Artificial intelligence for oral history and disaster experience: a systematic mapping study

Decennialang zijn de verhalen van de menselijke ervaring—overlevenden van oorlog, getuigen van rampen, ouderen die vergeten tradities bewaren—vastgelegd op tape en disk, opgeslagen in archieven als statische opnames. Deze orale geschiedenissen zijn essentieel omdat ze de emotionele waarheid en het persoonlijke perspectief bevatten die officiële documenten vaak missen. Er heeft echter een enorme barrière gestaan tussen deze stemmen en de mensen die ze moeten horen: de enorme moeilijkheid om uren aan gesproken woord om te zetten in doorzoekbare tekst. Voor een onderzoeker of een museumconservator is het luisteren naar elke minuut van elke opname om een specifieke herinnering te vinden, een taak die een leven lang kan duren. Deze flessenhals heeft ervoor gezorgd dat enorme collecties menselijke getuigenissen opgeborgen bleven, toegankelijk voor slechts enkelen met de tijd om te luisteren. Nu komt er een nieuw veld op gang waar kunstmatige intelligentie wordt gebruikt om deze archieven te ontsluiten, niet alleen om woorden te transcriberen, maar om de gevoelens, patronen en stiltes daarin te begrijpen.

Een team van onderzoekers van universiteiten in Canada heeft onlangs een uitgebreid overzicht uitgevoerd om te zien hoe deze technologie precies wordt toegepast. Ze onderzochten vijfendertig studies gepubliceerd tussen 2004 en 2025, waarbij ze elke fase bekeken van hoe een gesproken verhaal een digitaal verslag wordt. Hun werk laat zien dat hoewel computers uitmuntend zijn geworden in de mechanische taak van het omzetten van spraak in tekst, de diepere uitdaging ligt in het behoud van de menselijke betekenis achter die woorden. De onderzoekers vonden dat het veld zich snel beweegt van eenvoudige transcriptie naar complexe analyse, maar dat er nog steeds aanzienlijke ethische hindernissen zijn met betrekking tot hoe we met gevoelige herinneringen omgaan en wiens stemmen werkelijk gehoord worden.

De review begon met het in kaart brengen van de reis van een orale geschiedenis, die de auteurs verdeelden in vier afzonderlijke fasen: creatie, archivering, analyse en expositie. In de creatiefase, waar het verhaal voor het eerst wordt verteld, is het gebruik van kunstmatige intelligentie nog zeldzaam. De meeste studies op dit gebied verkennen experimentele ideeën, zoals het gebruik van computerprogramma's om mensen te interviewen of het genereren van gesimuleerde dialogen om gaten in de historische verslaglegging op te vullen. Echter, het overgrote deel van het onderzoek richt zich op de tweede fase: archivering. Hier heeft de technologie de meest dramatische impact gehad. Door geavanceerde spraakherkenningssystemen te gebruiken, kunnen onderzoekers nu duizenden uren audio automatisch omzetten in tekst. Dit heeft een kritiek probleem opgelost dat voorheen grote collecties onbruikbaar maakte. De review merkt op dat in 2024 en 2025 alleen al bijna de helft van al het onderzoek in dit veld werd gepubliceerd, wat wijst op een verschuiving van experimentele prototypes naar real-world tools die actief enorme achterstanden aan opnames verwerken.

De geografie van dit onderzoek vertelt een verhaal van twee verschillende benaderingen. In de Verenigde Staten, waar enorme archieven zoals de USC Shoah Foundation miljoenen getuigenissen van de Holocaust en andere conflicten bevatten, ligt de focus op wat de tekst ons kan vertellen over de menselijke psychologie. Onderzoekers daar gebruiken computerprogramma's om deze verhalen te analyseren op tekenen van trauma, zoals het voorspellen van symptomen van posttraumatische stress bij overlevenden van de aanslagen van 11 september. In contrast hiermee staat een cluster van onderzoek in Centraal-Europa, met name Duitsland en de Tsjechische Republiek, dat gewijd is aan de engineering zelf. Deze teams werken aan het perfectioneren van de onderliggende technologie, om ervoor te zorgen dat computers spraak in verschillende talen, dialecten en luidruchtige opnamecondities accuraat kunnen horen en transcriberen. Terwijl het Amerikaanse werk vraagt: "wat betekent dit verhaal?", vraagt het Europese werk: "hoe zorgen we ervoor dat de computer het correct hoort?".

