ChatGPT und Co. in den Geschichtswissenschaften – Grundlagen, Prompts und Praxisbeispiele

#tl;dr

Dies ist ein pragmatischer und praxisorientierter Beitrag zum Einsatz von KI-Tools wie ChatGPT und Co. in den Geschichtswissenschaften. Als begleitende Assistenten können sie für Historiker:innen bei einer Vielzahl von Aufgaben produktiv von Nutzen sein. Doch für welche konkret? Was muss man beachten? Und wie formuliert man gute Prompts? Der Beitrag behandelt technische Grundlagen, Möglichkeiten und Grenzen der Technologie, rechtlich-ethische Aspekte, KI-Tools für die Wissenschaft und potenzielle Einsatzbereiche in der Geschichtswissenschaft (inklusive Prompt-Beispiele). Weder soll damit der KI-Hype noch die KI-Skepsis befeuert, sondern ein Beitrag zur Vermittlung von KI-Kompetenz und damit zu einer verantwortungsvollen Nutzung von KI-Chatbots geleistet werden, über alle Karrierestufen hinweg.

Inhaltsübersicht

Einleitung
Grundlagen LLM – was für die Nutzung wichtig zu wissen ist
Grenzen der Technologie
Rechtliche und ethische Fragen
KI-Tools für die Wissenschaft
Grundlagen des Prompting
Einsatzbereiche von KI-Chatbots in den Geschichtswissenschaften
Lohnt sich das denn?
Weiterlesen

Einleitung^[1]

Künstliche Intelligenz (KI) wird seit einiger Zeit auch in den Geschichtswissenschaften effektiv eingesetzt, etwa für die Übersetzung aktueller oder historischer Texte, die automatisierte Texterkennung handgeschriebener Quellen oder für die Mustererkennung in großen Text- und Bildmengen. Doch wie sieht es mit großen Sprachmodellen und Chat-Anwendungen wie ChatGPT aus? Seit dem gehypten Start von ChatGPT im November 2022 haben Large Language Models (LLM) und generative künstliche Intelligenz im Hinblick auf ihre Auswirkungen auf Forschung und Lehre viel Aufmerksamkeit erhalten. Die auf Texterzeugung und -verarbeitung trainierten KI-Chatbots erweisen sich als potentiell mächtige Technologie für die Arbeit mit Texten und Quellen, was sie für Historiker:innen per se interessant macht. Gleichzeitig fallen sie durch Bias und Halluzinationen, hohen Energieverbrauch sowie ethisch und rechtlich fragwürdige Erstellung ihrer Datenbasis genauso auf wie durch Missbrauch unterschiedlichen Stils auf der Seite der Nutzenden.

Wenn man wissen möchte, wie man diese Technologie in den eigenen Arbeitsalltag als Historikerin integrieren kann, muss man sich die Informationen zusammensuchen. Kostenlose und empfehlenswerte Online-Einführungen für die Wissenschaft sind durchaus vorhanden, etwa die Angebote von KI-Campus speziell zu Chatbots. Neben anregenden Überlegungen und hilfreichen Erfahrungsberichten^[2], existieren zahlreiche Beiträge, in denen Chatbots für ihre Schwächen ernst oder halblustig vorgeführt werden. Experten:innen aus dem Bereich Digital Humanities wiederum diskutieren den Einsatz von LLM zur Durchführung von Aufgaben wie Named Entity Recognition, TEI/XML-Auszeichnung von Editionstexten und Inhaltsextraktion im großen Stil^[3]. Was jedoch fehlt, ist eine niedrigschwellige (deutschsprachige) Praxis-Einführung für den Einsatz von KI-Chatbots speziell in der Geschichtswissenschaft. Der Bedarf dafür ist da, wie unser Online-Workshop im Rahmen des Praxislabors der AG Digitale Geschichte vor kurzem gezeigt hat, der innerhalb von 40 Minuten ausgebucht war^[4].

Hier setzt dieser Beitrag an. Er thematisiert, wofür und wie man LLM im historischen Forschungsalltag nutzen kann und worauf dabei zu achten ist. Angesichts der zunehmenden Verfügbarkeit von LLM-Systemen sind diese KI-Literacy-Kenntnisse für eine informierte und verantwortungsvolle Nutzung und Bewertung der Nutzung durch andere (z.B. Studierende) zentral. Zur KI-Kompetenz gehört:

• die wichtigsten KI-Technologien und ihre Stärken und Schwächen zu kennen,
• einschätzen zu können, wann man sinnvollerweise KI nutzt und wann man etwas selbst macht,
• Grundlagen des Prompting zu beherrschen,
• die wichtigsten ethischen und rechtlichen Fragen zu kennen,
• sich bewusst zu sein, dass Ausgaben von KI-Systemen kritisch überprüft werden müssen^[5].

Der Beitrag ist zugleich ein Plädoyer für transparente digitale Praktiken und vielleicht ja der Beginn eines Prompt-Repositories in der Geschichtswissenschaft. Zumindest würde ich mich freuen, wenn andere an der Prompt- und Beispielsammlung mitwirken würden. Der Schwerpunkt liegt auf dem Umgang mit Texten; die Bildgenerierung ist ein komplexes Kapitel für sich und bleibt hier außen vor^[6]. Ein weiterer Blogbeitrag speziell zu Lehre und Large Language Models ist geplant. Die großen Fragen nach epistemologischen Änderungen und möglichen Transformation des Fachs angesichts der zunehmenden Ausbreitung von KI werden hier jedoch nicht bzw. allenfalls in den Fußnoten thematisiert^[7].

Grundlagen LLM – was für die Nutzung wichtig zu wissen ist

Grundlage für KI-Anwendungen wie ChatGPT ist ein Large Language Model, ein statistisches Modell von Sprache. Das Potenzial dieser Modelle liegt in ihrer Fähigkeit, riesige Mengen an Textdaten zu analysieren, zu “verstehen” und zu erzeugen. Man spricht von generativer künstlicher Intelligenz (engl. GenAI), weil diese Systeme Inhalte generieren können, z.B. Texte, Bilder, Code, Video, Audio etc.^[8]

Wer sich nicht für die technischen Grundlagen der Sprachmodelle interessiert, kann direkt zum Unterabschnitt “Was macht ein LLM?” springen. Den sollte man aber gelesen haben, bevor man sich an die Praxis macht…

Wie werden LLM erstellt?

Ein LLM wird in zwei Schritten trainiert: im ersten Schritt durch ein sogenanntes Pre-Training und im zweiten Schritt durch ein Fine-Tuning.

Pre-Training

Beim Pre-Training für ChatGPT wurden große Teile des Internet heruntergeladen, verarbeitet und diese Daten für das Training eines künstlichen neuronalen Netzes verwendet. Für ChatGPT-3 wurde dieser Internet-Download im September 2021 erstellt, was bei der Verwendung im Hinblick auf die Aktualität der Trainingsdaten beachtet werden muss (d.h. immer prüfen, mit welchem Modell man arbeitet). Welche Teile des WWW dafür im Detail verwendet wurden, ist nicht vollständig bekannt. Auf jeden Fall gehörten jede Menge Webseiten (der sog. common crawl), Bücher, Wikipedia, Online-Foren wie Reddit und Coding-Plattformen dazu. Stand für die ersten Modelle das Englische klar im Vordergrund, wurde GPT-4 auf insgesamt 26 Sprachen trainiert, darunter Programmiersprachen.

Die Texte wurden normalisiert und in kleinere Einheiten zerlegt, in Token. Das sind Silben oder Wortteile, z.T. einzelne Buchstaben^[9]. Anschließend wurde die Bedeutung der Token durch ihren Kontext und die Analyse ihrer Verwendung ermittelt und in einem künstlichen neuronalen Netz modelliert. Die spezifischen Methoden zur Verarbeitung der Daten sind – genau wie die Trainingsdaten selbst – nicht vollständig transparent. Zwei Eigenschaften der sogenannten Transformer-Architektur dieser Sprachmodelle sind entscheidend für ihren Erfolg: Worteinbettung (engl. word embeddings) und der Aufmerksamkeitsmechanismus (engl. attention mechanism)^[10].

Grob gesagt werden auf der Basis der großen Textmengen die Bedeutung der Token anhand ihrer Kontexte gesammelt und diese als Koordinaten oder Vektoren in einem gemeinsamen semantischen Raum betrachtet^[11]. Der Aufmerksamkeitsmechanismus repräsentiert Verknüpfungen zwischen Einheiten basierend auf dem Kontext, also etwa die Verknüpfung zwischen Verb und Subjekt oder Objekt. Entscheidend ist, dass die Token im Unterschied zu früheren neuronalen Netzen in der Transformer-Architektur nicht nur in Beziehung gesetzt werden zu den unmittelbar sie umgebenden Token, sondern auch zu weiter entfernt liegenden^[12], um ihre Bedeutung noch genauer zu erfassen.

Das Pre-Training ist der teure Teil der Erstellung eines LLM. Download, Komprimieren, Vereinheitlichen und Verarbeiten dieser riesigen Menge an Text ist zeit- und kostenintensiv, letzteres insbesondere aufgrund des exorbitanten Energiebedarfs. Für die Erstellung von GPT-3 wurde der jährliche Strombedarf von 400 deutschen Durchschnittshaushalten aufgewandt^[13]. Der hohe Energieverbrauch ist ein fortlaufendes Thema in der Diskussion über LLM-Anwendungen.

Fine-Tuning mit Reinforcement Learning from Human Feedback (RLHF)

Daran anschließend findet der zweite Schritt, das Fine-Tuning statt, um die Dialogfähigkeit des Modells herzustellen. Dafür wird ein spezifischer und gelabelter Datensatz vorbereitet. Bei den Sprachbots besteht er aus von Menschen geschriebenen Fragen und passenden Antworten, mit denen das ursprüngliche Modell trainiert und weiter verfeinert wird^[14]. Es wird getestet, generierte Antworten werden von Entwickler:innen bewertet oder umgeschrieben und unerwünschtes Verhalten durch eine Verfeinerung der antrainierten Parameter unterbunden. Ironischerweise ist dieser Schritt der Menschenarbeit weniger kostspielig als das Pre-Training. Anders als das Pre-Training findet das Fine-Tuning daher fortlaufend statt^[15].

Künstliche neuronale Netze, Transformer-Architektur, Schichten und Parameter

Künstliche neuronale Netze bestehen aus einer Vielzahl von parallel angeordneten Schichten, die strukturellen Einheiten der Sprachmodelle. Es gibt eine Eingabeschicht, die versteckten oder verborgenen Schichten (engl. hidden layer), in denen die Berechnung stattfindet, und die Ausgabeschicht. Jedes Neuron im Netz führt eigene Berechnungen aus, speichert sie und gibt die daraus resultierenden Werte an die nächsten Neuronen weiter (oder bleibt stumm). In Transformer-Architekturen laufen die Abläufe nicht nacheinander ab, sondern parallel, was sie besonders schnell und leistungsfähig macht im Vergleich zu früheren sequentiellen Modellen neuronaler Netzwerke.

