Die Maschine und die Geschichtswissenschaft : Der Einfluss von deep learning auf eine Disziplin
| Autor: | Hodel, Tobias |
|---|---|
| Přispěvatelé: | Döring, Karoline Dominika, Haas, Stefan, König, Mareike, Wettlaufer, Jörg |
| Jazyk: | němčina |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Hodel, Tobias (2022). Die Maschine und die Geschichtswissenschaft : Der Einfluss von deep learning auf eine Disziplin. In: Döring, Karoline Dominika; Haas, Stefan; König, Mareike; Wettlaufer, Jörg (eds.) Digital History: Konzepte, Methoden und Kritiken Digitaler Geschichtswissenschaft. Studies in Digital Historyand Hermeneutics: Vol. 6 (pp. 65-80). Berlin, Boston: DeGruyter 10.1515/9783110757101-004 |
| DOI: | 10.1515/9783110757101-004 |
| Popis: | Deep learning is a method from the field of artificial intelligence that is currently being used in many disciplines to create appraisal decisions. The form of machine learning is also being used in history, for example, for text recognition or the identification of named entities. Since deep learning will become a much stronger part of the methodological apparatus in the future, it is worth taking a critical look at what is happening. The moment of training plays a crucial role in the method. There, models are created and optimized. Based on the provided data, patterns can be recognized and imitated. Significantly, the created models are only verifiable in retrospect and with test procedures and are, at most, partially comprehensible. Thus, hermeneutic approaches are needed to understand and classify the models. Accordingly, the use of deep learning in history will entail a new reflection on methods, which must take into account technical circumstances on the one hand and disciplinary specifications on the other. Deep learning ist ein Verfahren aus dem Bereich der künslichen Intelligenz, das aktuell in vielen Disziplinen zur Erstellung von Bewetungsentscheiden genutzt wird. Auch in der Geschichtswissenschaft wird die Form des maschinellen Lernens bereits genutzt, etwa zur Texterkennung oderder Identifikation von benannten Entitäten. Da deep learning zukünftig nochviel stärker Teil des Methodenapparats werden wird, lohnt sich ein kritischer Blick auf die Vorgänge. Das Moment des Trainings spielt in der Methode eine entscheidende Rolle. Dort werden Modelle erstellt und optimiert. Aufgrund der vorgesetzten Daten können Muster erkannt und imitiert werden. Bezeichnenderweise sind die erstellten Modelle nur im Nachhinein und mit Testverfahrenüberprüfbar und höchstens bedingt nachvollziehbar. Damit braucht es hermeneutische Herangehensweisen, um die Modelle zu verstehen und einzuordnen. Die Nutzung vondeep learningin der Geschichtswissenschaft wird entsprechend eine neue Methodenreflexion nach sich ziehen, die einerseits technische Gegebenheiten und andererseits fachimmanente Spezifikationen berücksichtigen muss. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|