Naast het simpelweg opschrijven van woorden, omvat de derde fase van de pijplijn het gebruik van kunstmatige intelligentie om patronen en emoties binnen de verhalen te vinden. De review vond dat onderzoekers deze tools steeds vaker gebruiken om vergelijkbare narratieven bij elkaar te groeperen of om het emotionele gewicht van de stem van een spreker te detecteren. Sommige studies gaan nog een stap verder door niet-verbale geluiden zoals ademhaling, pauzes en stilte te analyseren. Deze geluiden dragen vaak evenveel betekenis als de woorden zelf, en duiden op onrust of aarzeling die een simpel transcript zou missen. De vierde fase, visualisatie, is waar deze digitale verhalen weer naar het publiek worden gebracht. Hier helpt kunstmatige intelligentie bij het creëren van meeslepende ervaringen, zoals virtuele reality-exposities waar bezoekers door een digitale ruimte kunnen lopen en met de getuigenissen kunnen interageren, waardoor de geschiedenis direct en persoonlijk aanvoelt.

Ondanks deze technologische sprongen identificeerden de onderzoekers serieuze zorgen die niet genegeerd kunnen worden. Het meest prangende probleem is het risico op het verliezen van het "menselijke" element van het verhaal. Wanneer een computer een opname transcribeert, stript het vaak de pauzes, de ademhaling en de emotionele trillingen in een stem weg, waardoor een complexe menselijke ervaring wordt gereduceerd tot een vlakke tekst. Dit is bijzonder gevaarlijk bij het behandelen van traumatische geschiedenissen, waarbij de manier waarop iets wordt gezegd net zo belangrijk is als wat er wordt gezegd. Er is ook het probleem van bias. De modellen voor kunstmatige intelligentie die voor deze taken worden gebruikt, zijn vaak getraind op standaardtalen met veel middelen en data. Wanneer deze modellen verhalen tegenkomen van inheemse gemeenschappen, sprekers van zeldzame dialecten of overlevenden van specifieke culturele conflicten, falen ze vaak in het begrijpen van de nuance, waarbij ze soms de sentimenten verkeerd interpreteren of de culturele context afvlakken.

De review benadrukt ook een groeiende kloof tussen de historici die deze verhalen verzorgen en de ingenieurs die de instrumenten bouwen. Naarms archieven meer afhankelijk worden van complexe, "black box"-systemen geleverd door commerciële bedrijven, wordt het voor historici moeilijker om te begrijpen hoe de technologie informatie sorteert en ophaalt. Dit gebrek aan transparantie roept vragen op over wie de controle heeft over het narratief. Bovendien wijzen de onderzoekers erop dat de ecologische kosten van het trainen van deze enorme computermodellen aanzienlijk zijn, wat een nieuwe laag van ethische overweging toevoegt aan het veld. De auteurs benadrukken dat voor kunstmatige intelligentie echt nuttig kan zijn, het geleid moet worden door een "human-in-the-loop"-benadering, waarbij menselijke experts de leiding houden over het proces om ervoor te zorgen dat de technologie het verhaal dient in plaats van het te vervormen.

Uiteindelijk suggereert deze systematische review dat we ons op een kantelpunt bevinden. De technologie om orale geschiedenis voor iedereen toegankelijk te maken is er eindelijk, maar de weg vooruit vereist meer dan alleen betere software. Het vraagt om een zorgvuldige balans tussen de efficiëntie van machines en de ethische verantwoordelijkheid van het bewaren van het menselijk geheugen. De onderzoekers concluderen dat de toekomst van dit veld afhangt van het ontwikkelen van nieuwe manieren om succes te meten die verder gaan dan eenvoudige nauwkeurigheid. In plaats van alleen te tellen hoeveel woorden een computer goed heeft gekregen, moeten we leren te evalueren of de technologie de emotionele waarheid en de culturele integriteit van de verhalen die het helpt te vertellen, heeft bewaard. Alleen door deze uitdagingen aan te pakken, kunnen we ervoor zorgen dat de stemmen uit het verleden niet alleen gehoord, maar ook werkelijk begrepen worden.