehen wurden, während andere Ausgaben des gleichen Titels in ORDA16 verzeichnet sind.

Ausgaben, die in ORDA16 zwar vorhanden sind, bei denen aber nicht die Hauptnummer angegeben ist, sondern die eines beigedruckten Texts.

Korrekturen

Ergänzungen

Dubletten

Fälle, bei denen unklar ist, ob hier Übersetzungen vorliegen

Antike Autoren, deren Schriften möglicherweise angezweifelt werden

#Buchgeschichte

Möglichkeit und Grenzen des agentischen Arbeitens in den Geisteswissenschaften

Die Geisteswissenschaften befinden sich durch die Digitalisierung und insbesondere durch die rasche Entwicklung von künstlicher Intelligenz in einem grundlegenden Umbruch ihrer Arbeitsweisen. Während digitale Techniken und Methoden noch vor einigen Jahren vor allem als eine Art Unterstützung der klassischen Forschungsprozesse verstanden wurden – wie etwa Recherche, Speicherung, Digitalisierung von Quellen oder Durchsuchung großer Datenmengen –, rücken zunehmend komplexere Formen der Zusammenarbeit zwischen dem Menschen und digitalen Systemen in den Mittelpunkt. Eine zentrale Entwicklung ist dabei das agentische Arbeiten.

Der Begriff „Agency“ – aus dem sich der Ausdruck „agentisch“ entwickelt hat – bezeichnet die Fähigkeit eine*r Akteur*in, innerhalb eines bestimmten Kontextes handeln zu können, Entscheidungen zu beeinflussen beziehungsweise zu treffen, sowie Prozesse mitzugestalten zu können. Im geisteswissenschaftlichen Kontext kann das als eine Erweiterung der Perspektive gesehen werden, wer oder was an der Wissensproduktion beteiligt sein kann. Neben menschlichen Forscher*innen treten zunehmend auch digitale Werkzeuge, Algorithmen, Datenbanken und KI-Systeme als nicht nur passive, sondern aktive Bestandteile wissenschaftlicher Arbeiten auf.

Dabei geht es nicht darum, künstlichen Systemen ein menschliches Verständnis von Handlungsfähigkeit zuzuschreiben. Vielmehr beschreibt agentisches Arbeiten eine Form der Zusammenarbeit, in der die Forscherin in die Rolle des Supervisors eintritt, die Aufgaben an ihre Mitarbeiter*innen delegiert und dabei hauptsächlich „das Große und Ganze“ im Blick behält.
Ein wichtiges Beispiel für agentisches Arbeiten in den sogenannten Digital Humanities (digitalen Geisteswissenschaften) ist die Nutzung von Entwicklungsumgebungen wie Visual Studio Code (VSC). Ursprünglich vor allem als Programmierumgebung für Softwareentwicklung gedacht, wird VSC zunehmend auch in geisteswissenschaftlichen Forschungsprojekten eingesetzt, da es die Verbindung zwischen Datenanalyse, Programmierung, Website- sowie App-Erstellung ermöglicht.

Durch Erweiterungen und KI-basierte Assistenzsysteme können Forscher*innen direkt innerhalb ihrer Arbeitsumgebung mit diesem digitalen Agenten interagieren. Der KI-Agent kann beispielsweise dabei helfen, Programmcode zu schreiben, Fehler zu identifizieren, Datenstrukturen zu erklären oder Analyseprozesse vorzubereiten. Dadurch verändert sich die Rolle der Forscher*innen: Sie sind nicht mehr ausschließlich diejenigen, die jeden einzelnen Arbeitsschritt manuell durchführen, sondern übernehmen zunehmend die Rolle von Projektierenden, Kontrollierenden und Interpretierenden digitaler Forschungsprozesse.

Ein mögliches linguistisches Szenario stelle ich anhand meiner eigenen Untersuchung eines gesprochenen Sprachkorpus. Ich habe zunächst eine Transkription eines gesprochenen Interviews in VSC eingefügt. Der KI-Agent konnte anschließend: den Text automatisch in Tokens (einzelne Wörter oder Wortbestandteile) zerlegen, die verschiedenen gesprochenen Sprachen kategorisieren, wiederkehrende Sprachmuster identifizieren und Visualisierungen und Statistiken erstellen. Der KI-Agent kann anhand dieser Daten dann auch selbstständig eine korpuslinguistische Website oder App erstellen. Ich als Forscherin brauche nahezu keine Kenntnisse in Programmieren oder Website-/App-Erstellung. Während dieses Prozesses stehen der Agent und ich in einem ständigen Austausch (fast wie ein digitales Gespräch). Der entscheidende Punkt ist, dass das VSC Zugriff auf meine Forschungsdaten hat und diese – mit mir zusammen – analysieren kann.