Ein Sprachmodell wird außerdem durch Parameter bestimmt. Darunter versteht man die Einstellungen, die das Modell für die Mustererkennung und die Entscheidungen verwendet. Diese Parameter werden während des Trainingsprozesses durch Optimierungsalgorithmen angepasst. Mittlerweile haben die Modelle mehrere Milliarden an Parameter. Zu den wichtigen Parametern gehören die Gewichtungen zwischen den Neuronen, die bestimmen, welches Token ausgewählt wird. Große Modelle und eine hohe Anzahl an Parametern bedeutet nicht zwangsläufig immer ein “besseres” Modell. Kleine Modelle (Small language models) wie Microsofts Phi-3-Mini können dank sehr stark kuratierter Trainingsdaten durchaus mit größeren Modellen mithalten und ältere Modelle sogar schlagen. Sie sind dafür kosteneffizienter und umweltfreundlicher.

Wer bis hierher mit der Lektüre durchgehalten hat, sollte jetzt die Abkürzung GPT in ChatGPT verstehen, die für Generative Pre-Trained Transformer steht.

Was macht ein LLM?

Ein LLM ist also ein statistisches Modell von Sprache, das darauf trainiert ist, das wahrscheinlichste nächste Wort in einem Satz vorherzusagen (engl. next word prediction). Lautet eine Eingabe beispielsweise wie in der Abbildung “The best thing about AI is its ability to” Dann ist das nächste wahrscheinlichste Wort laut Sprachmodell “learn”^[16].

Beim Schreiben eines Textes, so erklärt es Stephen Wolfram, macht das Modell nichts anderes, als nach jedem Wort wieder neu zu fragen und zu berechnen, wie nun angesichts des bisherigen Textes die nächsten wahrscheinlichen Worte lauten, und davon eines auszugeben.

Das Modell nimmt aber nicht immer das am höchsten gerankte Wort. Das würde die Texte flach und wie von einem Computer geschrieben erscheinen lassen. Wann es nach welcher Wahrscheinlichkeit das zweit- oder drittplatzierte Wort ausgibt, wird über Hyperparameter definiert (insbesondere der sogenannten Temperatur, die man bei manchen Modellen selbst einstellen kann – bei 0 erhält man die wahrscheinlichste Formulierung, in Richtung 1 wird die Wortauswahl immer kreativer). Dies führt – abgesehen von den weiter unten behandelten Halluzinationen – u.a. dazu, dass Antworten nicht reproduzierbar sind und dass manchmal ungewöhnliche Wortzusammensetzungen oder kreative Formulierungen erzeugt werden.

LLM haben – dies zur Wiederholung – kein Verständnis von der Frage und auch nicht von der von ihnen kreierten Antwort. Sie sind nicht in der Lage, Wahrheit und Lüge voneinander zu unterscheiden oder die Verlässlichkeit des eigenen Outputs zu beurteilen. Ihnen liegt kein Weltbild zugrunde, keine Wissensbasis, sondern ein riesiges statistisches Sprachmodell. Bereits 2021 wurde daher vor LLMs als “stochastischen Papageien” gewarnt, die nichts Neues kreieren können und mehr oder weniger zufällig die Dinge nachplappern, die sie zuvor aufgeschnappt haben^[17]. In der Forschung werden diese Aspekte freilich kontrovers diskutiert, gerade weil die Modelle sich extrem gut an ihr Training erinnern und bestimmte Aufgaben so hervorragend erledigen können. Daran schließt sich eine ganze Reihe an Fragen an, wie z.B. was Intelligenz überhaupt ausmacht, was originell an dieser Art von KI ist, wie ihre Form des “Reasoning” funktioniert und zu bewerten ist, ob unsere Texte bald alle ähnlich klingen werden, wenn wir beim Schreiben KI-Tools einsetzen^[18] und ob nicht Historiker:innen aufgrund ihres Textfetischismus nun von den Hinterbänken in die vorderste Reihe der digitalen Revolution katapultiert werden müssten (schön wär’s!)^[19]…

Grenzen der Technologie

Die Datenbasis der LLM besteht aus einer riesigen Menge an Texten, die viele problematische Meinungen und Vorurteile sowie Lücken enthalten und historische Tiefe vermissen lassen. Hinzu kommt mangelnde Transparenz bei der Auswahl der Trainingsdaten und bei den Designentscheidungen für das Modell. Die mangelnde Aktualität der Trainingsdaten spielt eine geringere Rolle, wenn die Modelle über Retrieval-Möglichkeiten verfügen, also selbstständig im Internet nach Informationen suchen können.

Bias

Bias bedeutet Verzerrungen. Die Modelle beruhen auf großen Mengen an Texten aus dem Internet und anderen Quellen und spiegeln die darin enthaltenen politischen und moralischen Einstellungen genau wie die geschlechtsspezifischen, rassistischen und sonstigen diskriminierenden Muster wider. Thematisch und geografisch ist das WWW wenig ausgeglichen. Der Schwerpunkt liegt auf der Textproduktion des globalen Nordens. Entsprechend haben die mit diesen Trainingsdaten gefütterten LLM die Tendenz, dessen Perspektiven und Vorurteile zu reproduzieren. Emmanuel Ngue Um kritisiert, dass der Anteil Afrikas an der globalen Wissensökonomie weiter zurückgehen wird, wenn ChatGPT & Co. als Wissenslieferanten dominieren^[20]. Zwar wird in den Einstellungen gegen Verzerrungen gesteuert, doch kann dies in die falsche Richtung ausschlagen. Ein Beispiel dafür ist der Bildgenerator Gemini von Google, der (zu sehr) auf Diversität programmiert war und farbige Wehrmachtssoldaten, indisch aussehende Päpstinnen und andere historisch falsche Bilder erzeugte. Neben den Verzerrungen der Trainingsdaten können ebenso die Voreingenommenheiten der Entwickler:innen eine Rolle beim Bias eines Modells spielen, etwa durch das menschliche Feedback beim Fine-Tuning (RLHF, siehe oben).

Halluzinationen

Es kann nicht oft genug betont werden, dass ChatGPT und ähnliche Sprachmodelle nichts wissen, nicht rechnen können und keine Logik beherrschen (auch wenn es mittlerweile für fast alles eigene KI-Werkzeuge basierend auf dem Modell gibt, siehe unten). Sie simulieren lediglich Sprache. Von LLM generierte Textinhalte zu Fakten und Quellenbelegen klingen zwar häufig plausibel, sind aber frei erfunden. Solche Halluzinationen liegen nicht an den Trainingsdaten, sondern an der Funktionsweise von LLM, die darauf ausgelegt sind, das nächste wahrscheinliche Wort vorherzusagen. So löst beispielsweise die Abkürzung “ISBN” bei den Modellen aus, eine 13-stellige Zahl anzugeben, weil dies gemäß ihrer statistischen Berechnung als nächstes kommen muss. Es handelt sich jedoch um irgendeine 13-stellige Zahl und nicht um die spezifische, die zu einem bestimmten Buchtitel gehört. Fakten, wie in welchen Jahren die Olympischen Spiele in Deutschland stattgefunden haben, wird ein LLM vermutlich richtig beantworten. Sobald jedoch Nischenwissen gefragt ist, werden die Antworten oberflächlich oder falsch. Letzteres gilt auch für die dazu angegebenen Belege.

Die Liste der Beispiele für lustige, tragische oder auch gefährliche Halluzinationen ist lang. Dazu – wie auch zur Frage, ob der Begriff Halluzinationen überhaupt gerechtfertigt ist^[21] – wird viel geforscht, da die Fehler im Output eines der derzeitigen Hauptprobleme von KI-Chatbots sind. Obwohl die Erweiterung der Modelle Häufigkeit und Stärke von Halluzinationen reduziert, sind sie diesen Sprachmodellen grundsätzlich inhärent. Ohne eine unterlegte Ontologie oder Wissensbasis werden sie nicht vollständig eliminiert werden können. Mittlerweile wird direkt in den KI-Tools mit einem Hinweis der Art “ChatGPT kann Fehler machen. Überprüfe wichtige Informationen.” über oder unter dem Eingabefeld vor Halluzinationen gewarnt.

Was man mit ChatGPT nicht tun sollte

Bei der Verwendung von Chatbots sind also angepasste Prüfmechanismen notwendig, insbesondere das Abgleichen von Informationen und Literatur sowie die gründliche Überprüfung der erstellten Inhalte. Daran schließt sich nahtlos an, was man mit Chatbots nicht tun sollte (eine Auswahl):

• Ganze Texte oder auch nur Textteile ungeprüft übernehmen, selbst, wenn man dies richtigerweise als reinen KI-Inhalt ausflaggt. Dadurch können Fehler oder Diskriminierungen verbreitet werden und es können unbeabsichtigt Plagiate oder Copyright-Verletzungen entstehen (siehe unten). Die Text- und Bildverantwortung liegt bei den Nutzer:innen.
• Faktensuche durchführen. Dafür sind die Modelle nicht geeignet, es sei denn, es handelt sich um ein internetfähiges Modell, das aktiv im Internet suchen und Quellen angeben kann (z.B. Perplexity). Ansonsten erfinden Chatbots häufig Angaben zu Lebensläufen, Orten und Ereignissen.
• Sich auf Literatur- und Quellenangaben sowie Linkadressen verlassen, da hier die Gefahr von Halluzinationen besonders groß ist. Bibliotheken berichten davon, dass sie zunehmend Fernleihbestellungen bekommen für Aufsätze und Bücher, die gar nicht existieren und die vermutlich ein Sprachmodell “erfunden” hat.
• Rechenaufgaben oder logische Probleme lösen lassen.

Rechtliche und ethische Fragen

Die Nutzung von KI-Tools wirft eine Vielzahl rechtlicher und ethischer Fragen auf, von denen nur einige hier angerissen werden können^[22]. Besonders im Hinblick auf Urheberrechte und Datenschutz ist bei der Nutzung Vorsicht geboten. Die Trainingsdaten der Sprachmodelle enthalten neben gemeinfreien Texten auch große Mengen an urheberrechtlich geschütztem Material, was zu Klagen geführt hat und entsprechend die Gerichte beschäftigt. Für die Nutzung muss man wissen, dass es nicht völlig ausgeschlossen ist, dass ein LLM Textteile aus den Trainingsdaten wortwörtlich wiedergibt. So kann es zu unbeabsichtigten Copyright-Verletzungen kommen, wenn man Texte eines LLM eins zu eins übernimmt. “Per Prompt zum Plagiat” ist ein lesenswerter Beitrag von Ulrike Ferch, Professorin für Medienrecht, in dem sie u.a. dieses Risiko beschreibt^[23].

