Während meiner Reise in den Niederlanden habe ich an der Universität Leiden einen Zettel gefunden und mitgenommen: Hacking the Humanities. Introduction to Computational Thinking and Analysis. Es ist ein Werbezettel für einen Python-Kurs in einem BA-Studiengang; er gehört zum Digital-Humanities-Minor in Leiden –, und im Untertitel heißt er dort »An Introduction to Python and Text Mining«. Ein Tool-Kurs, Geisteswissenschaftler:innen lernen Python, um Python zu können und im IT-Bereich vielleicht eine diffuse Chance zu haben, falls das mal in einer Ausschreibung relevant sein sollte?
Nein.
Es ist ein Kurs, der darauf zielt, Python zu nutzen, um Kultur zu erkunden, Texte zu analysieren und kritisch über Gesellschaft nachzudenken. Das Werkzeug steht im Dienst einer Frage – und das ist etwas anderes als die Toolangebote, die wir seit Jahren kennen: BWL für Geisteswissenschaftler:innen, Excel für Geisteswissenschaftler:innen, um vermeintliche Defizite zu kompensieren, um anzureichern oder sanft auf die Umschulung vorzubereiten.
Computational Thinking
Seymour Papert, der den Begriff „Computational Thinking“ 1980 in »Mindstorms« prägte, hat von Anfang an das Bedienen von Computern von dem Wissen unterschieden, wann ihr Einsatz angebracht ist. Populär wurde der Begriff durch Jeannette Wing, die 2006 forderte, er solle eine vierte Kulturtechnik werden, neben Lesen, Schreiben, Rechnen. Es geht also um eine Denkweise, nicht um das Beherrschen von Programmen.
Man zerlegt diese Denkweise gern in vier Bewegungen, und das Verführerische ist, dass jede einen geisteswissenschaftlichen Verwandten zu haben scheint.
- Dekomposition – ein großes Problem in kleinere Teile schneiden, wie die Gliederung eines Buches.
- Mustererkennung – das Wiederkehrende sehen, wie Historiker:innen, die vor verschiedenen Revolutionen immer wieder ähnliche Krisenkonstellationen finden.
- Abstraktion – ein vereinfachtes Modell bauen, vielleicht ein Idealtypus im Weberschen Sinne.
- Algorithmenentwurf – eine Schritt-für-Schritt-Anleitung, die dasselbe Problem jedes Mal gleich löst.
Üb er die Ähnlichkeit können wir Einstiege finden; doch sie dürfen die grundsätzlichen Unterschiede nicht verdecken. Unser Zerlegen hält die Teile in Spannung zum Ganzen – der hermeneutische Zirkel will, dass sich Teil und Ganzes wechselseitig erhellen, nicht, dass sie sauber voneinander trennbar werden. Unser Muster ist meist der Auftakt zur Frage, welche Spezifika der Einzelfall hat, nicht die nach einer Regel, die wir hinterher anwenden. Am deutlichsten beim vierten Punkt: Eine Heuristik der Quellenkritik ist gerade kein Algorithmus. (George Pólya nannte die Schritte 1945 in seinem »How to Solve It« mit Bedacht Heuristiken – Faustregeln, die an jedem Schritt ein Urteil verlangen, das berühmte »es kommt darauf an«.) Ein Algorithmus will dieses Urteil gerade loswerden.
Computational Thinking ist die Kunst, ein Problem so weit zu durchdenken, dass man die Lösung im Zweifel automatisieren könnte.
In unseren Fächern sind wir oft in der Gegenbewegung: Probleme und Phänomene zu durchdenken, bis klar wird, warum sie sich der Automatisierung entziehen.
Hier liegt die Doppelbewegung, die ich glaube, für den Leidener Kurs verstanden zu haben.
Erstens: Es bleiben unsere Fragen und Problemstellungen. Wir wollen Kultur lesen, Texte verstehen, Gesellschaft begreifen. Nun nutzen wir ein noch fremdes Instrument.
