KI und Geschichtswissenschaft | Eine Positionierung

Prof. Dr. Christoph Rass
Arbeitsgruppe Neueste Geschichte und Historische Migrationsforschung
[IMIS] [SFB1604] [HistOS]

Ausgangslage

Michel-Rolph Trouillot hat vier Momente benannt, in denen Schweigen in die Produktion von Geschichte eingeht: die Entstehung der Quellen, die Formierung der Archive, die Bildung von Narrativen und die retrospektive Bedeutungszuweisung (Trouillot 1995). Wer aber sind die Akteure der Geschichtsproduktion in diesen Momenten? Bisher haben wir Menschen und Institutionen im Blick, wenn wir diese Prozesse dekonstruieren. Inzwischen stellt sich in jedem der vier Momente, auf die Trouillot uns hinweist, die Frage nach dem Einfluss maschineller Verfahren. Was bedeutet das für die Geschichtswissenschaft und ihren Gegenstand in Forschung, Lehre und gesellschaftlicher Relevanz?

Macht ein digitales Werkzeug ein Dokument maschinenlesbar, entsteht eine digitale Repräsentation, die für alles Weitere an die Stelle des Originals tritt. Sobald aus maschinenlesbaren Dokumenten Daten extrahiert werden, entscheiden digitale Verfahren mit, wie Datenstrukturen historische Quellen widerspiegeln. Wo bisher Menschen bestimmt haben, wie ein Dokument in eine Datenbank übertragen wird, greift zunehmend die Automatisierung dieser Übertragung mit Hilfe Künstlicher Intelligenz in den Forschungsprozess ein. Was schließlich bedeutet es, wenn Inhalte historischer Dokumente und geschichtswissenschaftlicher Forschung in die Trainingsdaten großer Sprachmodelle (Large Language Models, LLM) eingehen, deren Konstruktion, Innen- und Eigenleben für uns kaum noch transparent und nachvollziehbar sind, während ihre Ausgaben an Einfluss gewinnen?

Standards der Archivbildung und konventioneller wissenschaftlicher Arbeit stellen eine unvollkommene, aber uns vertraute und bearbeitbare Transparenz und Überprüfbarkeit her. Nun gewinnen maschinelle Verfahren an Bedeutung, die viele zentrale Schritte der Wissensproduktion, auch in der Geschichtswissenschaft, in eine Art Blackbox verlagern.

In den wenigen Jahren seit 2022 hat die Praxis in einem von uns kaum beherrschten Prozess entschieden: Generative Systeme werden in der Geschichtswissenschaft eingesetzt; dieser Prozess scheint bereits jetzt nicht mehr umkehrbar. Offen und uns als Aufgabe gestellt ist einzig die Frage, unter welchen Bedingungen ein solcher Einsatz wissenschaftsförmig bleibt. Das ist nicht allein eine technische, sondern vor allem eine kulturelle und politische Frage, die wir als gesellschaftlich eingebettete Disziplin beantworten müssen.

Wissenschaftsförmig heißt für uns in dieser Betrachtung, die Bedingungen ausdrücklich zu reflektieren, unter denen wir nun mit neuartigen digitalen Verfahren arbeiten. Bei den konventionellen digitalen Verfahren, die uns spätestens seit den 1980er Jahren begleiten, haben wir eine solche Reflexion häufig versäumt.

Christian Götter fordert, die Rahmenbedingungen digital vorliegender Materialien grundsätzlich zu reflektieren, und versteht das ausdrücklich nicht erst als Folge von Systemen Künstlicher Intelligenz. Er hält diese Reflexion für „keine grundlegende Herausforderung für die etablierten Verfahren der Quellenkritik“, wohl aber für einen „für die Quellenkritik im digitalen Zeitalter erforderliche[n] Schritt“. Wir schließen daraus, dass unser Fach diesen Schritt mit seinen eigenen Mitteln gehen kann. „Aufgabe des Menschen“ bleibt nach Götter „die Arbeit der Interpretation der aufgefundenen Textstellen im Hinblick auf die historische Fragestellung“ (Götter 2024).

Unsere Position dazu lässt sich in drei Grundsätze fassen:

  • Maschinelle Verfahren erweitern und verändern die Heuristik: Sie machen Überlieferung in einem Umfang lesbar, durchsuchbar und auswertbar, der die Arbeitskraft einzelner Forschender übersteigt.
  • Quellenkritik, Deutung und Darstellung bleiben Aufgabe von Historikerinnen und Historikern. Die Quellenkritik erstreckt sich dabei auch auf die Verfahren, die Quellen aufbereiten oder Texte erzeugen bzw. transformieren.
  • Wo ein maschinelles Verfahren in die Herstellung historischen Wissens eingreift, indem es eine Quelle abbildet, Daten ordnet oder einen Text formuliert, wird dieser Eingriff so dokumentiert, dass andere ihn nachprüfen können.

Was der Ausdruck ›KI‹ bezeichnet, folgt in dieser Positionsbestimmung einem breiten Verständnis. Neben generativen Sprachmodellen nehmen wir auch Handschriftenerkennung, Gesichtserkennung, Text Mining und Klassifikationsmodelle in den Blick, also Verfahren, die auf maschinellem Lernen im weiteren Sinn beruhen. Die im Folgenden diskutierten Befunde zu Verfahren und Fehlerraten stammen überwiegend aus Untersuchungen bzw. von Modellen der Jahre 2023 bis 2025 und sind teils bereits überholt. Umso wichtiger scheint es, eine selbst als Prozess aufgefasste Positionsbestimmung vorzulegen, die mit der Entwicklung der Technik und der Reaktion unseres Faches darauf fortgeschrieben werden muss.

Vom Dokument zur digitalen Repräsentation

Am längsten erprobt ist die automatische Handschriftenerkennung, mit der Programme die Scans von Dokumenten in durchsuchbaren Text verwandeln. Joe Nockels, Paul Gooding, Sarah Ames und Melissa Terras haben die Forschungsliteratur der Jahre 2015 bis 2020 zum Programm Transkribus ausgewertet. Sie halten einleitend fest, dass die automatische Handschriftenerkennung inzwischen ein ausgereiftes Verfahren ist, das in die Digitalisierung von Bibliotheken und Archiven eingeht, die Transkription von Primärquellen beschleunigt und die Volltextsuche in großem Maßstab erleichtert. Wie Forschende und Einrichtungen diese Technik anwenden, sei dagegen noch kaum untersucht (Nockels u. a. 2022).

Inzwischen transkribieren auch allgemeine Sprachmodelle, die neben Text Bilder verarbeiten. Mark Humphries, Lianne C. Leddy und ihre Mitarbeitenden haben solche handelsüblichen Modelle ohne vorheriges Feintuning, also ohne Anpassung an diese Aufgabe, an englischen Handschriften der Jahre 1761 bis 1827 geprüft. Das beste von ihnen übertraf schon beim ersten Durchlauf die spezialisierte Software, blieb aber hinter menschlichen Laien zurück. Ließen die Verfassenden die Abschrift eines Modells von einem zweiten Modell korrigieren, erreichte der Ablauf im besten Fall das Niveau von Laien. Die eigene Abschrift zu verbessern gelang einem Modell dagegen nicht (Humphries u. a. 2025).