Hochladen und Verwenden von Daten/Texten/Anträgen

Ein weiterer Themenkreis ist das Hochladen oder Verwenden von Daten zur Verarbeitung durch die KI. Ulrike Ferch schreibt dazu, dass gemeinfreie Inhalte oder solche unter einer freien Lizenz wie CC-BY “auf beliebige Weise durch die KI” bearbeitet werden können, wobei die Allgemeinen Geschäftsbedingungen des Tools zu beachten sind dahingehend, ob man Nutzungsrechte an den eingegebenen Inhalten an die KI überträgt^[24]. Zum Schutz der Privatsphäre und zur Einhaltung der DSGVO sollten keine vertraulichen oder persönlichen Informationen in die Modelle eingegeben werden. Das betrifft beispielsweise Drittmittel- oder andere Anträge, die man begutachten soll und die nun mal vertraulich sind. Die DFG hat dies in einer Stellungnahme des Präsidiums im September 2023 explizit gemacht.

Dokumentation und Eigenständigkeitserklärung

In dieser DFG-Stellungnahme wird zudem darauf hingewiesen, dass Forschende bei der Veröffentlichung ihrer Ergebnisse im Sinne wissenschaftlicher Integrität offenlegen sollten, ob und welche generativen Modelle sie zu welchem Zweck und in welchem Umfang eingesetzt haben. Viele Forschende scheinen sich nicht einmal die Mühe zu machen, den von der KI kreiierten Output durchzulesen, anders lässt sich die Schwemme an publizierten Artikeln mit dem typischen Beginn eines Chatbot-Outputs (“certainly, here is…”), wie sie etwa Google Scholar listet, nicht erklären. Der Nachweis von nicht deklarierter KI-Nutzung in der Wissenschaft ist – über die anscheinend nicht besonders zuverlässigen KI-Detektoren hinaus – zu einem eigenen Forschungsgegenstand geworden, genau wie die Frage, wie hoch überhaupt der Prozentsatz derjenigen ist, die KI-Chatbots in der Wissenschaft verwenden^[25].

Vorschläge zur Eigenständigkeitserklärung bei der Nutzung von KI-Tools für Lehre und Prüfarbeiten gibt es z.B. bei der Deutschen Gesellschaft für Hochschuldidaktik (dghd) oder der Hochschule für Technik und Wirtschaft Berlin. Interessant ist der Vorschlag von Annette Glathe, Jan Hansen, Martina Mörth und Anja Riedel bei der dghd, wie der Einsatz der KI in Prüfungsleistungen dokumentiert werden soll, nämlich mit Angaben zum Tool, wofür es genutzt wurde, aber auch warum und wann (siehe Abbildung).

Die meisten Hochschulen und Universitäten dürften mittlerweile Leitlinien oder Handreichungen erlassen haben zum Umgang mit GenAI, insbesondere mit Blick darauf, wann der Einsatz von KI-Tools erlaubt ist und wie man den Einsatz dokumentieren soll^[26]. Eine Anpassung von Prüfungsleistungen und Lehre ist ein Thema, über das derzeit intensiv nachgedacht wird (Teil zwei des Beitrags speziell zur Lehre ist in Planung).

Welche Lizenz für KI-Inhalte verwenden?

Zur Lektüre empfohlen sei neben “Per Prompt zum Plagiat” auch der kurze und durch Beispiele anschauliche Beitrag von Fabian Rack darüber, wie mit KI erstellte Inhalte zu lizenzieren sind^[27]. Demnach sind – vereinfacht gesagt – reine KI-generierte Inhalte gemeinfrei, wenn an ihnen nichts geändert wurde. Lässt man etwa ohne Vorlage und völlig frei ein Bild erstellen und verwendet es anschließend ohne Bearbeitung (einfärben, zuschneiden, mixen…), dann ist CC-PDM (Public Domain Mark) die richtige Lizenz, selbst CC-0 wäre Copyfraud^[28]. Dazu sollte neben dem Prompt der Zusatz “KI generiert” angegeben werden. Wirkt man maßgeblich mit, im Fachjargon “hinreichend individuell und gestalterisch”, dann ist die Lizenz frei wählbar, sofern kein Bezug auf urheberrechtlich geschützte Werke hergestellt wird (dann wird es schwierig und komplex, nachzulesen bei Ulrike Ferch). Empfohlen wird CC-BY (mit eigenem Namen) und der Hinweis auf das oder die verwendeten Tools und ggf. die Angabe des Prompts. Letztere sind im Übrigen zumeist nicht urheberrechtlich geschützt, da sie nicht die erforderliche Schöpfungshöhe aufweisen. Auch hier sind die Nutzungshinweise der Tools zu beachten, da beispielsweise Midjourney nur “Non commercial”-Lizenzen für den von der LLM kreierten Output erlaubt^[29].

Ressourcenschonende Nutzung

Erinnert sei an die Berücksichtigung des enormen Stromverbrauchs der KI-Tools, der schnell unverhältnismäßig werden kann, wenn man für jede Kleinigkeit zur vermeintlichen Wunderwaffe ChatGPT greift. Jede:r sollte sich daher fragen, ob angesichts des zu erwartenden Outputs der Einsatz von KI-Technologie gerechtfertigt ist und wenn ja: ob es für die anvisierte Aufgabe nicht eines der kleineren Modelle tut. Dass es einen weltweit ungleichen Zugang auf KI-Tools gibt und KI soziale Ungleichheiten verstärken dürfte, sei hier zumindest erwähnt.

KI-Tools für die Wissenschaft

Die drei dominierenden Sprachmodelle ChatGPT (OpenAI) und seine Konkurrenten Claude (Anthropic) und Gemini (Google) liefern sich einen Wettkampf um das “beste” Sprachmodell. Eine Empfehlung auszusprechen ist angesichts ständig neuer Modelle kaum von Dauer^[30]. ChatGPT gilt bisweilen als langatmig, das Modell Claude 3.5 Sonnet als sehr freundlich und scheint in den Geisteswissenschaften beliebt. Erwähnt sei außerdem das Modell aus dem Hause Zuckerberg, Llama, das zumindest in den USA frei zur Nachnutzung angeboten wird. Es ist die Grundlage für den kostenlosen und bis zu einem gewissen Limit auch ohne Anmeldung nutzbaren HuggingChat, der Chatbot der Open-Source Plattform Hugging face, der keine Chatverläufe speichert. Dort hat man auch Zugriff auf die vorhin erwähnten energieeffizienteren kleinen Modelle aus der Phi-3-Familie. Im Open-Source-Bereich gibt es außerdem Mistral Large aus Frankreich und aus Kanada Cohere Command Plus, die man ebenfalls über HuggingChat aufrufen kann.

Insgesamt ist das Angebot an KI-Tools für die Wissenschaft riesig und nimmt ständig zu. Ob Schreibhilfe, PDF-Analyse, Literaturrecherche usw.: es gibt irgendwo ein passendes KI-Tool. Das Virtuelle Kompetenzzentrum: Künstliche Intelligenz und wissenschaftliches Arbeiten (VK:KIWA) hat eine praktische und nach Anwendungsbereichen geordnete Liste zusammengestellt, die man auf der Website des VK:KIWA im Reiter KI-Ressourcen findet^[31]. Viele der Drittanbieter-Apps basieren auf einem der großen Modelle und sind speziell für den jeweiligen Anwendungszweck verfeinert. Zu den in der Wissenschaft bekannten Anwendungen gehört Jenny AI, ein KI-basiertes, kostenpflichtiges Recherche- und Schreib-Tool, bei dem man Texte Satz für Satz validieren sowie eigene PDF zur Analyse hochladen und eigene Literaturangaben integrieren kann.

Als kostenloser und datenschutzkonformer Chatbot aus und für die Wissenschaft ist mir bisher nur das Angebot der GWDG bekannt: ChatAI. Um den Chatbot nutzen zu können, benötigt man eine AcademicCloud-ID. Eingaben und Antworten werden nur lokal beim Nutzenden innerhalb einer Sitzung gespeichert. Man hat die Wahl zwischen verschiedenen Sprachmodellen, wobei ChatGPT-4 seit Ende Mai 2024 nur noch Nutzenden in Niedersachsen und Mitgliedern von Max Planck Instituten zur Verfügung steht. Auch können dort nur txt-Dateien hochgeladen und verarbeitet werden.

Ein empfehlenswertes Tool ist die in der Grundfunktion kostenlose Suchmaschine Perplexity. Sie ist für das wissenschaftliche Arbeiten interessant, weil sie Quellenangaben zu den erstellten Texten liefert und damit einen Grundnachteil vieler Chatbots ausgleicht^[32]. In der Pro Version bietet das Tool weitere Funktionalitäten wie etwa die Page-Funktion, mit der man zuvor erstellte Inhalte blogähnlich teilen kann. Es gibt einen eigenen Einführungskurs für Perplexity speziell für Lehrende.

Grundlagen des Prompting

Wir nähern uns der Praxis. Ein Prompt ist die Eingabeaufforderung in natürlicher Sprache. Er beschreibt, was der Chatbot erledigen soll. Prompt Engineering meint das Anpassen und Verfeinern eines Prompts mit dem Ziel, den Output (completion im Fachjargon) zu verbessern. Denn so wie man in den Wald (das LLM) hineinruft, schallt es heraus. Mit anderen Worten: Die Qualität des Outputs eines LLM hängt auch von der Qualität des Inputs ab. Insofern lohnt sich die Beschäftigung mit Strategien für ein gutes Prompting, auch wenn die Bedeutung von Prompting-Skills parallel zur Verbesserung der KI-Tools abnehmen dürfte^[33].

Bestandteile eines Prompts

In Einführungen zirkulieren Eselsbrücken (bzw. Frameworks) für das Erstellen von guten Prompts, die sich zu großen Teilen überschneiden^[34]. Fasst man zusammen, sollte ein guter Prompt einen oder mehrere dieser Bestandteile aufweisen:

Persona: Die Angabe, welche Rolle das LLM bei der Antwort einnehmen soll, z.B. “Lehrbeauftragte im Fach Geschichte”, “digital historian”, “Redakteurin einer wissenschaftlichen Website”, “hilfsbereiter Experte in Named Entity Recognition” etc. Diese Information gibt zugleich Kontext (siehe unten) und steuert den Stil, in dem das LLM antwortet.

Anweisung: Eine spezifische Aufgabe oder Anweisung, die das Modell durchführen soll, z.B. “Fasse diesen Text zusammen”, “Verbessere diesen Text”, “Schlage fünf Überschriften für diesen Text vor”.

