Swiss Jou nal o Sociology 2025
sozciolog
Schweize ische Zei sch i ü Soziologie
Re ue suisse de sociologie
Swiss Jou nal o Sociology
51
2
Vol. 51 Issue 2, July 2025
Big Visual Da a as a New Fo m o Knowledge – Po en ials,
Challenges, and T ans o ma ions / Big Visual Da aals
neue Fo m des Wissens – Po enziale, He aus o de ungen
und T ans o ma ionen / Mégadonnées isuelles, une nou elle
o me de sa oi – po en iels, dé is e ans o ma ions
Edi ed by Sebas ian W. Hoggenmülle
Sebas ian W. Hoggenmülle Big Visual Da a as a New Fo m o Knowledge. An In oduc ion o
he Topic and I s Backg ound
[G]
Aji Singh Big Visual Da a in Digi al In as uc u e Planning.
On he P ocessuali y and Ma e iali y o Syn he ic Planning
Objec s
[G]
Mina Goda zani-Bakh ia i F om Fla Image o Spa ialised Visual Analysis:
and René Tuma Fo ensic A chi ec u e and he In e wea ing o Big Visual Da a
[G]
Roland Meye Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions
[E]
Max F ischknech Th ough he Eyes o he Machine: Explo ing His o ical Pho o
Collec ions Wi hCon olu ional Neu al Ne wo ks
[E]
Ka in He ms and Jö g Lehmann Seeing Like a Field?
[E]
Sebas ian W. Hoggenmülle Me apic u es as Resea ch Tools. On he Con ingency
and Ha ald Klinke and Algo i hmic Condi ionali y o Thei P oduc ion
[G]
Edi o s
Roman Gibel (Uni e si y o Zu ich)
Kenne h Ho a h (Zu ich Uni e si y o Teache Educa ion)
S ephanie S einme z (Uni e si y o Lausanne)
Nú ia Sánchez (Uni e si y o Neuchâ el)
Manusc ip s and Edi o ial Co espondence
Re ue suisse de sociologie
Facul é des sciences sociales e poli iques
Ins i u des sciences sociales
Uni e si é de Lausanne
Geopolis – Mouline
CH-1015 Lausanne
E-mail: [email p o ec ed]
Subsc ip ion o he Swiss Jou nal o Sociology
Seismo P ess, Zel weg 27, CH–8032 Zu ich, el. +41 (0)44 261 10 94
E-mail: in o@seismo e lag.ch, h p://www.seismo e lag.ch.
Annual subsc ip ion ( h ee issues) sF . 120.– Indi iduals; sF . 140.– Ins i u ions;
O e seas + sF . 30.–
Schweize ische Zei sch i ü Soziologie
Re ue suisse de sociologie
Swiss Jou nal o Sociology
Vol. 51, Issue 2, July 2025
Big Visual Da a as a New Fo m o Knowledge –
Po en ials, Challenges, and T ans o ma ions /
BigVisual Da a als neue Fo m des Wissens – Po enziale,
He aus o de ungen und T ans o ma ionen /
Mégadonnées isuelles, une nou elle o me de sa oi –
po en iels, dé is e ans o ma ions
Edi ed by Sebas ian W. Hoggenmülle
Inhal / Sommai e / Con en s
203 Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema
undseinen Hin e g und
Big Visual Da a as a New Fo m o Knowledge. An In oduc ion o he Topic
and I s Backg ound
Mégadonnées isuelles, une nou elle o me de sa oi : in oduc ion e con ex e
Sebas ian W. Hoggenmülle
225 Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä
undMa e iali ä syn he ische Planungsobjek e
Big Visual Da a in Digi al In as uc u e Planning. On he P ocessuali y and Ma e iali y
o Syn he ic Planning Objec s
Mégadonnées isuelles dans la plani ica ion digi ale des in as uc u es. P ocessus e
ma é iali é des obje s de plani ica ion syn hé iques
Aji Singh
247 Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e
und die Ve schach elung on Big Visual Da a
F om Fla Image o Spa ialised Visual Analysis: Fo ensic A chi ec u e and he In e wea ing
o Big Visual Da a
De l’image pla e à l’analyse isuelle spa ialisée: Fo ensic A chi ec u e e l’imb ica ion
desmégadonnées isuelles
Mina Goda zani-Bakh ia i und René Tuma
273 Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions
Ope a i e Bild äume. Zu Na iga ion in i uellen Museumssammlungen
Espaces d’images opé a i es. Na igue dans les collec ions de musées i uels
Roland Meye
291 Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions
Wi hCon olu ional Neu al Ne wo ks
Du ch die Augen de Maschine: Zu Un e suchung his o ische Fo osammlungen mi els
Con olu ional Neu al Ne wo ks
À a e s les yeux de la machine: explo a ion de collec ions de pho os his o iques à l’aide
de Con olu ional Neu al Ne wo ks
Max F ischknech
317 Seeing Like a Field?
Sehen wie ein Feld?
Voi comme un champ?
Ka in He ms and Jö g Lehmann
337 Me abilde als Fo schungswe kzeuge. Zu Kon ingenz und algo i hmischen
Beding hei ih e He s ellung
Me apic u es as Resea ch Tools. On he Con ingency and Algo i hmic Condi ionali y
o Thei P oduc ion
Les mé apic u es en an qu’ou ils de eche che: con ingence e la condi ionnali é
algo i hmique de leu p oduc ion
Sebas ian W. Hoggenmülle und Ha ald Klinke
203
Swiss Jou nal o Sociology, 51 (2), 2025, 203–223
* Uni e si ä Luze n, Kul u - und Sozialwissenscha liche Fakul ä , Soziologisches Semina ,
CH-6002 Luze n, [email p o ec ed].
Big Visual Da a als neue Fo m des Wissens.
Eine Ein üh ung in das Thema und seinen Hin e g und
Sebas ian W. Hoggenmülle *
Zusammen assung: De Bei ag üh in das Thema und den Hin e g und des Sonde he s Big
Visual Da a als neue Fo m des Wissens – Po enziale, He aus o de ungen und T ans o ma ionen
ein. Im Mi elpunk s eh dabei die Da s ellung de beiden zen alen Fo schungsin e essen,
die das He p og amma isch zusammen üh , um Big Visual Da a aus eine dezidie k i i-
schen Pe spek i e zu e o schen: das In e esse an Big Da a und das In e esse an Visuali ä .
Abschließend we den die S uk u des He s sowie die Inhal e de Einzelbei äge o ges ell .
Schlüsselwö e : Big Visual Da a, Big Da a, Visuali ä , Epis emologie, k i ische isuelle Kom-
pe enz
Big Visual Da a as a New Fo m o Knowledge. An In oduc ion o he Topic
and I s Backg ound
Abs ac : This a icle in oduces he opic and backg ound o he special issueBig Visual Da a
as a New Fo m o Knowledge – Po en ials, Challenges, and T ans o ma ions. I o eg ounds he
wo cen al esea ch in e es s – big da a and isuali y – ha he olume p og amma ically
b ings oge he o explo e big isual da a om a decidedly c i ical pe spec i e. The a icle
concludes wi h an o e iew o he s uc u e o he olume and a summa y o he indi idual
con ibu ions.
Keywo ds: Big isual da a, big da a, isuali y, epis emology, c i ical isual li e acy
Mégadonnées isuelles, une nou elle o me de sa oi : in oduc ion e con ex e
Résumé: Ce a icle p ésen e le hème e le con ex e du numé o ho s-sé ie in i ulé Mégadonnées
isuelles, une nou elle o me de sa oi – po en iels, dé is e ans o ma ions. Ce aisan , il éclai e
les deux p incipaux axes de eche che éunis de maniè e p og amma ique dans ce numé o
a in d’explo e les mégadonnées isuelles dans une pe spec i e ésolumen c i ique: l’in é ê
pou les mégadonnées d’une pa , e celui pou la isuali é d’au e pa . L’a icle se clô pa
un ape çu de la s uc u e du numé o e des ésumés des di é en es con ibu ions.
Mo s-clés: Mégadonnées isuelles, mégadonnées, isuali é, épis émologie, compé ence isuelle
c i ique
DOI 10.26034/cm.sjs.2025.7178
© 2025. This wo k is licensed unde he C ea i e Commons A ibu ion-NonComme cial-
NoDe i a i es 4.0 License. (CC BY-NC-ND 4.0)
204 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
1 Big Visual Da a – die neue Mach de Bilde ?
Riesige Mengen isuelle Da en p ägen zunehmend unse Wissen und beein lussen,
wie wi die Wel wah nehmen: Au Social Media e wa sind wi äglich eine Flu
on isuellen Inhal en wie Fo os, KI-gene ie en Bilde n, Li es eams und Reels aus-
gese z , die nich nu die indi iduelle Au me ksamkei lenk , sonde n auch soziales
Handeln bes imm und ö en liche Disku se beein luss ( gl. z. B. Schankweile
&S aub, 2023; Zulli & Zulli, 2022). In u banen Zen en wiede um e assen e -
ne z e Kame asys eme o lau end Gesich e , übe wachen Bewegungsmus e und
ka ie en Ve keh ss öme, mi dem Ansp uch, Mobili ä zu s eue n und sogenann e
siche hei s ele an e E eignisse zu iden i izie en ( gl. z. B. Bu o e al., 2023; Monahan,
2018). Des Wei e en we den in de adiologischen Diagnos ik g oße medizinische
Bildda ensä ze compu e ges ü z analysie , um Anomalien ühzei ig zu e kennen,
was die Diagnosegenauigkei e besse n und undie e Behandlungsen scheidungen
e möglichen soll ( gl. z. B. A ma o III, 2023; Lombi & Rosse o, 2024). Und die op-
ische Fe ne kundung beein luss globale poli ische En scheidungsp ozesse, indem sie
mi hochau lösenden Sa elli enbildzei eihen Umwel e ände ungen sich ba mach ,
die ande n alls nich wah nehmba wä en, und du ch die Analyse on In as uk u
und Landnu zung Indika o en ü Phänomene wie A mu ode k iege ische Ak i i-
ä en lie e ( gl. z. B. Bouabid & Fa ah, 2024; Sako & Ma inez, 2021; Uzhinskiy
e al., 2018). Die Au zählung de Beispiele ließe sich nahezu beliebig o se zen.