Für unsere eigene Forschung ziehen wir daraus zwei Schlüsse. Ein durchsuchbarer Rohtext erschließt Bestände, die sonst womöglich ungelesen blieben, auch als unvollkommene Abschrift. Zugleich ist jede Korrekturstufe ein Eingriff in die Wiedergabe der Quelle, den das Ergebnis nicht mehr erkennen lässt. Deshalb dokumentieren wir, welches Verfahren eine Abschrift erzeugt, welches sie korrigiert hat und mit welcher Fehlerquote zu rechnen ist. Prinzipiell muss jede digitale Repräsentation auch an ihre eigentliche Quelle rückgebunden bleiben.

Dass maschinelle Eingriffe den Inhalt von Quellen verändern oder verzerrt wiedergeben können, zeigt ein Versuch von Salvatore Spina. Er ließ 366 maschinell transkribierte Briefe aus dem Biscari-Archiv im Staatsarchiv Catania von ChatGPT normalisieren, also Schreibweisen und Abkürzungen vereinheitlichen. Spina hält fest, das Modell könne dabei Namen falsch wiedergeben, Namen einführen, die im Original nicht stehen, und Abkürzungen falsch auflösen; erst nach gezielten Anweisungen gelang die korrekte Auflösung. Unbedenklich findet er dagegen Korrekturen des Modells, auch solche ohne Bezug zum Text selbst, etwa umformulierte Aussagen oder zusammengezogene Namen und Abkürzungen: Sie verfälschten die Quelle nicht, sondern förderten neue Daten zutage (Spina 2023). Dem widersprechen wir: Ein Eingriff, der im Ergebnis nicht markiert ist, verändert den Befund, ohne dass die Forschenden es bemerken. Wenn also digitale Verfahren skaliert werden, gilt es, Regeln einzuführen, die solche Veränderungen markieren und transparent machen, auch wenn sie die Inhalte einer Quelle nicht unmittelbar beschädigen.

Wo ein Modell übersetzt, vom Original in eine Repräsentation, zwischen Sprachen oder zwischen Datenmodellen, kann es weglassen, was sich der Übersetzung nicht fügt. Offenkundig wird dies bei der sprachlichen Translation von Quellen: In einem portugiesisch-brasilianischen medizinischen Traktat von 1749, den Benjamin Breen von ChatGPT übersetzen ließ, gab das Modell den Begriff ›quigilia‹ als Gangrän wieder. Júnia Ferreira Furtado führt die Krankheit, die dieser Begriff bezeichnet, auf die Kosmologien von Bevölkerungsgruppen des westlichen Zentralafrika zurück (Furtado 2023). Das Wort Gangrän überschreibt diese Herkunft. Breen nennt den Fehler klein, aber interessant, und hält fest, solche Übersetzungen könnten die interessantesten Züge eines historischen Textes stillschweigend tilgen und vereinfachen (Breen 2023). Daraus leiten wir einen eigenen Prüfpunkt ab: Kulturell spezifische Begriffe sind an der Quelle zu prüfen, weil ein Modell sie durch das nächstliegende geläufige Wort ersetzen kann. Gerade für eine transkulturelle Begriffsgeschichte, ebenso aber auch für jede sprachübergreifende geschichtswissenschaftliche Arbeit bis hin zur Publikation sind solche Befunde bedenklich. Zugleich eröffnen maschinelle Verfahren nach unserer Einschätzung neue methodische und empirische Möglichkeiten, Bedeutungsproduktion durch Sprache zu untersuchen.

Von der Repräsentation zu Daten

Aus einem durchsuchbaren Text werden Forschungsdaten erst, wenn jemand festlegt, was darin eine Person, ein Ort, ein Ereignis oder eine Beziehung ist. Jo Guldi hat für ihr Verfahren des historischen Text Mining folgenden Grundsatz formuliert: Datengetriebene Analyse reiche für viele historische Probleme nicht aus, weshalb jeder maschinell gewonnene Befund durch Arbeit am Text zurückzuprüfen sei (Guldi 2023). Eine andere Form der Rückprüfung praktiziert das Dissident Networks Project. Es hat damit experimentiert, Inquisitionsakten und andere historische Dokumente von Sprachmodellen kennzeichnen zu lassen: nach Geschlecht, Dokumentart und behandelten Themen sowie danach, ob eine Aussage als tatsächlich oder nur als angenommen dargestellt ist. Die Genauigkeit der Ergebnisse misst das Projekt an einer Stichprobe, die Fachleute von Hand gekennzeichnet haben (DISSINET 2025). Für die Auswertung serieller Verwaltungsquellen, also großer Bestände gleichförmig angelegter Akten, hat unsere Arbeitsgruppe gemeinsam mit der Arbeitsgruppe Mustererkennung der Technischen Universität Dortmund an den CM/1-Formularen der International Refugee Organization geprüft, wie gut Modelle, die Bild und Text verarbeiten, Angaben aus den Formularen entnehmen, wenn Forschende ihnen nur wenige Beispiele vorgeben (Wolf u. a. 2025; Matei u. a. 2026). Bei Namen und Geburtsdaten übertrafen zwei solcher Modelle ein etabliertes Verfahren, das ganze Seiten auswertet, wenn nur wenige Trainingsbeispiele zur Verfügung standen; insgesamt blieb das etablierte Verfahren allerdings konkurrenzfähig (Wolf u. a. 2025).

Wie weit maschinelle Zuordnungen inzwischen reichen, zeigt das Projekt Newswire, das 2,7 Millionen US-amerikanische Agenturmeldungen der Jahre 1878 bis 1977 erschließt. Das Team um Emily Silcock hat dort mit einem maschinellen Verfahren 15,3 Millionen Nennungen von Personen 61.933 in Wikidata verzeichneten Individuen zugeordnet (Silcock u. a. 2024). Jede dieser Zuordnungen entscheidet darüber, wer als dieselbe Person gilt; die Meldungen, also die Quellen selbst, lassen diese Frage offen.

Welche Potentiale eine maschinelle Zuordnung hat, zeigt ein Fall aus der Holocaustforschung. Jürgen Matthäus hat eine der bekanntesten Fotografien des Holocaust, überliefert als ›Der letzte Jude in Winniza‹, anhand bisher unbekannter Quellen neu eingeordnet und damit Tatort und Tatzeit bestimmt: die ukrainische Stadt Berdyčiv am 28. Juli 1941. Die Uniform wies den Schützen nach Matthäus als SS-Angehörigen aus, wahrscheinlich als Angehörigen eines Kommandos der Einsatzgruppe C, die bis zum Frühjahr 1942 in der Ukraine mehr als 100 000 Zivilisten ermordete, in erster Linie Juden (Matthäus 2023; Matthäus 2025). Den Weg zum Namen des Schützen öffnete nach den Presseberichten die Zuschrift eines Lesers, der in ihm den Onkel seiner Frau vermutete und Angaben zu dessen Lebenslauf sowie Vergleichsfotos lieferte. Ein Abgleich dieser Fotos durch Gesichtserkennung ergab Ähnlichkeitswerte zwischen 98,5 und 99,9 Prozent (Matthäus 2025). Den Namen, Jakobus Onnen, nennen vier Presseberichte unter Berufung auf die Studie. Der Name stützt sich damit auf mehrere Stränge, den Hinweis der Familie, die Angaben zum Lebenslauf und den Bildabgleich; selbst Ähnlichkeitswerte nahe hundert Prozent sind darin ein Strang unter mehreren. Wo eine Zuordnung dagegen allein auf einem berechneten Wert ruht, bindet sie einen Namen an eine Tat auf einer Grundlage, die sich von außen nicht prüfen lässt, solange niemand dokumentiert hat, wie der Wert ermittelt wurde. Für die eigene Arbeit legen wir deshalb fest: Wo eine maschinelle Zuordnung eine Person bestimmt, wird die Regel dokumentiert, nach der sie zustande kam.

