Modell | ZfdG - Zeitschrift für digitale Geisteswissenschaften

Views

570

Downloads

Open Public Peer Review

Kategorie

Working Paper

Version

1.0

25.05.2023

Weitere Versionen dieses Artikels:

Version 2.0 vom: 16.05.2024

mit Version 2.0 vergleichen

Ramona Roller

DOI: 10.17175/wp_2023_009

Nachweis im OPAC der Herzog August Bibliothek: 183976709X

Erstveröffentlichung: 25.05.2023

Lizenz: Sofern nicht anders angegeben

Medienlizenzen: Medienrechte liegen bei den Autor*innen

Letzte Überprüfung aller Verweise: 12.04.2023

GND-Verschlagwortung: Maschinelles Lernen | Modell | Statistische Schlussweise | Terminologie |

Empfohlene Zitierweise: Ramona Roller: Modell. In: AG Digital Humanities Theorie des Verbandes Digital Humanities im deutschsprachigen Raum e. V. (Hg.): Begriffe der Digital Humanities. Ein diskursives Glossar (= Zeitschrift für digitale Geisteswissenschaften / Working Papers, 2). Wolfenbüttel 2023. 25.05.2023. HTML / XML / PDF. DOI: 10.17175/wp_2023_009

Das Open Public Peer Review ist abgeschlossen

1. Begriffsdefinition

[2]Ein Modell ist eine vereinfachte Abbildung eines Objekts oder Systems mit einem beabsichtigten Ziel. Dieser Modellbegriff lässt sich durch drei Merkmale beschreiben.[1]

Abbildungsmerkmal: Ein Modell ist eine Abbildung oder Repräsentation von einem Original.
Verkürzungsmerkmal: Ein Modell besitzt ausgewählte, aber nicht alle Merkmale des Originals.
Pragmatisches Merkmal: Ein Modell hat einen Verwendungszweck. Es wird von einer Modelliererin oder einem Modellierer benutzt, um Fragestellungen über ein Objekt oder System zu beantworten.

2. Begriffs- / Ideengeschichte

Abb. 1: Etymologie des Modellbegriffs. Sprachen sind abgekürzt (ide. (indo-europäisch), lat. (lateinisch), gr. (griechisch), ital. (italienisch)). [Roller 2023; Adaption von Favre 2006]

[3]Ursprünglich stammt der Modellbegriff vom lateinischen ›modus‹ und dessen Diminutiv ›modulus‹ (vgl. Abbildung 1). Hieraus entwickelte sich die spätlateinische Bezeichnung ›modellus‹, die in der Renaissance zum italienischen ›modello‹ führte. Dieser Begriff wurde zunächst nur in der Architektur verwendet und bezeichnete dort eine Reihe von Entwurfsprinzipien.

3. Erläuterung

3.1 Mehrdeutigkeiten

Abb. 2: Mögliche Gliederung von Modelltypen nach Funktionalität. [Roller 2023]

[4]Der Modellbegriff manifestiert sich in unterschiedlichen Modelltypen, welche sich in ihrer Form und Zielsetzung unterscheiden (vgl. Abbildung 2). Der Fokus dieses Artikels liegt auf formalen Modellen. Diese basieren auf den computergestützten Forschungsschwerpunkten der DH und ermöglichen einen datengetriebenen Praxisbezug. Im Gegensatz dazu behandeln Modelle zur Formalisierung von Denkstrukturen → theorieorientierte Forschungsschwerpunkte der DH und sind nicht Gegenstand dieses Artikels. Zum Beispiel dienen konzeptionelle Modelle in den DH als Referenzrahmen, um relevante Unterdisziplinen und Methoden zueinander in Beziehung zu setzen,[2] und wissenschaftstheoretische Modelle hinterfragen Denkstrukturen, wie die Periodisierung von Geschichte.[3]