Kontext: Der wichtigste Teil eines Prompts! Der Kontext zeigt dem KI-Tool den semantischen Rahmen an, aus dem es die Antworten generieren soll.

Eingabedaten: Text, Bild, Daten etc., auf die sich die Anweisung oder Frage bezieht. Diese können per Copy-Paste eingefügt oder als Datei angehängt werden. Hier gibt es Unterschiede je nach Modell und Version; dabei auch die Grenze für die Länge des eingegebenen Textes beachten: bei ChatGPT-4 sind es mittlerweile 128.000 Token Input, bei Claude sind es 200.000 Token und bei Gemini sogar 2 Millionen Token.

Ausgabeindikator: Angabe zu Art, Länge oder Format der Antwort, z.B. Ausgabe in fünf Sätzen, als Tabelle, .csv-Datei, Mindmap, Bild, TEI/XML-Text etc., in welcher Sprache, in welcher Syntax, für welches Publikum: “für Forschungsförderer”, “für die interessierte Öffentlichkeit”, “für einen Zehnjährigen”.

Christopher Pollin listet in seiner Einführung zum Prompt Engineering eine Reihe an “besseren”, d.i. spezifischeren Prompts. Demnach ist “Provide constructive criticism on the following text highlighting areas for improvement” besser als ein knappes “Give me (criticial) feedback on the following text”, weil zugleich nach konkreten Stellen gefragt wird, die verbessert werden können. Oder “Optimize the following text|code for readability and efficiency” ist besser als “Improve the following text|code”, weil präzise angegeben wird, was verbessert werden soll (in diesem Fall die Lesbarkeit und Effizienz)^[35].

Bei langen Prompts ist es empfehlenswert, diese anhand der Promptbestandteile zu strukturieren und die Teilüberschriften in einfachem Markdown auszuzeichnen, d.h. mit zwei ## gefolgt von der Teilüberschrift (siehe Abbildung).

Grundsätzlich gilt:

• Je genauer und spezifischer die Aufgabe beschrieben wird, umso besser ist das Ausgabeergebnis.
• Vorsicht bei Verneinungen: Eher nicht schreiben, was der Chatbot NICHT machen soll, sondern das, was er tun soll (ansonsten macht er häufig genau das, was er nicht soll, wobei die neueren Modelle weniger empfindlich sind)^[36].
• Iterativ vorgehen und die Chat-Funktion nutzen: den Prompt nach und nach anpassen oder durch weitere Prompts das Ergebnis verfeinern und verbessern, z.B. “Shorten the text to 200 words”, “elaborate the third point and support it with an online research” usw.
• Eingabesprache ist (höchstwahrscheinlich) gleich Ausgabesprache, wenn man es nicht anders verlangt. D.h. schreibt man den Prompt auf Deutsch, ist auch die Ausgabe der KI auf Deutsch.
• Im Englischen sind die Ergebnisse zumeist besser. Daher zunächst die Aufgabe auf Englisch stellen und den generierten Text anschließend erst übersetzen (lassen). Es geht aber natürlich auch auf Deutsch.
• Klare Trennzeichen zur Unterscheidung von Anweisung und Eingabetext verwenden (d.i. Doppelpunkt und Eingabetext in Anführungszeichen setzen).
• Die Aufmerksamkeitsspanne des Modells beachten sowohl im Hinblick auf den Umfang des Eingabetexts als auch im Hinblick auf die Länge des Chats (siehe oben).
• Kontext oder Stil eines Chats können ungewollt die nachfolgende Unterhaltung beeinflussen (Kontextverschmutzung), z.B. wenn man die Anweisung erteilt hat, einen Sachverhalt für Zehnjährige zu erklären, bleibt der weitere Chat in diesem Modus (ggf. dann neue Unterhaltung beginnen).
• Größere Aufgaben in kleine Einzelschritte zerlegen.
• Explizite Einschränkungen angeben zur Länge der Antwort und zum Detailgrad (z.B. “Keep your answers short and avoid further details and references”). Sonst kann es sein, dass das LLM ausschweifend ins Dozieren gerät (wird vor allem bei ChatGPT beobachtet).

Für das Erstellen guter Prompts kann man auch den Chatbot einsetzen, indem man entweder einen Promptentwurf durch ihn verbessern lässt oder einen Prompt-Generator wie AI Prompt Creator verwendet. Diese helfen zunächst durch Fragen dabei, den eigenen Bedarf zu spezifizieren und entwerfen dann auf dieser Grundlage einen Prompt.

Schreiben und Anpassen von Prompts können zeitaufwendig sein, bisweilen so sehr, dass man die Aufgabe schneller selbst erledigt hätte. Vorher Nachdenken lohnt sich daher genauso wie Üben, Üben, Üben und das Anlegen von Prompt Repositories zur Dokumentation und zur gemeinsamen Nutzung guter Prompts, wenn man im Team arbeitet.

Wenn das LLM zu menscheln scheint

Für möglichst gute Resultate ist es wichtig, Überlastung zu vermeiden und der KI Zeit zu geben, die Informationen zu verarbeiten. Ansonsten kann es zu fehlerhaften oder unvollständigen Ausgaben kommen. Untersuchungen haben gezeigt, dass Ergebnisse an Qualität gewinnen, wenn man am Anfang eines Prompts explizit Zeit gibt und zu einem Schritt für Schritt-Vorgehen aufruft, etwa in der Art: “Take your time and do this step by step…”^[37].

Auch Höflichkeit (in Maßen), angekündigtes Trinkgeld und emotionale Erpressung führen zu besseren Output-Ergebnissen, ohne dass genau klar wäre, warum das so ist. In der Ratgeberliteratur wird empfohlen, einleitend in Prompts zu schreiben, wie enorm wichtig die nun folgende Aufgabe für das eigene Leben oder die eigene Karriere ist und dergleichen mehr. “This task is very important for my career, so please make an extra effort”, zu Beginn oder am Ende des Prompts kann die Qualität der completion erhöhen^[38].

Es gibt eine ganze Reihe an fortschrittlichen Prompt-Techniken wie das Prompten mit Beispielen (Zero-Shot und Few-Shot Prompting, siehe dazu unten), außerdem die Techniken Chain-of-Density, bei der eine Aufgabe mehrfach und immer feiner durchgeführt wird, z.B. das Erstellen einer Zusammenfassung (siehe die Abbildung), oder Chain-of-Thought, bei der komplexe Themen in kleine Schritte zerlegt wird, die Simulation, bei der man die LLM eine Unterhaltung mit Rede und Gegenrede von Personen mit unterschiedlichem disziplinären Background simulieren lässt und andere. Wer die eigenen Prompt-Kenntnisse erweitern möchte, kann im Prompt Engineering Guide und im Prompt Report die genauen Angaben zu diesen Techniken nachlesen^[39].

Einsatzbereiche von KI-Chatbots in den Geschichtswissenschaften

Die folgende Sammlung an Anwendungsbeispielen von KI-Chatbots in der Geschichtswissenschaft ist beispielhaft gemeint und naturgemäß nicht vollständig. Sie beschränkt sich auf Beispiele, die man direkt im Chat umsetzen kann, d.h. ohne Nutzung der API, Erstellen eines eigenen Tutors, Installation auf einem eigenen Server o.ä.

KI im Schreibprozess

Chatbots sind hilfreiche Editoren und können für die Texterstellung, -bearbeitung und -analyse eingesetzt werden. Mögliche Einsatzbereiche sind:

Bearbeitung/Paraphrasieren/Analyse von Texten

• Zusammenfassungen von Texten (konkret angeben wie viele Wörter oder Zeichen inkl. Leerzeichen die zu generierende Zusammenfassung haben soll).
• Entwerfen von alternativen Überschriften oder Kapitelüberschriften (auch hier bei Bedarf die anvisierte Länge, Zielgruppe, etc. angeben).
• Übersetzungen (z.B. mit DeepL).
• Korrektur von Rechtschreibfehlern und stilistische Bearbeitung (z.B. einfache Sprache oder nach den Regeln von Wolf Schneider)^[40] oder aus einem unverdaulichen Bandwurmsatz drei Sätze machen^[41] oder mithilfe der Lektorin Ludmilla, die die FAZ entworfen hat und sich ebenfalls auf Wolf Schneider bezieht^[42].
• Kritisches Feedback geben (spezifizieren worauf sich die Kritik richten soll, z.B. Lesbarkeit, Übergänge zwischen Absätzen, Verständlichkeit, Inhalt etc.).
• Suche von Synonymen oder alternativen Formulierungen.
• Dialog über Inhalte von Texten (siehe weiter unten Exploration von Quellen).
• Extraktion von Schlagwörtern (in unterschiedlichen Sprachen), um diese für die Recherche zu verwenden oder als Angabe bei Publikationen).
• Vereinheitlichung von Fußnoten gemäß einem vorgegebenen Stil.
• …

Promptbeispiel für die Korrektur eines englischsprachigen Textes und den Entwurf dreier Überschriften:

The following text is intended to provide information about my research project in historical science. It will be published on the website of my research institute and is aimed at both the scientific community and the general public. Please correct the text, which was written by a German native speaker in English, by addressing spelling and grammar errors and making it more idiomatic. Additionally, please suggest three potential headlines for the text.

Tipp: Um nachvollziehen zu können, was geändert wurde, sollte man sich die Änderungen anzeigen lassen. Nach dem obigen Prompt zum Textlektorat könnte es mit diesem Prompt weitergehen^[43]:

Thank you. Please revise the original text by incorporating your feedback, highlighting your modifications.

Je besser man Englisch kann, umso aufmerksamer wird man das typische ChatGPT-Englisch redigieren können. Je weniger die Worte “delve in”, “comprehensive”, “potential”, “intricate”, “pivotal” etc. vorkommen, umso besser^[44].

Christopher Pollin liefert in seinen Folien ein konkretes Beispiel, wie ChatGPT beim Erstellen eines Drittmittelantrags eingesetzt werden kann, sowohl für die zeitliche Projektplanung als auch für die Korrektur des Antragstexts. Das LLM soll dabei den Text aus der Perspektive von drei unterschiedlichen Persona bewerten: je eines Professors oder Professorin für Digital Humanities, für Computer Science und für Digital History^[45]. Zur Erinnerung: für die Begutachtung von Anträgen dürfen LLM zwar nicht eingesetzt werden, wohl aber für das Erstellen eigener Anträge, da die durch das LLM korrigierten Texte weniger Vertipper enthalten und sprachlich besser werden (können).

Im Paraphrasieren und Zusammenfassen sind LLM besonders gut. Wer für Social Media zuständig ist, wird sich darüber freuen, dass die Tools schnell aus einem vorgegebenen Text drei mögliche Tweets schreiben (inkl. Hashtags), wobei man anprompten kann, ob z.B. die Zusammenarbeit mit einem bestimmten Institut hervorgehoben werden soll, ob sich das Posting an die allgemeine Öffentlichkeit, an die Scientific Community oder an einen Forschungsförderer wendet, ob und wie gegendert werden soll etc.

