Kritische Überlegungen zum Algorithmizitätsbegriff

Manuel Burghardt

Vorbemerkungen

Im Blogbeitrag von Jan Horstmann und Rabea Kleymann wurden vor Kurzem Eindrücke zur AG-Tagung „Algorithmizität als Kultur des Verstehens? Digitale Erkenntnisprozesse in den Humanities“ vorgestellt. Der Beitrag liefert dabei eine neutrale Zusammenschau der Vorträge und Diskussionen rund um den Algorithmizitätsbegriff, wie sie im Rahmen der besagten AG-Tagung stattgefunden haben. Der nachfolgende Blogbeitrag – im Text von Horstman & Kleymann als opinion piece angekündigt – greift die Diskussion der Tagung nochmals auf und versucht sich an einer eher kritischen Perspektive auf den Algorithmizitätsbegriff.

Team „leere Worthülse“ – Zum Missverhältnis der Konzepte Algorithmus und Algorithmizität

Zunächst einmal sei vorausgeschickt: Der Begriff der Algorithmizität wurde nicht im Rahmen der Tagung neu erfunden, sondern viel mehr aus Felix Stalders Buch zur Kultur der Digitalität (2016) entlehnt. Stalder selbst fasst das Konzept folgendermaßen zusammen:

Algorithmizität bezeichnet jene Aspekte der kulturellen Prozesse, die von Maschinen (vor-)geordnet werden. Algorithmen transformieren die unüberschaubaren Daten und Informationsmengen, die heute viele Bereiche des Alltags prägen, in Dimensionen und Formate, welche durch die menschliche Wahrnehmung erfasst werden können. Es ist unmöglich – für jemanden alleine wie auch für eine noch so große Gemeinschaft – Milliarden Websites sinnerfassend zu lesen. Deshalb sind wir auf Angebote wie den Google-Suchalgorithmus angewiesen, die uns die Datenflut (Big Data) auf eine Menge reduzieren und in jene Formate übersetzen, die Menschen verstehen können (Small Data). Damit machen sie menschliches Verstehen und Handeln in der auf digitale Technologien aufbauenden Kultur überhaupt erst möglich und beeinflussen es in ambivalenter Weise: Sie schaffen einerseits neue Abhängigkeiten, indem sie die (informationelle) Welt vorsortieren und zugänglich machen, und sie sorgen andererseits für Autonomie, indem sie die Voraussetzungen der persönlichen Handlungsfähigkeit schaffen.

(Stalder, 2021)

Ein wesentliches Ziel der Tagung war es jedoch, den Algorithmizitätsbegriff in eine andere Richtung zu interpretieren und ihn damit zu erweitern:

Die von der DHd-AG Digital Humanities Theorie organisierte hybride Tagung »Algorithmizität als Kultur des Verstehens?« widmet sich daher der algorithmischen Verfasstheit von geisteswissenschaftlichen Erkenntnisprozessen. Einen ersten Ausgangspunkt bildet die Annahme, dass sich in traditionellen und aktuellen Forschungspraktiken der Geisteswissenschaften latente Formen der Algorithmizität wiederfinden lassen. Darunter sind nicht nur digitale Formen geisteswissenschaftlichen Arbeitens im Sinne einer prozessual aufgefassten Algorithmisierung zu verstehen. Vielmehr bezeichnet Algorithmizität den jeweiligen Formalisierungsgrad von Handlungsanweisungen, der sich in geisteswissenschaftlichen Methoden sui generis manifestiert.

Tagung zum Thema „Algorithmizität als Kultur des Verstehens? Digitale Erkenntnisprozesse in den Humanities“, am 10.06.2022, Leibniz-Zentrum für Literatur- und Kulturforschung Berlin (ZfL).