Materielle Modelle sind Gegenstände in der analogen Welt, die haptisch erfahrbar sind und Objekte oder Systeme repräsentieren (z. B. gedruckte Landkarte, Bozzetto eines Bildhauers oder einer Bildhauerin, Gebäude im verkleinerten Maßstab). Formale Modelle sind abstrakte Repräsentationen jener Objekte und Systeme, die in einer maschinell lesbaren Form vorliegen (z. B. Datenbank, mathematische Formel, Fortschreibungsregel).
Abbildende Modelle stellen Objekte oder Systeme räumlich am Computer dar. Beispiele umfassen 3D-Modelle für Gebäude oder Proteine, digitale Kopien von Gemälden und Netzwerke. Ziel des Modells ist es, Funktionsweisen und Perspektiven zu zeigen, die am realen Objekt aus Gründen der Zugänglichkeit (z. B. zerstörte Gebäude) oder der Sichtbarkeit (z. B. Mikroorganismen) nicht möglich sind.
Datenmodelle beschreiben, wie → Daten organisiert und gespeichert werden. Sie standardisieren die Informationen über und die Verbindungen zwischen Datenelementen. Ziel des Modells ist es, diese Informationen für Suchabfragen zu nutzen, welche in visuellen oder mathematischen Analysen weiterverarbeitet werden können. Verbindungen zwischen Datenelementen werden konzeptionell in einem Entity-Relationship-Diagramm dargestellt,[4] welches dann auf der Struktur einer bestimmten Datenbank abgebildet wird.[5]
Mathematische Modelle beschreiben ein System mithilfe mathematischer Gleichungen. Im Gegensatz zu Datenmodellen, wo lediglich neue Verknüpfungen zwischen vorhandenen Daten erstellt werden, werden jene Daten im mathematischen Modell verwendet, um neue Werte zu berechnen. Desweiteren werden messbare Charakteristika im mathematischen Modell durch Wahrscheinlichkeitsverteilungen (Zufallsvariablen) beschrieben. Dieser Artikel klassifiziert mathematische Modelle nach ihrer Funktion in Modelle des maschinellen Lernens, statistische Modelle und computationelle Modelle.[6]
Statistische Modelle beschreiben die mathematische Beziehung zwischen einer oder mehreren Zufallsvariablen (vgl. mathematische Modelle) und weiteren Variablen. Zum Beispiel kann ein statistisches Modell beschreiben, wie Kooperationsbereitschaft mit Herrschaftsstrukturen zusammenhängt. Bekannte Modelle umfassen Regressionen, Event-History-Modelle und t-Tests. Das Hauptziel ist es zu erklären, wie Daten zustande kommen (Datengenerierungsprozess),[7] wobei Rückschlüsse von der Datenstichprobe auf die Gesamtpopulation gezogen werden (Inferenz). Statistische Modelle sind für Datensätze mit wenigen dutzend Variablen konzipiert, treffen Annahmen über die Zufallsvariablen und quantifizieren Unsicherheiten im Modellergebnis (Konfidenzintervall, p-Wert).
Modelle des maschinellen Lernens (ML-Modelle) sind eine Klasse von Lernalgorithmen, die generalisierbare Muster in Daten erkennen. Zum Beispiel können Datenpunkte aufgrund ihrer Attribute in Gruppen eingeteilt werden. Bekannte ML-Modelle umfassen Random Forest, Neuronale Netze und Support Vector Machines. Das Hauptziel ist die Vorhersage nicht-observierter Daten. ML-Modelle sind für Datensätze mit Tausenden oder Millionen Variablen konzipiert und machen minimale Annahmen über den Datengenerierunsgprozess.
Computationelle Modelle beschreiben ein System über die Zeit, wobei einzelne Zeitschritte hintereinander berechnet werden (numerische Lösung), anstatt direkt durch eine geschlossene Funktion (analytische Lösung).[8] Zum Beispiel kann solch ein Modell berechnen, wie sich Veränderungen in der Vegetation über die Zeit auf das Siedlungsverhalten von Menschen auswirken. Hauptziel ist es nicht nur, Zufallsvariablen zu identifizieren, die ein Systemverhalten verursachen (vgl. statistische Modelle), sondern auch den Mechanismus zu verstehen, wie dieses Verhalten zustande kommt.

3.2 Differenzen der Begriffsverwendung

[5]

Architektur- und Kunstgeschichte: Hier werden hauptsächlich abbildende Modelle verwendet, um konkrete Einzelobjekte darzustellen. Ziel ist es, diese Einzelobjekte differenziert zu beschreiben und fiktive Szenarien an ihnen durchzuspielen (Hypothesen zu testen), zum Beispiel, um die mögliche Nutzung hinsichtlich räumlicher Verhältnisse zu testen.[9] Abbildende Modelle können auf zwei Arten entstehen: als ›gebaute‹ Modelle mit ausgewählten Vektorelementen ähnlich einer Vektorgrafik, oder als ›gescannte‹ Modelle mit zunächst bedeutungslosen Messpunkten ähnlich einer Rastergrafik, die jeweils den Bereichen der Rekonstruktion bzw. Digitalisierung zugeordnet werden.
Literatur- und Sprachwissenschaften: Hier werden hauptsächlich Modelle des maschinellen Lernens (ML-Modelle) für Natural Language Processing (NLP) und Text Mining (TM) verwendet.[10] Im NLP werden Wörter als numerische Vektoren, sogenannte Word Embeddings [11], dargestellt, die den Verwendungskontext eines Wortes mitberücksichtigen. Oft werden diese embeddings als pre-processing step für weitere Analysen erstellt.[12] Etablierte Modelle basieren auf Deep Neural Networks, einem Untertyp der ML-Modelle, und umfassen word2vec[13], GloVe[14] und BERT[15]. TM erfasst die Struktur von Texten durch die Analyse von Worthäufigkeiten und Korrelationen zwischen Wörtern. Die Anwendungsbereiche umfassen Klassifizierung und Clustering von Wortmustern[16], welche zur Identifikation von Emotionen[17], Genres[18], Figuren[19] und Themen[20] verwendet werden.[21] Abbildende Modelle finden in der Form von Figurennetzwerken breite Anwendung.[22]
Musik- und Filmwissenschaften: Hier werden hauptsächlich ML-Modelle zu generativen Zwecken und für music und image mining verwendet. Generative Modelle, vor allem Deep Neural Networks, erzeugen neue Musik[23] oder transkribieren Audiospuren zu Musiknoten[24]. Modelle des music und image minings erfassen Strukturen im Ton- und Filmmaterial und werden zur Identifizierung von Komponist*innen[25], Stilen[26], Instrumenten[27], Genres[28], Farben[29] und Bewegungen[30] verwendet. In den Filmwissenschaften haben diese Analysen zu komplexen Datenmodellen geführt, die zum Beispiel Körperhaltungen mit numerischen Vektoren repräsentieren und somit Haltungen miteinander vergleichen können.[31]
Geschichtswissenschaft und Archäologie: Hier werden hauptsächlich statistische und computationelle Modelle verwendet. Erstere dienen dazu, soziale, politische und ökonomische Zusammenhänge in vergangenen Gesellschaften zu erklären. Beispiele umfassen lineare und logistische Regressionen[32] sowie Event-History-Modelle[33]. Computationelle Modelle dienen dazu, Hypothesen über geschichtliche Prozesse und Ereignisse zu testen, manchmal auch in einem kontrafaktischen Szenario.[34] Beispiele umfassen partielle Differentialgleichungen zur Erforschung von Landnutzungsänderungen[35] und agentenbasierte Modelle zur Simulation prähistorischer Kulturen[36] und Kriegsverläufe[37]. Abbildende Modelle kommen vor allem als Netzwerke vor.[38]

4. Kontroversen

4.1 Standardisierung von Datenmodellen

[6]Um Datenmodelle unterschiedlichster Projekte miteinander zu verknüpfen, müssen Daten auf eine standardisierte Weise gespeichert werden. Kontroversen entzünden sich an den Fragen, ob Standards in DH-Datenmodellen überhaupt umsetzbar sind,[39] wie diese aussehen sollen[40] und wer sie entwickelt und wartet.