Das o liegende Sonde he widme sich diese gegenwä igen Konjunk u
und wachsenden Bedeu ung seh g oße digi ale isuelle Da enmengen, die in
e schiedenen Fo schungsdisziplinen beg i lich un e Big Visual Da a i mie en
( gl.z. B. in de In o ma ik, Elek o echnik und Compu e Vision Chen e al.,
2016; Fang e al., 2017; Qin e al., 2015; in den Wi scha swissenscha en Giglio
e al., 2020; in den Ingenieu swissenscha en Bha ga a e al., 2018; in den Visual
S udies Ska pelos, 2018).1 Im Zen um s eh dabei die F age, welche Rolle Big
Visual Da a bei de He s ellung und T adie ung, S abilisie ung und Ve ände ung
on gesellscha lichem Wissen und soziale Wi klichkei spielen, und dami die E -
kundung, inwie e n Big Visual Da a eine neue Mach de Bilde (Sachs-Hombach,
1998) he o b ingen, wo in diese bes eh und wie sie sich en al e .
Ausgehend on diese F ages ellung se z das Sonde he zwei Analyseschwe -
punk e: Eine sei s s ehen die Technologien, Me hoden und in as uk u ellen
Bedingungen im Fokus, du ch die Big Visual Da a e zeug , gespeiche , in eg ie ,
1 Ein wei e e geläu ige Beg i is Big Image Da a. Diese inde Ve wendung in Fach ich ungen
wie de Digi alen Kuns geschich e ( gl. z. B. Klinke, 2016), de Biologie( gl. z. B. Smi h e al.,
2018) sowie e neu in de In o ma ik ( gl. z. B. Kanapa hi & Raju, 2022) und bezieh sich in
de Regel au explizi bildliche Da en wie insbesonde e Fo og a ien, abe auch Gemälde, D ucke
u. Ä., also au isuelle Da en in einem enge en Sinne. Im Gegensa z dazu wi d de Beg i Big
Visual Da a in diesem Sonde he bewuss wei e ge ass , indem e un e schiedlichs e isuelle
Kommunika ions o men einbezieh und dami eine b ei e e Pe spek i e au digi ale isuelle Da en
e möglich .
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 205
SJS 51 (2), 2025, 203–223
e a bei e , analysie und isualisie we den. Ande e sei s gil das In e esse den
konk e en sozialen P ak iken de E zeugung, In e p e a ion und Nu zung on Big
Visual Da a in e schiedenen gesellscha lichen Kon ex en. Als Heu is ik liegen
diesen beiden Analyseschwe punk en olgende F agen zug unde, die sich au ie
Ke naspek e beziehen:
›Epis emische G undlagen on Big Visual Da a: Welche Me kmale kennzeichnen
Big Visual Da a jensei s de bloßen Da enmenge? Wo in lieg ih e spezi ische
kommunika i e Quali ä ? Und welche pe suasi e Wi kung en al en sie?
› Sozio echnische Bedingungen on Big Visual Da a: Wie beein lussen si uie e
kommunika i e A angemen s die En s ehung und das Ve s ehen on Big
Visual Da a? Und inwie e n üh insbesonde e die Ve lech ung soziale
und echnische Bedingungen zu neuen Fo men de Wissensp oduk ion und
epis emische Au o i ä ?
› S abilisie ung ode T ans o ma ion on Mach e häl nissen du ch Big Visual
Da a: We ode was en scheide , we Big Visual Da a e ass und zugänglich
mach ? Welche Rolle spielen dabei Ak eu e wie Pla o mun e nehmen und
Regulie ungsins anzen? Und in welchem Ve häl nis s ehen da enge iebene
Wissensökonomien zu ande en Wissens egimen?
› (Fo schungs-)P ak ische A bei mi Big Visual Da a: Welche E kenn nisse e ö ne
die Analyse on Big Visual Da a? Welche Vo gehensweisen sind e o de lich,
um diese Einsich en zu gewinnen? Und inwie e n e lang de Umgang mi
Big Visual Da a nich nu echn(olog)ische und me hodische Inno a ionen,
sonde n – insbesonde e in wissenscha lichen Kon ex en – auch eine g undle-
gende Re lexion übe bes ehende me hodologische P ämissen sowie übe heo-
e ische Annahmen zu Da en, In o ma ion, Wissen und (Un-)Sich ba kei ?2
Die Bei äge dieses Sonde he s g ei en diese F agen aus un e schiedlichen Pe spek-
i en au und un e suchen k i isch die Po enziale und He aus o de ungen on Big
Visual Da a sowie die T ans o ma ionen, die du ch Big Visual Da a he o ge u en
und mi gep äg we den – und die wiede um au Big Visual Da a zu ückwi ken.
Dami üh das Sonde he zwei zen ale Fo schungsin e essen zusammen, die in
de sozialwissenscha lichen Fo schung im Allgemeinen und in de Soziologie im
Besonde en übliche weise ge enn oneinande behandel we den, obwohl sie in
ande en Disziplinen sowie in e - und ansdisziplinä schon sei Länge em mi -
einande e knüp und e o sch we den ( gl. allen o an die A bei en on Le
2 Eine solche Diskussion übe die Wei e en wicklung e ablie e me hodische Ansä ze und die
Neubewe ung me hodologische G undannahmen läss sich de zei mi g oße Dynamik in de
quali a i en Sozial o schung im Zusammenhang mi KI-ges ü z en Analyse e ah en, insbesonde e
Machine-Lea ning-Modellen und La ge Language Models (LLMs), beobach en ( gl. dazu in
ch onologische Reihen olge z. B. Ch is ou, 2023; Şen e al., 2023; Esch ich & S e man, 2024;
Hi ch, 2024; K ähnke e al., 2025; Nguyen-T ung & Nguyen, 2025).
206 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
Mano ich und seinem Cul u al Analy ics Lab, z. B. Mano ich, 2017; 2020; zule z
Mano ich & A ielli, 2024). Gemein sind das In e esse an Big Da a und das In e esse
an Visuali ä . Im Folgenden we den diese beiden In e essen ku z um issen, zunächs
jenes an Big Da a (Abschni 2), ge olg on dem an Visuali ä (Abschni 3).
2 Das Fo schungsin e esse an Big Da a
Zum e s en de beiden Fo schungsin e essen, dem In e esse an Big Da a, is in den
le z en Jah en eine buchs äblich unübe schauba e Menge an Li e a u e schienen
( gl. ü Übe blicksda s ellungen insbesonde e Chen & Yu, 2018; Kaplan, 2015;
Ki chin, 2017; speziell zu En wicklung de Compu a ional Social Science inne halb
de Soziologie Edelmann e al., 2020; ü die Soziale Ne zwe kanalyse Tindall e al.,
2022; zu Da enanalyse in de sozialwissenscha lichen Fo schung William, 2024;
allgemein zu Mus e n, T ends und Lücken in de wissenscha lichen Big-Da a-Fo -
schung Rossi e al., 2019; mi Fokus au die le z en 15 Jah e Tosi e al., 2024). Aus
diese Li e a u läss sich nich zule z en nehmen, dass das Phänomen Big Da a
äuße s un e schiedlich wah genommen und bewe e wi d (wobei die Viel al
de S immen insbesonde e im ühen Disku s deu lich he o i ) – als neua ige
Ressou ce, als heilb ingende Re olu ion, als o übe gehende Hype, als e hische
He aus o de ung ode ga als Beginn des Un e gangs on Theo ie und wissenscha -
liche Me hode ( gl.z. B. Ande son, 2008; Bu ows & Sa age, 2014; Diaz-Bone e
al., 2020; Fa a e o e al., 2019; Hal o d & Sa age, 2017; Ki chin, 2014b; Mille ,
2010; Noble, 2018; Schmi , 2018; an Dijck, 2014; Wiege ling e al., 2018).
Neben diesen Di e enzen in de Bewe ung on Big Da a gib es auch un e -
schiedliche Au assungen übe den Beginn und den Ve lau de exponen iellen Zu-
nahme digi ale Da en, die in Big Da a esul ie ( gl. z. B. Ba nes, 2013; Diebold,
2012; Lünich, 2022). Zudem wi d in diesem Zusammenhang disku ie , inwie e n
Big Da a als eine Wei e en wicklung ühe e Fo men de Ve iel achung soziale
Da en e s anden we den kann. So o dne beispielsweise Bee (2016) Big Da a in
die lange Geschich e de Sozials a is ik ein und se z die heu ige Zunahme digi ale
soziale Da en in Bezug zu „a alanche o p in ed numbe s“ (Hacking, 1982, S.281)
und zu „g ea explosion o numbe s“ (Po e , 1986, S.11), die beide au En wick-
lungen im Zei aum on 1820 bis e wa 1840 hinweisen ( gl. auch Amb ose, 2014):
[T]he sense ha we a e being aced wi h a deluge o da a abou people is
no some hing ha is en i ely new, in ac i has a long his o y. The ype o
da a may ha e changed as migh i s analy ics […] bu he lineage is clea .
