Wie verändern und beeinflussen neue Technologien die geisteswissenschaftliche Forschung? Dieser Frage widmete sich John McEwan in seinem Vortrag “Rethinking the Digital Project: DIGISIG and the Arrival of LLMs” im Rahmen des DH-Kolloquiums am 18.06.2026. Anhand des DIGISIG Projektes beleuchtet er, welche Chancen künstliche Intelligenz (KI) sowie Large Language Models (LLMs) bereits heute bieten, zeigte jedoch auch ihre Grenzen auf.

John McEwan ist Bibliotheksassistent am Institut für digitale Forschung in den Geisteswissenschaften an der Universität von Kansas. In seiner Laufbahn hat er sowohl den Ph.D. in Geschichte an der Universität von London erworben als auch den Master of Library and Information Science an der Universität von Alberta. Sein Steckenpferd und der Fokus seiner Arbeit liegen hierbei auf der Stadt London sowie der mittelalterlichen Siegelkunde. So forschte er beispielsweise von 2009 bis 2014 am Department of History and Welsh History an der Universität von Aberystwyth über Siegel im mittelalterlichen Wales. Darüber hinaus reicht sein Interessengebiet über Machine Learning (ML) und Open Data bis hin zu Bildgebungstechnologien. Außerdem ist er sowohl Gründer als auch Kurator des DIGISIG Projektes, welches auch eine zentrale Rolle in seinem Vortrag spielte.

Was ist das DIGISIG Projekt?

DIGISIG, kurz für Digital Sigillography Resource, ist eine digitale Forschungsplattform zur Erfassung und Analyse historischer Siegel mit Fokus auf dem mittelalterlichen Europa. Ziel des Projektes ist es, Forschenden und der interessierten Öffentlichkeit Zugang zu sigillographischen Sammlungen zu erleichtern und das verstreute Wissen aus zahlreichen Archiven, Museen und Büchern in einer zentralen, einheitlich strukturierten digitalen Datenbank zusammenzuführen.

Bevor wir mit der Entstehung und Entwicklung des Projektes fortfahren, ein kurzer Exkurs zum Mittelpunkt von DIGISIG, den historischen Siegeln. Siegel zählen zu einer der ältesten Informationstechnologien der Menschheitsgeschichte. Über viele Jahrhunderte und in zahlreichen Kulturen auf nahezu allen Kontinenten der Erde wurden sie dazu genutzt, Informationen auf Objekte oder Dokumente zu übertragen. Beispielsweise wurden im mittelalterlichen England Siegel insbesondere zum Authentifizieren von Urkunden und zur Bestätigung ihrer Echtheit genutzt. Darüber hinaus transportierten sie über Form, Motiv und Inschrift auch Auskunft über den gesellschaftlichen Status und die Identität einer Person oder lieferten Rückschlüsse über deren berufliche Zugehörigkeit. Somit war ein Siegel weitaus mehr als nur ein Werkzeug für Beglaubigungen, sondern auch ein Ausdruck persönlicher Repräsentation.

Die Ursprünge des DIGISIG Projektes reichen auf das bereits erwähnte Forschungsprojekt “Seals in Medieval Wales and the Welsh Marches, 1200-1500” zurück, an dem John McEwan bis zu dessen Ende 2012 mitwirkte. Aus diesem entwickelte sich ein grundlegendes Konzept zur Katalogisierung von Siegeln. Hierbei werden siegelbezogene Daten in einem hierarchisch strukturierten Framework organisiert, das zwischen dem eigentlichen Siegel (Seal), dessen konkreter physischer Verkörperung (Manifestation), sowie einem physischen katalogisierten Objekt (Item) unterscheidet. Jede dieser Hierarchieebenen besitzt wiederum eigene Merkmale und Metadaten, wie Dimensionen, Datum oder Farbe. Dadurch lassen sich die meist komplexen Zusammenhänge von Siegeln systematisch erfassen.

