Computational Hermeneutics: Evaluating generative AI as a cultural technology
Der Artikel schlägt einen neuen Evaluierungsrahmen namens „Computational Hermeneutik" vor, der generative KI als kontextabhängige „Sinnmaschinen" begreift und fordert, dass deren Bewertung statt rein technischer Metriken iterative, menschenzentrierte und kontextsensitive Ansätze nutzt, um kulturelle Bedeutung zu erfassen.
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
Computational Hermeneutik: Warum KI mehr ist als nur ein Rechenschieber
Stellen Sie sich vor, Sie haben einen sehr klugen, aber etwas verwirrten Koch in Ihrer Küche. Dieser Koch (die Generative KI) hat Millionen von Kochbüchern gelesen, aber er hat nie wirklich gegessen oder mit Menschen am Tisch gesessen. Wenn Sie ihn bitten, ein Abendessen zu kochen, kann er Rezepte auswendig aufsagen, die perfekt klingen. Aber versteht er wirklich, warum wir essen? Versteht er, dass ein Gericht für einen Gast eine Erinnerung an die Kindheit sein kann, während es für einen anderen einfach nur Nahrung ist?
Genau darum geht es in diesem Papier. Die Autoren sagen: Wir behandeln KI bisher wie einen einfachen Werkzeugkasten, bei dem wir nur prüfen, ob das Ergebnis „richtig" oder „falsch" ist. Aber KI ist eigentlich ein kultureller Technologie-Orchester, das Musik spielt, die von der Kultur abhängt, in der sie aufgeführt wird.
Hier ist die einfache Erklärung der wichtigsten Ideen, verpackt in Bilder und Metaphern:
1. Das Problem: Der Koch, der den Kontext vergisst
Bisher haben wir KI so getestet, als wäre sie ein Mathematiker. Wir geben ihr eine Aufgabe („Löse diese Gleichung" oder „Fasse diesen Text zusammen") und prüfen, ob die Antwort exakt mit einer vordefinierten Lösung übereinstimmt.
Das funktioniert gut bei Mathe. Aber bei Kultur? Das ist wie wenn man ein Gemälde bewertet, indem man nur zählt, wie viele blaue Pixel es hat.
- Die Realität: Kultur ist kein festes Rezept. Ein Witz kann in New York lustig sein und in Berlin beleidigend. Ein Lied kann in einer Trauerfeier traurig und in einer Party fröhlich wirken.
- Der Fehler: Wir behandeln Kultur oft nur wie eine „Zutat" (wie Salz oder Pfeffer), die man hinzufügen kann, wenn nötig. Die Autoren sagen: Nein, Kultur ist der Teller, auf dem das Essen serviert wird. Ohne den Teller gibt es kein Essen.
2. Die Lösung: KI als „Interpretations-Maschine"
Die Autoren nennen die KI-Systeme „Context Machines" (Kontext-Maschinen).
Stellen Sie sich die KI nicht als einen Roboter vor, der Fakten abruft, sondern als einen Dolmetscher, der ständig versucht, die Bedeutung von Dingen zu erraten.
- Wie ein Puzzle: Wenn die KI ein Wort sagt, schaut sie sich nicht nur dieses Wort an. Sie schaut auf das ganze Bild (den Kontext), um zu verstehen, was gemeint ist. Das nennt man im Papier die „hermeneutische Schleife".
- Vergleich: Stellen Sie sich vor, Sie lesen einen Satz in einem Buch. Um zu verstehen, was das einzelne Wort bedeutet, lesen Sie den ganzen Satz. Um den Satz zu verstehen, lesen Sie das ganze Kapitel. Und um das Kapitel zu verstehen, schauen Sie sich das ganze Buch an. Die KI macht das in Millisekunden, aber das Prinzip ist dasselbe: Bedeutung entsteht erst im Zusammenhang.