Von Daten zum generierten Text

Sprachmodelle greifen am weitesten in die geschichtswissenschaftliche Arbeit ein, sobald sie selbst Texte formulieren. Ein solches Modell berechnet, welche Fortsetzung eines Textes wahrscheinlich ist, nicht, welche Aussage zutrifft. Holle Meding und Aurel Daugs haben beschrieben, was daraus für die Geschichtswissenschaft folgt. Ein Modell, das Bedeutung aus dem gemeinsamen Vorkommen von Wörtern ableitet, bevorzugt das, was am häufigsten geschrieben wurde, gegenüber dem, was am bedeutendsten ist. Bei selten überlieferten Gegenständen kann es deshalb aus thematisch verwandtem, historisch aber fremdem Material verallgemeinern. Meding und Daugs sehen darin, in unserer Übersetzung, eine „Verschiebung von evidenzgestützter Rechenschaft zu statistischer Plausibilität“. Die scheinbare Sicherheit eines Modells spiegelt allein, wie verbreitet ein gelerntes Muster ist. Ein Modell, das stets die wahrscheinlichste Fortsetzung wählt, kann deshalb Fehler mit dem Anschein eines gesicherten Befunds erzeugen. Für historische Fragen kommt hinzu, dass die Verfahren, mit denen solche Modelle Wortbedeutungen abbilden, jedem Wort eine gleichbleibende Bedeutung zuweisen und damit verdecken, wie sich Bedeutungen über die Zeit verschoben haben (Meding/Daugs 2026).

Dieser Befund wiegt für unser Fach schwer. Hayden White hat herausgearbeitet, wie sehr historische Darstellungen durch sprachliche Grundfiguren und Formen der Erzählung vorgeprägt sind (White 1973, S. x und S. 31). Sprachmodelle bedienen diese Formen. Wir führen das darauf zurück, dass ihr Trainingsmaterial sie enthält. Ihre Texte machen Deutungsangebote, die narrative Erwartungen erfüllen. Ob Quellenkritik und Evidenz sie tragen, lässt sich an ihrer Form nicht ablesen. Ein maschinell erzeugter historischer Text kann deshalb formal überzeugender wirken als eine quellengesättigte Untersuchung, weil er die Erwartung vieler Lesender glatter erfüllt.

Wie weit überzeugende Form und zutreffender Beleg auseinanderfallen können, zeigt sich an der Belegpflicht, die für uns den Kern des Fachs bildet. William H. Walters und Esther Isabelle Wilder ließen ChatGPT kurze Literaturübersichten schreiben und prüften die darin genannten Nachweise. Bei ChatGPT-3.5 waren 55 Prozent erfunden, bei ChatGPT-4 noch 18 Prozent. Auch die existierenden Angaben wiesen bei beiden Modellen vielfach Fehler auf, etwa falsche Bände, Seiten oder Jahre (Walters/Wilder 2023). Eine Untersuchung des Tow Center for Digital Journalism ergab 2025, dass acht KI-Suchdienste die Herkunft wörtlich vorgelegter Zeitungsauszüge in mehr als 60 Prozent der Fälle falsch angaben (Jaźwińska/Chandrasekar 2025). Adina Langer hat beschrieben, wie ein System ein Zitat zunächst Anne Frank zuschrieb, sich auf Nachfrage entschuldigte, bei erneuter Frage eine andere Autorin nannte und danach zwischen beiden wechselte (Langer 2023). Ob diese Fehlerquoten bei heutigen Modellen fortbestehen, ist offen. Die Art dieser Fehler halten wir für dauerhafter als ihre Häufigkeit, weil sie aus der Funktionsweise folgt, die Meding und Daugs beschreiben.

Abhilfe soll eine Technik schaffen, die das Modell an eine Sammlung ausgewählter Dokumente bindet (Retrieval-Augmented Generation, kurz RAG): Das Modell sucht zunächst passende Passagen und formuliert seine Antwort dann aus ihnen. Das erweitert nach unserer Einschätzung die Reichweite der Arbeit, lässt die Herkunft der Antworten aber offen. Lucas Poy nennt als Grund zur Begeisterung, dass sich mit solchen Werkzeugen Texte in Sprachen bearbeiten lassen, die man selbst nicht beherrscht, und Verbindungen über Dutzende Werke hinweg finden lassen (Poy 2025). Patrick Lewis und seine Mitautorinnen und Mitautoren stellten das Verfahren 2020 vor, zwei Jahre vor der Veröffentlichung von ChatGPT. Sie begründeten es damit, dass große vortrainierte Sprachmodelle ihr Wissen allein in ihren Parametern speichern, keinen Herkunftsnachweis für ihre Ausgaben liefern und ›halluzinieren‹ können; ein angeschlossener Dokumentbestand mache das abgerufene Wissen dagegen einsehbar. Wir können also nachlesen, welche Passagen das Modell herangezogen hat. Ihr eigenes System antwortete allerdings in einem Teil der Fälle auch dann richtig, wenn die Antwort in keinem der abgerufenen Dokumente stand; es griff also auf das zurück, was das Modell im Training gelernt hatte (Lewis u. a. 2020).

Zudem wählt ein solches System Passagen nach ihrer Ähnlichkeit mit der Frage aus, nicht nach ihrer Herkunft. Die Ankündigung eines Labors des Datenkompetenzzentrums HERMES hält fest: gängige Systeme dieser Art behandelten Ähnlichkeit als Relevanz und verdeckten, wie die Quellen ausgewählt werden (HERMES 2026). Andreas Fickers hat für audiovisuelle Quellen im Netz beschrieben, dass nur wenige von ihnen die Kontextangaben mitführen, mit denen sich die Grundfragen der Quellenkritik nach Urheber, Gattung, Ort, Datum und Absicht beantworten lassen (Fickers 2012). Für maschinell ausgewählte Passagen gilt dieser Befund nach unserer Auffassung in doppelter Weise: Ihnen fehlen diese Angaben, zudem sind sie aus dem Zusammenhang gelöst, in dem ihre Aussage ursprünglich steht.

Von der Quellenkritik zur Modellkritik

Wie lässt sich prüfen, was ein maschinelles Verfahren mit einer Quelle macht, wenn sich sein Inneres dem Blick entzieht? Für die Prüfung von Überlieferung besitzt die Geschichtswissenschaft ein ausgearbeitetes Verfahren, die Quellenkritik. Die Arbeitsgruppe Künstliche Intelligenz im Verband der Historiker und Historikerinnen Deutschlands (VHD) sieht Historikerinnen und Historiker bereits in der Lage, digitale Quellen ebenso zu bewerten wie analoge: Mit der Quellenkritik verfügten sie „qua Ausbildung über die Fähigkeit, Herkunft, Entstehung, Strukturierung und Nutzung von Datensammlungen zu reflektieren“. Zugleich fordern die Thesen: „Methoden von KI-Modellen und ihrer Nutzung sind transparent zu dokumentieren“. Wann diese Transparenz erreicht ist, lassen sie offen (VHD 2026).

