LLMs in der historischen Forschung

Holle Meding und Aurel Daugs: LLMs in den Geschichtswissenschaften: Potenziale, Grenzen und Anwendungsbeispiele (NER & RAG). L.I.S.A Wissenschaftsportal Gerda Henkel Stiftung 16.04.2026
Fünf zentrale Problemfelder beim Einsatz von LLMs in der historischen Forschung werden analysiert: „(1) Hallu­zi­na­tionen, bei denen Modelle Quellen, Zitate oder Behauptungen erfinden, die sich jedweder Plausibilität und Kausalität entziehen; (2) eine eingeschränkte Chrono­sensi­ti­vi­tät, da Sprach­modellen ein explizites Zeitverständnis fehlt; (3) Gegenwartsbias und Anglo­zen­tris­mus, bedingt durch die Dominanz anglophoner Internetquellen nach 2000 in den Trainingsdaten; (4) Human Alignment und Inhaltsmoderation, die dazu führen können, dass historisch relevante, aber politisch oder ethisch sensible Themen unterdrückt, ausgelassen oder auch verstärkt werden, beispielsweise infolge von RLHF (Reinforcement Learning from Human Feedback), versteckten System­prompts, Fine-Tuning oder regions­spezi­fischen Einschrän­kun­gen; sowie (5) Opazität, da kommerzielle LLMs nur begrenzt Einblick in ihre Trainings­daten oder Fine-Tuning-Verfahren gewähren.“
„Eine vertiefende Auseinandersetzung mit den hier vorgestellten Ansätzen erfolgt in drei begleitenden Beiträgen, von denen einer bereits publiziert ist, während zwei weitere im Mai 2026 erscheinen werden:
Meding/Daugs, On the Use and Limitations of Large Language Models in Historical Scholarship, in: Simons/Wütherich/Zichert/Graßhoff (Eds.): Understanding Science with Large Language Models?, (Transcript, Mai 2026)
Meding/Daugs, From RAGs to Rich Responses: Enhancing LLM Reliability through Retrieval-Augmented Generation, in: Simons/Wütherich/Zichert/Graßhoff (Eds.): Understanding Science with Large Language Models?, (Transcript, Mai 2026)
Meding, Holle. „Themenschwerpunkt: Daten, Digitalität und historisches Lernen. Geschichtskultur auf Social Media erforschen. Methoden, Werkzeuge und Herausforderungen der Datenanalyse.“ Zeitschrift für Geschichtsdidaktik 24.1 (2025): 50-68. https://doi.org/10.13109/zfgd.2025.24.1.50″

EU Suchmaschinen-Initiative

Jo Bager: Suchmaschinen-Initiative will EU-Suche bauen. Die European Search Perspective will die EU-Staaten aus der Abhängigkeit von US-Unternehmen befreien. Heise 12.03.2026
„Das deutsch-französische Joint Venture European Search Perspective (EUSP) hat offene Briefe an die Regierungschefs aller 27 EU-Mitgliedstaaten verschickt. Es schlägt vor, nationale Suchindexe als öffentliche digitale Infrastruktur aufzubauen. Die Initiative kommt 100 Tage nach dem Digital Sovereignity Summit in Berlin, auf dem europäische Staats- und Regierungschefs versprachen, kritische digitale Abhängigkeiten abzubauen.“

KI Buch Open Access

Künstliche Intelligenz und Wir. Stand, Nutzung und Herausforderungen der KI. Open Access Springer Nature 2026
„Dieses Open-Access-Buch bietet einen umfassenden Überblick über den aktuellen Stand der Technikentwicklung und die zukünftigen Möglichkeiten der Künstlichen Intelligenz (KI). Experten aus verschiedenen Disziplinen beleuchten die vielfältigen Aspekte der KI, von technischen Grundlagen über ethische Fragestellungen bis hin zu gesellschaftlichen und wirtschaftlichen Auswirkungen. Das Buch wendet sich an Lehrende und Lernende an deutschsprachigen Hochschulen und kann als Lehrbuch außerhalb der Informatik verwendet werden.
Zu den Herausgebern gehören der Wirtschaftswissenschaftler Frank Schmiedchen, der seit 2017 die Studiengruppe Technikfolgenabschätzung der Digitalisierung der Vereinigung Deutscher Wissenschaftler leitet, der ehemalige Vizepräsident der Gesellschaft für Informatik Alexander von Gernler, der Abteilungsleiter Research und Innovation der genua GmbH ist, die Wirtschaftsinformatikerin Martina Hafner, die bei der genua GmbH als Innovationsmanagerin arbeitet, und Klaus Peter Kratzer, der Professor für Informatik an der Technischen Hochschule Ulm war.“

KI Suche mit Halluzination

5 Strategien gegen KI-Halluzinationen bei der Websuche „60 % KI-Halluzinationsrate, ohne Websuche“ digithek.blog 12.2.2026
„1️⃣ Websuche aktivieren. Die meisten KI-Tools haben eine Websuchfunktion, die oft nicht standardmäßig eingeschaltet ist. Laut Studie senkt sie die Halluzinationsrate von 60 % auf 30 %. Das allein löst das Problem nicht, ist aber der wichtigste erste Schritt.

2️⃣ Quellen auf Inhalt prüfen. Dass eine KI eine Quelle angibt, heißt nicht, dass die Quelle die Aussage stützt. Dieses Content-Grounding ist die häufigste Fehlerquelle. Also: Quelle öffnen und nachlesen.

3️⃣ Gespräche kurz halten. Der Kaskadeneffekt ist messbar. Lieber mehrere kurze Konversationen starten, statt ein langes Gespräch zu führen, in dem sich frühe Fehler fortpflanzen.

4️⃣ Bei Nischenwissen skeptisch sein. Die Studie beschreibt eine gefährliche Mittelzone. Bei Themen mit wenig Trainingswissen füllen Modelle Lücken mit plausibel klingenden Details auf. Genau dort, wo du es am wenigsten merken würdest.

5️⃣ Gegenproben stellen. Bitte die KI, ihre eigene Antwort kritisch zu hinterfragen. Oder suche gezielt nach der Originalquelle. Kostet zwei Minuten, kann einen gravierenden Fehler verhindern.“

Buchseite 2 von 47
1 2 3 4 … 47