Zu den Ergebnissen des Projektes gehörte zudem ein bemerkenswerter Datensatz, welchem nach Abschluss eine entsprechende Plattform fehlte. Aus eigenem Antrieb und zur Lösung dieses praktischen Problems begann John McEwan 2014 mit der Entwicklung einer ersten Version von DIGISIG, um dieses Wissen und kulturelle Erbe dauerhaft zu bewahren, zu erweitern und für die eigene weitere Forschung wissenschaftlich zu nutzen. Bis 2020 wurde diese erste Version kontinuierlich durch McEwan selbst sowie mit Hilfe von Kollegen weiterentwickelt und schließlich durch die heutige neue Version ersetzt. DIGISIG sollte nicht nur (Meta-) Daten zu Siegeln vereinen sondern auch weitere Mehrwerte aus diesen generieren. Insbesondere die Implementierung von Analysefunktionalitäten, wie der Datumsbestimmung von Siegeln per ML, stellte einen wichtigen Meilenstein dar. Hierzu wurden Decision Trees trainiert, welche im Kern leicht verständliche und von Menschen interpretierbare “Wenn-Dann”-Entscheidungsregeln liefern. McEwan betont hierbei die Wahl der Methode in Bezug auf Akzeptanz im Bereich der Geisteswissenschaften. In diesen waren insbesondere ML-Methoden zu dieser Zeit noch wenig verbreitet. Die transparenten und nachvollziehbaren Decision Trees sollten Skepsis und Ablehnung minimieren. Der ursprüngliche Zustand sowie alle nachfolgenden Iterationen von DIGISIG lassen sich auch heute noch unter archive.org begutachten. Das DIGISIG Projekt selbst in seiner aktuellen Fassung unter digisig.org.

Transformation durch den Einsatz von LLMs

Ein besonders spannender Aspekt von McEwans Vortrag war, wie sehr LLMs die Arbeit an DIGISIG verändert haben und das nicht nur an einer Stelle, sondern gleich in mehreren Bereichen des Projekts.

Eine der größten Erleichterungen betrifft die Texterkennung. LLMs sind inzwischen in der Lage, Texte direkt aus Bildern auszulesen und wiederzugeben, wie bei Inschriften oder Beschriftungen auf den eingescannten Siegeln. Möglich macht das unter anderem der Einsatz von Convolutional Neural Networks (CNN), einem speziellen Typ neuronaler Netzwerke, der Bilder mithilfe von Filtern analysiert und Muster darin erkennt. Ganz vereinfacht gesagt: Das Netzwerk lernt, in einem Bild wiederkehrende Strukturen wie Buchstaben, Formen oder Muster zu erkennen, um diese automatisch zu klassifizieren oder zu extrahieren.

Was früher ein mühsamer manueller Transkriptionsprozess war, lässt sich heute zu großen Teilen automatisieren. Gerade bei einem Datenbankprojekt wie DIGISIG, das auf der systematischen Erfassung tausender Objekte beruht, ist das ein enormer Zeitgewinn. Wichtig ist McEwan dabei aber: Die KI-Ausgaben sind nicht fehlerfrei. Eine manuelle Kontrolle bleibt zwar weiterhin notwendig, fällt im Vergleich zu einem vollständig manuellen Prozess jedoch deutlich schneller aus. Die KI übernimmt hier also vor allem die Rolle eines schnellen, aber nicht unfehlbaren Vorarbeiters.

Aktuelle Forschungsprojekte

Noch experimenteller ist McEwans aktuelles Forschungsvorhaben: Er testet, ob sich KI-Modelle per Prompting dazu bringen lassen, eigenständig Siegel zu entwerfen oder nachzubilden. Die Idee dahinter ist nicht bloß verspielt, sondern könnte mittelfristig dabei helfen, Siegelabbildungen aus historischem Bildmaterial wie Scans von Gelehrtenbüchern des 17. Jahrhunderts zu extrahieren, was bislang eine äußerst zeitaufwendige Handarbeit darstellt.

Interessant ist dabei, dass eine gewisse Vereinfachung bei der Rekonstruktion von Siegeln keine neue Idee ist: Schon bei der klassischen, analogen Rekonstruktion beschädigter oder verwitterter Siegel wurde nie eins zu eins nachgebildet, sondern mit Hilfsmitteln wie einem Zirkel gearbeitet, um Symmetrien und Proportionen wiederherzustellen. Es ging also nie um eine exakte Kopie, sondern darum, die Kernessenz des Siegels einzufangen. Diesen Anspruch müsste im Grunde auch eine KI erfüllen, wenn sie Siegel nachbilden oder rekonstruieren soll.