4.2 Qualitätsanforderungen an Datenmodelle

[7]Die DH stellen disziplinspezifische Anforderungen an Datenmodelle, wie zum Beispiel die Abbildung von Historizität, Unschärfe und subjektiven Entscheidungen, sowie die langfristige Verfügbarkeit der Modelle. Kontroversen entzünden sich an der Frage, wie diese Anforderungen in der Praxis umzusetzen sind.[41]

4.3 Interpretierbarkeit von mathematischen Modellen

[8]Im maschinellen Lernen (ML) werden Modelle oft auch als Black-Box-Modelle bezeichnet, da der Mechanismus, nachdem das Modell funktioniert, nicht verständlich ist, was die Interpretierbarkeit einschränkt. Kontroversen entzünden sich an der genauen Definition von Interpretierbarkeit[42] und der Frage, ob sich eine verbesserte Interpretierbarkeit überhaupt lohnt. Letztere basiert auf einem inzwischen widerlegten Zielkonflikt zwischen Interpretierbarkeit und Genauigkeit, wonach die beiden Konzepte nicht gleichzeitig optimiert werden können und fälschlicherweise jeweils statistischen und ML-Modellen zugeschrieben werden.[43]

4.4 Evaluation von abbildenden Modellen

[9]Die Evaluation eines Modells bewertet, wie gut das Modell ist, wobei die Defintion von ›gut‹ vom spezifischen Anwendungsfall abhängt. Während die Evaluation statistischer und ML-Modelle bereits standardisiert ist,[44] hat sich bei Netzwerkmodellen noch keine Evaluationsmethode etabliert. Die vielverwendete Ground-Truth-Validierung, bei welcher Netzwerkmaße mit externen Knotenmaßen, der Ground Truth, verglichen werden, ist fehleranfällig.[45]

Fußnoten

[1]

Vgl. Stachowiak 1973, S. 131–133.

[2]

Vgl. McCarty 2003.

[3]

Vgl. Leff 2013.

[4]

Vgl. Jannidis et al. (Hg.) 2019, S. 103.

[5]

Vgl. für eine Übersicht von Datenbanktypen: Foster / Heus 2020; Geisler 2014; Jouili / Vansteenberghe 2013; Meier / Kaufmann 2019, S. 201–218.

[6]

Weitere etablierte Klassiﬁzierungen unterscheiden Modelle nach anderen Funktionen (diskriminativ – generativ), Lernverfahren (überwacht – unüberwacht), Wahrscheinlichkeitsverteilung der Zufallsvariablen (parametrisch – nicht-parametrisch) und Modellergebnis (deterministisch – probabilistisch).

[7]

Vgl. Bzdok et al. 2018.

[8]

In der numerischen Lösung verwendet das Modell den Zustand des Systems zum Zeitpunkt t, um den Zustand zum nächsten Zeitpunkt t + 1 zu berechnen. In der analytischen Lösung kann das Modell direkt den Zustand zum Zeitpunkt t + 1 mit einer Funktion berechnen, ohne die vorherigen Zustände zu kennen.

[9]

Vgl. Schelbert 2019, S. 141.

[10]

Natural Language Processing erfasst den Inhalt von Sprache, wohingegen Text Mining deren Struktur identiﬁziert.

[11]

Vgl. Jurafsky / Martin 2009, Kapitel 6.

[12]

Vgl. Garg et al. 2018; Grayson et al. 2016; Kozlowski et al. 2019.

[13]

Mikolov et al. 2013.

[14]

Pennington et al. 2014.

[15]

Devlin et al. 2019.

[16]

Vgl. Jockers / Underwood 2016.

[17]

Vgl. Kim / Klinger 2019; Kleres 2011; Mohammad 2012; Zehe et al. 2016.

[18]

Vgl. Schöch 2017; Underwood 2016.

[19]

Vgl. Bamman et al. 2014.

[20]

Vgl. Barron et al. 2018; Goldstone / Underwood 2014; Navarro-Colorado 2018.

[21]

Diese Anwendungsbereiche sind besser bekannt unter ihren englischen Bezeichnungen ›sentiment analysis‹, ›genre modeling‹, ›character modeling‹ und ›topic modeling‹.

[22]

Vgl. Chen et al. 2019; Labatut / Bost 2019; Lee / Jung 2020.

[23]

Vgl. Carnovalini / Rodà 2020; Hadjeres et al. 2017; Herremans / Chew 2019; Lattner et al. 2018; Mao et al. 2018.

[24]

Vgl. Boulanger-Lewandowski et al. 2012.

[25]

Vgl. Hajj et al. 2018; Pollastri / Simoncelli 2001.

[26]

Vgl. Byszuk 2020; Hołobut / Rybicki 2020; Hörnel / Menzel 1998.

[27]

Vgl. Diment et al. 2013; Lostanlen et al. 2018; Solanki / Pandey 2022.

[28]

Vgl. Carlson et al. 2020.

[29]

Vgl. Burghardt et al. 2016; Flückiger 2021.

[30]

Vgl. Arpatzoglou et al. 2021; Cao et al. 2021; Fang et al. 2017; Sun et al. 2019.

[31]

Vgl. Bakels et al. 2020; Cao et al. 2021.

[32]

Vgl. Becker / Pascali 2019; Cantoni et al. 2018; Crabtree et al. 2018; Uribe-Castro 2019; Wurpts et al. 2018.

[33]

Vgl. Andrews / Biggs 2006; Chaves 1996.