Auch im Bereich der Geschichtsforschung kann solch ein Agent sehr hilfreich sein. KI-Agenten können beispielsweise interaktive Anwendungen programmieren, in denen Nutzer*innen mit historischen Figuren „ins Gespräch“ treten könnten. Solch ein System könnte auf Grundlage von Forschungsdaten, historischer Quellen oder Literatur plausible Antworten im Stil einer Person oder Epoche erstellen und dadurch Geschichte anschaulicher und zugänglicher vermitteln. Benutzer*innen könnten etwa mit einer simulierten mittelalterlichen Herrscherfigur, einer Kaufmannsfrau oder einem Gelehrten des Mittelalters interagieren und auf diese Weise historische Perspektiven nachvollziehen. Solche Anwendungen können daher eine kritische und kreative Auseinandersetzung mit historischen Quellen unterstützen, diese jedoch natürlich nicht ersetzen.
Des Weiteren kann ein KI-Agent so beispielsweise als Forschungsassistent eingesetzt werden, indem er verschiedene Arbeitsschritte unterstützt: Digitale Agenten können Texte aus unterschiedlichen Quellen strukturieren, Metadaten erfassen und Daten für die Analyse vorbereiten. Bei historischen oder gesprochenen Sprachdaten können sie außerdem bei der Aufbereitung von OCR- oder HTR-Ergebnissen helfen.

Die eigentliche wissenschaftliche Interpretation bleibt jedoch Aufgabe der Forscher*innen. Denn KI-Agenten ersetzen wissenschaftliche Arbeit natürlich nicht, sondern verändern ihre Organisation. Die Forscher*innen verschieben den zeitaufwendigsten Teil ihrer Tätigkeit – also von der reinen Datenerfassung – hin zur Entwicklung von Fragestellungen, zur Bewertung von Ergebnissen und zur kritischen Interpretation.
Der Einsatz von KI bietet zahlreiche Möglichkeiten für die geisteswissenschaftliche Forschung.

Eine zentrale Chance liegt in der Skalierbarkeit wissenschaftlicher Analysen. Während Forschende früher nur begrenzte Textmengen untersuchen konnten, ermöglichen KI-Systeme die Analyse großer Korpora oder anderer riesiger Datenmengen. Dadurch können langfristige sprachliche Entwicklungen, gesellschaftliche Diskurse oder Veränderungen von Begrifflichkeiten untersucht werden. Dies war zuvor in diesem Ausmaß nicht möglich.

Auch für interdisziplinäre Forschung entstehen neue Möglichkeiten. Linguistische Fragestellungen können mit historischen, kulturwissenschaftlichen oder sozialwissenschaftlichen Methoden verbunden werden. Beispielsweise könnte eine Untersuchung von Migrationsgeschichten nicht nur sprachliche Muster analysieren, sondern auch gesellschaftliche Diskurse und Identitätskonstruktionen sichtbar machen.

Digitale Methoden stellen nicht bloß technische Werkzeuge dar, sondern bringen neue Formen der Wissensproduktion hervor. Diese digitalen Systeme verändern somit nicht nur die Geschwindigkeit wissenschaftlicher Arbeit, sondern auch die Art und Weise, wie Wissen entsteht.
Trotz dieser vielfältigen Möglichkeiten darf KI nicht als neutraler oder objektiver Forschungspartner betrachtet werden. Agentisches Arbeiten erfordert eine kritische Reflexion darüber, welche Voraussetzungen und Grenzen digitale Systeme besitzen. Auch die Frage nach wissenschaftlicher Verantwortung bleibt zentral (und in meinen Augen immer die Aufgabe der Forscherin). Wenn ein KI-Agent eine Analyse durchführt, muss nachvollziehbar bleiben, wie diese Ergebnisse entstanden sind. Transparenz, Dokumentation und die kritische Prüfung automatisierter Ergebnisse sind daher unverzichtbare Bestandteile wissenschaftlicher Arbeit mit einem Agenten.

Die Zukunft der Digital Humanities liegt also nicht in einer vollständigen Automatisierung und Übernahme der geisteswissenschaftlichen Forschung durch beispielsweise KI, sondern in einer reflektierten Zusammenarbeit zwischen menschlicher Expertise und dem digitalen Werkzeug.
In den Geisteswissenschaften wird agentisches Arbeiten zunehmend als ein alternativer Ansatz wichtig. Dieser Ansatz hinterfragt traditionelle Hierarchien der Wissensproduktion und betont die aktive Mitgestaltung von Erkenntnisprozessen durch verschiedene Akteur*innen. Ich würde allen Geisteswissenschaftler*innen ans Herz legen, sich mit agentischen Arbeiten auseinanderzusetzen, da man so eine ganz neue Welt an Forschungsmöglichkeiten eröffnet.

Androzentrische Algorithmen? Über LLMs, Digitalisierung, Gender Data Gaps und Frauengeschichte

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:

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)
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
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

Chen, E., Zhan, R.-J., Lin, Y.-B., & Chen, H.-H. (2026). More women, same stereotypes: Unpacking the gender bias paradox in large language models. arXiv. https://arxiv.org/abs/2503.15904

Fischer, T., & Hosan, B. (7. Dezember 2025). Mehr, als ein Mensch lesen kann. Die Zeit, 36-44. https://epaper.zeit.de/webreader-v3/index.html#/951107/36

Kuhn, A. (1990). Frauengeschichtsforschung. Zeitgemäße und unzeitgemäße Betrachtungen zum Stand einer neuen Disziplin. Aus Politik und Zeitgeschichte. https://www.bpb.de/shop/zeitschriften/apuz/archiv/535351/frauengeschichtsforschung-ze itgemaesse-und-unzeitgemaesse-betrachtungen-zum-stand-einer-neuen-disziplin/

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

Richlin, A. (2014). Arguments with Silence.