Allerdings ist man hiervon noch ein gutes Stück entfernt: Die bisherigen Ergebnisse der generativen Modelle sind noch nicht überzeugend genug, um tatsächlich im Forschungsalltag eingesetzt zu werden. McEwan macht hier deutlich, dass generative KI an dieser Stelle an Grenzen stößt, die analytische bzw. extraktive Anwendungen (wie die Texterkennung) bislang nicht haben.

Fazit

Zusammengefasst zeigt McEwans Vortrag, dass LLMs das DIGISIG-Projekt auf mehreren Ebenen spürbar vorangebracht haben: von schnellerem Bugfixing über ein überarbeitetes Frontend bis hin zur automatisierten Texterkennung. Entscheidend ist dabei jedoch, dass KI nicht autonom denkt oder entscheidet, sondern als Werkzeug fungiert, das von einem klaren konzeptionellen Verständnis seitens der Forschenden begleitet werden muss, wie etwa beim Datenbankdesign, das die KI nach wie vor nicht eigenständig leisten kann.

Wie nützlich die einzelnen KI-Anwendungen letztlich sind, hängt also maßgeblich davon ab, wie sie eingesetzt werden und wie viel Fachwissen die Nutzenden mitbringen, um die Ergebnisse einzuordnen und zu korrigieren. Gerade der Blick auf das aktuelle Siegel-Zeichnungs-Experiment macht deutlich, dass nicht jede Anwendung von LLMs sofort praxistauglich ist.

Im Kontext des Kolloquiums passt McEwans Vortrag damit gut zu der übergreifenden Frage, wie Digital-Humanities-Projekte von neuen KI-Werkzeugen profitieren können, ohne die fachliche Tiefe und Sorgfalt zu verlieren, die solche Forschungsdatenbanken erst wertvoll machen. DIGISIG liefert hier ein anschauliches Beispiel dafür, wie ein über Jahre gewachsenes Projekt schrittweise von neuen technischen Möglichkeiten profitiert und gleichzeitig zeigt, wo die Grenzen der aktuellen KI-Generation noch liegen.

McEwans Vortrag zeigt anschaulich, wie DIGISIG als über Jahrzehnte gewachsenes Projekt schrittweise von neuen KI-Werkzeugen profitiert: von der ML-gestützten Datumsbestimmung durch Decision Trees bis zur automatisierten Texterkennung mittels CNN. Wie nützlich die einzelnen KI-Anwendungen letztlich sind, hängt also maßgeblich davon ab, wie sie eingesetzt werden und wie viel Fachwissen die Nutzenden mitbringen, um die Ergebnisse einzuordnen und zu korrigieren.

Für die Wiederverwendbarkeit der Forschungsergebnisse eröffnet DIGISIG dennoch vielversprechende Perspektiven: Die öffentliche Zugänglichkeit über digisig.org und archive.org bewahrt nicht nur die Entwicklungsgeschichte des Projekts, sondern hält auch den Datensatz für künftige Forschung offen, etwa für eine Fortführung des Siegel-Generations-Experiments, sobald generative Modelle weiter ausgereift sind.

Über die Autoren:

Adrian Brakowski schloss seinen Bachelor in Wirtschaftsinformatik an der Uni Köln im Jahr 2024 ab. Aktuell studiert er Informatik im Master und arbeitet nebenbei als Werkstudent im Bereich Software Engineering.

Nils Hornstein schloss seinen Bachelor in Wirtschaftsinformatik 2023 an der Uni Köln ab. Aktuell studiert er Informatik im Master und arbeitet nebenbei als Werkstudent in der internen IT-Abteilung einer Kapitalverwaltungsgesellschaft.

Literaturverzeichnis

1. Convolutional Neural Network. (2026). In Wikipedia. Abgerufen am 29. Juni 2026, von https://de.wikipedia.org/w/index.php?title=Convolutional_Neural_Network&oldid=267451208

2. McEwan, J. (n.d.). About. Digital Sigillography Resource. Abgerufen am 29. Juni 2026, von https://www.digisig.org/about

3. John McEwan. (n.d.). Abgerufen am 29. Juni 2026, von https://idrh.ku.edu/people/john-mcewan

   
   

---

Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben.

---

---