[34]

Zum Beispiel, was mit der Sklaverei (in den amerikanischen Südstaaten) passiert wäre, wenn manche Ereignisse vom realen Geschichtsverlauf abgewichen wären (vgl. Fogel 1994; Bunzl 2004).

[35]

Vgl. Hurtt et al. 2006; Pongratz et al. 2008; Yu et al. 2012.

[36]

Vgl. Axtell et al. 2002; Chliaoutakis / Chalkiadakis 2016; Chliaoutakis / Chalkiadakis 2020; Griffin / Stanish 2007; Macmillan / Huang 2008.

[37]

Vgl. Rubio Campillo et al. 2012; Trautteur / Virgilio 2003.

[38]

Vgl. Czachesz / Biró (Hg.) 2011; Duling 2013; Düring et al. (Hg.) 2016; Gamper et al. (Hg.) 2015; Stark 1996.

[39]

Vgl. Jannidis et al. (Hg.) 2019, S. 247.

[40]

Vgl. Schelbert 2019, S. 145–146.

[41]

Vgl. Jannidis et al. (Hg.) 2019, S. 106–107.

[42]

Vgl. Caruana et al. 2015; Goodman / Flaxman 2017; Huysmans et al. 2011; Kim et al. 2015; Liu et al. 2005; Ribeiro et al. 2016.

[43]

Vgl. Hand 2006; Lipton 2016–2017; Lipton et al. 2016; Tollenaar / van der Heijden 2013; Zeng et al. 2017.

[44]

Evaluationsmaße für statistische Modelle ›belohnen‹ generell die Anpassungsgüte (englisch goodness of ﬁt, d. h. wie gut ein Modell observierte Daten erklärt) und ›bestrafen‹ eine grosse Komplexität (Anzahl der Zufallsvariablen), z. B. Akaike Information Criterion, Bayes Information Criterion, angepasster Determinationskoeffizient (englisch adjusted R2). Evaluationsmaße für ML-Modelle wiederum bestrafen Komplexität gewöhnlich nicht und evaluieren nur die Anpassungsgüte, also wie häuﬁg die Modellvorhersagen stimmen (etablierte Maße umfassen u. a. ROC-Kurve, Genauigkeit / accuracy und Sensitivität / sensitivity).

[45]

Vgl. Peel et al. 2017.

Bibliografische Angaben

Kenneth T. Andrews / Michael Biggs: The Dynamics of Protest Diffusion: Movement Organizations, Social Networks, and News Media in the 1960 Sit-Ins. In: American Sociological Review 71 (2006), H. 5, S. 752–777. DOI: 10.1177/000312240607100503

Vasiliki Arpatzoglou / Artemis Kardara / Alexandra Diehl / Barbara Flueckiger / Sven Helmer / Renato Pajarola: DanceMoves: A Visual Analytics Tool for Dance Movement Analysis. In: EuroVis 2021 – Short Papers. Hg. von Marco Agus / Christoph Garth / Andreas Kerren. (EuroVis 2021: 23rd Eurographics Conference on Visualization, Zürich, 14.06.–18.06.2021) 2021. DOI: 10.2312/evs.20211057

Robert L. Axtell / Joshua Morris Epstein / Jeffrey S. Dean / George John Gumerman / Alan Charles Swedlund / Jason Harburger / Shubha Chakravarty / Ross Hammond / Jon Parker / Miles Parker: Population Growth and Collapse in a Multiagent Model of the Kayenta Anasazi in Long House Valley. In: Proceedings of the National Academy of Sciences 99 (2002), H. 3, S. 7275–7279. DOI: 10.1073/pnas.092080799

Jan-Hendrik Bakels / Matthias Grotkopp / Thomas Scherer / Jasper Stratil: Matching Computational Analysis and Human Experience: Performative Arts und the Digital Humanities. In: Digital Humanities Quarterly 14 (2020), H. 4. [online]

David Bamman / Ted Underwood / Noah Ashton Smith: A Bayesian Mixed Effects Model of Literary Character. In: Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, Bd. 1: Long Papers. (ACL 52, Baltimore, 23.06.–25.06.2014) Baltimore 2014, S. 370–379. DOI: 10.3115/v1/P14-1035

Alexander T. J. Barron / Jenny Huang / Rebecca L. Spang / Simon DeDeo: Individuals, Institutions, and Innovation in the Debates of the French Revolution. In: Proceedings of the National Academy of Sciences 115 (2018), H. 18, S. 4607–4612. DOI: 10.1073/pnas.1717729115

Sascha O. Becker / Luigi Pascali: Religion, Division of Labor, and Conflict: Anti-Semitism in Germany over 600 Years. In: American Economic Review 109 (2019), H. 5, S. 1764–1804. DOI: 10.1257/aer.20170279

Nicolas Boulanger-Lewandowski / Yoshua Bengio / Pascal Vincent: Modeling Temporal Dependencies in High-Dimensional Sequences: Application to Polyphonic Music Generation and Transcription. In: Proceedings of the 29th International Conference on Machine Learning. Hg. von John Langford / Joelle Pineau. (ICML ‘12, Edinburgh, 26.06.–01.07.2012) Madison, WI 2012, S. 1881–1888. PDF. [online]

Martin Bunzl: Counterfactual History: A User’s Guide. In: The American Historical Review 109 (2004), H. 3, S. 845–858. DOI: 10.1086/ahr/109.3.845

Manuel Burghardt / Michael Kao / Christian Wolff: Beyond Shot Lengths – Using Language Data and Color Information as Additional Parameters for Quantitative Movie Analysis. In: Digital Humanities 2016: Conference Abstracts. (DH 2016, Krakau, 11.07.–16.07.2016) Krakau 2016, S. 753–755. [Nachweis im GVK]