The e a e, o cou se, ea u es o he cu en da a momen ha a e in some
ways no el bu i is s ill in e es ing o no e ha his idea o a scaling up o
social da a, he eeling ha we a e acing an un a homable low o social
da a, i sel has a his o y. (Bee , 2016, S.2)
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 207
SJS 51 (2), 2025, 203–223
Wäh end Bee also in Bezug au die gegenwä ige Masse an Da en his o ische Kon-
inui ä en he o heb , e weis e im ange üh en Zi a zugleich au einen ande en
Aspek , übe den in de Li e a u zu Big Da a wei gehend Einigkei he sch : Die
A und Weise, wie wi im digi alen Zei al e Da en sammeln, speiche n, e -
a bei en und analysie en bzw. in e p e ie en, ha sich g undlegend gewandel und
un e lieg wei e hin ie g ei enden Ve ände ungen – nich nu in de Wissenscha
( gl.z. B.Boyd & C aw o d, 2012; Ki chin, 2014a; Wolb ing, 2020), sonde n in
nahezu allen gesellscha lichen Be eichen ( gl. z. B. Ki chin, 2021; Maye -Schön-
be ge & Cukie , 2013; S e cu, 2023). In diesem Sinne machen P ie l und Houben
(2018), die hie s ell e e end ü iele ande e Au o *innen genann we den, au
en scheidende B üche au me ksam, die Big Da a als e was g undsä zlich Neues
e scheinen lassen. In ih en Übe legungen zu Da a izie ung des Sozialen iden i-
izie en sie insgesam sechs maßgebliche Ve ände ungen, die „die gegenwä ige
Akkumula ion on Da en und den ak uell beobach ba en Umgang mi ihnen on
his o isch ühe en Epochen un e scheide[n]“ (P ie l & Houben, 2018, S.9). Zu
diesen Ve ände ungen gehö en ü sie un e ande em das En s ehen neue soziale
P ak iken de Gene ie ung und Ve b ei ung on Da en, die zunehmende Du ch-
d ingung alle Lebensbe eiche du ch da ensammelnde digi ale Technologien sowie
das Au kommen neue Ak eu e wie Pla o mun e nehmen und Tech-Konze ne,
die S aa und Ki che als maßgebliche Ins anzen de Da ensou e äni ä ablösen.3
Beispiele hie ü sind e wa Gesundhei s-Apps und Wea ables, die als Selbs e -
messungs echnologien unun e b ochen indi iduelle Gesundhei sda en au zeichnen
( gl. z. B. Cappel, 2022; Gilmo e, 2016), digi ale Bezahlsys eme, die all ägliche
T ansak ionen ohne Ba geld e möglichen und dabei In o ma ionen übe Zahlungs-
s öme und Konsump ä e enzen e assen ( gl. z. B. Bhuiyan e al., 2024; Mü zel
& Un e näh e , 2024), P edic i e-Policing-Technologien, die zu Vo he sage on
S a a en eingese z we den ( gl.z. B. Häl e lein, 2021; Mi ó-Llina es, 2020), sowie
die algo i hmische S eue ung on Inhal en in Sozialen Medien, die Echo-Kamme n
und Fil e blasen begüns ig ( gl. z. B. Ba be á, 2020; Palmie i, 2024).
Ein wei e e zen ale Aspek , de in ielen Fo schungsa bei en zu Big Da a zu
inden is , is de olgende: Big Da a we den häu ig anhand on d ei g undlegenden
Me kmalen besch ieben, die au Doug Laney (2001) zu ückgehen und als die d ei
Vs – olume, eloci y und a ie y – bekann gewo den sind. Poin ie o mulie
bezeichne olume dabei die eno men Da enmengen, die du ch digi ale P ozesse
kon inuie lich e zeug we den. Veloci y besch eib die hohe F equenz, mi de Da en
gene ie , übe agen und e a bei e we den – on Nea -Real-Time-Anwendungen
bis hin zu Ech zei analysen. Va ie y bezieh sich au die He e ogeni ä de Da en
hinsich lich S uk u , Quelle und Fo ma .
3 Speziell zu Bedeu ung des digi alen Kapi alismus ü die compu e ges ü z e Sozial o schung gl.
jüngs die Labo s udie on Ak (2025).
214 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
und gene a i e KI zu E zeugung neue , syn he ische Bildwel en genu z we den,
se z sich Meye k i isch mi den ideologischen Implika ionen diese T ans o ma ion
und den dami e bundenen Ve ah en auseinande . Dabei a gumen ie e , dass
i uelle Bilda chi e o eine impe ialis ische und kolonialis ische Logik pe pe uie en,
und e anschaulich dies anhand on Beispielen wie Google A s & Cul u e sowie
gene a i en KI-Modellen wie DALL-E. Als Gegenen wu p äsen ie e das P ojek
Digi al Benin, das eine nich eu ozen ische Visualisie ung on Museumsbes änden
e möglich . Meye zeig , dass Digi al Benin du ch die In eg a ion kon ex ualisie e
In o ma ionen und die Zusammena bei mi Expe *innen aus den He kun slände n
de A e ak e eine ielschich ige Da s ellung kul u elle Objek e bie e , die de en
his o ische und kul u elle Bedeu ungen bewah . Übe dieses konk e e Beispiel
hinaus plädie e ü eine k i ische Digi alisie ungspoli ik, die die bes ehenden
impe ialen S uk u en übe winde .
Max F ischknech wiede um un e such aus de Pe spek i e de Digi al Huma-
ni ies den Einsa z on Con olu ional Neu al Ne wo ks (CNNs) zu Clus e bildung
his o ische Fo osammlungen. Am Beispiel de Sammlung E ns B unne aus dem
A chi de Fachgesellscha Empi ische Kul u wissenscha Schweiz (EKWS), die
e wa 48 000 Nega i e aus den Jah en 1935 bis 1970 um ass , geh e mi hil e de
So wa e PixPlo de F age nach, ob ein CNN zen ale Themen und Na a i e de
Sammlung e kennen kann. Sein Haup in e esse gil dabei nich de En deckung
neue Aspek e, sonde n de E alua ion, ob und inwie e n die algo i hmisch du ch-
ge üh e Clus e bildung mi de au adi ionellem Weg e olg en We kanalyse
übe eins imm . Du ch diesen Ve gleich menschliche und maschinelle Ways o
Seeing (Be ge , 2008 [1972]) zeig de Bei ag, wie s a k die maschinelle Sehweise
on T ainingsda en und echnische In as uk u gep äg is . So können nach
F ischknech Aspek e in den Vo de g und e en, die ehe in den T ainingsda en und
ih em En s ehungskon ex als in de his o ischen Sammlung e anke sind – im
o liegenden Fall also im T ainingsda ensa z ImageNe , de om S an o d Vision Lab
en wickel wu de. Da au au bauend üh F ischknech aus, dass es eine e wei e en
Zugänglichkei und eine g öße en Di e si ä on T ainingsda en beda , um das
Po enzial maschinelle Analyse e ah en bei de E o schung g oße his o ische
Bildbes ände besse auszuschöp en und die dami e bundenen epis emologischen
Implika ionen um assende zu e s ehen.
Ein g undlegendes In e esse an e kenn nis heo e ischen F agen im Kon ex
de wissenscha lichen Fo schung e olg auch de Bei ag on Ka in He ms und
Jö g Lehmann, in dem sie im in e disziplinä en Dialog zwischen Kul u soziologie,
Ne zwe kanalyse und den Digi al Humani ies die Feld heo ie Bou dieus mi ak uelle
Big-Visual-Da a-Fo schung e binden. Im Mi elpunk s eh dabei die F age, ob
die Soziologie au de Basis g oße isuelle Da ensä ze „wie ein Feld sehen“, also
einen Blick aus dem Inne en eines Feldes ich en kann. Zu Klä ung diese F age
disku ie en He ms und Lehmann un e sys ema ische Einbindung des Konzep s
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 215
SJS 51 (2), 2025, 203–223
de Au me ksamkei sökonomie zwei ak uelle Fo schungsansä ze ü g oße isuelle
Da ensä ze aus dem Be eich de sozialen Ne zwe kanalyse: Compu e -Vision-Ne z-
we ke und Bildähnlichkei sanalysen. Anhand diese Ansä ze demons ie en sie, wie
maschinelle Le n e ah en Big Visual Da a agg egie en und la en e Beziehungen
sich ba machen, wo aus sich ein e hebliches Po enzial ü die soziologische Fo schung
e gib . Gleichzei ig weisen sie au die G enzen diese quan i a i en Ansä ze hin und
wa nen da o , kul u elle Komplexi ä au o mal messba e, ela ionale Ne zwe ke zu
eduzie en. K i isch weisen sie da übe hinaus au die g undlegende Klu zwischen
Fo schenden und g oßen Technologieun e nehmen in Bezug au Da enzug i ,
e hische S anda ds und s a egische Ziele hin. Diese Klu , so hal en He ms und
Lehmann es , ha wei eichende Konsequenzen – sowohl ü die o schungslei ende
F age des Bei ags als auch ü die Wissensp oduk ion insgesam .