Erzeugen von Textteilen

ChatGPT ist (derzeit) ein besserer Editor als Schreiber von Texten^[46]. LLMs können keine Abschlussarbeiten schreiben, ja, sie weigern sich (zum Glück) sogar, wie man am ironisch gemeinten Beitragsbild oben sehen kann mit dem Chatbeginn “Kannst Du meine Doktorarbeit zum Thema ‘Neue Ansätze zu Bismarcks Außenpolitik’ schreiben?”. Insofern ist auch die weitverbreitete Angst unbegründet, Studierende könnten nun mit minimalem Aufwand qualitativ hochwertige schriftliche Arbeiten erstellen. Aber als Schreibbuddy fungieren Chatbots recht gut, so Claudia Franceschini drüben im Blog Schreibtasche für Schreibdidaktik, das eine eigene und sehr anregende Blogserie führt in der Rubrik “Schreiben mit KI”^[47]. Wulf Kansteiner formuliert es so, dass es eine natürliche Affinität zwischen Historiker:innen und LLMs gibt: “beide schreiben über das, was sie woanders gelesen haben”, mit dem Unterschied, dass Historiker:innen versuchen, das “woanders” im Auge zu behalten und korrekt zu zitieren^[48].

Alle Einschränkungen zur Texterstellung sind bereits erwähnt, daher hier nur so viel: Setzt man dennoch einen Chatbot für die akademische Textproduktion ein, sollte man am besten iterativ vorgehen, d.i. kürzere Textteile erstellen lassen, diese überprüfen und anpassen und in den eigenen Text integrieren. Je besser man den Untersuchungsgegenstand beherrscht, umso enttäuschter wird man von den bisweilen oberflächlichen Formulierungen sein (Disclaimer: wie mächtig spezielle Schreib-Tools wie Jenny AI sind, kann ich nicht beurteilen, da ich damit noch nicht gearbeitet habe). Sehr hilfreich können LLM beim Schreiben von E-Mails sein, gerade in einer anderen Sprache, aber auch beim Verfassen von Letter of Intent^[49], im Berichtswesen und überall da, wo man Intention, Kontext und Stichworte geben kann und die KI dann ausformulieren lässt.

Brainstorming, Gliederung erstellen und Forschungsthema entwickeln

ChatGPT und Co. sind für die Unterhaltung optimiert. Daher können sie Anregungen und Ideen liefern und helfen, die eigenen Gedanken zu strukturieren und die Argumentation zu stärken. Einsatzbeispiele sind das Erstellen einer Gliederung für einen Vortrag oder eine Publikation sowie das Entwickeln einer Forschungsfrage^[50]. Ebenso lassen sich Lehrveranstaltungen im Austausch mit einer LLM planen, in dem man nacheinander Lernziele, Sitzungs- und Zeitplan, Aufgaben und Beispiele erarbeitet (mehr dazu in Teil 2).

Auch hier ist ein iteratives Vorgehen am erfolgsversprechendsten, d.h. man beginnt auf der Grundlage einer eigenen These oder eines Themas, Vorschläge zu erfragen, grenzt diese anschließend ein und verfeinert im Chat weiter. Erfahrungsgemäß liefert der Bot nie die perfekte Lösung, hilft einem aber durch den Austausch dabei, auf den richtigen Gedanken zu kommen oder liefert ergänzende Punkte, an die man selbst nicht gedacht hat. In der Lehre können Meta-Prompts zum Einsatz kommen, mit denen man das LLM per Prompt als AI-Tutor instruiert, bei der Auseinandersetzung mit einer Quelle oder zum Erlernen eines Themas den Studierenden wichtige Nachfragen zu stellen, die diese dann beantworten^[51].

Promptbeispiel für einen ersten Prompt einer Unterhaltung zur Entwicklung einer Fragestellung:

Take a deep breath and follow these steps carefully. Imagine you are a historian working on a PhD thesis in historical sciences. Your research focuses on the Franco-Prussian War of 1870-71, specifically examining the perception of violence among the general public and its impact on societal sensibilities. You have online access to a large collection of digitised French and German newspapers from that period. Please break down this research question and formulate a series of relevant inquiries, separatly addressing 1) French newspapers and 2) German newspapers.

Arbeit mit PDF und Exploration historischer Quellen

Tools wie Elicit, Explain Paper und ChatPDF sind speziell darauf trainiert, bei der Analyse von Forschungsaufsätzen zu unterstützen, die man im PDF-Format einfüttert. Zumeist ist eine Anmeldung und/oder ein kostenpflichtiges Abo für die Nutzung erweiterter Funktionalitäten erforderlich (Ausnahme: ChatPDF kann ohne Anmeldung genutzt werden, wobei es ein Limit von zwei PDF mit bis zu 120 Seiten pro Tag gibt).

Auch für die Exploration historischer Quellen können Chatbots Austauschpartner sein. Ein Beispiel für die Arbeit mit einer mittelalterlichen Chronik aus dem 15. Jahrhundert liefert Torsten Hiltmann^[52]. ChatGPT kann den mittelhochdeutschen Text zusammenfassen und ist auch bei der Einordnung der Quelle und der Klärung ambivalenter Stellen hilfreich. Wie auch bei anderen Beispielen gibt es jedoch Schwierigkeiten bei der Desambiguierung von Personennamen und bei Detailfragen. Domänenkenntnis bleibt daher zentral, auch wenn sich die KI Für das Erstellen von Angeboten für mögliche Einordnungen, Kontextualisierungen und Bewertungen sinnvoll nutzen lässt^[53].

Aus meinen eigenen Experimenten kann ich das bestätigen: Ich habe zunächst einen Brief der französischen Schriftstellerin Constance de Salm aus dem Jahr 1824 von ChatGPT-4 transkribieren lassen (siehe weiter unten) und dann Fragen dazu gestellt. Auch hier gab es Schwierigkeiten bei der Zuordnung einer Person (“mon voisin Voltaire”), aber zugleich das richtige Erkennen von “mon mari” als Person, d.i. der Ehemann. Anregend für die weiteren Gedankengänge waren die Antworten des Chatbots auf die Frage, ob sich aus dem Brief politische Aussagen lesen lassen sowie die Hinweise von ChatGPT zu möglichen Anspielungen im Brief auf das politische Klima des frühen 19. Jahrhunderts in Frankreich.

Bei der Auswertung größerer Quellenkorpora kommt man um das Erstellen eines eigenen KI-Klons nicht herum, da man die zahlreichen Dateien nicht einzeln im Chat hochladen kann. Die Nutzung der Schnittstelle (API) eines Modells dafür ist anscheinend gar nicht so kompliziert, auch wenn Kenntnisse einer Skriptsprache notwendig sind. Ein Beispiel für diese Art des Einsatzes von ChatGPT zur Exploration autobiographischer Quellen von Pelzhändlern aus dem 18. Jahrhundert oder von kanadischen Soldaten aus dem Ersten Weltkrieg findet sich bei Mark Humphries^[54] und auch Christopher Pollin hat dazu dankenswerter Weise Workshop-Unterlagen bei GitHub publiziert.

Die einzelnen Schritte sind natürlich kombinierbar und man kann akademische Narrative aus verschiedenen Aufsätzen extrahieren, diese mit eigenen Gedanken vergleichen, mit Inhalten aus Quellentexte kombinieren und damit die Texterzeugung vornehmen etc. Der Zeitaufwand für das Prompting ist dabei allerdings hoch. Aber die Prompts sind wiederverwendbar, und manchen dürfte diese Form des dialogischen Arbeitens eher liegen als ein stundenlanges Brüten über schwer zugängliche Texte.

Transkriptionen

Bei der Erstellung von Transkriptionen können KI-Tools unterstützend eingesetzt werden: sei es bei der Transkription von Tonaufnahmen oder bei handgeschriebenen und gedruckten Texten. Die Erkennung handgeschriebener Texte direkt vom Digitalisat sind nach meiner Erfahrung (bisher) unterschiedlich gut, je nach Sprache und Handschrift. Bei der bereits erwähnten Transkription eines Briefes von Constance de Salm war ich über die Qualität des Ergebnisses positiv überrascht, während die Transkription einer deutschen Handschrift aus dem Ende des 19. Jahrhunderts quasi frei erfunden war. Ähnlich gemischt erging es Annika Rockenberger, nachzulesen in ihrem anschaulichen Beitrag mit Promptbeispielen über die Verwendung von ChatGPT-4 für die Transkription eines handgeschriebenen (norwegischen?) Briefs und eines gedruckten Texts in frühneuzeitlichem Deutsch^[55]. Laut Mark Humphries wird ChatGPT aufgrund seiner Fähigkeit zur Mustererkennung sehr bald hochwertige Transkriptionen erstellen können^[56].

Im Moment ist der bessere Workflow zweifellos (auch in Abhängigkeit von Sprache und Schrift der Quelle, Umfang des Korpus und Qualität der Digitalisate^[57] ), die Handschriftenerkennung mit einem professionellen Tool wie Transkribus oder eScriptorium zu erstellen und dann mit einem Chatbot Korrekturen durchführen und Lücken auffüllen zu lassen für die Wörter, die man nicht entziffern konnte. Wichtig ist die Vorgabe im Prompt, die Wortreihenfolge nicht zu verändern und jedes geänderte Wort in eckigen Klammern anzuzeigen, um die Änderungen der KI nachvollziehen zu können (siehe Promptbeispiel). Laut Mark Humphries sind die Ergebnisse sehr gut, mit Abstrichen bei Eigennamen und Zahlen. Er schlägt vor, bei Transkriptionen im größeren Stil für das jeweilige Korpus dem LLM ein Wörterbuch an die Hand zu geben, d.h. eine Liste an häufig genannten Eigennamen, Orten und ungewöhnlichen Worten, um damit die Fehlerrate bei der Erkennung zu senken^[58].

Promptbeispiel^[59]:

The following is a transcript of a handwritten 1819-20 annual report for the HBC‘s Lesser Slave Lake Disctrict that was OCRed using handwriting recognition. Use pattern recognition and prediction to correct the OCR errors while maintaining the word order, syntax, spelling, capitalization, and grammar of the original text. Enclose any word you change in square brackets in your response. „…“

Text in TEI/XML auszeichnen

Im Bereich DH wird damit experimentiert, LLMs für das Erstellen von Editionen zu nutzen, d.h. für die Auszeichnung von Text mit TEI/XML. Auch hier scheint der Qualitätssprung von ChatGPT-3.5 zu ChatGPT-4 enorm. Anleitungen zum Nachbauen finden sich in den Slides bei Christopher Pollin, allerdings für die wirklich professionelle Anwendung unter Nutzung von API, Python, speziellen Tutors und sogenannter Retrieval Augmented Generation (RAG), bei der eine eigene und speziell als Vektordatenbank aufbereitete Datenbasis mit der LLM kombiniert wird, so dass sich die Abfragen auf dieses Kontextwissen stützen^[60].