Joanna Byszuk: The Voices of Doctor Who – How Stylometry Can be Useful in Revealing New Information About TV Series. In: Digital Humanities Quarterly 14 (2020), H. 4. [online]

Danilo Bzdok / Naomi Altman / Martin Krzywinski: Statistics Versus Machine Learning. In: Nature Methods 15 (2018), H. 4, S. 233–234. DOI: 10.1038/nmeth.4642

Davide Cantoni / Jeremiah Dittmar / Noam Yuchtman: Religious Competition and Reallocation: The Political Economy of Secularization in the Protestant Reformation. In: The Quarterly Journal of Economics 133 (2018), H. 4, S. 2037–2096. DOI: 10.1093/qje/qjy011

Zhe Cao / Gines Hidalgo / Tomas Simon / Shih-En Wei / Yaser Sheikh: OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. In: IEEE Transactions on Pattern Analysis and Machine Intelligence 43 (2021), H. 1, S. 172–186. DOI: 10.1109/TPAMI.2019.2929257

Emily Carlson / Pasi Saari / Birgitta Burger / Petri Toiviainen: Dance to Your Own Drum: Identification of Musical Genre and Individual Dancer From Motion Capture Using Machine Learning. In: Journal of New Music Research 49 (2020), H. 2, S. 162–177. DOI: 10.1080/09298215.2020.1711778

Filippo Carnovalini / Antonio Rodà: Computational Creativity and Music Generation Systems: An Introduction to the State of the Art. Frontiers in Artificial Intelligence 3 (2020). DOI: 10.3389/frai.2020.00014

Rich Caruana / Yin Lou / Johannes Gehrke / Paul Koch / Mark Sturm / Noemi Elhadad: Intelligible Models for HealthCare: Predicting Pneumonia Risk and Hospital 30-Day Readmission. In: KDD ‘15: Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. (Sydney, 10.08.–13.08.2015) New York 2015, S. 1721–1730. DOI: 10.1145/2783258.2788613

Mark Chaves: Ordaining Women: The Diffusion of an Organizational Innovation. In: American Journal of Sociology 101 (1996), H. 4, S. 840–873. DOI: 10.1086/230782

Rex H. G. Chen / Charles C. Chen / Chi-Ming Chen: Unsupervised Cluster Analyses of Character Networks in Fiction: Community Structure and Centrality. In: Knowledge-Based Systems 163 (2019), S. 800–810. DOI: 10.1016/j.knosys.2018.10.005

Angelos Chliaoutakis / Georgios Chalkiadakis: Agent-Based Modeling of Ancient Societies and Their Organization Structure. In: Autonomous Agents and Multi-Agent Systems 30 (2016), H. 6, S. 1072–1116. DOI: 10.1007/s10458-016-9325-9

Angelos Chliaoutakis / Georgios Chalkiadakis: An Agent-Based Model for Simulating Inter-Settlement Trade in Past Societies. In: Journal of Artificial Societies and Social Simulation 23 (2020), H. 3. DOI: 10.18564/jasss.4341

Charles Crabtree / Holger Lutz Kern / Steven Pfaff: Mass Media and the Diffusion of Collective Action in Authoritarian Regimes: The June 1953 East German Uprising. In: International Studies Quarterly 62 (2018), H. 2, S. 301–314. DOI: 10.1093/isq/sqy007

István Czachesz / Tamás Biró (Hg.): Changing Minds. Religion and Cognition Through the Ages. (International Workshop on Religion and Cognition, Groningen, 2006) Leuven u. a. 2011. [Nachweis im GVK]

Jacob Devlin / Ming-Wei Chang / Kenton Lee / Kristina Toutanova: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: Proceedings of NAACL-HLT 2019, Bd. 1: Long and Short Papers. Hg. von Jill Burstein / Christy Doran / Thamar Solorio. (Annual Conference of the North American Chapter of the Association for Computational Linguistics, Minneapolis, 02.06.–07.06.2019). Stroudsburg, PA 2019, S. 4171–4186. PDF. [online]

Aleksandr Diment / Toni Heittola / Tuomas Virtanen: Semi-Supervised Learning for Musical Instrument Recognition. In: 21st European Signal Processing Conference. (EUSIPCO 2013, Marrakesch, 09.09.–13.09.2013) 2013, S. 1–5. PDF. [online]

Dennis C. Duling: Paul’s Aegean Network: The Strength of Strong Ties. In: Biblical Theology Bulletin 43 (2013), H. 3, S. 135–154. DOI: 10.1177/0146107913493564

Marten Düring / Ulrich Eumann / Martin Stark / Linda von Keyserlingk (Hg.): Handbuch Historische Netzwerkforschung. Grundlagen und Anwendungen. Münster u. a. 2016. [Nachweis im GVK]

Hao-Shu Fang / Shuqin Xie / Yu-Wing Tai / Cewu Lu: RMPE: Regional Multi-Person Pose Estimation. In: 2017 IEEE International Conference on Computer Vision. (ICCV 2017, Venedig, 22.10.–29.10.2017) Los Alamitos, CA u. a. 2017. DOI: 10.1109/ICCV.2017.256

Jean-Marie Favre: Megamodelling and Etymology. A Story of Words: From MED to MDE via MODEL in Five Millenniums. In: Dagstuhl Seminar Proceedings 05161. Transformation Techniques in Software Engineering. Hg. von James Reginald Cordy / Ralf Lämmel / Andreas Winter. (Dagstuhl-Seminar 5161, Dagstuhl, 17.04.–22.04.2005). Dagstuhl 2006. DOI: 10.4230/DagSemProc.05161.6

Barbara Flückiger: Color and Expressive Movement. A Computer-Assisted Analysis. In: Mediaesthetics 4 (2021). DOI: 10.17169/mae.2021.86

Robert William Fogel: Without Consent or Contract. The Rise and Fall of American Slavery. New York 1994. [Nachweis im GVK]