Die Quellenkritik erweitert sich damit um eine Modellkritik. Sie fragt, was ein maschinelles Verfahren erkennt und was es übersieht, auf welcher Datengrundlage und nach welchen Anweisungen es arbeitet und welche Entscheidungen es im einzelnen Arbeitsschritt trifft. An die Trainingsdaten eines Modells richtet sie dieselben Fragen wie an jede Überlieferung: Wer hat es zusammengestellt, nach welchen Kriterien, zu welchem Zweck und mit welchen Auslassungen? Dafür liegen Vorarbeiten aus den Digital Humanities vor. Marijn Koolen, Jasmijn van Gorp und Jacco van Ossenbruggen erinnern daran, dass eingängige Oberflächen vergessen lassen, wie viele Annahmen ihrer Entwickler im Inneren eines Werkzeugs stecken, und dass viele Werkzeuge, die auf vorgegebenen Datensätzen arbeiten, nicht angeben, welche Daten sie enthalten und wie diese ausgewählt wurden (Koolen/van Gorp/van Ossenbruggen 2019).

Bei kommerziellen Sprachmodellen wird aber die Prüfung, die eine Modellkritik erfordert, schon an der Quellenlage scheitern, wie das Beispiel GPT-4 zeigt. Meding und Daugs halten fest, dass OpenAI für frühere Modelle wie GPT-3 noch begutachtete Veröffentlichungen zu Architektur und Methode vorgelegt hat, für GPT-4 dagegen nur eine allgemein gehaltene Modellspezifikation, die weder die Trainingsarchitektur noch das Nachtraining mit menschlicher Rückmeldung offenlegt. Die Undurchsichtigkeit solcher Modelle erschwert nach ihrem Befund, die Herkunft einer Information zurückzuverfolgen, und schließt jede Form der Quellenkritik an ihnen praktisch aus (Meding/Daugs 2026).

Wo sich das Modell selbst nicht prüfen lässt, setzt die Modellkritik an dem Verfahren an, in dem es eingesetzt wird. Wer ein Sprachmodell oder ein anderes maschinelles Verfahren einsetzt, hält fest, welches Modell er mit welcher Eingabe befragt hat, welche Passagen oder Daten es ausgewählt hat, welche Korrekturen nötig waren und welche Fehlerquote zu erwarten ist. Diese Dokumentation ist der Teil der Modellkritik, den wir selbst leisten können. Ihre Grenze liegt darin, dass sie den eigenen Eingriff nachvollziehbar macht, das Material, aus dem ein Modell gelernt hat, dagegen im Dunkeln lässt. Offen ist, in welchem Verhältnis der Aufwand dieser Dokumentationspflichten künftig zum Ertrag steht und wie tatsächlich einzelne Forschende den Ansprüchen eines solchen Verfahrens gerecht werden können. Beide Fragen sprechen für die Entwicklung fachspezifischer Modelle, deren wissenschaftsförmige und transparente Architektur sie für bestimmte Einsatzzwecke qualifizieren soll.

Grenzen und Herausforderungen

Auch eine sorgfältige Dokumentation maschineller Verfahren lässt zwei Probleme bestehen: die Verzerrungen im Material, aus dem die Modelle lernen, und ihre Neigung zum Erwartbaren.

Jeder Datensatz, mit dem ein KI-basiertes System trainiert wird, enthält nach Kate Crawford eine Weltsicht, weil seine Kategorien politische, kulturelle und soziale Entscheidungen voraussetzen (Crawford 2021, S. 127 f. und S. 135 f.). Wie eine solche Weltsicht in Entscheidungen eingeht, zeigen zwei Fälle außerhalb der Geschichtswissenschaft. Amazon entwickelte seit 2014 ein System zur Auswahl von Bewerbungen, das aus den überwiegend von Männern stammenden Lebensläufen eines Jahrzehnts lernte und deshalb Bewerbungen herabstufte, die das Wort ›women's‹ enthielten (Dastin 2018). Für das in US-amerikanischen Strafverfahren eingesetzte Prognoseinstrument COMPAS berichtete ProPublica 2016 nach Daten aus Broward County in Florida, es habe die als ›schwarz‹ geführten Angeklagten fast doppelt so häufig fälschlich als ›höher gefährdet‹ eingestuft wie die als ›weiß‹ geführten. Der Hersteller und eine Replik in der Fachzeitschrift Federal Probation bestreiten diese Deutung indes (Angwin u. a. 2016; Dieterich/Mendoza/Brennan 2016; Flores/Bechtel/Lowenkamp 2016).

Andrew Prescott, der auch COMPAS behandelt, warnt für die Digital Humanities, solange die eingesetzten Systeme nicht transparent, rechenschaftspflichtig und erklärbar seien, drohten verborgene Verzerrungen nach Geschlecht und ›Rasse‹ die geisteswissenschaftliche Forschung zu beeinflussen (Prescott 2023). Für die Geschichtswissenschaft kommt eine Besonderheit hinzu. Die Überlieferung selbst trägt nach unserer Position Herrschafts- und Ungleichheitsverhältnisse in sich, weil Verwaltungen, Archive und Registraturen diese Verhältnisse in das einschreiben, was sie schriftlich festhalten und aufbewahren. Ein Modell, das überwiegend mit kolonialen Verwaltungsakten trainiert wurde, könnte die koloniale Sicht als Normalfall behandeln. Diese Vermutung ist für uns eine Aufgabe der Forschung. Träfe sie zu, kämen zwei Verzerrungen zusammen, von denen die der Überlieferung die schwerer erkennbare ist: Keine Dokumentation eines Verfahrens erfasst sie. Ihre Lücken macht erst die eigene Untersuchung der Bestände sichtbar. Zugleich ergibt sich daraus eine Chance: Wenn wir geschichtswissenschaftliche Modelle auf Quellenbeständen trainieren, ist zu erwarten, dass sie dieselben Verzerrungen tragen wie ihre Ausgangsdokumente und damit wie die Archive selbst. Mit diesem Zustand geht die Geschichtswissenschaft bereits professionell um. Das spricht dafür, solche Modelle getrennt von denen zu halten, die wir für die analytische Arbeit herstellen.

Die zweite Grenze der Dokumentation betrifft die Neigung der Modelle zum Erwartbaren. Benjamin Breen fand Analysen, die er sich von Sprachmodellen ausdrücklich als neuartig erbeten hatte, gut informiert, aber vorhersehbar. Er erklärt das damit, dass Architektur, Trainingsmaterial und menschliche Anleitung im Training auf den Median der Auffassungen zu einem Gegenstand zulaufen, also auf die mittlere Position (Breen 2025). Was verloren geht, wenn wir die Lektüre einem solchen System überlassen, hat Lucas Poy am Beispiel von NotebookLM dargelegt, einem Werkzeug, das Antworten aus hochgeladenen Dokumenten formuliert. Selbst wer auf diesem Weg die Hauptidee eines Buches oder Kapitels durchaus angemessen erfasse, verliere nach Poy:

  • die Entdeckung jener zufälligen Fußnote, die ein neues Feld der Untersuchung eröffne,
  • das nur aus der Übung erwachsende tiefe Verständnis dafür, wie Forschende ihre Argumente aufbauen,
  • die historiografische Sensibilität und den Überblick darüber, wie sich Debatten über Jahrzehnte entwickelt haben,
  • sogar das Gefühl für verschiedene Stimmen und die Fähigkeit, Hobsbawm, Thompson oder Scott allein an ihrem Stil zu erkennen (Poy 2025, unsere Übersetzung).