Named Entity Recognition (NER)

Große Sprachmodelle sind sehr gut darin, in einem Text Personen, Körperschaften, Orte und Ereignisse zu erkennen. Im kleineren Stil – also ohne Nutzung der API – kann man per Prompt nach einer Liste von erwähnten Personen, Orten, Körperschaften und Ereignissen fragen und bekommt diese schnell geliefert. Eine professionelle Durchführung von NER, d.h. mit einer Auszeichnung des Originaltexts, hat das Team von Torsten Hiltmann am 26.6.2024 im Forschungskolloquium Digital History vorgestellt^[61]. Durch geschicktes Prompting konnte das Team im Ursprungstext, einem Baedeker-Reiseführer für Berlin aus dem Jahr 1921, die darin enthaltenen Personen, Organisationen und Orte auszeichnen lassen. Ohne der noch folgenden Veröffentlichung vorgreifen zu wollen bzw. zu können, sei hier nur erwähnt, dass die recht umfangreichen Prompts wie im Beispiel der Abbildung von Christopher Pollin zur Strukturuierung eines Texts in TEI/XML immer Regeln enthalten für das Durchführen der Aufgabe und die Anweisung, den gegebenen Text exakt zu wiederholen und daran nichts zu ändern.

Literaturrecherche

Literaturrecherche ist derzeit mit den KI-Chatbots wie auch mit den gängigen in Suchmaschinen integrierten LLM (Gemini, Copilot) unzuverlässig. Copilot von Bing, der auf ChatGPT-4 zugreift, schneidet dabei besser ab als ChatGPT-3.5, was den allgemein konstatierten Qualitätssprung zwischen beiden Modellen bestätigt, aber noch nicht deren grundsätzliche Eignung für Literaturrecherche^[62]. Ein sinnvoller Einsatz von LLM kann dagegen sein, sich für die Suche in Bibliothekskatalogen Schlagwortlisten ausgeben zu lassen, so macht es z.B. Friedrich Quaasdorf mit dem Prompt “Mit welchen Schlagwörtern kann ich Literatur zum Ausbruch der Französischen Revolution finden? Nenne 20 Schlagwörter”. Gemini erstellte eine umfassende und in die Punkte Allgemein, Personen, Ereignisse und Ideen gegliederte Liste und gab dazu hilfreiche Suchtipps^[63]. Allgemein wird Perplexity für die Suche nach Literaturangaben gelobt, weil die KI-Suchmaschine Quellenangaben zu den Antworten mitliefert und damit ein Überprüfen der Ausgabe ermöglicht^[64].

Visualisierungen und Datenanalyse

KI-Chatbots können für die Datenanlyse eingesetzt werden, etwa für die Ausgabe von Visualisierungen von Daten aus Tabellen oder für die Entwicklung von Ideen für mögliche Fragestellungen und Auswertungen von Daten.

Promptbeispiel

You are an expert data scientist and historian specializing in migration history. Your task is to analyze a dataset containing addresses and professions of German migrants in Paris in 1854. Please identify potential analyses that can yield valuable insights into this migration phenomenon. After examining the dataset, recommend specific analyses that we can collaboratively explore to uncover meaningful patterns and trends.

Your recommendations should focus on extracting informative features from the data, such as:

• Comparing demographic characteristics, like profession or arrondissement of residence, to identify correlations or disparities
• Investigating spatial patterns, like clustering or dispersion, of German migrants across Paris
• Analyzing the distribution of professions among German migrants to identify dominant industries or occupational trends
• Examining the relationship between address and profession to identify potential connections between residential location and employment

For each recommended analysis, please provide a clear explanation of:

1. Purpose: What research question or hypothesis does the analysis aim to address?
2. Methodology: What statistical measures or techniques will be employed to conduct the analysis?
3. Potential insights: What new understanding or knowledge can be gained from the analysis?

Following your analytical recommendations, please create different visualizations of the data to facilitate a deeper understanding of the migration patterns. This task is crucial for our project, and I would like you to prioritize the creation of informative and intuitive visualizations that effectively communicate the findings.

Gerade bei Formatwechsel ist ChatGPT sehr gut, so auch beim Erstellen von Tabellen aus Fließtext oder beim Korrigieren und Speichern von Daten in einem Tabellenformat. Das macht KI-Chatbots zu hilfreichen Assistenten auch in der genealogischen Forschung^[65].

Qualitative Inhaltsanalyse

In den Sozialwissenschaften wird die Verwendung von KI-Chatbots für die qualitative Inhaltsanalyse getestet, d.h. das Entwerfen von inhaltlichen Codes, das Auszeichnen von großen Textmengen mit diesen Codes und dem anschließenden Clustern und Auswerten. Ein Beispiel findet sich in einem Blogbeitrag von Isabel Steinhardt, die als Ergebnis festhält, dass Chatbots helfen können, hinsichtlich möglicher Auswertungen auf erste Ideen zu kommen, dass sie aber den eigentlichen Codierungsprozess nicht ersetzen können^[66].

Skripten und Coden

Was für Texte gilt, gilt auch für Code: LLM können beim Erstellen, Korrigieren, Erweitern etc. von Code für Programmiersprachen unterstützen. Gerade, wenn man nur rudimentäre Programmierkenntnisse hat, sind KI-Anwendungen eine echte Hilfe. Fehlerfrei sind jedoch auch die Skript- und Codeschnipsel nicht, obwohl die für die Sprachmodelle ausgewerteten Hilfsplattformen mit ihrer praktischen Frage-Antwort-Struktur bei einfachen Anwendungen gute Ergebnisse liefern. “It’s easy to generate code, but not so easy to generate good code.”, beschreibt es Charity Majors in ihrem Blog^[67]. Mit Tools wie dem Code Interpreter von ChatGPT (heißt jetzt treffender Data Analyst, zu finden unter den GPTs von OpenAI) kann man direkt in der ChatGPT-Umgebung Python-Code schreiben und ausführen lassen und damit Daten hochladen und analysieren, letzteres auch als interaktive Analyse. Ein Anwendungsbeispiel ist etwa das massenhafte Umbenennen von Digitalisaten.

Sonstige Assistenz

Weitere Anwendungsmöglichkeiten von KI-Chatbots sind:

• Workshops planen^[68]
• Texte so optimieren, dass Suchmaschinen sie gut finden.
• Ein GANTT-Diagramm aus einem Zeitplan erstellen (aus einer Tabelle oder aus Fließtext).
• Formate umwandeln (darin sind LLM besonders gut): “Convert this file to tsv.” o.ä.
• Zitatstil ändern: Text mit Chicago Zitation-Stil an das LLM übermitteln und Zitate/Quellen in Harvard oder APA Zitationsstil umwandeln lassen.
• Eine Bibliographie mit der Reihenfolge Name, Vorname, Titel… ändern zu Vorname Name, Titel…
• Slides erstellen lassen ausgehend von Vortragsnotizen (z.B. mit Gamma oder SlidesGPT).
• Illustrationen oder Begleitmaterialien erstellen lassen (nicht die künstlich wirkenden Bilder), sondern etwas wie QR-Code, der zu einer bestimmten URL führt oder eine Wortwolke in schwarz-weiß oder anderes.
• …

Ein Beispiel sei zum Schluss noch angefügt, das die systematische Textergänzung an einer bestimmten Stelle bei Glossareinträgen betraf. Für jeden Worteintrag im Glossar sollte ein HTML-Anker erstellt werden, um direkt auf einen Glossareintrag zu verlinken. Dafür haben wir ChatGPT ein Beispiel vorgegeben, wie der korrigierte Eintrag aussehen soll und dann aufgefordert, die restlichen rund 60 Einträge nach dem gleichen Stil zu modifizieren. Das Prompten mit Beispielen nennt man One-shot prompting, wenn ein Beispiel verwendet wird, oder Few-shot prompting, wenn man mehrere Beispiele vorgibt (was zu besseren Ergebnissen führen kann).

Beispielprompt:

Hier ist ein Schema für einen HTML-Code: “<details> <summary style=”cursor: pointer;line-height: 1.6em;font-size:1.3em”>Auflösung</summary> <p>Die Auflösung ist das Maß für die Anzahl der Pixel, die auf einem Bildschirm oder in einem Kamerasensor dargestellt werden können. </p></details>”

An diesem HTML-Code habe ich eine Änderung vorgenommen und zwar einen HTML-Anker gesetzt: “<details> <summary style=”cursor: pointer;line-height: 1.6em;font-size:1.3em”><a id=”AufloesungID” href=”#AufloesungID”>Auflösung</a></summary> <p>Die Auflösung ist das Maß für die Anzahl der Pixel, die auf einem Bildschirm oder in einem Kamerasensor dargestellt werden können. </p></details>”

Führe dieselbe Änderung bei den folgenden Texten ebenfalls durch: „…“

Obwohl dieser Prompt wahrlich nicht perfekt ist, funktionierte das automatisierte Ergänzen der Glossareinträge sehr gut und hat uns viel Zeit erspart, zumal das Glossar zur Automatic Text Recognition in drei Sprachen erstellt werden sollte. Allerdings tauchten in der durch ChatGPT ergänzten Fassung des Glossar drei neue Einträge auf, die vorher nicht da waren und die der KI-Chatbot erfunden hat. Sprich: Ohne Nachprüfen geht es nicht.

Lohnt sich das denn?