Ian Foster / Pascal Heus: Databases. In: Big Data and Social Science. Data Science Methods and Tools for Research and Practice. Hg. von Ian Foster / Rayid Ghani / Ron S. Jarmin / Frauke Kreuter / Julia Lane. 2. Auflage. New York u. a. 2021, S. 66–99. [Nachweis im GVK]

Markus Gamper / Linda Reschke / Marten Düring (Hg.): Knoten und Kanten III. Soziale Netzwerkanalyse in Geschichts- und Politikforschung. Bielefeld 2015. [Nachweis im GVK]

Nikhil Garg / Londa Schiebinger / Dan Jurafsky / James Zou: Word Embeddings Quantify 100 Years of Gender and Ethnic Stereotypes. In: Proceedings of the National Academy of Sciences 115 (2018), H. 16, S. E3635–E3644. DOI: 10.1073/pnas.1720347115

Frank Geisler: Datenbanken. Grundlagen und Design. 5. Auflage. Heidelberg 2014. [Nachweis im GVK]

Andrew Goldstone / Ted Underwood: The Quiet Transformations of Literary Studies: What Thirteen Thousand Scholars Could Tell Us. In: New Literary History 45 (2014), H. 3, S. 359–384. DOI: 10.1353/nlh.2014.0025

Bryce Goodman / Seth Flaxman: European Union Regulations on Algorithmic Decision-Making and a »Right to Explanation«. In: AI Magazine 38 (2017), H. 3, S. 50–57. DOI: 10.1609/aimag.v38i3.2741

Siobhán Grayson / Maria Mulvany / Karen Wade / Gerardine Meaney / Derek Greene: Novel2Vec: Characterising 19th Century Fiction via Word Embeddings. In: Proceedings of the 24th Irish Conference on Artificial Intelligence and Cognitive Science. Hg. von Derek Greene / Brian Mac Namee / Robert Ross (AICS 2016, Dublin, 20.09.–21.09.2016) 2016 (= CEUR Workshop Proceedings, 1751). PDF. [online]

Arthur F. Griffin / Charles Stanish: An Agent-based Model of Prehistoric Settlement Patterns and Political Consolidation in the Lake Titicaca Basin of Peru and Bolivia. In: Structure and Dynamics 2 (2007), H. 2. DOI: 10.5070/SD922003290

Gaëtan Hadjeres / François Pachet / Frank Nielsen: DeepBach: A Steerable Model for Bach Chorales Generation. In: Proceedings of the 34th International Conference on Machine Learning. Hg. von Doina Precup / Yee Whye Teh. (ICML, Sydney, 06.08.–11.08.2017) 2017, S. 1362–1371 (= Proceedings of Machine Learning Research, 70). PDF. [online]

Nadine Hajj / Maurice Filo / Mariette Awad: Automated Composer Recognition for Multi-Voice Piano Compositions Using Rhythmic Features, N-grams and Modified Cortical Algorithms. In: Complex & Intelligent Systems 4 (2018), H. 1, S. 55–65. DOI: 10.1007/s40747-017-0052-x

David John Hand: Classifier Technology and the Illusion of Progress. In: Statistical Science 21 (2006), H. 1, S. 1–14. DOI: 10.1214/088342306000000060

Dorien Herremans / Elaine Chew: MorpheuS: Generating Structured Music with Constrained Patterns and Tension. In: IEEE Transactions on Affective Computing 10 (2019), H. 4, S. 510–523. DOI: 10.1109/TAFFC.2017.2737984

Dominik Hörnel / Wolfram Menzel: Learning Musical Structure and Style with Neural Networks. In: Computer Music Journal 22 (1998), H. 4, S. 44–62. [Nachweis im GVK]

Agata Hołobut / Jan Rybicki: The Stylometry of Film Dialogue: Pros and Pitfalls. In: Digital Humanities Quarterly 14 (2020), H. 4. [online]

George C. Hurtt / Stephen Frolking / Matthew G. Fearon / Berrien Moore / Elena Shevliakova / Sergey Malyshev / Stephen Wilson Pacala / Richard A. Houghton: The Underpinnings of Land-Use History: Three Centuries of Global Gridded Land-Use Transitions, Wood-Harvest Activity, and Resulting Secondary Lands. In: Global Change Biology 12 (2006), H. 7, S. 1208–1229. DOI: 10.1111/j.1365-2486.2006.01150.x

Johan Huysmans / Karel Dejaeger / Christophe Mues / Jan Vanthienen / Bart Baesens: An Empirical Evaluation of the Comprehensibility of Decision Table, Tree and Rule Based Predictive Models. In: Decision Support Systems 51 (2011), H. 1, S. 141–154. DOI: 10.1016/j.dss.2010.12.003

Fotis Jannidis / Hubertus Kohle / Malte Rehbein (Hg.): Digital Humanities. Eine Einführung. 2. Auflage. Stuttgart 2019. [Nachweis im GVK]

Salim Jouili / Valentin Vansteenberghe: An Empirical Comparison of Graph Databases. In: SocialCom 2013. Proceedings. (IEEE International Conference on Social Computing, Washington, 08.09.–14.09.2013) 2013, S. 708–715. [Nachweis im GVK]

Daniel Jurafsky / James H. Martin: Speech and Language Processing. Upper Saddle River, NJ 2009. [Nachweis im GVK]

Been Kim / Elena Glassman / Brittney Johnson / Julie Shah: iBCM: Interactive Bayesian Case Model Empowering Humans via Intuitive Interaction. 01.04.2015 (= CSAIL Technical Reports, MIT-CSAIL-TR-2015-010). Handle: 1721.1/96315

Evgeny Kim / Roman Klinger: A Survey on Sentiment and Emotion Analysis for Computational Literary Studies. In: Zeitschrift für digitale Geisteswissenschaften 4 (2019). DOI: 10.17175/2019_008