Nachdem der Algorithmizitätsbegriff in mehreren Vorträgen aus unterschiedlichen Perspektiven beleuchtet und interpretiert wurde, so zeichnete sich in der Abschlussdiskussion eine gewisse Zuspitzung auf zwei Positionen ab, die @jodageiger in einem begleitenden Tweet folgendermaßen dokumentiert:

Den Reiz von Algorithmizität als „qualitativ neues Konzept“, das flexibel interpretierbar und definierbar ist und damit eine Projektionsfläche für vielfältige Ideen und Diskurse über algorithmische Arbeitsweisen und Denkmuster in den Geisteswissenschaften liefert, arbeitet @Charlesque gut heraus:

An dieser Stelle möchte ich nun auch mit meiner Kritik am Algorithmizitätsbegriff einsteigen, von dem ich anfangs hoffnungsvoll annahm, er würde ggf. eine intersubjektive Überprüfbarkeit algorithmischer Anleihen in den Geisteswissenschaften erlauben. Dabei war ich zunächst davon ausgegangen, dass Algorithmizität vom mathematisch-informatischen Konzept des Algorithmus her gedacht würde. Tatsächlich wurde aber im Laufe der Tagung deutlich, dass einige Teilnehmer*innen eher ein definitorisches cherry picking intendieren, d.h. es werden selektiv bestimmte Charakteristika von Algorithmen herausgegriffen und andere gänzlich vernachlässigt. Gut illustrieren lässt sich mein Vorwurf an einer einfachen Algorithmen-Definition von Donald Knuth (1977):

(1) „An algorithm is a set of rules for getting a specific output from a specific input.“

Wenngleich auch in den Geisteswissenschaften regelgeleitete und systematische Verfahren zu finden sind, so haben diese aus meiner Sicht selten den Grad an Formalisierung und Spezifizierung, wie man sie bei Algorithmen findet. Dort müssen die einzelnen Verarbeitungsschritte so explizit und formal eindeutig beschrieben werden, dass auch ein Computer in der Lage ist, die Anweisungen automatisch auszuführen.

(2) „Each step must be so precisely defined it can be translated into computer language and executed by machine.“

(Knuth, 1977)

Für die Geisteswissenschaften scheint mir aber ein mehr oder weniger großer Rest an Unschärfe, Vagheit und Ambiguität – trotz aller Regelhaftigkeit des Vorgehens – geradezu konstitutiv. Die Anreicherung mit spezifischem Kontextwissen und die assoziative Verknüpfung mit ähnlichen (oder kontrastierenden) Quellen ist aus meiner Sicht ein wichtiges Spezifikum  geisteswissenschaftlicher Forschungspraxis. Selbst wenn also in den Geisteswissenschaften prozessual und mehr oder weniger systematisch vorgegangen wird, so gibt es trotzdem viele individuelle Parameter, welche das letztliche Ergebnis mehr oder weniger stark beeinflussen. Knuths Forderung, dass bei einer spezifischen Eingabe auch eine (reproduzierbare) spezifische Ausgabe erfolgen muss, scheint mir bei den meisten geisteswissenschaftlichen Analysen nicht erfüllt. Ich bezweifle stark, dass zwei Geisteswissenschaftler*innen, welche exakt dieselben Eingabedaten (bspw. ein Buch oder ein Musikstück) und dieselbe schrittweise Analysemethodik verwenden, zu exakt demselben output kommen.

Mein Anliegen ist hier durchaus nicht, den Geisteswissenschaften systematisch-prozessuales Vorgehen in der eigenen Forschungsmethodik abzusprechen. Ich finde es aber problematisch, wenn Algorithmen allein auf regelgeleitetes Vorgehen reduziert werden und damit dann ein neuer Begriff wie die Algorithmizität motiviert wird. Zumal es für regelgeleitetes Vorgehen in den Geisteswissenschaften durchaus bereits bestehende Begriffe gibt. Man denke etwa an die deduktive Methode, die im Kern auch die Problemzerlegung und ein schrittweises Vorgehen bei der Teilproblemlösung beinhalten. Um es nochmals prägnant zusammenzufassen: wenn Algorithmizität eigentlich hauptsächlich „regelgeleitetes Vorgehen“ bedeutet, dann scheint mir der Begriff unpassend und unnötig aufgeblasen.

Der Tagungsvortrag von Thomas Nyckel zu „Algorithmen als Faustregeln“ illustriert das Missverhältnis von Algorithmen und Algorithmizität sehr gut, denn aus meiner Sicht sind Algorithmen eben gerade keine einfachen Faustregeln; viele vermeintlich algorithmische Vorgehensweisen in den klassischen Geisteswissenschaften haben aber durchaus Gemeinsamkeiten mit Faustregeln, werden also dem Anspruch an informatische Algorithmen nicht gerecht.

