Vom 10. bis 12. November 2025 findet in Mainz die internationale Konferenz „Data ethics for historical research in a digital era: Critical reflections and best practices“ statt. Die Tagung findet hybrid statt, die Arbeitssprache ist Englisch. Details, Programm und Anmeldung: https://ieg-dhr.github.io/Data-Ethics/
Worum es geht – und warum jetzt
KI, Data Science und digitale Repositorien prägen zunehmend auch historisch ausgerichtete Forschung. Doch weder Daten noch Modelle sind neutral. Archive und Datensätze sind Produkte selektiver Kuratierung – geformt von Machtverhältnissen, Infrastrukturen und Zugangsbedingungen. In der Datafizierung droht Vielfalt in starre Kategorien zu rutschen: Taxonomien und Standardisierungen können Verzerrungen reproduzieren, marginalisierte Perspektiven unsichtbar machen und historische Pluralität glätten. Besonders in europäischen Kontexten, deren Archive oft aus imperial-kolonialen Zusammenhängen stammen, braucht es eine bewusste, verantwortliche Praxis.
Ethische Fragen über den gesamten Datenlebenszyklus
Die Konferenz rückt den kompletten Datenlebenszyklus in den Fokus:
- Erhebung und Auswahl: Wer wird erfasst – und wer nicht? Welche Lücken sind strukturell?
- Aufbereitung und Kategorisierung: Wie werden Begriffe definiert? Was bewirken Label-Entscheidungen?
- Modellierung und Analyse: Welche Bias-Tests, Fehlermetriken und Governance-Regeln gelten?
- Veröffentlichung und Nachnutzung: Rechte, Lizenzen, Kontext, Zugänglichkeit und Community-Perspektiven. Ziel ist es, konkrete, umsetzbare Praktiken zu diskutieren, die Fairness, Transparenz und Nachvollziehbarkeit in den Digital Humanities stärken.
Brücke zwischen Disziplinen: von Theorie zu Werkzeugen
Während Ethik in Data/Computer Science breit debattiert wird, ist der geschichtswissenschaftliche Diskurs oft verstreut. Die Tagung setzt hier an: Sie bringt Historikerinnen und Historiker, Informationswissenschaft, Archivwesen und Technik zusammen, um
- Bewusstsein für ethische Dimensionen datengetriebener Forschung zu schärfen,
- Erfahrungen, Dilemmata und Lösungswege zu teilen,
- Best Practices, Checklisten, Toolchains und Leitlinien zu vermitteln, die im Forschungsalltag funktionieren.
Mögliche Themenstränge reichen von Bias-Analyse historischer Datensätze über faire Taxonomien, Versionierung und Unsicherheitsdokumentation bis zu Responsible-AI-Ansätzen (Audits, Erklärbarkeit, Reproduzierbarkeit) und partizipativen Methoden mit betroffenen Communities.