Jochen Kleres: Emotions and Narrative Analysis: A Methodological Approach. In: Journal for the Theory of Social Behaviour 41 (2011), H. 2, S. 182–202. DOI: 10.1111/j.1468-5914.2010.00451.x

Austin C. Kozlowski / Matt Taddy / James Allen Evans: The Geometry of Culture: Analyzing the Meanings of Class through Word Embeddings. In: American Sociological Review 84 (2019), H. 5, S. 905–949. DOI: 10.1177/0003122419877135

Vincent Labatut / Xavier Bost: Extraction and Analysis of Fictional Character Networks: A Survey. In: ACM Computing Surveys 52 (2019), H. 5. DOI: 10.1145/3344548

Stefan Lattner / Maarten Grachten / Gerhard Widmer: Imposing Higher-Level Structure in Polyphonic Music Generation using Convolutional Restricted Boltzmann Machines and Constraints. In: Journal of Creative Music Systems 2 (2018), H. 2, S. 1–31. DOI: 10.5920/jcms.2018.01

O-Joun Lee / Jason J. Jung: Story Embedding: Learning Distributed Representations of Stories Based on Character Networks. Artificial Intelligence 281 (2020). DOI: 10.1016/j.artint.2020.103235

Gordon Leff: Models Inherent in History. In: The Rules of the Game. Cross-Disciplinary Essays on Models in Scholarly Thought. Hg. von Teodor Shanin. London 2013, S. 148–163. [Nachweis im GVK]

Zachary Chase Lipton: The Mythos of Model Interpretability. In: ArXiv. 2016–2017. DOI: 10.48550/ARXIV.1606.03490

Zachary Chase Lipton / David C. Kale / Randall Wetzel: Modeling Missing Data in Clinical Time Series with RNNs. In: Proceedings of Machine Learning for Healthcare 2016. Hg. von Finale Doshi-Velez / Jim Fackler / David Kale / Byron Wallace / Jenna Wiens. (Los Angeles, 19.08.–20.08.2016), S. 253–270. (= Proceedings of Machine Learning Research, 56). PDF. [online]

Changchun Liu / Pramila Rani / Nilanjan Sarkar: An Empirical Study of Machine Learning Techniques for Affect Recognition in Human-Robot Interaction. In: IROS 2005. IEEE IRS/RSJ International Conference on Intelligent Robots and Systems. (Edmonton, 02.08.–06.08.2005), S. 2662–2667. DOI: 10.1109/IROS.2005.1545344

Matthew L. Jockers / Ted Underwood: Text-Mining in the Humanities. In: A New Companion to Digital Humanities. Hg. von Susan Schreibman / Ray Siemens / John Unsworth. Chichester 2016, S. 291–306. DOI: 10.1002/9781118680605.ch20

Vincent Lostanlen / Joakim Andén / Mathieu Lagrange: Extended Playing Techniques: The Next Milestone in Musical Instrument Recognition. In: Proceedings of DLfM ‘18. The 5th International Conference on Digital Libraries for Musicology. (Paris, 28.09.2018) New York 2018, S. 1–10. DOI: 10.1145/3273024.3273036

William Macmillan / H. Q. Huang: An Agent-Based Simulation Model of a Primitive Agricultural Society. In: Geoforum 39 (2008), H. 2, S. 643–658. DOI: 10.1016/j.geoforum.2007.07.011

Huanru Henry Mao / Taylor Shin / Garrison Cottrell: DeepJ: Style-Specific Music Generation. In: 12th IEEE International Conference on Semantic Computing. Proceedings. (ICSC 2018, Laguna Hills, CA, 31.01.–02.02.2018) Los Alamitos, CA 2018, S. 377–382. DOI: 10.1109/ICSC.2018.00077

Willard McCarty: Humanities Computing. In: Encyclopedia of Library and Information Science. Hg. von Miriam Drake. 2. Auflage. New York 2003, S. 1224–1235. [Nachweis im GVK]

Andreas Meier / Michael Kaufmann: SQL & NoSQL Databases. Models, Languages, Consistency Options and Architectures for Big Data Management. Wiesbaden 2019. [Nachweis im GVK]

Tomas Mikolov / Ilya Sutskever / Kai Chen / Greg Corrado / Jeffrey Dean: Distributed Representations of Words and Phrases and Their Compositionality. In: International Conference on Neural Information Processing Systems, Bd. 2. Hg. von Christopher J. C. Burges / Léon Bottou / Max Welling / Zoubin Ghahramani / Kilian Q. Weinberger. (NIPS 26, Lake Tahoe, 05.12.–10.12.2013) New York 2013, S. 3111–3119. PDF. [online]

Saif M. Mohammad: From Once Upon a Time to Happily Ever After: Tracking Emotions in Mail and Books. In: Decision Support Systems 53 (2012), H. 4, S. 730–741. DOI: 10.1016/j.dss.2012.05.030

Borja Navarro-Colorado: On Poetic Topic Modeling: Extracting Themes and Motifs From a Corpus of Spanish Poetry. In: Frontiers in Digital Humanities 5 (2018). DOI: 10.3389/fdigh.2018.00015

Leto Peel / Daniel B. Larremore / Aaron Clauset: The Ground Truth About Metadata and Community Detection in Networks. In: Science Advances 3 (2017), H. 5. DOI: 10.1126/sciadv.1602548

Jeffrey Pennington / Richard Socher / Christopher David Manning: GloVe: Global Vectors for Word Representation. In: EMNLP 2014. The 2014 Conference on Empirical Methods In Natural Language Processing. Proceedings of the Conference. (Doha, 25.10.–29.10.2014) Stroudsburg, PA 2014. S. 1532–1543. PDF. [online]