Algorithmische Praxis in den DH vs. Algorithmiztät

Neben der selektiven Adaption des informatischen Algorithmusbegriffs scheint mir die Trivialisierung von Algorithmen zu einer schlichten Sammlung von Regeln auch im Hinblick auf die tatsächlich in den DH eingesetzten Algorithmen problematisch. Sieht man sich diese einmal etwas genauer an, so wird schnell klar, dass bspw. das generative Verfahren des Topic Modeling oder das Prinzip des dynamic programming, wie es bspw. bei Alignment-Verfahren zum Einsatz kommt, nicht einfach von Menschen analog umgesetzt werden kann und eine unmittelbare Abbildung auf „algorithmische“ Praktiken in den Geisteswissenschaften nicht ohne Weiteres möglich ist. Hier zeigt sich geradezu die Stärke von Algorithmen, die stark formalisiert die Problemlösung auf aufwendige Rechenoperationen verlagern, die vom Computer gut ausgeführt werden können, die bei Menschen aber ein größeres Fehlerpotenzial und vor allem eine deutlich längere Bearbeitungszeit haben. Man betrachte hier nur das Beispiel früher stilometrischer Analysen, bei denen Mosteller & Wallace (1963) in einigen Jahren der manuellen Berechnung das herausgefunden haben, was man heute mit computergestützten Methoden der Stilometrie in wenigen Klicks reproduzieren kann. Die These wäre hier also: Real verwendete Algorithmen in den DH übersetzen Analyseschritte in Berechnungen, die dann im großen Stil zu quantitativen Erkenntnissen kommen können, die vom Menschen so nicht geleistet werden können, da bei komplexeren Berechnungen die Lebenszeit schlicht nicht ausreicht, bzw. bei der Verteilung auf mehrere Personen die Wahrscheinlichkeit für Fehler und Inkonsistenzen entsprechend ansteigt.

Grundsätzlich denke ich, dass es der Diskussion um den Algorithmizitätsbegriff zuträglich wäre, konkrete Algorithmen, wie sie in den DH regelmäßig eingesetzt werden, zu analysieren[1] und deren spezifische Arbeitsschritte mit geisteswissenschaftlichen Praktiken abzugleichen.

Algorithmen und Datenstrukturen – Datenstrukturalismus statt Algorithmizität?

Ein Argument aus dem Lager der Begriffsbefürworter*innen könnte an dieser Stelle nun eine breitere Perspektive sein, die über das bloße Regelhafte und Prozessuale von Algorithmizität hinausgeht. Tatsächlich wurde im Rahmen der Tagung immer wieder der Begriff der Modellierung bzw. der Modellbildung als weitere Brücke in die Algorithmizität genannt. Völlig unklar ist für mich aber auch hier, welchen Stellenwert der Algorithmizitätsbegriff einnimmt bzw. welchen Mehrwert er bringt, denn die bloße Feststellung, dass die formale Modellierung und Repräsentation geisteswissenschaftlicher Forschungsgegenstände eine conditio sine qua non für sämtliche DH-Analysen ist, scheint mir einigermaßen banal. Kaum ein Mitglied der DH-Community wird die Relevanz von Modellierung bestreiten. Nicht zufällig nehmen Auszeichnungssprachen wie XML und TEI eine zentrale Rolle in der Entwicklung der DH in den letzten Dekaden ein (vgl. Ide & Sperberg-McQueen, 1995). Geradezu paradigmatisch für die Modellierungsherausforderungen ist in den DH etwa die Erstellung digitaler Editionen, die seit jeher ein wichtiges Arbeitsgebiet darstellt und die DH damit bspw. gut abgrenzbar von benachbarten Disziplinen wie der Informationswissenschaft oder der Computerlinguistik macht (vgl. Luhmann & Burghardt, 2022).