Manche dürften sich abschließend fragen, ob sich der Einsatz von KI-Chatbots in den Geschichtswissenschaften auf diesem vergleichsweise niedrigen Niveau überhaupt lohnt angesichts der Zeit, die gutes Prompting erfordert, der benötigten Energie für die Rechenleistung und der Qualität des Outputs, der auf jeden Fall Kontrolle und Nacharbeit erfordert. Der Nutzen von LLMs dürfte von Person zu Person verschieden sein, je nach Aufgabenspektrum und Datennähe der historischen Praktiken. Je mehr repetitive Aufgaben man hat, umso mehr freut man sich über die Zeitersparnis, die einem der Einsatz eines Chatbots bescheren kann. Wer vor einem leeren Blatt Papier sitzt, eine Schreibhemmung hat, wem partout keine guten Überschriften einfallen wollen oder wem die Zusammenfassung eigener Aufsätze schwerfällt, kann vor allem von LLMs als Schreibassistenz profitieren. Die Korrektur meiner englischsprachigen Texte durch ein LLM finde ich hilfreich und überzeugend, bei den deutsch- und französischsprachigen Texten würde ich den Wert der Korrekturen etwas heruntersetzen (was gleichermaßen an mir wie an ChatGPT liegen kann). Auch die KI-gestützte Inhaltsextraktion oder Zusammenfassung von Quellen (etwa serielle Quellen, einzelne Parlamentsdebatten, Aufsätze etc.), um schnell einen Überblick zu bekommen, kann zeitsparend sein. Nicht zu unterschätzen ist außerdem – trotz der genannten Einschränkungen – die Hilfe bei der Erstellung von Transkriptionen einzelner handschriftlicher Texte. Neben Zeitersparnis/Effizienz und Textkorrekturen sind es die Anregungen für die Ausarbeitung von Fragestellungen durch mögliche Einordnungen, Kontextualisierungen und Bewertungen von Literatur und Quellen, die wertvoll sein können. Und was Fehler und Nachkorrigieren angeht: Mark Humphries schätzt Art und Umfang der Fehler eines LLM als ähnlich hoch ein wie die einer Hilfskraft, nur das letztere unendlich viel länger für das Ergebnis benötigt (wobei er mit der API arbeitet, d.h. mit großen Mengen an Text).

Ich würde auf die Frage “Lohnt sich das denn?” im Moment mit einem klaren “Jein” und einem “Kommt darauf an” antworten sowie mit dem Aufruf, selbst verschiedene Szenarien auszuprobieren, um das erwartbare Ergebnis besser einschätzen zu können und damit verantwortungsvollen Umgang mit GenAI zu lernen. In diesem Sinne: viel Erfolg!

---

Weiterlesen

Zur Einführung (in die Praxis)

Steffen Albrecht, ChatGPT und andere Computermodelle zur Sprachverarbeitung – Grundlagen, Anwendungspotenziale und mögliche Auswirkungen, TAB-Hintergrundpapier Nr. 26, 2023, https://publikationen.bibliothek.kit.edu/1000158070.

Torsten Hiltmann, Hermeneutik in Zeiten der KI. Large Language Models als hermeneutische Instrumente in den Geschichtswissenschaften, in: Gerhard Schreiber, Lukas Ohly (Hg.),  KI:Text: Diskurse über KI-Textgeneratoren, Berlin 2024, S. 201-232. https://doi.org/10.1515/9783111351490-014.

Andrej Karpathy. [1hr Talk] Intro to Large Language Models, https://youtu.be/zjkBMFhNj_g?si=6avdbsqCTxZ6WEO9.

Christopher Pollin, Workshopreihe “Angewandte Generative KI in den (digitalen) Geisteswissenschaften” – AGKI, Univ. Graz, https://chpollin.github.io/GM-DH/index.html.

Stephen Wolfram, What Is ChatGPT Doing … and Why Does It Work?, 14. Februar 2023, https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/.

Glossar LLM

Erstellt von Mitgliedern des Verbands DHd, https://projects.academiccloud.de/api/v3/attachments/76033/content

Schulungen

KI-Campus, https://ki-campus.org/.

Coursera, Empfehlenswerte Lerneinheit zu acht kontroversen Begriffen rund um LLM, https://www.coursera.org/learn/8-most-controversial-terms-in-ai-explained/home/welcome.

Prompting

DAIR.AI, Prompting Guide, https://www.promptingguide.ai/de.

Sander Schulhoff et. al., The Prompt Report: A Systematic Survey of Prompting Techniques, https://arxiv.org/pdf/2406.06608, 17.6.2024.

Blogs

• Mark Humphries, Generative History, https://generativehistory.substack.com/.
• Resobscura mit eigenem GPT Historian‘s friend, https://resobscura.substack.com/p/generative-ai-for-historical-research.
• Ethan Mollick, One useful thing, https://www.oneusefulthing.org/.
• AI in History, https://aiinhistory.hypotheses.org/ (zu einem Workshop im kommenden September, d.h. dürfte demnächst befüllt werden).

____

Beitragsbild: KI-generiert, erstellt von DALL-E, CC-PDM.