Emanuele Pollastri / Giuliano Simoncelli: Classification of Melodies by Composer with Hidden Markov Models. In: International Conference on WEB Delivering of Music. WEDELMUSIC 2011. Proceedings. Hg. von Paolo Nesi / Pierfrancesco Bellini / Christoph Busch. (Florenz, 23.11.–24.11.2001) Los Alamitos, CA 2001, S. 88–95. [Nachweis im GVK]

Julia Pongratz / Christian H. Reick / Thomas Raddatz / Martin Claussen: A Reconstruction of Global Agricultural Areas and Land Cover for the Last Millennium. In: Global Biogeochemical Cycles 22 (2008), H. 3. DOI: 10.1029/2007GB003153

Marco Tulio Ribeiro / Sameer Singh / Carlos Guestrin: »Why Should I Trust You?« Explaining the Predictions of Any Classifier. In: KDD ‘16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. (San Francisco, 13.08.–17.08.2016) New York 2016, S. 1135–1144. DOI: 10.1145/2939672.2939778

Xavier Rubio Campillo / Jose María Cela / Francesc Xavier Hernández Cardona: Simulating Archaeologists? Using Agent-Based Modelling to Improve Battlefield Excavations. In: Journal of Archaeological Science 39 (2012), H. 2, S. 347–356. DOI: 10.1016/j.jas.2011.09.020

Georg Schelbert: Ein Modell ist ein Modell ist ein Modell – Brückenschläge in der Digitalität. In: Der Modelle Tugend 2.0. Digitale 3D-Rekonstruktion als virtueller Raum der architekturhistorischen Forschung. Hg. von Piotr Kuroczyński / Mieke Pfarr-Harfst / Sander Münster. Heidelberg 2019, S. 137–153. DOI: 10.11588/arthistoricum.515

Christof Schöch: Topic Modeling Genre: An Exploration of French Classical and Enlightenment Drama. In: Digital Humanities Quarterly 11 (2017), H. 2. [online]

Arun Solanki / Sachin Pandey: Music Instrument Recognition Using Deep Convolutional Neural Networks. In: International Journal of Information Technology 14 (2022), S. 1659–1668. DOI: 10.1007/s41870-019-00285-y

Herbert Stachowiak: Allgemeine Modelltheorie. Wien u. a. 1973. [Nachweis im GVK]

Rodney Stark: The Rise of Christianity. A Sociologist Reconsiders History. Princeton 1996. [Nachweis im GVK]

Ke Sun / Bin Xiao / Dong Liu / Jingdong Wang: Deep High-Resolution Representation Learning for Human Pose Estimation. In: CVPR 2019. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Proceedings. (Long Beach, 15.06.–20.06.2019) Los Alamitos, CA 2019, S. 5686–5696. DOI: 10.1109/CVPR.2019.00584

Nikolaj Tollenaar / Peter Gosewinus Maria van der Heijden: Which Method Predicts Recidivism Best? A Comparison of Statistical, Machine Learning and Data Mining Predictive Models. In: Journal of the Royal Statistical Society: Series A (Statistics in Society) 176 (2013), H. 2, S. 565–584. DOI: 10.1111/j.1467-985X.2012.01056.x

Giuseppe Trautteur / Raniero Virgilio: An Agent-Based Computational Model for the Battle of Trafalgar: A Comparison between Analytical and Simulative Methods of Research. In: WET ICE 2003. Twelfth IEEE International Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises. Proceedings. (Linz, 09.06–11.06.2003) Los Alamitos, CA 2003, S. 377–382. [Nachweis im GVK]

Ted Underwood: The Life Cycles of Genres. In: Journal of Cultural Analytics 2 (2016), H. 2. DOI: 10.22148/16.005

Mateo Uribe-Castro: Expropriation of Church Wealth and Political Conflict in 19th Century Colombia. In: Explorations in Economic History 73 (2019). DOI: 10.1016/j.eeh.2019.03.001

Bernd Wurpts / Katie E. Corcoran / Steven Pfaff: The Diffusion of Protestantism in Northern Europe: Historical Embeddedness and Complex Contagions in the Adoption of the Reformation. In: Social Science History 42 (2018), H. 2, S. 213–244. DOI: 10.1017/ssh.2017.49

Yanyan Yu / Zhengtang Guo / Haibin Wu / Peter A. Finke: Reconstructing Prehistoric Land Use Change from Archaeological Data: Validation and Application of a New Model in Yiluo Valley, Northern China. In: Agriculture, Ecosystems & Environment 156 (2012), S. 99–107. DOI: 10.1016/j.agee.2012.05.013

Albin Zehe / Martin Becker / Lena Hettinger / Andreas Hotho / Isabella Reger / Fotis Jannidis: Prediction of Happy Endings in German Novels Based on Sentiment Information. In: DMNLP 2016. Interactions between Data Mining and Natural Language Processing 2016. Hg. von Peggy Cellier / Thierry Charnois / Andreas Hotho / Stan Matwin / Marie-Francine Moens / Yannick Toussaint. (Workshop on Interactions between Data Mining and Natural Language Processing 2016, Riva del Garda, 23.09.2016) 2016, S. 9–16 (= CEUR Workshop Proceedings, 1646). PDF. [online]

Jiaming Zeng / Berk Ustun / Cynthia Rudin: Interpretable Classification Models for Recidivism Prediction. In: Journal of the Royal Statistical Society: Series A (Statistics in Society) 180 (2017), H. 3, S. 689–722. DOI: 10.1111/rssa.12227

Abbildungsverzeichnis

Abb. 1: Etymologie des Modellbegriffs. Sprachen sind abgekürzt (ide. (indo-europäisch), lat. (lateinisch), gr. (griechisch), ital. (italienisch)). [Roller 2023; Adaption von Favre 2006]

Abb. 2: Mögliche Gliederung von Modelltypen nach Funktionalität. [Roller 2023]