Auch de abschließende Bei ag des Sonde he s beschä ig sich mi dem Be-
eich de wissenscha lichen Fo schung, ich e den Fokus jedoch au den konk e en
Umgang mi Big Visual Da a in de Fo schungsp axis: Sebas ian W. Hoggenmülle
und Ha ald Klinke un e suchen ein zen ales Fo schungswe kzeug de compu e -
ges ü z en Analyse g oße isuelle Da enbes ände – sogenann e Me abilde (auch
bekann als Image Plo s). Basie end au algo i hmischen Ve ah en machen Me a-
bilde Mus e und ande e signi ikan e Zusammenhänge in den Da en sich ba , die
ü das bloße Auge in de Regel nich e kennba sind und sich manuellen Ana-
lysen wei gehend en ziehen. Ziel des Bei ags is es, die übliche weise e bo gene
Komplexi ä des He s ellungsp ozesses on Me abilde n o enzulegen, sodass besse
e s ehba wi d, wie das zus ande komm und unk ionie , was in de E o schung
on Big Visual Da a als Ins umen zu E kenn nisgene ie ung genu z wi d. Mi
ih em in e disziplinä en Ansa z, de Visuelle Soziologie und Digi ale Bildwissen-
scha mi einande e sch änk , konzen ie en sich Hoggenmülle und Klinke
insbesonde e au die Kon ingenz des He s ellungsp ozesses on Me abilde n sowie
au de en algo i hmische Beding hei . Dabei zeigen sie, dass Me abilde nich als
selbs e iden e, objek i e Da s ellungen zu e s ehen sind, sonde n als E gebnis
komplexe ma hema isch-s a is ische Ve ah en und kon ex uelle En scheidungs-
p ozesse, die ih en epis emischen Gehal maßgeblich beein lussen. Fe ne hin e ö e n
sie die He aus o de ungen eine k i ischen Nu zung on Me abilde n und be onen
die No wendigkei , in e disziplinä e Ansä ze zu k i ischen Analyse on Big Visual
Da a wei e zuen wickeln.
5 Dank
Mein Dank gil allen Bei agenden des Sonde he s ü ih e engagie e A bei und
die we ollen Pe spek i en, die sie eingeb ach haben. Ebenso möch e ich den Gu -
ach e *innen ü ih kons uk i es Feedback danken, das die Bei äge maßgeblich
216 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
be eiche ha . Da übe hinaus danke ich meinen Kolleg*innen ü die e schiede-
nen Diskussionen, mi denen ich inspi ie ende Einsich en zum Thema gewinnen
konn e– diese Aus ausch wa wesen lich ü Fo m und Inhal dieses Sonde he s.
Besonde s bedanken möch e ich mich in diesem Zusammenhang bei Be ina Hein z,
Cha lo e Kno , Helmu G abne , Janna Mu , Johanna Wahl, Jü gen Raab, Ka in
He ms, Sophia C ame , Thomas Knüsel und Tobias Hodel. Und nich zule z danke
ich de Redak ion de Schweize ischen Zei sch i ü Soziologie sowie dem Seismo
Ve lag, insbesonde e Ka a zyna Cze wiec-Buczek, Kenne h Ho a h und Ma ion
Bee schen, ü die du chweg angenehme und zu o kommende Zusammena bei .
6 Li e a u
Ak, O. (2025). Pla o ms as Labo a o ies o he Social: How Digi al Capi alism Ma e s o Compu a ional
Social Resea ch in No h Ame ica. Social S udies o Science, 1–21. Online-Vo ab e ö en lichung.
h ps://doi.o g/10.1177/03063127251321826
Allan, A., & Tinkle , P. (2015). ‚Seeing‘ in o he Pas and ‚Looking‘ Fo wa d o he Fu u e: VisualMe h-
ods and Gende and Educa ion Resea ch. Gende and Educa ion, 27(7), 791–811. h ps://doi.o
g/10.1080/09540253.2015.1091919
Alloa, E. (2016). Iconic Tu n: A Plea o Th ee Tu ns o he Sc ew. Cul u e, Theo y and C i ique, 57(2),
228–250. h ps://doi.o g/10.1080/14735784.2015.1068127
Amb ose, M. L. (2014). F om he A alanche o Numbe s o Big Da a: A Compa a i e His o ical Pe spec i e
on Da a P o ec ion in T ansi ion. In K. O’Ha a, M.-H. C. Nguyen, & P. Haynes (H sg.), Digi al
Enligh enmen Yea book 2014: Social Ne wo ks and Social Machines, Su eillance and Empowe men
(S.25–48). IOS P ess. h ps://doi.o g/10.3233/978-1-61499-450-3-25
Ande son, C. (2008). The End o Theo y: The Da a Deluge Makes he Scien i ic Me hod Obsole e.
Wi ed, h ps://www.wi ed.com/2008/06/pb- heo y/ (le z e Zug i am 14. Ok obe 2024).
A ma o III, S. G. (2023). Compu a ional Medicine in Radiology: Medical Images as Big Da a. In JVA‘23:
P oceedings o he 2023 IEEE John Vincen A anaso In e na ional Symposium on Mode n Compu ing
(S. 66–70). IEEE. h ps://doi.o g/10.1109/JVA60410.2023.00021
Ba be á, P. (2020). Social Media, Echo Chambe s, and Poli ical Pola iza ion. In N. Pe sily & J. A. Tucke
(H sg.), Social Media and Democ acy (S. 34–55). Camb idge Uni e si y P ess. h ps://doi.
o g/10.1017/9781108890960.004
Ba nes, T. J. (2013). Big Da a, Li le His o y. Dialogues in Human Geog aphy, 3(3), 297–302. h ps://
doi.o g/10.1177/2043820613514323
Beaulieu, A. (2002). Images A e No he (Only) T u h: B ain Mapping, Visual Knowledge, and Iconoclasm.
Science, Technology, & Human Values, 27(1), 53–86. h ps://doi.o g/10.1177/016224390202700103
Bee , D. (2016). How Should We Do he His o y o Big Da a? Big Da a & Socie y, 3(1), 1–10 h ps://
doi.o g/10.1177/2053951716646135
Bende , E. M., Geb u, T., McMillan-Majo , A., & Shmi chell, S. (2021). On he Dange s o S ochas ic
Pa o s: Can Language Models Be Too Big? In FAccT ‘21: P oceedings o he 2021 ACM Con e ence
on Fai ness, Accoun abili y, and T anspa ency (S. 610–623). Associa ion o Compu ing Machine y.
h ps://doi.o g/10.1145/3442188.3445922
Ben kowska-Ka el, A., Cashen, T., & Ga dine , H. (H sg.). (2005). Digi al A His o y: A Subjec in
T ansi ion. In ellec Books.
Be ge , J. (2008 [1972]). Ways o Seeing. Penguin Books.
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 217
SJS 51 (2), 2025, 203–223
Be ge , P. L., & Luckmann, T. (2010 [1966]). Die gesellscha liche Kons uk ion de Wi klichkei : Eine
Theo ie de Wissenssoziologie. Fische .
Bha ga a, M. G., Vidyulla ha, P., Venka eswa a Rao, P., & Sucha i a, V. (2018). A S udy on Po en ial
o Big Visual Da a Analy ics in Cons uc ion A ena. In e na ional Jou nal o Enginee ing and
Technology, 7(2.7), 652–656. h ps://doi.o g/10.14419/ije . 7i2.7.10916
Bhuiyan, M. R. I., Ak e , M. S., & Islam, S. (2024). How Does Digi al Paymen T ans o m Socie y
as a Cashless Socie y? An Empi ical S udy in he De eloping Economy. Jou nal o Science and
Technology Policy Managemen , 1–19. Online-Vo ab e ö en lichung. h ps://doi.o g/10.1108/
JSTPM-10-2023-0170
Bishop, C. (2018). Agains Digi al A His o y. In e na ional Jou nal o Digi al A His o y, 3, 123–131.
h ps://doi.o g/10.11588/dah.2018.3.49915
Bleichma , D., & Schwa z, V. (2019). Visual His o y: The Pas in Pic u es. Rep esen a ions, 145(1), 1–31.
h ps://doi.o g/10.1525/ ep.2019.145.1.1
Boehm, G. (2006 [1994]). Die Wiede keh de Bilde . In G. Boehm (H sg.), Was is ein Bild? (S.11–38).
Wilhelm Fink.
Boehm, G. (2007). Wie Bilde Sinn e zeugen: Die Mach des Zeigens. Be lin Uni e si y P ess.