1. Ich danke Christopher Pollin und Martin Dröge sehr herzlich für ihre kritische Lektüre des Beitrags und für ihre weiterführenden Hinweise. ChatGPT hat beim Korrekturlesen der Grundlagenteile des Beitrags mitgewirkt. [↩]
2. Vgl. beispielsweise Felix Guffler, Der Einsatz von künstlicher Intelligenz in der Geschichtswissenschaft – ein Zwischenbericht zu ChatGPT und Midjourney, in: Archivalia, 6.5.2023, https://archivalia.hypotheses.org/172934; Torsten Hiltmann, Hermeneutik in Zeiten der KI. Large Language Models als hermeneutische Instrumente in den Geschichtswissenschaften, in: Gerhard Schreiber, Lukas Ohly (Hg.), KI:Text: Diskurse über KI-Textgeneratoren, Berlin 2024, S. 201-232, https://doi.org/10.1515/9783111351490-014, ab Abschnitt 6, Klaus Graf, Top 10 wichtigste Artikel über KI auf Archivalia (nach Ansicht meiner Freiburger Übungsteilnehmer*innen), in: Archivalia 31.7.2024, https://doi.org/10.58079/12458 und die dortige Rubrik KI sowie weitere hier im Beitrag genannte Beiträge. [↩]
3. Sehr empfehlenswert sind die Folien der Workshopreihe “Angewandte Generative KI in den (digitalen) Geisteswissenschaften” von Christopher Pollin, Univ. Graz, https://chpollin.github.io/GM-DH/index.html. [↩]
4. Durchgeführt gemeinsam mit Martin Dröge, Anna Faust und Melanie Althage. Manche Beispiele sind der Präsentation des Workshops entnommen. [↩]
5. Carolin Hilscher, Tobias Seidl, Cornelia Vonhof, Angebote zur Förderung der KI Literacy an deutschen Universitätsbibliotheken: Empirische Befunde aus dem Wintersemester 2023/24, in: O-Bib. Das Offene Bibliotheksjournal 11 (2024), 2, S. 1-14, https://doi.org/10.5282/o-bib/6031. [↩]
6. Eine Einführung zu Midjourney und DALL-E 3 bietet ebenfalls Christopher Pollin im Rahmen der erwähnten Workshopreihe, https://chpollin.github.io/GM-DH/workshop-pages/workshop6.html. [↩]
7. Siehe dazu z.B. die Beiträge im Schwerpunkt Artificial Intelligence and the Practice of History: A Forum in der Ausgabe 128/3 (2023) der Amercian Historical Review; Wulf Kansteiner, Digital Doping for Historians. Can History, Memory, and Historical Theory be Rendered Artificially Intelligent?, in: History and Theorie 61/4 (2022), S. 119–133, https://doi.org/10.1111/hith.12282. [↩]
8. Bei unimodaler GenAI wird Text ein- und auch ausgegeben. Bei multimodaler GenAI kann es verschiedene Eingabeformate geben wie Text, Video, Stimme, Bilder und ebenso verschiedene Ausgabeformate. [↩]
9. Die Verwendung von Token statt vollständiger Worte hilft, den Text effizienter zu verarbeiten. Bei seltenen oder neuen Wörtern ist es ebenfalls nützlich, in kleineren Einheiten zu arbeiten. Auch fallen Vertipper nicht so stark ins Gewicht. [↩]
10. Vgl. Jürgen Hermes, Durch neuronale Netze zur Lingua Franca. Wie Algorithmen unsere Kommunikation bestimmen, in: Joachim Berger, Thorsten Wübbena (Hg.), Wissen ordnen und entgrenzen – vom analogen zum digitalen Europa?, Göttingen 2023, S. 47-66, hier S. 60, https://doi.org/10.13109/9783666302312.47. [↩]
11. Dabei können die Relationen der Vektoren zueinander Bedeutung ausdrücken. Wer mehr dazu und zum Embedding wissen möchte, kann das in der Kurseinheit Word Embeddings von Lena Voita nachlesen: https://lena-voita.github.io/nlp_course/word_embeddings.html#main_content. [↩]
12. Hermes, Durch neuronale Netze zur Lingua Franca, S. 61. [↩]
13. Die Verarbeitung von rund 10 Terabyte reiner Text in ein neuronales Netz benötigt 6000 Graphics Processing Unit (GPU), also Prozessoren, die parallele Berechnungen in hoher Geschwindigkeit durchführen können. GPU wurden ursprünglich für Computerspiele entwickelt und haben einen extrem hohen Energieverbrauch. Vgl. Steffen Albrecht, ChatGPT und andere Computermodelle zur Sprachverarbeitung – Grundlagen, Anwendungspotenziale und mögliche Auswirkungen, TAB-Hintergrundpapier Nr. 26, 2023, S. 30, https://publikationen.bibliothek.kit.edu/1000158070. [↩]
14. Ibid., S. 26. [↩]
15. Fine-Tuning kann auch bedeuten, dass ein LLM mit eigenen Daten für eigene Aufgaben verfeinert wird – was dann aber meist nur anhand der Daten und ohne RLHF geschieht. [↩]
16. Vgl. Stephen Wolfram, What Is ChatGPT Doing … and Why Does It Work?, in: Stephen Wolfram Writings, 14.2.2023, https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/. [↩]
17. Zur kritischen Einordnung dieses mittlerweile sehr verbreiteten Begriffs, siehe Modul 1 in der Lerneinheit zu zentralen Begriffen rund um LLM bei Coursera, https://www.coursera.org/learn/8-most-controversial-terms-in-ai-explained/home/welcome. [↩]
18. Es gibt eine äußerst interessante Untersuchung zu Wörtern, die seit dem Release von ChatGPT exzessiv in Zusammenfassungen wissenschaftlicher Aufsätze bei PubMed auftauchen, darunter Stilwörter wie z.B. “delving in”, “potential”, “crucial”, “comprehensive” und andere, die die Nutzung von LLM in der Wissenschaft belegen. Siehe Dmitry Kobak, Rita González-Márquez, Emőke-Ágnes Horvát, Jan Lause, Delving into ChatGPT usage in academic writing through excess vocabulary, 11.6.2024, https://arxiv.org/abs/2406.07016. [↩]
19. Kansteiner, Digital Doping for Historians. [↩]
20. Emmanuel Ngue Um, The Erasure of Africa in the Era of ChatGPT, in: Institut des Humanités numériques d’Afrique Francophone, 7. September 2023, https://doi.org/10.58079/qcos. [↩]
21. Damit verbunden ist die Frage, ob man mit der Aussage, ein Chatbot halluziniert, diesem menschliche Eigenschaften unterstellt, diesen also anthropomorphisiert. [↩]
22. Insbesondere Fragen zur Regulierung, Sicherheits- und Haftungsfragen sowie Missbrauch wie Manipulation und Deep Fakes bleiben außen vor. Vgl. die Aufsätze aus dem Abschnitt Recht im Sammelband Schreiber, Ohly, KI:Text, https://doi.org/10.1515/9783111351490. [↩]
23. Vgl. Ulrike Ferch, Per Prompt zum Plagiat. Rechtssicheres Publizieren von KI-generierten Inhalten, in: API Magazin 5 (2024), 1, DOI 10.15460/apimagazin.2024.5.1.191. [↩]
24. Ibid., S. 9. [↩]
25. Siehe dazu den bereits zitierten sehr aufschlussreichen Aufsatz von Dmitry Kobak et al., Delving into ChatGPT usage. Spoiler: Bei PubMed sind es demnach mindestens 10% der Abstracts, die mithilfe einer LLM erstellt wurden. [↩]
26. Beispiele hierfür sind die Handreichung der Universität Stuttgart und die Handreichung der LMU München für den Umgang mit KI-Sprachmodellen in der Hochschullehre. [↩]
27. Fabian Rack, OER und CC-Lizenzen bei generativer KI, in: iRights Info, 15.11.2023, https://irights.info/artikel/oer-cc-lizenzen-generative-ki/32090. Dort auch weiterführende Literatur. [↩]
28. Vgl. auch Ferch, Per Prompt zum Plagiat, S. 13. [↩]
29. Rack, OER und CC-Lizenzen bei generativer KI. [↩]
30. Siehe die Open-Source-Vergleichsplattform LMSYS Arena, https://arena.lmsys.org/ oder die Vergleichsplattform KI Kompass, https://www.buzzwoo.de/kuenstliche-intelligenz#test-arena. [↩]
31. Siehe außerdem die Tool-Zusammenstellung der FH Potsdam, https://www.fh-potsdam.de/campus-services/digitale-lehre/fortbildungen-themen-dossiers/ki-lehre sowie allgemein die Übersicht “There’s an AI for that”, https://theresanaiforthat.com/. [↩]
32. Siehe den Tool-Tip Tuesday mit Lasse Bremer und Max Behrens auf dem YouTube-Kanal von KI-Campus: Perplexity.AI: Recherche und Inhaltsgenerierung, https://youtu.be/FaSDZnNoFwY?si=c-bbp1zaJQczUAmA sowie die oben zitierten Beiträge im Blog digithek [↩]
33. Zum Prompting siehe die Hinweise von OpenAI, https://platform.openai.com/docs/guides/prompt-engineering/strategy-write-clear-instructions, auf Deutsch den Prompt Engineering Guide, https://www.promptingguide.ai/de sowie Christopher Pollin, Den Projektalltag erleichtern – GPT und Prompt Engineering, 10.10.2023, https://tinyurl.com/GPT-PM-23 und neuer von ihm: Generative KI und ChatGPT-4 für Forschungsmanagement und Antragstellung, 30.04.2024, https://bit.ly/MedUni-PE-24. [↩]
34. Vgl. Leitfaden für Prompt Engineering, https://www.promptingguide.ai/de/introduction/elements, in dem allerdings Persona nicht eigens genannt wird. Vgl. ebenso die Frameworks PASSD, Abkürzung für Persona, Aufgabe, Situation, Strategie, Dialog des Kurses “AIce Your Exams – Generative KI als Copilot im Schul- und Unialltag” bei KI-Online, https://moodle.ki-campus.org/mod/page/view.php?id=5113, sowie das Framework PASKAF für Persona, Aufgabe, Schritte bis zur Erfüllung der Aufgabe, Kontext und Beschränkungen, Absicht, Formatieren der Ergebnisse, in: dpr Spezial “KI in Medien”, Februar 2024, S. 34, https://digital-publishing-report.de/magazine/dpr-spezial-ki-in-medien/. [↩]
35. Pollin, Den Projektalltag erleichtern, Slide 17-18. [↩]
36. Siehe Prompt engineering guide Tipps, https://www.promptingguide.ai/de/introduction/tips. [↩]
37. Zitiert nach Pollin, Den Projektalltag erleichtern, Slide 34. [↩]
38. Eine Übersicht über Prompt-Techniken findet sich hier: Sander Schulhoff et al., The Prompt Report: A Systematic Survey of Prompting Techniques, in: ArXiv, 15. Juli 2024, https://arxiv.org/pdf/2406.06608. [↩]
39. Siehe die Übersicht dazu im Prompt Engineering Guide, https://www.promptingguide.ai/de/techniques sowie denBeitrag Schulhoff et al., The Prompt Report, ab S. 8. [↩]
40. Siehe dazu den lesenswerten Beitrag von Cordt Schnibben, Wie wir Wolf Schneider klonten, in: Correctiv, 13.5.2024, https://correctiv.org/in-eigener-sache/2024/05/13/wie-wir-wolf-schneider-klonten/. [↩]
41. Siehe dazu den Versuch von Michael Schmalenstroer, Schreibassistenten, in: Schmalenstroer.net, 22.12.2023, https://schmalenstroer.net/blog/2023/12/schreibassistenten/. [↩]
42. Siehe https://www.faz.net/pro/d-economy/prompt-der-woche/kuenstliche-intelligenz-mit-dem-prompt-der-woche-gelingt-perfektes-deutsch-19902765.html, allerdings hinter einer paywall. [↩]
43. Nach Pollin, Den Projektalltag erleichtern, Slide 29 und 30. [↩]
44. Siehe oben, Fußnote 18. [↩]
45. Ibid., Slide 41. [↩]
46. Mark Humphries, How ChatGPT Can Help Teach Students to Write Better Research Papers, in: Generative History, 13.5.2023, https://generativehistory.substack.com/p/how-to-use-chatgpt-honestly-and-effectively. [↩]
47. Claudia Franceschini, KI als Schreibbuddy nutzen, in: Die Schreibtasche für Schreibdidaktik, 25.7.2024, https://doi.org/10.58079/1236n. [↩]
48. Kansteiner, Digital Doping, S. 126. [↩]
49. Siehe das Beispiel bei Christopher Pollin, Generative KI und ChatGPT-4 für Forschungsmanagement und Antragstellung, Slide 70, 71. [↩]
50. Siehe ibid. [↩]
51. Siehe Mollick, Ethan R. and Mollick, Lilach, Assigning AI: Seven Approaches for Students, with Prompts (September 23, 2023). The Wharton School Research Paper, Available at SSRN: https://ssrn.com/abstract=4475995 or http://dx.doi.org/10.2139/ssrn.4475995. [↩]
52. Hiltmann, Hermeneutik in Zeiten von KI, ab S. 211. [↩]
53. Ibid., S. 230. [↩]
54. Z.B. Mark Humphries, Building an AI Research Assistant, in: Generative History, 2.6.2023, https://generativehistory.substack.com/p/building-an-ai-research-assistant. Siehe auch Josh Dzleza, How AI can make history. Large language models can do a lot of things. But can they write like an 18th-century fur trader?, in: The Verge, 15.02.2024, https://www.theverge.com/24068716/ai-historians-academia-llm-chatgpt. [↩]
55. Annika Rockenberger, Automated Text Recognition with ChatGPT 4, in: Greflinger – Digitale Edition, 18.10.2023, https://doi.org/10.58079/p4zn. [↩]
56. Mark Humphries, Practical AI for Historians (and the Arts): Part I. Use AI to transcribe and correct handwritten historical documents, in: Generative History, 3.4.2023, https://generativehistory.substack.com/p/practical-ai-for-historians-and-the. [↩]
57. Siehe dazu die Hinweise und die Roadmap bei: Ariane Pinche, Pauline Spychala, Erste Schritte bei der automatischen Texterkennung, in: Anne Baillot, Mareike König (Hg.): Automatic Text Recognition. Harmonising ATR Workflows, 15.04.2024, https://harmoniseatr.hypotheses.org/1283. [↩]
58. Humphries, Practical AI for Historians. [↩]
59. Ibid. [↩]
60. Siehe die Slides von Christopher Pollin, Angewandte Generative KI in den (digitalen) Geisteswissenschaften. Digitale Edition und TEI-Erzeugung am Beispiel von Briefen des Hugo Schuchardt Archivs,22.6.2023, https://chpollin.github.io/GM-DH/workshop-pages/workshop2.html und Ders., AI-Datenerzeugung in der digitalen Briefedition, 5.2.2024, https://docs.google.com/presentation/d/1as04Dbas-1cCfTqdNJEkA8a_cYoVac7uhnGSercffYM/edit#slide=id.p. [↩]
61. Die Ankündigung findet sich hier: https://dhistory.hypotheses.org/7870. [↩]
62. Siehe Friedrich Quaasdorf, Künstliche Intelligenz in der Literaturrecherche, in: api magazin 5 (2024), 2, http://doi.org/10.15460/apimagazin.2024.5.2.198. Dazu auch Heike Baller, Warum ich KI bei der Recherche nicht empfehlen kann, in: Profi-Wissen, https://www.profi-wissen.de/warum-ich-ki-bei-der-recherche-nicht-empfehlen-kann/ und pkoenig, Welche Möglichkeiten bietet KI-gestützte Literaturrecherche? – Zusammenfassung eines Vortrages von Michael Freiberg zum Thema Künstliche Intelligenz und Literaturrecherche, in: Archivalia, 23.7.2024, https://doi.org/10.58079/122vd. [↩]
63. Quaasdorf, Künstliche Intelligenz, S. 9. Allerdings hielt sich die KI nicht an die Vorgabe von 20 Schlagwörtern. [↩]
64. Siehe die Beiträge dazu im digithek blog https://blog.digithek.ch/tag/perplexity-ai/. [↩]
65. Siehe den Erfahrungsbericht zum Erstellen von Tabellen mit Personen, Daten, Ereignissen aus Text und dem Umwandeln in das Format GEDCOM für die Weiterverarbeitung und Analyse in einer Genealogie-Software, Hermann Hartenthaler, ChatGPT “spricht” GEDCCOM, in: CompGen, 8.5.2023, https://www.compgen.de/2023/05/chatgpt-spricht-gedcom-revolutionaere-moeglichkeiten-fuer-die-genealogie/. [↩]
66. Isabel Steinhardt, Induktiv und deduktiv Codieren mit ChatGPT – Erfahrungsbericht, in: Sozialwissenschaftliche Methodenberatung, 8.7.2024, https://doi.org/10.58079/11ymh. [↩]
67. Charity Majors, Generative AI is not going to build your engineering team for you, 10.6.2024, https://stackoverflow.blog/2024/06/10/generative-ai-is-not-going-to-build-your-engineering-team-for-you/. [↩]
68. Siehe das Beispiel bei Christopher Pollin, Generative KI und ChatGPT-4 für Forschungsmanagement und Antragstellung, Slide 32, 33. [↩]

---

---