Approaches to Analysing Historical Newspapers Using LLMs
Diese Studie kombiniert skalierbare computergestützte Methoden wie Topic Modeling, LLM-basierte Sentiment-Analyse und Named-Entity-Graphen mit kritischer Diskursanalyse, um die Darstellung kollektiver Identitäten und politischer Orientierungen in den historischen slowenischen Zeitungen „Slovenec" und „Slovenski narod" um die Wende zum 20. Jahrhundert zu untersuchen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
🗞️ Zeitungen aus der Vergangenheit mit einer KI-Lupe untersuchen
Stellen Sie sich vor, Sie haben einen riesigen, staubigen Keller voller alter Zeitungen aus dem späten 19. und frühen 20. Jahrhundert. Diese Zeitungen sind nicht mehr in perfektem Zustand; sie sind vergilbt, und wenn man sie mit einem Scanner einsieht, entstehen oft Fehler (wie wenn ein Foto unscharf ist).
Die Forscher aus Slowenien wollten herausfinden: Wie haben diese Zeitungen über „Wir" (die Slowenen) und „Die Anderen" (Deutsche, Österreicher, Italiener etc.) gesprochen?
Um das zu tun, haben sie einen cleveren Mix aus moderner KI und menschlicher Intelligenz benutzt. Hier ist die Reise, Schritt für Schritt:
1. Die zwei Gegner im Ring: Zwei Zeitungen
Sie haben zwei der wichtigsten slowenischen Zeitungen der damaligen Zeit verglichen:
- „Slovenec": Die Stimme der Konservativen und der Kirche. Sie war eher traditionell und kritisch gegenüber dem Liberalismus.
- „Slovenski narod": Die Stimme der Liberalen und Fortschrittlichen. Sie war nationalistischer und kritisierte die Kirche und die deutschen Einflüsse.
Man könnte sich das wie zwei verschiedene Sportteams vorstellen, die über das gleiche Spiel berichten, aber völlig unterschiedliche Kommentare abgeben.
2. Der KI-Assistent: Der „Übersetzer" für alte Texte
Da die Zeitungen alt sind und die Scanner-Fehler haben (man nennt das „OCR-Rauschen"), ist es für normale Computer schwer, sie zu lesen. Die Forscher haben also vier verschiedene moderne KI-Modelle (große Sprachmodelle, sogenannte LLMs) getestet.
Die Analogie: Stellen Sie sich vier verschiedene Detektive vor, die versuchen, aus einem undeutlichen Foto zu erraten, ob eine Person wütend, glücklich oder neutral ist.
- Drei der Detektive waren gut, aber einer war besonders gut: GaMS3.
- Dieser Detektive war so trainiert, dass er die slowenische Sprache besonders gut versteht, selbst wenn das Bild (der Text) etwas verrauscht ist.
Ein wichtiges Detail: Der Detektive war sehr gut darin, zu sagen: „Hier ist nichts Besonderes, es ist neutral." Aber er hatte Mühe, echte Freude oder echten Zorn zu erkennen. Er war eher vorsichtig. Wenn er unsicher war, sagte er lieber „neutral".
3. Das große Puzzle: Was sagen sie über wen?
Sobald die KI die Texte gelesen hatte, haben die Forscher eine riesige Landkarte (ein Netzwerk) erstellt.
- Die Punkte auf der Karte: Das waren die Gruppen (z. B. „Deutsche", „Slowenen", „Österreicher") und Orte.
- Die Linien: Zeigten, wie oft diese Gruppen zusammen erwähnt wurden.
- Die Farbe der Linien: Zeigte an, ob die Stimmung positiv, negativ oder neutral war.
Was haben sie entdeckt?
- Deutsche: In beiden Zeitungen wurden sie oft negativ erwähnt. Das passt zur Geschichte: Es gab damals große Spannungen zwischen Slowenen und Deutschen.
- Slowenen: Über die eigenen Leute wurde oft positiv oder zumindest gemischt gesprochen.
- Österreicher: Hier war die Stimmung meist neutral. Das war damals politisch üblich, da Slowenien Teil des österreichischen Reiches war.
- Regionale Gruppen: Begriffe wie „Mittelmeerbewohner" oder „Adriatische" tauchten fast immer in neutralen, beschreibenden Kontexten auf – wie eine Enzyklopädie-Eintragung, ohne Gefühle.
4. Die menschliche Entschlüsselung: Vom Computer zum Verständnis
Die KI hat zwar die Daten gesammelt, aber sie kann die Nuancen nicht immer verstehen. Deshalb sind die Forscher jetzt wieder mit der „Mensch-Lupe" an die Arbeit gegangen.
Sie haben sich die Texte angesehen, die die KI als interessant markiert hatte.
- Beispiel „Andere machen" (Othering): Die Zeitungen haben oft eine Strategie benutzt, um ein „Wir-Gefühl" zu schaffen, indem sie „Die Anderen" (besonders Deutsche) als Feinde oder Eindringlinge darstellten.
- Beispiel „Brüder": Interessanterweise wurden Kroaten oft als „Brüder" bezeichnet, während Deutsche als „Eindringlinge" gesehen wurden.
5. Das Fazit: Warum ist das wichtig?
Die Studie zeigt, dass man Computer und Menschen zusammenarbeiten lassen muss, um die Vergangenheit wirklich zu verstehen.
- Der Computer ist wie ein riesiger Staubsauger, der Millionen von Texten in Sekunden durchsucht und Muster findet, die kein Mensch je allein sehen könnte.
- Der Mensch ist wie der Detektiv, der die Muster erklärt und versteht, warum die Zeitungen so geschrieben haben.
Die große Erkenntnis:
Wir können heute mit Hilfe von KI sehen, wie sich die slowenische Identität vor 100 Jahren geformt hat. Wir sehen, dass die Zeitungen nicht nur Nachrichten gebracht haben, sondern aktiv dabei geholfen haben, das „Wir" gegen „Die Anderen" zu definieren. Und das Beste: Diese Methode funktioniert auch für andere alte, kaputte Texte in der Weltgeschichte.
Kurz gesagt: Sie haben alte, schmutzige Zeitungen genommen, sie mit einer super-smarten KI gereinigt und analysiert, und dann mit menschlichem Verstand herausgefunden, wie die Menschen damals über ihre Nachbarn gedacht haben. Ein toller Mix aus Technik und Geschichte!
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.