Die Modellierung geisteswissenschaftlicher Artefakte geht dabei natürlich stets einher mit der Formalisierung von Forschungsfragen, die – angepasst an die Modellierungskategorien – von vornherein viel spezifischer formuliert werden müssen als man dies in klassischen hermeneutischen Verstehensprozessen erwarten würde. Diese Verquickung von Repräsentation und Forschungsperspektive betonte John Unsworth (2002) bereits vor mehr als 20 Jahren, wenn er von ontologischen Festlegungen (ontological commitments) bei der Wahl spezifischer Modellierungsverfahren spricht. Dabei spielt nicht nur das Was der Modellierung eine wichtige Rolle – also welche Kategorien und Merkmale sollen bspw. explizit annotiert werden –, sondern auch das Wie der technischen Repräsentation. Es macht einen großen Unterschied, ob die Struktur eines Shakespeare-Stückes mithilfe von hierarchischem XML-Markup (wie bspw. bei Folger) oder mittels eines relationalen Datenbankmodells (wie bspw. bei Open Source Shakespeare) modelliert wird. Unsworth benutzt in dem Zusammenhang auch das Bild unterschiedlicher „Brillen“, die man sich aufsetzt, um jeweils bestimmte Aspekte deutlicher oder unschärfer zu sehen – Modellierung ist demnach wesentlich mitverantwortlich für die Analyseperspektive.

[…] selecting a representation means making a set of ontological commitments. The commitments are in effect a strong pair of glasses that determine what we can see, bringing some part of the world into sharp focus, at the expense of blurring other parts.

Unsworth (2002)

An dieser Stelle drängt sich aus meiner Sicht nun die Frage auf, ob DH im Kern nicht primär durch Praktiken der digitalen Modellierung von – häufig analogen – Quellen und der damit einhergehenden Formalisierung (man mag dies auch Empirisierung nennen) von Forschungsfragen und Hypothesen charakterisiert werden können? Sicher, wenn die Modellierung erst abgeschlossen ist ergeben sich vielfältige Möglichkeiten der computergestützten Darstellung und Analyse, aber in den allermeisten Fällen werden hier bestehende Analyseverfahren aus Bereichen wie etwa der Data Science, der Bioinformatik, der Informationstheorie, u.a. herangezogen. Die Entwicklung genuiner Algorithmen und statistischer Verfahren für die Analyse geisteswissenschaftlicher Daten ist aus meiner Sicht bislang noch überschaubar und aktuell ein Versprechen, dass die sich gerade neu-formierenden Computational Humanities künftig einlösen müssen.

Wenn man die Trennung von Modellierung und Analyse, wie ich sie eben vorgenommen habe, konsequent zu Ende denkt, dann könnte man zum Konzept des Algorithmus noch ein weiteres informatisches Konzept ergänzen: das der Datenstrukturen (wie bspw. Listen, Graphen oder Arrays). In fast allen Informatik-Curricula finden sich diese beiden Konzepte als konkomitante Elemente, die stets gemeinsam in einführenden Lehrveranstaltungen als „Algorithmen und Datenstrukturen“ auftauchen. Wenn nun – wie oben dargelegt – die DH primär mit der Modellierung beschäftigt sind, dann wäre aus meiner Sicht viel eher der Begriff der Datenstrukturen zutreffend, als der des Algorithmus. Algorithmizität adressiert aus meiner Sicht also schlicht den falschen informatischen Begriff, wenn man von der Modellierung her argumentiert. Vielleicht also lieber Datenstrukturalismus statt Algorithmizität?

Algorithmizität als computational thinking?  

In Erwiderung zu den vorausgegangen Modellierungsargumenten könnte man nun anführen, dass eine saubere Trennung zwischen Modellierung/Datenstrukturen und Analyse/Algorithmus nicht möglich ist, da die Modellierung zwangsläufig auch die Analyse beeinflusst (siehe Unsworth, weiter oben). Modellierung könnte man so gesehen also durchaus auch kreativ zu einer Praxeologie namens Algorithmizität weiterdenken, nämlich dann, wenn jenseits der statischen Repräsentation von bestimmten Artefakten und deren Spezifika (bspw. als TEI-Dokument) auch noch deren spätere, regel-geleitete Analyse mitgedacht wird. 