Boehm, G., & Mi chell, W. J. T. (2009). Pic o ial e sus Iconic Tu n: Two Le e s. Cul u e, Theo y and
C i ique, 50(2–3), 103–121. h ps://doi.o g/10.1080/14735780903240075
Bohnsack, R. (2024). Quali a i e Bildanalyse. In H. F iese, M. Nolden, & M. Sch ei e (H sg.), Handbuch
Soziale P ak iken und Digi ale All agswel en (S. 1–10). Sp inge VS. Online-Vo ab e ö en lichung.
h ps://doi.o g/10.1007/978-3-658-08460-8_55-2
Bouabid, M., & Fa ah, M. (2024). GAZADeepDa : A High Resolu ion Geo agged Sa elli e Im-
age y Da ase o Analyzing Wa -Induced Damage. In IGARSS ‘24: 2024 IEEE In e na ional
Geoscience and Remo e Sensing Symposium (S. 8876–8879). IEEE. h ps://doi.o g/10.1109/IG-
ARSS53475.2024.10642306
Boxenbaum, E., Jones, C., Meye , R. E., & S ejeno a, S. (2018). Towa ds an A icula ion o he Ma e ial
and Visual Tu n in O ganiza ion S udies. O ganiza ion S udies, 39(5–6), 597–616. h ps://doi.
o g/10.1177/0170840618772611
Boyd, D., & C aw o d, K. (2012). C i ical Ques ions o Big Da a: P o oca ions o a Cul u al, Tech-
nological, and Schola ly Phenomenon. In o ma ion, Communica ion & Socie y, 15(5), 662–679.
h ps://doi.o g/10.1080/1369118X.2012.678878
Bu i, R. V. (2008). Doing Images: Zu P axis medizinische Bilde . ansc ip . h ps://doi.o g/10.14361/
9783839408872
Bu i, R. V. (2009). Ak uelle Pe spek i en soziologische Bild o schung: Zum Visual Tu n in de Sozio-
logie. Soziologie, 38(1), 24–39.
Bu ows, R., & Sa age, M. (2014). A e he C isis? Big Da a and he Me hodological Challenges o
Empi ical Sociology. Big Da a & Socie y, 1(1), 1–6. h ps://doi.o g/10.1177/2053951714540280
Bu o , V., Jacobs, G., Baye l, P. S., Amado , J., & Nabipou , P. (2023). Making Sma Things S ange
Again: Using Walking as a Me hod o S udying Subjec i e Expe iences o Sma Ci y Su eillance.
Su eillance & Socie y, 21(1), 61–82. h ps://doi.o g/10.24908/ss. 21i1.15665
Camb osio, A., Jacobi, D., & Kea ing, P. (2005). A guing wi h Images: Pauling’s Theo y o An ibody
Fo ma ion. Rep esen a ions, 89(1), 94–130. h ps://doi.o g/10.1525/ ep.2005.89.1.94
Cappel, V. (2022). Die Plu ali ä de digi alen All agsgesundhei : Das Au kommen eine neuen Fo m de
Gesundhei skoo dina ion. In V. Cappel & K. E. Kapple (H sg.), Gesundhei – Kon en ionen–
Digi alisie ung: Eine poli ische Ökonomie de (digi alen) T ans o ma ionsp ozesse on und um
Gesundhei (S. 77–114). Sp inge VS. h ps://doi.o g/10.1007/978-3-658-34306-4_3
Chen, C., Ren, Y., & Kuo, C.-C. J. (2016). Big Visual Da a Analysis: Scene Classi ica ion and Geome ic
Labeling. Sp inge Na u e. h ps://doi.o g/10.1007/978-981-10-0631-9
218 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
Chen, S.-H., & Yu, T. (2018). Big Da a in Compu a ional Social Sciences and Humani ies: An In oduc-
ion. InS.-H. Chen (H sg.),Big Da a in Compu a ional Social Science and Humani ies(S.1–25).
Sp inge Na u e. h ps://doi.o g/10.1007/978-3-319-95465-3_1
Chmielecki, K. (2015). F om Visual Cul u e o Visual Communica ion: The Pic o ial and Iconic Tu n
in Con empo a y Cul u e. A Inqui y: Reche ches su les A s, 17, 93–114.
Ch is ou, P. A. (2023). How o Use A i icial In elligence (AI) as a Resou ce, Me hodological and
Analysis Tool in Quali a i e Resea ch? The Quali a i e Repo , 28(7), 1968–1980. h ps://doi.
o g/10.46743/2160-3715/2023.6406
Dang, S.-M. (2018). Digi al Tools & Big Da a: Zu gegenwä igen He aus o de ungen ü die Film- und
Medienwissenscha am Beispiel de eminis ischen Filmgeschich ssch eibung. MEDIENwissen-
scha : Rezensionen | Re iews, 35(2–3), 142–156.
de Valle, M. K., Gallego-Ga cía, M., Williamson, P., & Wade, T. D. (2021). Social Media, Body Image,
and he Ques ion o Causa ion: Me a-Analyses o Expe imen al and Longi udinal E idence. Body
Image, 39, 276–292. h ps://doi.o g/10.1016/j.bodyim.2021.10.001
Diaz-Bone, R., Ho a h, K., & Cappel, V. (2020). Social Resea ch in Times o Big Da a: The Challenges
o New Da a Wo lds and he Need o a Sociology o Social Resea ch. His o ical Social Resea ch,
45(3), 314–341. h ps://doi.o g/10.12759/hs .45.2020.3.314-341
Diebold, F. X. (2012). On he O igin(s) and De elopmen o he Te m ‚Big Da a‘. SSRN. PIER Wo king
Pape 12–037. h ps://doi.o g/10.2139/ss n.2152421
D’Ignazio, C., & Klein, L. F. (2020). Da a Feminism. MIT P ess. h ps://doi.o g/10.7551/mi p ess/11805.
001.0001
Dodge, M., & Ki chin, R. (2005). Codes o Li e: Iden i ica ion Codes and he Machine-Readable Wo ld.
En i onmen and Planning D: Socie y and Space, 23(6), 851–881. h ps://doi.o g/10.1068/d378
Edelmann, A., Wol , T., Mon agne, D., & Bail, C. A. (2020). Compu a ional Social Science and Sociol-
ogy. Annual Re iew o Sociology, 46, 61–81. h ps://doi.o g/10.1146/annu e -soc-121919-054621
Elkins, J. (2003). Visual S udies: A Skep ical In oduc ion. Rou ledge.
Esch ich, J., & S e man, S. (2024). A F amewo k o Discussing LLMs as Tools o Quali a i e Analysis.
a Xi . P ep in / Wo king Pape . h ps://doi.o g/10.48550/a Xi .2407.11198
Fang, Z., Hwang, J.-N., Huo, X., Lee, H.-J., & Denzle , J. (2017). Eme gen Techniques and Applica ions
o Big Visual Da a. In e na ional Jou nal o Digi al Mul imedia B oadcas ing, 1, 1–2. h ps://doi.
o g/10.1155/2017/6468502
Fa a e o, M., De Cle cq, E., & Elge , B. S. (2019). Big Da a and Disc imina ion: Pe ils, P omises
and Solu ions. A Sys ema ic Re iew. Jou nal o Big Da a, 6(12), 1–27. h ps://doi.o g/10.1186/
s40537-019-0177-4
Fische , M. D., & Zei lyn, D. (2003). Visual An h opology in he Digi al Mi o : Compu e -Assis ed
Visual An h opology. The Vi ual Ins i u e o Mambila S udies, h p://mambila.in o/laye s_nggwun.
h ml (le z e Zug i am 13. Janua 2024).
Fo sy h, D. A., & Ponce, J. (2003). Compu e Vision: A Mode n App oach. P en ice Hall.
Galison, P. (2014). Visual STS. In A. Ca usi, A. S. Hoel, T. Webmoo , & S. Woolga (H sg.), Visualiza ion
in he Age o Compu e iza ion (S. 197–225). Rou ledge. h ps://doi.o g/10.4324/9780203066973-10
Giglio, S., Pan ano, E., Bilo a, E., & Melewa , T. C. (2020). B anding Luxu y Ho els: E idence om
he Analysis o Consume s’ „Big“ Visual Da a on T ipAd iso . Jou nal o Business Resea ch, 119,
495–501. h ps://doi.o g/10.1016/j.jbus es.2019.10.053
Gilmo e, J. N. (2016). E e ywea : The Quan i ied Sel and Wea able Fi ness Technologies. New Media
& Socie y, 18(11), 2524–2539. h ps://doi.o g/10.1177/1461444815588768
Glasze, G. (2014). Sozialwissenscha liche Ka og aphie-, GIS- und Geoweb-Fo schung. KN – Jou nal
o Ca og aphy and Geog aphic In o ma ion, 64(3), 123–129. h ps://doi.o g/10.1007/BF03544141
Go man, E. (1979). Gende ad e isemen s. Ha a d Uni e si y P ess.
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 219
SJS 51 (2), 2025, 203–223
Goodwin, C. (1994). P o essional Vision. Ame ican An h opologis , 96(3), 606–633. h ps://doi.
o g/10.1525/aa.1994.96.3.02a00100
G imshaw, A. D. (1982). Sound-Image Da a Reco ds o Resea ch on Social In e ac ion: Some Ques-
ions and Answe s. Sociological Me hods & Resea ch, 11(2), 121–144. h ps://doi.o g/10.1177/
0049124182011002002
G ohmann, R. (2025). La in Ame ican C i ical Da a S udies. Big Da a & Socie y, 12(2), 1–9. h ps://
doi.o g/10.1177/20539517251330160
Hacking, I. (1982). Biopowe and he a alanche o p in ed numbe s. Humani ies in Socie y, 5(1–2),
279–295.