Der erste dieser Verluste wiegt für uns am schwersten. Das Finden des nicht Gesuchten gilt als wichtiger Kern unserer Arbeit am Material.

Mit der Neigung zum Erwartbaren verbinden wir einen weiteren Befund. Ilia Shumailov und seine Mitautoren beschreiben, wie Modelle, die unterschiedslos mit Texten anderer Modelle trainiert werden, über die Generationen die seltenen Fälle verlieren; bleibt in jeder Generation ein Zehntel der ursprünglichen Daten im Training, verschlechtert sich die Leistung in ihrem Versuch nur wenig, der Kollaps setzt aber auch dann ein. Für Bildmodelle hat das Team um Sina Alemohammad einen verwandten Verfall beschrieben, den erst ein hinreichender Zufluss frischer, echter Daten in jeder Generation abwendet (Shumailov u. a. 2024; Alemohammad u. a. 2024). Für die Geschichtswissenschaft heißt das nach unserer Einschätzung: Trainieren die Entwickler Modelle zunehmend mit Texten anderer Modelle, droht gerade das Seltene und Randständige der Überlieferung aus ihnen zu verschwinden, sofern nicht genug ursprüngliches Material hinzukommt. Zugleich müssten geschichtswissenschaftliche Modelle für das Aufzeigen von Zweifel, Lücke, Unsicherheit und Zweideutigkeit belohnt werden, nicht für die Produktion von Erwartbarem und das Überdecken von Ambiguität.

Ableitungen für Studium und Lehre

Für unsere Lehre ergeben sich aus den Befunden zu Sprachmodellen eine Grenze, eine Aufgabe und eine Ableitung.

Die Grenze: Das Formulieren der eigenen Argumentation bleibt bei uns bzw. bei den Studierenden.

Die Aufgabe: Maschinell erzeugte Texte werden in unseren Veranstaltungen derselben Quellenkritik unterzogen wie jedes andere Material, die Entstehung eines Textes muss also offengelegt werden. Eine Lehratmosphäre zu schaffen, die dies produktiv ermöglicht, liegt bei uns.  

Die Ableitung: Mit dem Einzug KI-gestützter Werkzeuge in die Lehre rückt der Erkenntnisprozess, den wir im unmittelbaren Austausch mit Studierenden gestalten, ins Zentrum unserer Arbeit als Lehrende.

Was für eine Seminar-, Bachelor- oder Masterarbeit gilt, regeln die Ordnungen der Universität Osnabrück sowie die Maßgaben des Fachbereichs Kultur- und Sozialwissenschaften und des Historischen Seminars. In diesem Rahmen gelten die Empfehlungen für die Nutzung generativer KI an der Professur für Neueste Geschichte und Historische Migrationsforschung, die im Kern aus dieser Positionsbestimmung abgeleitet sind. 

  • Die Entscheidungen, die geschichtswissenschaftliche Leistung ausmachen, treffen die Studierenden selbst, von der Wahl des Themas und der Fragestellung über Auswahl, Kritik und Deutung der Quellen bis zum historischen Urteil. 
  • Für viele Zwischenschritte, etwa die Transkription, die Übersetzung oder die sprachliche Überarbeitung eines selbst verfassten Textes, stehen ihnen die Werkzeuge offen, solange sie den Einsatz dokumentieren und die Ergebnisse prüfen. 
  • Damit erkennen wir an, dass es uns jetzt aufgegeben ist, uns aktiv mit der Frage auseinanderzusetzen, wie Künstliche Intelligenz unsere Disziplin verändert, und diesen Prozess mitzugestalten. 
  • Passive Rezipienten dürfen wir in der augenblicklichen technischen und kulturellen Disruption nicht sein.

Die Grenze bei der Ausarbeitung wissenschaftlicher Texte begründen wir fachlich. Schreiben zu lernen ist nach dem Befund der soziokulturellen Schreibforschung, den Charles Bazerman zusammenführt, eng damit verflochten, das Wissen, die Formen des Schlussfolgerns und die Bewertungsmaßstäbe eines bestimmten Wissensgebiets zu lernen; wer in einer Gemeinschaft zum Schreibenden wird, übt deren Normen und Praktiken ein (Bazerman 2016). Bazerman behandelt das Schreibenlernen; wir leiten daraus ab, was dies unter den Bedingungen der Verfügbarkeit generativer KI für das Formulieren bedeutet: Wer das Formulieren eines Arguments abgibt, verzichtet auf einen Teil notwendigen Kompetenzerwerbs.

Diese Begründung kommt zunächst ohne diejenigen Studien aus, die in der Debatte oft als Beweis für negative Konsequenzen der KI-Nutzung angeführt werden. Wie belastbar solche Befunde sind, zeigen zwei Beispiele. Die Untersuchung von Nataliya Kosmyna und Kolleginnen und Kollegen, die von einer Anhäufung ›kognitiver Schulden‹ spricht, beruht auf der Arbeit mit 54 Teilnehmenden und erschien als Preprint, dessen Begutachtung nach Angaben der Projektseite gerade erst begonnen hatte; die Verfassenden hoffen, sie diene als vorläufige Orientierung für das Verständnis der Folgen von KI in Lernumgebungen (Kosmyna u. a. 2025; Kosmyna u. a. o. J.). Auf derselben Seite verwahren sie sich dagegen, ihre Befunde als Schaden zu beschreiben. Miloš Stanković und Mitautorinnen halten diesen Befunden allerdings eine Fallzahlberechnung entgegen: Für eine ausreichende Teststärke hätte die Versuchsanlage etwa 159 Teilnehmende erfordert (Stanković u. a. 2025). Auch Michael Gerlich fand einen deutlichen negativen Zusammenhang zwischen häufiger Nutzung von KI-Werkzeugen und Fähigkeiten des kritischen Denkens, deren Messung sich auf Selbstauskünfte stützt, hält aber selbst fest, dass seine Stichprobe verzerrt sein kann (Gerlich 2025). Die Studien von Kosmyna u. a. und von Gerlich deuten auf Risiken des Technologieeinsatzes hin, die wir gleichwohl sehr ernst nehmen müssen.

Auch zwei Fachverbände und eine weltweit führende Hochschule setzen sich mit diesen Fragen auseinander und haben 2025 und 2026 Stellungnahmen vorgelegt: Die American Historical Association (AHA), ein Bericht des Massachusetts Institute of Technology (MIT) und die Thesen des VHD gewichten unterschiedlich, stimmen aber darin überein, dass der Umgang mit KI ein eigenes, geschultes Urteil verlangt. Die Fähigkeit zu dieser Urteilsbildung ist in der Quellenkritik angelegt; für den Umgang mit KI müssen wir sie allerdings erst entwickeln und operationalisieren. Die AHA lehnt für die Lehre im Fach Geschichte ein pauschales Verbot ab, das MIT für Lehre und Forschungsausbildung eine institutsweit einheitliche Regel. Beide lassen Verbote für einzelne Veranstaltungen und Aufgaben zu; das MIT regt zudem KI-freie Räume für Übungen und Prüfungen an.