3. Die drei großen Herausforderungen (Die „Drei Hürden")
Damit eine KI Kultur wirklich versteht, muss sie drei Dinge meistern, die für Computer eigentlich sehr schwierig sind:
A. Situatedness (Der „Wo"-Faktor):
- Metapher: Ein Schirm ist nützlich, wenn es regnet. Aber wenn Sie ihn in der Wüste tragen, ist er nur lästig.
- Erklärung: Bedeutung hängt immer vom Ort und der Zeit ab. Eine KI darf nicht so tun, als hätte sie eine „Gott-Perspektive" (eine neutrale Sicht von überall und nirgendwo). Sie muss verstehen, dass ihre Antwort immer aus einer bestimmten Perspektive kommt.
B. Plurality (Die „Viele Stimmen"-Faktor):
- Metapher: Stellen Sie sich eine große Familie vor, die sich um den Esstisch setzt. Die Oma findet, das Essen ist zu salzig. Der Enkel findet es perfekt. Beide haben recht, aus ihrer Sicht.
- Erklärung: Es gibt nicht immer die eine richtige Antwort. Was für die eine Gruppe wertvoll ist, kann für eine andere falsch sein. Eine gute KI muss lernen, dass es viele gültige Interpretationen gibt, ohne versuchen zu müssen, alles auf eine einzige „Wahrheit" zu reduzieren.
C. Ambiguity (Der „Zweideutigkeit"-Faktor):
- Metapher: Ein gutes Gedicht ist wie ein Nebel. Wenn man den Nebel wegpusten würde, bliebe nur eine trockene, langweilige Landschaft übrig. Die Magie liegt im Nebel selbst.
- Erklärung: Oft ist es gut, wenn etwas nicht sofort klar ist. In Kunst, Gesprächen und Kultur ist Unsicherheit oft der Raum, in dem Kreativität entsteht. KI-Systeme versuchen heute oft, jede Unsicherheit sofort zu beseitigen. Aber manchmal muss die KI lernen, mit der Unsicherheit zu spielen, statt sie zu eliminieren.
4. Der neue Weg: Wie wir KI testen sollten
Die Autoren schlagen vor, unsere Prüfungen für KI komplett zu ändern. Statt wie ein strenger Lehrer zu sein, der nur „Richtig/Falsch" ankreuzt, sollten wir wie Regisseure agieren, die eine Aufführung beobachten.
Sie nennen drei neue Regeln für Tests (Benchmarks):
Nicht einmalig, sondern im Kreis (Iterativ):
- Alt: Eine Frage stellen, eine Antwort bekommen, Note geben.
- Neu: Ein Gespräch führen. Die KI antwortet, Sie reagieren, die KI passt sich an. Wie ein Tanz, bei dem beide Partner aufeinander eingehen müssen.
Menschen einbeziehen, nicht nur Maschinen:
- Alt: Ein Computer prüft einen anderen Computer.
- Neu: Echte Menschen müssen dabei sein. Denn nur Menschen können sagen: „Das klingt zwar grammatikalisch korrekt, aber es fühlt sich falsch an." Die Bewertung muss die Beziehung zwischen Mensch und Maschine messen.
Kontext messen, nicht nur das Ergebnis:
- Alt: War die Antwort korrekt?
- Neu: Passt die Antwort in die Situation? War sie für diese Person, zu diesem Zeitpunkt, in dieser Kultur angemessen?
Fazit
Dieses Papier ist ein Aufruf, KI mit mehr Respekt vor der menschlichen Komplexität zu behandeln. Wir sollten aufhören, KI nur als einen super-schnellen Taschenrechner zu sehen, der kulturelle Dinge „berechnet". Stattdessen sollten wir sie als Partner in einem ständigen Gespräch sehen, bei dem es nicht nur um Fakten geht, sondern um Bedeutung, Gefühle und den Kontext, in dem wir leben.
Wenn wir das tun, können wir KI-Systeme bauen, die nicht nur „klug" sind, sondern auch „weise" im Umgang mit unserer vielfältigen Welt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.