Als „Primacy Effects“ bezeichnen wir mit der Lesekognitionsforschung die ersten Eindrücke, die sich (vor allem unbewusst) zu Beginn der Lektüre einstellen, zur Hypothesenbildung beitragen und die im Verlauf des Lesens immer wieder revidiert werden. Mit der KI haben wir (sowohl mit Anthropics Claude-Modell als auch Metas Llama-Modell) versucht, sichtbar zu machen, wie diese „Revisionsdynamik“ des Lesens abläuft, wann und wo sich Vermutungen zur weiteren Handlung des Texts, zur Gewichtung der Figuren oder zur Beschaffenheit der Diegese einstellen. Durch gezieltes Prompting wird die alinear „lesende“ KI zur Sichtbarmachung linear ablaufender, (teilweise) unbewusster Revisions- und Adaptionsprozesse menschlichen Lesens herangezogen. Als Textbasis dient Paul Heyses Novelle „L’Arrabbiata“ (1853/54).

Bei Image-Schemata handelt es sich um im Text verkörperte kognitive Muster, die wir beim Lesen erkennen und die uns dabei helfen, im Text bedeutungsstiftende „Ordnung“ zu finden. Ausgehend von Raummetaphern setzen wir die KI (Anthropics Claude-Modell und Metas Llama-Modell) als Mit-Leserin und Analysehilfe ein, um Verbindungen zwischen im Text angelegten konzeptuellen Grundmetaphern und der Topographie der Diegese zu finden, mögliche Bedeutungsbesetzungen zu diskutieren und der Frage auf den Grund zu gehen, ob sich horizontales und vertikales Schema zusammen denken lassen und welche Anhaltspunkte es dafür im Text geben könnte. Als Textbasis dient Paul Heyses Novelle „L’Arrabbiata“ (1853/54).

Wenn aktuell von KI die Rede ist, dann sind damit primär Large Language Models (LLMs, „große Sprachmodelle“) gemeint, also Realisierungen eines mathematischen Sprachmodells mit der Fähigkeit zur Texterzeugung. Große Sprachmodelle werden durch Datenerfassung, Modelltraining und Feinabstimmung trainiert und sind im weiteren Sinne als künstliche neuronale Netze zu begreifen.

Die aktuell erfolgreichsten bzw. meistgebrauchten Sprachmodelle sind Generative pre-trained Transformer (GPT, „generativer vortrainierter Transformer“). Der Transformer als Konzept berücksichtigt die Position der Wörter im Satz und damit verbunden deren jeweiligen Kontext. Ziel ist die mathematische Nachahmung menschlicher kognitiver Aufmerksamkeit und das Identifizieren von Sinnzusammenhängen im jeweiligen Kontext.

In diesem Chat haben wir versucht, mithilfe der KI menschliche und maschinelle Rezeptionsmodi nebeneinander zu stellen, und nach Ansatzpunkten für eine mögliche Nutzbarmachung der Modellarchitektur (Transformer-Architektur) für die weitere Anwendung auf literarische Texte gesucht.

Beim Lesen entstehende mentale Modelle werden durch den Text so gesteuert, dass im Laufe des Lesevorgangs immer wieder neue Elemente der Diegese (Figuren und deren Charaktere, Ereignisse, Objekte, Landschaften etc.) in den Vordergrund gerückt werden, was bedeutet: der Lesevorgang wird deautomatisiert und vielleicht sogar angehalten. Irritationen entstehen durch diese unerwarteten, dadurch in den Vordergrund rückenden Elemente: unerwartete Unregelmäßigkeiten, aber auch unerwartete Regelmäßigkeiten. Beides kann auf sprachlicher oder auf kulturell-inhaltlicher Ebene geschehen. Der Leser versucht nun eine Refamiliarisierung des zunächst exzentrisch wirkenden Elements, d. h. er versucht es in sein mentales Modell des Texts zu integrieren oder er adaptiert dieses Modell, bis das Element (einigermaßen) passt.

Mit der KI suchen wir nach unerwarteten Regel- und Unregelmäßigkeiten in Paul Heyses „L’Arrabbiata“ (1853/54).

Mit „Theory of Mind“ sprechen wir von den mentalen Zuständen, die wir als Leser*innen oder auch die der Text seinen Figuren unterstellt, namentlich über Signale wie Mimik und Gestik, die in der Rede der Erzählinstanz festgehalten werden.

In Paul Heyses „L’Arrabbiata“ finden wir Passagen mit Innensicht nur an wenigen Stellen des Texts, die Erzählinstanz beschreibt stattdessen viele kleine Elemente, bspw. Blicke und Blickwechsel, die wir als Lesende mit Bedeutung füllen müssen. Mit dem Chat analysieren wir Auszüge aus „L’Arrabbiata“ hinsichtlich der im Text angelegten Blickregie, den damit verbundenen Anforderungen an die Lesenden und fragen nach möglichen Lesarten.

Inferenzen werden häufig als „Motor der Sinnkonstruktion“ bezeichnet. Wir fragen uns und den Chat auf Basis von Paul Heyses „L’Arrabbiata“: Was wird ausgespart? Handelt es sich um wirkliche Leerstellen und welche Anforderungen werden damit an uns als Lesende gestellt? Welche Lücken im Text gilt es zu füllen? Und woher stammt das Material dafür? Die KI dient uns in diesem Zusammenhang als Analyse- und Deutungswerkzeug, das wir durch präzises Prompting nutzen, um Stellen der Mehrdeutigkeit und Unentscheidbarkeit im Text sichtbar zu machen und präsent zu halten.