Für die AHA erzeugt KI Texte, keine Wahrheiten. Die Bewertung solcher Texte setze eine Expertise voraus, die nur anhaltende Beschäftigung mit dem Gegenstand aufbaue, weshalb Expertise dem Rückgriff auf KI vorausgehen müsse (AHA 2025). Bildung ist für den Bericht des MIT ein notwendig produktives Ringen, dessen wichtigstes Ergebnis die Studierenden selbst seien, ihr Wachstum, ihre Reife und ihre Urteilsfähigkeit (MIT 2026, Abschn. 2.4). Die Thesen des VHD wiederum verlangen, die ›data literacy‹, zu der sie den kritischen Umgang mit KI zählen, als Kernkompetenz in der Schule und im Studium der Geschichtswissenschaft zu erwerben, und befürworten eine Diskussion über neue Prüfungsformate (VHD 2026).

Für die Lehre selbst schlägt die AHA Aufgaben vor, in denen Studierende eine KI-erzeugte Zusammenfassung eines Aufsatzes mit dem Original vergleichen und beurteilen, was das System erfasst hat und was nicht (AHA 2025). Dass Lernende solche Grenzen auch ohne eigene Prüfaufgabe bemerken, zeigt eine Dokumentation aus dem Schulunterricht. Hauke Pölert setzte in einem Leistungskurs einen KI-erzeugten Podcast zur Russischen Revolution als wiederholenden Einstieg in eine Stunde ein. Die Rückmeldungen fielen grundsätzlich positiv aus. Kritik übten die Schülerinnen und Schüler vor allem daran, dass sich die genannten Daten schwer nachprüfen ließen; zudem merkten sie an, dass die Darstellung im Vergleich zum Unterricht allgemein blieb, obwohl Quellen vorlagen (Pölert 2024).

Fachspezifische Modelle und eigene Forschungsinfrastruktur

Allgemeine Sprachmodelle lernen aus Material, das nach Meding und Daugs unverhältnismäßig stark aus jüngeren, westlichen, englischsprachigen Inhalten des 21. Jahrhunderts besteht (Meding/Daugs 2026). Dass diese Grundlage für englische Handschriften des 18. und frühen 19. Jahrhunderts genügt, schließen wir aus dem Transkriptionsversuch von Mark Humphries und Mitarbeitenden, die selbst festhalten, dass Dokumente anderer Zeiten und Sprachen andere Ergebnisse zeigen können. Für ältere Sprachformen wie das Frühneuhochdeutsche, für nichtlateinische Schriften und für Gegenstände, die in solchem Material kaum vorkommen, erwarten wir schwächere Ergebnisse. Geprüft haben wir diese Erwartung nicht.

Eine mögliche Lösung für diese Lücke besteht darin, ein vortrainiertes Modell mit fachlichem Material weiterzutrainieren. Wie wirksam das ist, ist offen. SikuGPT, weitertrainiert auf der Siku Quanshu, einer großen Sammlung klassischer chinesischer Texte, erzielt bei der Übersetzung klassischer Texte ins moderne Chinesisch durchgehend die besten Werte seines Vergleichs, vor dem nächstplatzierten Modell aber nur mit geringem Vorsprung (Liu u. a. 2024). Solche Modelle setzen sorgfältig zusammengestellte Bestände voraus; wer sie zusammenstellt, entscheidet, wessen Auswahl der Vergangenheit ein Modell übernimmt.

Das Labor Build Your Own HistoRAG, das das Datenkompetenzzentrum HERMES im September 2026 am Leibniz-Institut für Europäische Geschichte in Mainz veranstaltete, stellte einen Begriff in den Mittelpunkt, an den unser Anliegen anschließt: source sovereignty, in unserer Übersetzung ›Quellensouveränität‹. Das Labor wollte ein Verständnis quellenkritischer Arbeit mit Sprachmodellen entwickeln, die die Kontrolle über die Deutung und die Handlungsfähigkeit bei den Forschenden belässt (HERMES 2026). Unter Quellensouveränität verstehen wir, dass das Fach Sprachmodelle in seine quellenkritische Methode aufnimmt.

Für unsere eigene Arbeit leiten wir aus diesen Befunden ein Programm in drei Teilen ab:

  • der Aufbau eigener, sorgfältig dokumentierter Korpora,
  • die Zusammenarbeit mit Informatik und Data Science an offenen Modellen, deren Entwicklung und Funktionsweise wissenschaftlichen Maßstäben folgen und deren Aufbau und Dokumentation frei einsehbar und nachnutzbar sind, und
  • die Verankerung der Modellkritik in Lehre und Forschung.

Bleibt der Aufbau solcher Infrastruktur kommerziellen Anbietern überlassen, so entscheiden deren Präferenzen und Preise über den Zugang zu intransparent verarbeitetem historischem Material.

Maschinelle Verfahren und historischen Methode

In den Momenten, in denen nach Trouillot Schweigen in die Produktion von Geschichte eingeht, handeln heute neben Menschen und Institutionen zunehmend maschinelle Verfahren. In dreien davon greifen sie nach unserer Zuordnung bereits ein: Sie stellen digitale Repräsentationen her, die an die Stelle der Quellen treten, ordnen Bestände zu Daten und formulieren Narrative. Das Fach muss diese Verfahren deshalb in seine Methode aufnehmen und seiner Kritik unterwerfen. Was das heißt, bestimmen wir für jeden der Arbeitsgänge, die unsere Grundsätze nennen: Heuristik, Quellenkritik, Deutung und Darstellung. Im Forschungsprozess greifen diese Arbeitsgänge ineinander; getrennt stehen sie hier, weil maschinelle Verfahren in jedem von ihnen einen anderen Ort haben.

  • Heuristik, das Auffinden und Sammeln von Quellen. Maschinelle Verfahren machen hier Bestände über Sprachen und Bestandsgrenzen hinweg durchsuchbar und schlagen vor, wie das Material zu ordnen ist: welche Personen, Beziehungen und Themen es enthält. Mit jeder Auswahl, die ein Verfahren trifft, übertragen wir ihm einen Teil der Entscheidung darüber, was später als Befund erscheint. Deshalb halten wir fest, welches Verfahren auf welche Anfrage welche Passagen geliefert hat, und prüfen jede Passage an ihrem Bestand.
  • Quellenkritik, die Prüfung von Herkunft, Entstehung und Aussagewert der Überlieferung. Sie bleibt bei Historikerinnen und Historikern, richtet sich nun aber auch auf einen zweiten Gegenstand: Zur Kritik der Quelle tritt die Modellkritik, die das Verfahren prüft, das eine Quelle aufbereitet oder einen Text erzeugt hat.
  • Deutung, das Erkennen von Bedeutung und Zusammenhang. Was ein maschinelles Verfahren an Zusammenhängen vorschlägt, behandeln wir als Hypothese, die sich am Material bewähren muss, bevor sie als Befund gelten kann. Bedeutung erhält das Material erst im Urteil von Historikerinnen und Historikern. Die eigene Lektüre des Materials bleibt Teil der Deutung, weil sie den zufälligen Fund ermöglicht, den ein zum Erwartbaren neigendes Verfahren nach unserer Einschätzung kaum anbietet.
  • Darstellung, das Formulieren des historischen Arguments. Weil historische Darstellungen nach White durch sprachliche Grundfiguren und Erzählformen vorgeprägt sind, gehört die Formulierung nach unserem Schluss zum Argument selbst. Was Bazerman für das Schreibenlernen zusammengeführt hat, gilt für uns über das Studium hinaus: Im Formulieren übt sich das Denken des Fachs ein. Den Entwurf des Arguments schreiben deshalb diejenigen, die es vertreten. Bei der Prüfung von Belegen, im Lektorat und bei der Übertragung in andere Sprachen können maschinelle Verfahren helfen; Autorschaft und Verantwortung bleiben bei den Verfassenden.