Hal o d, S., & Sa age, M. (2017). Speaking Sociologically wi h Big Da a: Symphonic Social
Science and he Fu u e o Big Da a Resea ch. Sociology, 51(6), 1132–1148. h ps://doi.
o g/10.1177/0038038517698639
Häl e lein, J. (2021). Epis emologies o P edic i e Policing: Ma hema ical Social Science, Social Physics
and Machine Lea ning. Big Da a & Socie y, 8(1), 1–13. h ps://doi.o g/10.1177/20539517211003118
Ha ley, J. B. (1989). Decons uc ing he Map. Ca og aphica: The In e na ional Jou nal o Geog aphic
In o ma ion and Geo isualiza ion, 26(2), 1–20. h ps://doi.o g/10.3138/E635-7827-1757-9T53
Hein z, B. (2010). Nume ische Di e enz: Übe legungen zu eine Soziologie des (quan i a i en) Ve gleichs.
Zei sch i ü Soziologie, 39(3), 162–181. h ps://doi.o g/10.1515/z soz-2010-0301
Hein z, B., & Hube , J. (H sg.). (2001). Mi dem Auge denken: S a egien de Sich ba machung in wis-
senscha lichen und i uellen Wel en. Edi ion Voldemee .
Hen schel, K. (2014). Visual Cul u es in Science and Technology: A Compa a i e His o y. Ox o d Uni e si y
P ess. h ps://doi.o g/10.1093/acp o :oso/9780198717874.001.0001
Hi ch, D. (2024). A i icial In elligence Augmen ed Quali a i e Analysis: The Way o he Fu u e? Quali-
a i e Heal h Resea ch, 34(7), 595–606. h ps://doi.o g/10.1177/10497323231217392
Hoggenmülle , S. W. (2020). Globalisie ungs o schung als Bild o schung: Zu bildlichen E zeugung
globale Beobach ungso dnungen und ih e Analyse. In H. Bennani, M. Bühle , S. C ame ,
&A.Glause (H sg.), Global beobach en und e gleichen: Soziologische Analysen zu Wel gesellscha
(S. 435–472). Campus. h ps://doi.o g/10.5281/zenodo.5060095
Hoggenmülle , S. W. (2022). Globali ä sehen: Zu isuellen Kons uk ion on „Wel “. Campus. h ps://
doi.o g/10.12907/978-3-593-44235-8
Hoggenmülle , S. W., & Raab, J. (2022). Bilde . In N. Bau & J. Blasius (H sg.), Handbuch Me hoden
de empi ischen Sozial o schung (S. 1581–1598). Sp inge VS. h ps://doi.o g/10.1007/978-3-658-
37985-8_110
Imdahl, M. (2006 [1994]). Ikonik: Bilde und ih e Anschauung. In G. Boehm (H sg.), Was is ein Bild?
(S. 300–324). Wilhelm Fink.
Ishwa appa, K., & Anu adha, J. (2015). A B ie In oduc ion on Big Da a 5Vs Cha ac e is ics and Hadoop
Technology. P ocedia Compu e Science, 48, 319–324. h ps://doi.o g/10.1016/j.p ocs.2015.04.188
Ja on, F. (2017). We Ge he Algo i hms o Ou G ound T u hs: Designing Re e en ial Da a-
bases in Digi al Image P ocessing. Social S udies o Science, 47(6), 811–840. h ps://doi.
o g/10.1177/0306312717730428
Joo, J., & S eine -Th elkeld, Z. C. (2018). Image as Da a: Au oma ed Visual Con en Analysis o
Poli ical Science. a Xi . P ep in / Wo king Pape . h ps://doi.o g/10.48550/a Xi .1810.01544
Kanapa hi, S. K., & Raju, U. S. N. (2022). Con en -Based Image Re ie al on Big Image Da a Using
Local and Global Fea u es. In e na ional Jou nal o In o ma ion Technology, 14(1), 49–68. h ps://
doi.o g/10.1007/s41870-021-00806-8
Kaplan, F. (2015). A Map o Big Da a Resea ch in Digi al Humani ies. F on ie s in Digi al Humani ies,
2(1), 1–7. h ps://doi.o g/10.3389/ digh.2015.00001
Kauppe , M., & Lese , I. (H sg.). (2014). Hilla ys Hand: Zu poli ischen Ikonog aphie de Gegenwa .
ansc ip . h ps://doi.o g/10.1515/ ansc ip .9783839427491
220 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
Khan, M. A.-u.-d., Uddin, M. F., & Gup a, N. (2014). Se en V’s o Big Da a unde s anding Big Da a o
ex ac alue. In P oceedings o he 2014 Zone 1 Con e ence o he Ame ican Socie y o Enginee ing
Educa ion (S. 1–5). IEEE. h ps://doi.o g/10.1109/ASEEZone1.2014.6820689
Ki chin, R. (2014a). Big Da a, New Epis emologies and Pa adigm Shi . Big Da a & Socie y, 1(1), 1–12.
h ps://doi.o g/10.1177/2053951714528481
Ki chin, R. (2014b). The Da a Re olu ion: Big Da a, Open Da a, Da a In as uc u es & Thei Consequences.
Sage. h ps://doi.o g/10.4135/9781473909472
Ki chin, R. (2017). Big da a: Hype o Re olu ion. In L. Sloan & A. Quan-Haase (H sg.), The SAGE Hand-
book o Social Media Resea ch Me hods (S. 27–39). Sage. h ps://doi.o g/10.4135/9781473983847.n3
Ki chin, R. (2021). Da a Li es: How Da a A e Made and Shape Ou Wo ld. B is ol Uni e si y P ess.
h ps://doi.o g/10.56687/9781529215649
Ki chin, R. (2025). C i ical Da a S udies: An A o Z Guide o Concep s and Me hods. Poli y P ess.
Ki chin, R., & McA dle, G. (2016). Wha Makes Big Da a, Big Da a? Explo ing he On ological Cha ac-
e is ics o 26 Da ase s. Big Da a & Socie y, 3(1), 1–10. h ps://doi.o g/10.1177/2053951716631130
Klinke, H. (2016). Big Image Da a wi hin he Big Pic u e o A His o y. In e na ional Jou nal o Digi al
A His o y, 2, 14–37. h ps://doi.o g/10.11588/dah.2016.2.33527
Knoblauch, H. (2017). Die kommunika i e Kons uk ion de Wi klichkei . Sp inge VS. h ps://doi.o g/10.
1007/978-3-658-15218-5
Kno Ce ina, K. (2001). Visku se de Physik: Konsensbildung und isuelle Da s ellung. In B. Hein z
& J. Hube (H sg.), Mi dem Auge denken: S a egien de Sich ba machung in wissenscha lichen
und i uellen Wel en (S. 305–320). Edi ion Voldemee .
Kohle, H. (2013). Digi ale Bildwissenscha . We ne Hülsbusch. h ps://doi.o g/10.5282/ubm/epub.25747
K ähnke, U., Pehl, T., & D esing, T. (2025). Hyb ide In e p e a ion ex basie e Da en mi dialogisch
in eg ie en LLMs: Zu Nu zung gene a i e KI in de quali a i en Fo schung. GESIS. P e-
p in / Wo king Pape . h ps://nbn- esol ing.o g/u n:nbn:de:0168-ssoa -99389-7
Laney, D. (2001). 3D Da a Managemen : Con olling Da a Volume, Veloci y, and Va ie y. META G oup,
Applica ion Deli e y S a egies, 949.
Lange , S. K. (1987 [1942]). Philosophie au neuem Wege: Das Symbol im Denken, im Ri us und in de
Kuns . Fische .
Lombi, L., & Rosse o, E. (2024). How A i icial In elligence Is Reshaping he Au onomy and Bounda y
Wo k o Radiologis s: A Quali a i e S udy. Sociology o Heal h & Illness, 46(2), 200–218. h ps://
doi.o g/10.1111/1467-9566.13702
Long, D., & Mage ko, B. (2020). Wha Is AI Li e acy? Compe encies and Design Conside a ions. In CHI
‘20: P oceedings o he 2020 CHI Con e ence on Human Fac o s in Compu ing Sys ems (S. 1–16).
Associa ion o Compu ing Machine y. h ps://doi.o g/10.1145/3313831.3376727
Loukissas, Y. A. (2019). All Da a A e Local: Thinking C i ically in a Da a-D i en Socie y. MIT P ess.
h ps://doi.o g/10.7551/mi p ess/11543.001.0001
Luccioni, A. S., Akiki, C., Mi chell, M., & Je ni e, Y. (2023). S able Bias: Analyzing Socie al Rep-
esen a ions in Di usion Models. a Xi . P ep in / Wo king Pape . h ps://doi.o g/10.48550/
a Xi .2303.11408
Lünich, M. (2022). Big Da a und Wissen übe Gesellscha : Die Quan i izie ung des Sozialen. In
M. Lünich (H sg.), De Glaube an Big Da a: Eine Analyse gesellscha liche Übe zeugungen on
E kenn nis- und Nu zengewinnen aus digi alen Da en (S. 63–77). Sp inge VS. h ps://doi.
o g/10.1007/978-3-658-36368-0_5
Mano ich, L. (2017). Ins ag am and Con empo a y Image. h p://mano ich.ne /index.php/p ojec s/
ins ag am-and-con empo a y-image (le z e Zug i am 25. Sep embe 2024).
