Ein experimentelles Seminarkonzept
Die Kunstgeschichte steht an einem epistemologischen Wendepunkt. KI verspricht neuartige Zugänge zu visuellen Korpora; gleichzeitig stellt synthetische Bilderzeugung fundamentale Fragen an die Authentizität des kunsthistorischen Gegenstands. Dieses Spannungsfeld macht KI zu einem idealen Gegenstand experimenteller Hochschuldidaktik.
Das Seminar versteht sich als Experimentierraum, in dem traditionelle kunsthistorische Methoden mit digitalen Verfahren konfrontiert werden. Es orientiert sich an der „Digital Art History", die Digitalität als epistemisches Moment begreift (Drucker, 2013; Kohle, 2013), und berücksichtigt kritische Positionen zur Datafizierung kulturellen Erbes.
Seminarziele
Im Zentrum steht die Befähigung, KI-Systeme als ambivalente Forschungsinstrumente zu begreifen: weder als neutrale Werkzeuge noch als Bedrohung, sondern als soziotechnische Gefüge mit spezifischen Affordanzen und Limitationen. Methodisch verschränkt das Seminar Impulsreferate, Werkstattarbeit und kritische Diskussionen. Studierende sollen aktiv experimentieren – und dabei auch scheitern dürfen.
Vier thematische Einheiten
Einheit I: KI-gestützte Recherche
Studierende explorieren Tools wie Google Arts & Culture oder das Metropolitan Museum's Open Access-Archiv und reflektieren die Selektivität algorithmischer Kuratierung. Dabei wird deutlich, dass KI-Systeme durch ihre Trainingsdaten geprägt sind und spezifische blinde Flecken zeigen (McQuillan, 2022). Zugleich erproben sie Natural Language Processing für kunsthistorische Textkorpora – bei gleichzeitiger Notwendigkeit kritischer Quellenprüfung.
Einheit II: Algorithmische Mustererkennung
Convolutional Neural Networks detektieren formale Merkmale und können Ähnlichkeiten zwischen Werken ableiten (Elgammal et al., 2018). Studierende experimentieren: Kann ein Algorithmus die Hand Rembrandts von seiner Werkstatt unterscheiden?
Besonders relevant sind die Arbeiten von Peter Bell und Stephan Hoppe zur automatischen Klassifikation architektonischer Stile (Bell & Hoppe, 2020). Ihre „Visual Pattern Recognition" demonstriert Leistungsfähigkeit und Grenzen algorithmischer Formanalyse (Bell et al., 2022). Bell und Offert (2021) warnen vor unreflektiertem Technikoptimismus und fordern eine „kritische maschinelle Bildwissenschaft". Die Auseinandersetzung mit „explainable AI" sensibilisiert dafür, dass auch scheinbar neutrale Analysen interpretationsbedürftig bleiben.
Einheit III: Deep Fakes und synthetische Kunst
Generative Adversarial Networks (GANs) können täuschend echte Stilimitationen anfertigen. Das „Next Rembrandt"-Projekt (2016) markiert einen Paradigmenwechsel: Fälschungen entstehen durch algorithmische Stilsynthese (Rettberg, 2020). Wenn historische Fotografien manipuliert werden können, steht die Beweiskraft visueller Quellen zur Disposition (Chesney & Citron, 2019).
Studierende erproben selbst die Generierung synthetischer Bilder mit DALL-E oder Stable Diffusion. Diese Hands-on-Erfahrung vermittelt technisches Verständnis und ein Gefühl für die Eigenlogik dieser Systeme.
Einheit IV: Ethische Rahmungen
Zentral ist die Frage nach Bias: Trainingsdatensätze entstammen häufig westlich-hegemonialen Sammlungen und reproduzieren koloniale Wissenshierarchien (Noble, 2018; Benjamin, 2019). Zudem werden Nachhaltigkeitsfragen thematisiert – das Training großer KI-Modelle verbraucht erhebliche Energieressourcen (Crawford, 2021).
Studierende erarbeiten einen „Code of Conduct" für KI-gestützte Forschung. Die methodologischen Überlegungen von Hoppe et al. (2018) zur Integration digitaler Methoden bieten wertvolle Orientierung.
Prüfungsformat
Studierende erstellen ein „kritisches Projektdossier" mit drei Komponenten: Dokumentation eines KI-Experiments, methodologische Reflexion und ethische Positionierung.
Vorschläge für Referatsthemen
- Semantische Bildsuche im Vergleich: Google Arts & Culture, Europeana und ARTstor mit KI-Integration
- Stilometrie und Zuschreibungsforschung: Algorithmische Authentifizierung niederländischer Malerei
- Das „Next Rembrandt"-Projekt: Innovation und Provokation
- Distant Viewing in der Ikonographie: Quantitative Analyse religiöser Bildsujets
- Deep Fakes und historische Fotografie: Quellenkritik manipulierter NS-Bilder
- Algorithmischer Kolonialismus: Bias in KI-Trainingsdaten
- Copyright und KI-generierte Kunst: Aktuelle Rechtsprechung
- GANs und kreative Autorschaft: Philosophische Positionen
- Ökologische Kosten der KI: Energieverbrauch und Nachhaltigkeit
- Visual Pattern Recognition: Das Forschungsprojekt von Bell und Hoppe
- Dozent/in: Kilian Heck