Über alle vier Arbeitsgänge hinweg gilt unser Grundsatz, jeden maschinellen Eingriff so zu dokumentieren, dass andere ihn nachprüfen können. So richtet das Fach seinen eigenen Maßstab auf einen neuen Gegenstand. Ungelöst bleibt die Frage, wie wir durch Skalierung die Potentiale maschineller und KI-gestützter Verfahren zur Erschließung großer Materialmengen nutzen können, ohne auf die hier formulierte methodische Sorgfalt zu verzichten. Die Lösung sehen wir in der Entwicklung von Werkzeugen, die selbst diesen Transparenzregeln folgen.

In unserer Arbeitsgruppe versuchen wir, die hier formulierten Maßstäbe umzusetzen. Dabei erkennen wir die Grenzen dieser Verfahren und unserer eigenen Leistungsfähigkeit ebenso an wie den Umstand, dass alle in dieser Betrachtung adressierten Elemente des Feldes aktuell in steter Bewegung sind. Gleichwohl sind wir der Überzeugung, dass es keine Alternative zu einer Beteiligung an der Exploration dieser Verfahren und an der Suche nach wissenschaftsförmigen Lösungen für unser Fach gibt. 

Wir haben nicht in der Hand, ob KI die Geschichtswissenschaft überformt, aber wir können gestalten, wie dieser Prozess verläuft.

Literatur

Alemohammad, Sina, Josue Casco-Rodriguez, Lorenzo Luzi, Ahmed Imtiaz Humayun, Hossein Babaei, Daniel LeJeune, Ali Siahkoohi und Richard G. Baraniuk. „Self-Consuming Generative Models Go MAD.“ In The Twelfth International Conference on Learning Representations (ICLR 2024). 2024.  openreview.net/forum?id=ShjMHfmPs0.

American Historical Association [AHA]. „Guiding Principles for Artificial Intelligence in History Education.“ Genehmigt vom AHA Council am 29. Juli 2025.  historians.org.

Angwin, Julia, Jeff Larson, Surya Mattu und Lauren Kirchner. „Machine Bias.“ ProPublica, 23. Mai 2016,  propublica.org. Dazu „How We Analyzed the COMPAS Recidivism Algorithm“, ProPublica, 23. Mai 2016,  propublica.org.

Bazerman, Charles. „What Do Sociocultural Studies of Writing Tell Us about Learning to Write?“ In Handbook of Writing Research, hg. von Charles A. MacArthur, Steve Graham und Jill Fitzgerald, 11–23. 2. Aufl. New York: The Guilford Press, 2016.

Breen, Benjamin. „How to use generative AI for historical research. Four real-world case studies, and some thoughts on what not to do.“ Res Obscura, 14. November 2023.  resobscura.substack.com.

Breen, Benjamin. „The leading AI models are now good historians. … in specific domains. Three case studies with GPT-4o, o1, and Claude Sonnet 3.5, and what they mean.“ Res Obscura, 22. Januar 2025.  resobscura.substack.com.

Crawford, Kate. The Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press, 2021.  doi.org/10.2307/j.ctv1ghv45t.

Dastin, Jeffrey. „Amazon scraps secret AI recruiting tool that showed bias against women.“ Reuters, 10. Oktober 2018.  reuters.com.

Dieterich, William, Christina Mendoza und Tim Brennan. COMPAS Risk Scales: Demonstrating Accuracy Equity and Predictive Parity. Performance of the COMPAS Risk Scales in Broward County. Northpointe Inc. Research Department, 8. Juli 2016.

DISSINET (Dissident Networks Project, Masaryk-Universität Brno). „Extracting data from historical texts using Large Language Models.“ 3. Oktober 2025.  dissinet.cz.

Fickers, Andreas. „Towards a New Digital Historicism? Doing History in the Age of Abundance.“ VIEW Journal of European Television History and Culture 1, Nr. 1 (2012): 19–26.  doi.org/10.18146/2213-0969.2012.jethc004.

Flores, Anthony W., Kristin Bechtel und Christopher T. Lowenkamp. „False Positives, False Negatives, and False Analyses: A Rejoinder to ‚Machine Bias: There's Software Used Across the Country to Predict Future Criminals. And It's Biased Against Blacks.'“ Federal Probation 80, Nr. 2 (2016): 38–46.  uscourts.gov.

Furtado, Júnia Ferreira. „Doenças de africanos, doença africana: transformações da quijila, entre a África centro-ocidental e as Minas Gerais, Brasil, séculos XVII e XVIII.“ História, Ciências, Saúde-Manguinhos 30 (2023): e2023052.  doi.org/10.1590/S0104-59702023000100052.

Gerlich, Michael. „AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking.“ Societies 15, Nr. 1 (2025): 6.  doi.org/10.3390/soc15010006. Dazu die Berichtigung in Societies 15, Nr. 9 (2025): 252.

Götter, Christian. „Künstliche Intelligenz und Geschichtswissenschaft. Mehr als ein neues Werkzeug für die Digital History?“ Historische Zeitschrift 319, Nr. 2 (2024): 299–330.  doi.org/10.1515/hzhz-2024-0026.

Guldi, Jo. The Dangerous Art of Text Mining: A Methodology for Digital History. Cambridge: Cambridge University Press, 2023.  doi.org/10.1017/9781009263016.

HERMES (Datenkompetenzzentrum). „Build Your Own HistoRAG.“ Labor am Leibniz-Institut für Europäische Geschichte, Mainz, 23. und 24. September 2026.  hermes-hub.de.

Humphries, Mark, Lianne C. Leddy, Quinn Downton, Meredith Legace, John McConnell, Isabella Murray und Elizabeth Spence. „Unlocking the Archives: Using Large Language Models to Transcribe Handwritten Historical Documents.“ Historical Methods: A Journal of Quantitative and Interdisciplinary History 58, Nr. 3 (2025): 175–193.  doi.org/10.1080/01615440.2025.2500309. Vorabfassung: arXiv Preprint 2411.03340, 2. November 2024.

Jaźwińska, Klaudia, und Aisvarya Chandrasekar. „AI Search Has a Citation Problem.“ Columbia Journalism Review, Tow Center for Digital Journalism, 6. März 2025.  cjr.org.

Koolen, Marijn, Jasmijn van Gorp und Jacco van Ossenbruggen. „Toward a Model for Digital Tool Criticism: Reflection as Integrative Practice.“ Digital Scholarship in the Humanities 34, Nr. 2 (2019): 368–385.  doi.org/10.1093/llc/fqy048.