Zweitens, und das ist der eigentliche Gewinn: Das Instrument verändert uns, wie Nietzsche es für die Schreibmaschine beschrieb. Wer Python auf einen Textkorpus ansetzt, muss seine Frage so präzise stellen, dass eine Maschine sie bearbeiten kann; das erfordert eine andere Art, zu denken. Das Werkzeug ist ein Anlass; eine neue Denkweise ist ein Ergebnis.
Bereicherung
Und das ist es, worüber zu reden sich lohnt: Was genau ergänzt diese Denkweise, das unsere Fächer uns nicht ohnehin schon mitgeben? Vor allem dreierlei.
Zum einen den Maßstab. Die meisten unserer Methoden sind für das Nahe gebaut, für die dichte Lektüre weniger Texte. Computational Thinking erlaubt die Frage, was über Tausende von Texten hinweg gilt – und, fast wichtiger, es erlaubt, eine Lesart am ganzen Material zu prüfen, statt sie an gut gewählten Beispielen zu bestätigen. Das ist eine Korrektur an einer Schwäche, die wir nicht gern zugeben: dem geschickt belegten Einzelfall. Und das ist möglicherweise auch ein kränkendes Lösen: vom Genius des einzelnen Werks.
Zum anderen den Zwang zur Explizitheit. Um etwas berechenbar zu machen, muss man sagen, was man genau meint. Wer »Ironie« oder »Gattung« in eine Regel fassen will, merkt schlagartig, wie viel bislang der Intuition überlassen wa.r, obwohl wir in der Einleitung eine Methode benennen, nach der wir vorgehen wollen. Computational Thinking ersetzt das Urteil nicht – aber es stellt dem »es kommt darauf an« die Frage hinterher, die wir uns selten stellen: worauf genau? Diese Nötigung, die eigenen Kriterien offenzulegen, ist ein Gewinn, selbst dann, wenn wir die Formalisierung am Ende verwerfen.
Und schließlich den Reiz des Modells, das mit Absicht falsch ist. Sein Nutzen liegt darin, dort, wo es bricht, etwas über die Wirklichkeit zu erfahren. Das ist ein anderes erkenntnisförmiges Vergnügen als die Vertiefung eines Sinns. Ich verstehe, dass es nicht zu unserer Hauptausrichtung wird, die bleibt bei der Deutung. Aber für mich, in meiner Arbeit, wir das Auffinden einer Grenze zunehmend wichtig, weil sie mir die Bedingtheit meiner Deutung zeigt.
Think like a Computer Scientist
Python ist ja nur eine Variante, wie wir Computational Thinking für uns nutzen können. Jedes Werkzeug folgt einer anderen Logik. Python ist eine Programmiersprache; es erlaubt uns das Denken in Abläufen, Schleifen, Bedingungen, in Prozessen, die sich auf neue Fälle übertragen lassen. Wer in den 2010er Jahren BWL für Geisteswissenschaftler:innen mitgemacht hat, hat vielleicht gelernt, in Excel zu denken: in Zellen, Bezügen, Formeln, Aggregaten; in einem Raster, in dem alles in Zeilen und Spalten passt. Das ist die Logik des Controllings, und sie erzieht zum Messen, Vergleichen, Verdichten. Ein KI-Sprachmodell wiederum fragt, welcher Schritt als nächstes plausibel ist, gemessen an allem, was es je gesehen hat.
Egal, ob Python, NotebookLM oder etwas anderes: Es geht darum, mit Neugier zu erkunden, auf wie viele Arten sich überhaupt denken lässt – und wohin uns jede dieser Arten führt. Das erweitert den Horizont nach innen, in den eigenen Fächern, und nach außen, ins Anwenden und ins Trans- und Interdisziplinäre.
Ich freue mich total über diesen Zettel-Fund. Er ist eine Einladung, jenseits des Gewohnten zu denken.
Weiterlesen
KI-Agenten: Eine neue Schnittstelle für geisteswissenschaftliche Kompetenzen? – Brotgelehrte
Fünf Leitgedanken für Schreiben mit KI als Co-Intelligenz – Brotgelehrte