Mano ich, L. (2020). Cul u al Analy ics. MIT P ess. h ps://doi.o g/10.7551/mi p ess/11214.001.0001
Mano ich, L., & A ielli, E. (2024). A i icial Aes he ics: Gene a i e AI, A and Visual Media. h ps://
mano ich.ne /index.php/p ojec s/a i icial-aes he ics (le z e Zug i am 05. Janua 2025).
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 221
SJS 51 (2), 2025, 203–223
Maye -Schönbe ge , V., & Cukie , K. (2013). Big Da a: A Re olu ion Tha Will T ans o m How We Li e,
Wo k, and Think. Hough on Mi lin Ha cou .
Me sch, D. (2006). Visuelle A gumen e: Zu Rolle de Bilde in den Na u wissenscha en. In S. Maasen,
T. Maye hause , & C. Renggli (H sg.), Bilde als Disku se: Bilddisku se (S. 95–116 ). Velb ück.
Mille , H. J. (2010). The Da a A alanche Is He e: Shouldn’ We Be Digging? Jou nal o Regional Science,
50(1), 181–201. h ps://doi.o g/10.1111/j.1467-9787.2009.00641.x
Mi ó-Llina es, F. (2020). P edic i e Policing: U opia o Dys opia? On A i udes Towa ds he Use o
Big Da a Algo i hms o Law En o cemen . IDP: Re is a de In e ne , De echo y Poli ica, 30, 1–18.
h ps://doi.o g/10.7238/idp. 0i30.3223
Mi chell, W. J. T. (1992). The Pic o ial Tu n. A o um, 30(7), 89–94.
Mi chell, W. J. T. (1994). Pic u e Theo y: Essays on Ve bal and Visual Rep esen a ion. Uni e si y o Chicago
P ess.
Mi chell, W. J. T. (2007). Iconology: Image, Tex , Ideology (10. Au l.). Uni e si y o Chicago P ess.
Mohn, B. E. (2023). Kame a-E hnog aphie: E hnog aphische Fo schung im Modus des Zeigens. P og amma ik
und P axis. ansc ip . h ps://doi.o g/10.14361/9783839435311
Monahan, T. (2018). The Image o he Sma Ci y: Su eillance P o ocols and Social Inequali y. In
Y. Wa anabe (H sg.), Handbook o Cul u al Secu i y (S. 210–226). Edwa d Elga . h ps://doi.
o g/10.4337/9781786437747.00017
Mü zel, S., & Un e näh e , M. (2024). Digi al Paymen s and Rela ional Embedding: Tu ning Rela ions
in o Da a and Da a in o Rela ions. Big Da a & Socie y, 11(3), 1–10. h ps://doi.o g/10.1177/
20539517241266432
Nguyen-T ung, K., & Nguyen, N. L. (2025). Na a i e-In eg a ed Thema ic Analysis (NITA): AI-Sup-
po ed Theme Gene a ion Wi hou Coding. OSFPREPRINTS. P ep in / Wo king Pape . h ps://
doi.o g/10.31219/os .io/7zs9c_ 1
Noble, S. U. (2018). Algo i hms o Opp ession: How Sea ch Engines Rein o ce Racism. New Yo k Uni e si y
P ess. h ps://doi.o g/10.2307/j.c 1pw 9w5
O’Neill, S. J., & Smi h, N. (2014). Clima e Change and Visual Image y. WIREs Clima e Change, 5(1),
73–87. h ps://doi.o g/10.1002/wcc.249
Palmie i, E. (2024). Online Bubbles and Echo Chambe s as Social Sys ems. Kybe ne es, 54(4), 2457–2468.
h ps://doi.o g/10.1108/K-09-2023-1742
Paul, G. (2006). Visual His o y. Ein S udienbuch. Vandenhoeck & Rup ech .
Pauwels, L. (2021). Con empla ing ‚Visual S udies‘ as an Eme ging T ansdisciplina y Endea ou . Visual
S udies, 36(3), 211–214. h ps://doi.o g/10.1080/1472586X.2021.1970326
Pink, S. (2011). Digi al Visual An h opology: Po en ials and Challenges. In M. Banks & J. Ruby (H sg.),
Made o Be Seen: Pe spec i es on he His o y o Visual An h opology (S. 209–233). Uni e si y o
Chicago P ess.
Po e , T. M. (1986). The Rise o S a is ical Thinking, 1820–1900. P ince on Uni e si y P ess.
P ie l, B., & Houben, D. (2018). Ein üh ung: Soziologische Pe spek i en au die Da a izie ung de
Gesellscha . In D. Houben & B. P ie l (H sg.), Da engesellscha : Einsich en in die Da a izie ung
des Sozialen (S. 18–32). ansc ip . h ps://doi.o g/10.14361/9783839439579-001
Qin, H., Li, X., Yang, Z., & Shang, M. (2015). When Unde wa e Image y Analysis Mee s Deep Lea ning:
A Solu ion a he Age o Big Visual Da a. In OCEANS 2015 – MTS/IEEE Washing on (S. 1–5).
IEEE. h ps://doi.o g/10.23919/OCEANS.2015.7404463
Raab, J. (2008). Visuelle Wissenssoziologie: Theo e ische Konzep ion und ma e iale Analysen. UVK.
Rajagopal, A. (2011). No es on Pos colonial Visual Cul u e. BioScope: Sou h Asian Sc een S udies, 2(1),
11–22. h ps://doi.o g/10.1177/097492761000200103
Rossi, R., Hi ama, K., & F anco, E. F. (2019). A Sys ema ic Li e a u e Map on Big Da a. In e na ional
Jou nal o Scien i ic Enginee ing and Science, 3(11), 25–32. h ps://doi.o g/10.5281/zenodo.3570615
222 Sebas ian W. Hoggenmülle
SJS 51 (2), 2025, 203–223
Sachs-Hombach, K. (1998). Die Mach de Bilde . Zei sch i ü Äs he ik und Allgemeine Kuns wissen-
scha , 43(2), 175–189.
Sachs-Hombach, K. (H sg.). (2005). Bildwissenscha : Disziplinen, Themen, Me hoden. Suh kamp.
Sachs-Hombach, K. (2021). Das Bild als kommunika i es Medium: Elemen e eine allgemeinen Bildwissen-
scha (4. Au l.). He be on Halem. h ps://doi.o g/10.1453/2021_9783869625843
Sako, T., & Ma inez, A. J. M. (2021). Seeing Po e y om Space: How Much Can I Be Tuned? a Xi .
P ep in / Wo king Pape . h ps://doi.o g/10.48550/a Xi .2107.14700
Schankweile , K., & S aub, V. (2023). Bildp o es e ü die F eihei im I an: Die Meme ica ion des
Wide s ands in den Sozialen Medien. 21: Inqui ies in o A , His o y, and he Visual, 4(1), 97–110.
h ps://doi.o g/10.11588/xxi.2023.1.93820
Schmi , M. (2018). Die Soziologie in Zei en on Big Da a. Angebo e de Rela ionalen Soziologie.
InD. Houben & B. P ie l (H sg.), Da engesellscha : Einsich en in die Da a izie ung des Sozialen
(S.299–320). ansc ip . h ps://doi.o g/10.1515/9783839439579-013
Schne le , B. (2007). Au dem Weg zu eine Soziologie isuellen Wissens. Soziale Sinn, 8(2), 189–210.
h ps://doi.o g/10.1515/sosi-2007-0203
Şen, M., Sen, S. N., & Şahin, T. G. (2023). A New E a o Da a Analysis in Quali a i e Resea ch:
Cha GPT! Shanlax In e na ional Jou nal o Educa ion, 11(1), 1–15. h ps://doi.o g/10.34293/
educa ion. 11iS1-Oc .6683
S e cu, N. (2023). Impac o Big Da a Technology on Con empo a y Socie y. IT & C, 3(1), 11–19.
h ps://doi.o g/10.58679/IT73078
Si el, J. (2017). Digi al Humani ies in de Filmwissenscha . MEDIENwissenscha Rezensionen | Re iews,
34(4), 472–489. h ps://doi.o g/10.17192/ep2017.4.7636
Ska pelos, Y. (2018). Big Visual Da a in Social Sciences. In C. M. S ü ze , M. Welke , & M. Egge
(H sg.), Compu a ional Social Science in he Age o Big Da a: Concep s, Me hodologies, Tools, and
Applica ions (S. 235–265). He be on Halem.
