Bias in Daten und Algorithmen

Jun.-Prof. Dr. Mark Hall

Sommersemester 2019

Daten

Wer produzierte Daten?

Wer publizierte Daten?

Wer archivierte Daten?

Graphische Litteratur-Tafel

Daten deutscher Dichtung

Wer und Was ist unterrepräsentiert?

Wie wurden Daten archiviert?

Was ist mit den Daten passiert?

Was wird digitalisiert?

Digitalisierung ist zeit- und kostenaufwendig. Daher muss entschieden werden, was "zuerst" digitalisiert werden soll. "zuerst" weil bei der aktuellen Digitalisierungsgeschwindigkeit, die gesamte Digitalisierung noch hunderte Jahre dauern wird.

Digitalisierungsprojekte fallen daher in zwei große Gruppen. Jene die thematisch getrieben werden, welche den Großteil der finanzierten Digitalisierugnsprojekte umfassen, und jene die aus Haushaltsmitteln durchgeführt werden, wo oft Aufgrund der physischen Organisation des Archivs entschieden wird.

Der Kostenfaktor führt dazu, dass abgewägt wird, mit welchen Daten am ehesten ein "Wert" für die Digitalisierungskosten gezeigt werden kann und das ist mit dem Kanon am einfachsten ("Wir digitalisieren Göthe, weil alle Schulkinder sollten/müssen Faust digital lesen könnnen.")

Wer und Was ist unterrepräsentiert?

Algorithmen

Algorithmen sind binär

Algorithmen verstehen Nichts nicht

Algorithmen mögen keine Theorie

Es ist oft schwierig in vollautomatische Methoden existierendes Theoriewissen einzubetten. Als Beispiel der verlinkte Artikel, in welchem über Wortähnlichkeiten die Plagiarismusaktivitäten zweier Encyclopädien analysiert werden. Das Problem ist, dass aus eher theoretischer Forschung die Abschreibaktivitäten bekannt sind und dass dies Teil der "standard" Arbeitsvorgänge war. Dies sollte eigentlich der Algorithmus in betracht ziehen, damit die Schlussfolgerungen nuancierter sein können, bezüglich wann und wie abgeschrieben wurde und was das bedeuten könnte.

Leca-Tsiomis, Marie. "The use and abuse of the digital humanities in the history of ideas: how to study the encyclopédie." History of European Ideas 39.4 (2013): 467-476.

Es gibt Theorien zu Farblehre und Bildkomposition. Algorithmen wie im verlinkten Artikel nehmen aber einfach die Farbwerte der Digitalisate, füttern die in ein Machine Learning Modell und nutzen dies dann zur Ähnlichkeitsberechnung. Das funktioniert zwar, es ist aber nicht klar, wie sich die Verteilung zu dem verhält, wie Menschen die Ähnlichkeit klassifizieren würden.

Lina Jonns Efterträdare: Machine Vision and Lund's Photographic History

Wer und Was ist unterrepräsentiert?

Was soll man machen?

Es sind mehr Meta-daten auf der Sammlungsebene notwendig, welche ein Verständnis für die gesamte Sammlung (digitalisiert oder nicht) geben und welche eine Qualifizierung der Forschungsergebnisse ermöglichen.

Es ist notwendig Methoden zu finden, welche die Unsicherheiten in den Quelldaten verstehen und durch die Verarbeitung im Algorithmus mittragen. Dann kann nach der Verarbeitung zwar nicht unbedingt quantifiziert werden, wie sehr die Verarbeitung die Unsicherheiten verstärkt hat, aber zumindest kann dies qualifiziert werden.

Methoden und Datensätze müssen publiziert werden, damit zumindest eine Kritik der Analyse und Ergebnisse möglich wird.

Die Grenzen dessen was man schließen kann und die Unsicherheiten müssen klarer und ehrlicher dokumentiert werden.

Quantitative Ergebnisse müssen in einen Theoriekontext gesetzt werden und mit der existierenden Forschung kontrastiert und diskutiert werden.