Hier würde ich aber als Argument gegen den Algorithmizitätsbegriff anführen, dass es dafür schon ein anderes, viel länger etabliertes Konzept gibt. Beim sog. computational thinking (Wing, 2006) geht es genau darum, Probleme so zu erfassen und zu formalisieren, dass sie als Algorithmus abgebildet werden können – zumeist mit dem Ziel, das Problem dann von einem rechenstarken Computer lösen zu lassen. Man sollte sich an dieser Stelle nochmals deutlich machen: Computer sind sehr gut darin, sehr viele Berechnungen in sehr kurzer Zeit zu machen – das Stellen der Rechenaufgabe aber bleibt zunächst die Aufgabe des Menschen. Insbesondere, wenn das, was da berechnet werden soll, erst einmal als abstrakter Informationsprozess dargestellt werden muss. Computational thinking ist übrigens in den Naturwissenschaften wesentlich stärker ausgeprägt als in den Geisteswissenschaften, vermutlich weil sich deren Untersuchungsgegenstände wesentlich leichter in quantifizierbare Daten überführen lassen, die dann wiederum formal-algorithmisch untersucht werden können.

Viele Analysen in den DH zeugen m. E. gerade nicht von einem vertieften computational thinking, also einer sorgfältigen Operationalisierung der Forschungsfrage und deren sauberen algorithmischen Umsetzung. Vielmehr habe ich das Gefühl, dass oftmals ein recht unbedarfter Umgang mit Algorithmen erfolgt, ohne im Detail durchdrungen zu haben, wie sie funktionieren und welche Implikationen die einzelnen Analyseschritte für die Ergebnisse haben. Im Ergebnis finden sich zahlreiche Beispiele für teils dubiose Anwendungen (und Interpretationen) etwa von Topic-Modellen.

Plot Twist: Stalder hatte Recht

Und damit sind wir dann ggf. doch wieder beim Algorithmizitätsbegriff von Stalder angekommen: die Nutzung von Algorithmen, um große Datenmengen einem distant reading zugänglich zu machen, ohne im Detail zu verstehen, was in den einzelnen Schritten des Algorithmus passiert. Algorithmizität in den DH also als Anwendung von Algorithmen als black box? In Zeiten von deep neural networks und der gleichzeitigen Forderung nach interpretable machine learning wäre dies nochmals genauer zu diskutieren. Vielleicht ist anstelle von „Algorithmen“ ohnehin machine learning das bessere Analogon für geisteswissenschaftliche Analyseprozesse … to be continued – spätestens beim DHd-Workshop der Theorie-AG, wo am 13.3.2013 in Belval (Luxemburg) unter der Losung „Algorithmen anwenden – algorithmisch denken“ weiter diskutiert wird. Ich selbst werde natürlich auch vor Ort sein und freue mich auf gute Diskussionen zum Algorithmizitätsbegriff und zur Rolle von Algorithmen in den (Digital) Humanities.

Bibliografie

Ide, N. M., & Sperberg-McQueen, C. M. (1995). The TEI: History, goals, and future. Computers and the Humanities, 29(1), 5–15.

Luhmann, J., & Burghardt, M. (2022). Digital humanities—A discipline in its own right? An analysis of the role and position of digital humanities in the academic landscape. Journal of the Association for Information Science and Technology, 73(2), 148–171.

Knuth, D. (1977). Algorithms. In: Scientific American, 236(4).

Marino, M. C. (2020). Critical code studies. MIT Press.

Mosteller, F., & Wallace, D. L. (1963). Inference in an authorship problem: A comparative study of discrimination methods applied to the authorship of the disputed Federalist Papers. Journal of the American Statistical Association, 58(302), 275–309.

Stalder, F. (2021). Grundformen der Digitalität. Onlinebeitrag auf agora42. URL: https://agora42.de/grundformen-der-digitalitaet-felix-stalder/ (Zugriff: 16.01.2023).

Stalder, F. (2016). Kultur der Digitalität. Edition Suhrkamp.

Unsworth, J. (2002). What is Humanities Computing and What is not?. Jahrbuch für Computerphilologie 4.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35.

Fußnote

[1] Vgl. auch den Ansatz der critical code studies (Marino, 2020).


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search