Kosmyna, Nataliya, Eugene Hauptmann, Ye Tong Yuan, Jessica Situ, Xian-Hao Liao, Ashly Vivian Beresnitzky, Iris Braunstein und Pattie Maes. „Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task.“ arXiv Preprint 2506.08872, Fassung 1 vom 10. Juni 2025.  arxiv.org/abs/2506.08872.

Kosmyna, Nataliya, Eugene Hauptmann, Ye Tong Yuan, Jessica Situ, Xian-Hao Liao, Ashly Vivian Beresnitzky, Iris Braunstein und Pattie Maes. „FAQ.“ Projektseite Your Brain on LLM, o. J.,  brainonllm.com/faq (abgerufen im Oktober 2026).

Langer, Adina. „Generative AI and historical authority.“ National Council on Public History, History@Work, 19. Oktober 2023.  ncph.org.

Lewis, Patrick, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel und Douwe Kiela. „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.“ Advances in Neural Information Processing Systems 33 (2020): 9459–9474. arXiv Preprint 2005.11401, 2020.  arxiv.org/abs/2005.11401.

Liu, Chang, Dongbo Wang, Zhixiao Zhao, Die Hu, Mengcheng Wu, Litao Lin, Jiangfeng Liu, Hai Zhang, Si Shen, Bin Li und Lianzhen Zhao. „SikuGPT: A Generative Pre-trained Model for Intelligent Information Processing of Ancient Texts from the Perspective of Digital Humanities.“ Journal on Computing and Cultural Heritage 17, Nr. 4 (2024): 1–17.  doi.org/10.1145/3676969.

Massachusetts Institute of Technology [MIT]. Report of MIT's Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Co-Vorsitz Eric Klopfer und Sam Madden. 13. August 2026.  sites.mit.edu.

Matei, Arthur, Tim Hallyburton, Lukas Hennies, Christoph Rass und Gernot A. Fink. „Recent Advances in Information Extraction from Historical Archival Records.“ In Document Analysis and Recognition – ICDAR 2026, Part III, 87–103. Cham: Springer, 2026.  doi.org/10.1007/978-3-032-36039-7_6. [Online erschienen am 24. August 2026, im Druck 2027.]

Matthäus, Jürgen. „‚The Last Jew in Vinnitsa': Reframing an Iconic Holocaust Photograph.“ Holocaust and Genocide Studies 37, Nr. 3 (2023): 349–359.  doi.org/10.1093/hgs/dcad053. [Online am 23. Dezember 2023 erschienen, im Druck am 18. Januar 2024; Matthäus datiert die Forschungsnotiz selbst auf Anfang 2024.]

Matthäus, Jürgen. „Judenmord in Berdyčiv. Deutungsfortschritte und Erkenntnisgrenzen im Umgang mit einem ikonischen Holocaust-Foto.“ Zeitschrift für Geschichtswissenschaft 73, Nr. 9 (2025): 705–729.  doi.org/10.5771/0044-2828-2025-9-705. Dazu der frei zugängliche Abbildungsteil des Verlags, der die Gesichtserkennung und die Ähnlichkeitswerte ausweist. Zur Berichterstattung über diesen Aufsatz, die den Namen des Schützen nennt: Bericht der Jüdischen Allgemeinen vom 30. September 2025; „Nazi executioner of ‚Last Jew of Vinnitsa‘ identified.“ Searchlight, 1. Oktober 2025; „Nazi killer in Holocaust image identified using AI: researcher.“ CP24, 3. Oktober 2025; „Nazi gunman from ‚Last Jew in Vinnitsa‘ identified by AI.“ The Jerusalem Post, 1. Dezember 2025.

Meding, Holle, und Aurel Daugs. „On the use and limitations of large language models in historical scholarship.“ In Understanding Science with Large Language Models? Potentials for the History, Philosophy, and Sociology of Science, hg. von Arno Simons, Adrian Wüthrich, Michael Zichert und Gerd Graßhoff, 71–99. Bielefeld: transcript, 2026.  doi.org/10.14361/9783839447529-071.

Nockels, Joe, Paul Gooding, Sarah Ames und Melissa Terras. „Understanding the application of handwritten text recognition technology in heritage contexts: a systematic review of Transkribus in published research.“ Archival Science 22, Nr. 3 (2022): 367–392.  doi.org/10.1007/s10502-022-09397-0.

Pölert, Hauke. „NotebookLM – KI-generierte Podcasts aus Materialien erstellen.“ Unterrichten Digital, 26. November 2024.  unterrichten.digital.

Poy, Lucas. „NotebookLM: The end of reading as we knew it?“ Tomorrow Never Knows (Substack), 10. Juli 2025.  lucaspoy.substack.com.

Prescott, Andrew. „Bias in Big Data, Machine Learning and AI: What Lessons for the Digital Humanities?“ Digital Humanities Quarterly 17, Nr. 2 (2023).  doi.org/10.63744/ccu6hb5nfhru.

Shumailov, Ilia, Zakhar Shumaylov, Yiren Zhao, Nicolas Papernot, Ross Anderson und Yarin Gal. „AI models collapse when trained on recursively generated data.“ Nature 631, Nr. 8022 (2024): 755–759.  doi.org/10.1038/s41586-024-07566-y.

Silcock, Emily, Abhishek Arora, Luca D'Amico-Wong und Melissa Dell. „Newswire: A Large-Scale Structured Database of a Century of Historical News.“ Advances in Neural Information Processing Systems 37 (2024): 49768–49779.  doi.org/10.52202/079017-1575. Vorabfassung: arXiv Preprint 2406.09490, 2024.

Spina, Salvatore. „Artificial Intelligence in archival and historical scholarship workflow: HTS and ChatGPT.“ Umanistica Digitale, Nr. 16 (2023): 125–140.  doi.org/10.6092/issn.2532-8816/17205.

Stanković, Miloš, Ella Hirche, Sarah Kollatzsch und Julia Nadine Doetsch. „Comment on: Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Tasks.“ arXiv Preprint 2601.00856, eingereicht 29. Dezember 2025.  arxiv.org/abs/2601.00856.

Trouillot, Michel-Rolph. Silencing the Past: Power and the Production of History. Boston: Beacon Press, 1995.

Verband der Historiker und Historikerinnen Deutschlands [VHD], AG Künstliche Intelligenz. „Historisches Denken bleibt unverzichtbar, jetzt mehr denn je! Zentrale Thesen zu Chancen und Herausforderungen von KI in der Geschichtswissenschaft.“ 2026.  historikerverband.de (abgerufen im Oktober 2026).

Walters, William H., und Esther Isabelle Wilder. „Fabrication and errors in the bibliographic citations generated by ChatGPT.“ Scientific Reports 13, Nr. 1 (2023): 14045.  doi.org/10.1038/s41598-023-41032-5.

White, Hayden. Metahistory: The Historical Imagination in Nineteenth-Century Europe. Baltimore: Johns Hopkins University Press, 1973.

Wolf, Fabian, Oliver Tüselmann, Arthur Matei, Lukas Hennies, Christoph Rass und Gernot A. Fink. „CM1 – A Dataset for Evaluating Few-Shot Information Extraction with Large Vision Language Models.“ In Document Analysis and Recognition – ICDAR 2025, Part II, 23–39. Cham: Springer, 2025.  doi.org/10.1007/978-3-032-04617-8_2. [Online erschienen am 15. September 2025, im Druck 2026.] Vorabfassung:  arxiv.org/abs/2505.04214.

Stand: Oktober 2026