Smi h, K., Piccinini, F., Balassa, T., Koos, K., Danka, T., Azizpou , H., & Ho a h, P. (2018). Pheno ypic
Image Analysis So wa e Tools o Explo ing and Unde s anding Big Image Da a om Cell-Based
Assays. Cell Sys ems, 6(6), 636–653. h ps://doi.o g/10.1016/j.cels.2018.06.001
Sun, Z., S ang, K., & Li, R. (2018). Big Da a wi h Ten Big Cha ac e is ics. In ICBDR ‘18: P oceedings
o he 2nd In e na ional Con e ence on Big Da a Resea ch (S. 56–61). Associa ion o Compu ing
Machine y. h ps://doi.o g/10.1145/3291801.3291822
Szeliski, R. (2022). Compu e Vision: Algo i hms and Applica ions. Sp inge Na u e. h ps://doi.
o g/10.1007/978-3-030-34372-9
Tindall, D., McLe ey, J., Koop-Mon ei o, Y., & G aham, A. (2022). Big Da a, Compu a ional Social
Science, and O he Recen Inno a ions in Social Ne wo k Analysis. Canadian Re iew o Sociology,
59(2), 271–288. h ps://doi.o g/10.1111/ca s.12377
Tosi, D., Kokaj, R., & Rocce i, M. (2024). 15 Yea s o Big Da a: A Sys ema ic Li e a u e Re iew. Jou nal
o Big Da a 11(73), 1–39. h ps://doi.o g/10.1186/s40537-024-00914-9
Uzhinskiy, A., Ososko , G., Goncha o , P., & F on sye a, M. (2018). Combining Sa elli e Image y and
Machine Lea ning o P edic A mosphe ic Hea y Me al Con amina ion. In GRID ‘18: P oceedings
o he VIII In e na ional Con e ence Dis ibu ed Compu ing and G id- echnologies in Science and
Educa ion (S. 351–358). Indico. h ps://ceu -ws.o g/Vol-2267/351-358-pape -67.pd (le z e
Zug i am 12. Augus 2024).
an Dijck, J. (2014). Da a ica ion, Da aism and Da a eillance: Big Da a be ween Scien i ic Pa adigm
and Ideology. Su eillance & Socie y, 12(2), 197–208. h ps://doi.o g/10.24908/ss. 12i2.4776
Wang, W., Yang, Y., & Pan, Y. (2024). Visual Knowledge in he Big Model E a: Re ospec and P ospec .
a Xi . P ep in /Wo king Pape . h ps://doi.o g/10.48550/a Xi .2404.04308
Wiege ling, K., Ne u ka , M., & Wadephul, C. (2018). E hische und an h opologische Aspek e de
Anwendung on Big-Da a-Technologien. In B. Kolany-Raise , R. Heil, C. O wa , & T. Hoe en
Big Visual Da a als neue Fo m des Wissens. Eine Ein üh ung in das Thema und seinen Hin e g und 223
SJS 51 (2), 2025, 203–223
(H sg.), Big Da a und Gesellscha : Eine mul idisziplinä e Annähe ung (S. 1–67). Sp inge VS.
h ps://doi.o g/10.1007/978-3-658-21665-8_1
Wilke, R. (2022). Wissenscha kommunizie : Eine wissenssoziologische Ga ungsanalyse des akademischen
G oup-Talks am Beispiel de Compu a ional Neu oscience. Sp inge VS. h ps://doi.o g/10.1007/978-
3-658-36704-6
William, F. K. A. (2024). My Da a A e Ready, How Do I Analyze Them: Na iga ing Da a Analysis
in Social Science Resea ch. In e na ional Jou nal o Scien i ic Resea ch and Managemen , 12(3),
1730–1741. h ps://doi.o g/10.18535/ijs m/ 12i03.sh03
Wolb ing, T. (2020). The Digi al Re olu ion in he Social Sciences: Fi e Theses Abou Big Da a and O he
Recen Me hodological Inno a ions om an Analy ical Sociologis . In S. Maasen & J.-H.Pas-
so h (H sg.), Soziologie des Digi alen – Digi ale Soziologie? (S. 60–72). Nomos. h ps://doi.
o g/10.5771/9783845295008-60
Zulli, D., & Zulli, D. J. (2022). Ex ending he In e ne Meme: Concep ualizing Technological Mimesis
and Imi a ion Publics on he TikTok Pla o m. New Media & Socie y, 24(8), 1872–1890. h ps://
doi.o g/10.1177/1461444820983603
230 Aji Singh
SJS 51 (2), 2025, 225–245
Me ap ozess ( gl. K o z, 2007; Knoblauch, 2013; Hepp e al., 2015) besch eib die
ela ionalen, nich -linea zu lesenden Wechselwi kungen on his o ischem Medien-
wandel und kommunika i em (Wi k-)Handeln ( gl. Reiche z & Be mann, 2018).
Au g und eines wei e en Media isie ungsschubs wi d in jünge e Zei eine „ ie e
Media isie ung“ (Hepp, 2018, S. 35) diagnos izie . Noch um assende als zu o
wi d dami die gesellscha liche Kons uk ion de Wi klichkei medial e mi el
und kommunika i es Handeln du ch die Einbindung in Pla o men und digi ale
In as uk u en e ne z und da a izie .
De ges al wi k sich die Media isie ung nich nu au die Räumlichkei ,
sonde n auch au die Zei lichkei kommunika i e Handlungen aus, „indem [es] die
Wissensbes ände in echnologische Wissens äge auslage , sie sozial en s uk u ie
und in eine Daue p äsenz e ügba machen kann, die Zukun und Ve gangenhei
e schmelzen läss “ (Knoblauch, 2017, S. 341). Die Media isie ungspe spek i e ück
dami „[n]ich die Übe mi lung ( on In o ma ionen), nich Kommunika ionskanäle,
sonde n die Ve mi lung on Wah nehmen, Denken und Handeln du ch (im wei-
e en Sinne: echnische) Medien“ (P adenhaue & G enz, 2017, S. 5) in den Fokus.
Übe äg man diese Gedanken au die plane ische Fokussie ung au digi ale
Objek e und In as uk u en, so ges al e sich die zei liche und soziale O dnung
kommunika i e Handlungen als eine in a- und in e ak i e Syn hese on kö pe -
lich-sinnlichen und echnologischen En i ä en: sowohl als media isie es Ve häl nis
zwischen Subjek en als auch zwischen Subjek en und in e p e a ionsbedü igen,
p ozessualen, digi alen A e ak en (3D-Modelle, G aphiken, Zahlen, Me ada en e c.).
Digi ales Planen e s ehe ich in diesem Zusammenhang als einen spezi ischen Modus
media isie en kommunika i en Handelns, de menschliche Ak eu *innen wie nich -
humane En i ä en mi einande in ein ela ionales Ve häl nis se z und in zei liche ,
(digi al-)ma e ielle und soziale Hinsich au die objek i ie ende Umse zung on
Planungssch i en ge ich e is . Die isuelle und kommunika i e Mani es a ion on
synch onen und asynch onen Planungshandlungen und das in echnische Da en äge
eingesch iebene he e ogene (Fach-)Wissen bilde sich zen al in de Objek i a ion
on Koo dina ionsmodellen ab, die ich als syn he isches Objek konzep ualisie e.
Syn he isch mein wenige ein Ve schwimmen on Ak eu sg enzen, sonde n eine
sozio- echnische Ve sch änkung zeichenha e Sinnse zungen, die eine sei s im Zu-
sammenspiel on Technologie und kommunika i em Handeln kons uie we den,
und die ande e sei s in e subjek i und kommunika i auslegungsbedü ig bleiben.
Mi Knoblauch läss sich dies als Indiz eine „Kommunika ionsgesellscha “ (2017,
S. 329 .) lesen, in de insbesonde e die „Kommunika ionsa bei “ (1996, S. 344)
ein wesen liche P oduk ions ak o is und Sinn menschlich und – in E wei e ung
dazu – auch echnisch und du ch Algo i hmen ( e-)p oduzie wi d.
Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä und Ma e iali ä … 231
SJS 51 (2), 2025, 225–245
3 Me hodisches Vo gehen und Da eng undlage
Meine hie zug unde geleg en quali a i en Analysen s ü zen sich au e schiedene
Da enso en.3 Neben Felddokumen en (u. a. Websei en, S a egiepapie e, Be ich e
aus de in e nen Un e nehmenskommunika ion) handel es sich um No izen aus
e hnog aphischen Feldau en hal en, Audio-Au zeichnungen, isuelle Da en und o
allem el quali a i e In e iews (ca. 13 S d.). Im o liegenden Tex gehe ich ( o an-
gig) au die In e iews zu eine Falls udie in einem Be ieb ein, de BIM sei und
zehn Jah en p ojek basie e p ob . Das Un e nehmen is die Toch e gesellscha
eines G oßkonze ns, de sich u. a. mi de In as uk u planung on Mobili ä s- und
T anspo wegen be ass . Da un e allen Ve keh swege, abe auch ande e Bauwe ke
wie Gebäude und B ücken. Die Toch e gesellscha is ein global agie endes Sub-
un e nehmen mi meh e en Tausend Mi a bei e *innen an un e schiedlichen S and-
o en wel wei : Planen, Be a en und die Du ch üh ung on Planungsp ojek en, und
dami ein um assendes P ojek managemen , zähl zum Ke ngeschä , beginnend bei
e s en Beda sanalysen bis hin zu Umse zung au de Baus elle. Zum Zei punk
de E hebung (2022–2023) implemen ie die Toch e gesellscha im Rahmen eines
Change Managemen s BIM in ih e O ganisa ionss uk u en und en wickel dami
nun die ü den Be ieb no wendigen S anda ds, an denen sich die Mi a bei e *innen
in den jeweiligen BIM-ges ü z en P ojek en o ien ie en sollen.
Die lei adenges ü z en quali a i en In e iews ( gl. Bogne e al., 2009;
Hel e ich, 2010) wu den sowohl mi Expe *innen au de höhe en Lei ungsebene
als auch mi Mi a bei e *innen au de mi le en Hie a chieebene du chge üh :
also mi Ak eu *innen, die das Change Managemen und die Implemen ie ung in
de Toch e gesellscha ede üh end e an wo en, sowie mi BIM Manage *innen,
BIM Koo dina o *innen und Fachplane *innen, die mi BIM in e schiedenen
P ojek en im Tagesgeschä a bei en und übe eine Einschä zung zum p ak ischen
En wicklungss and de Me hode e ügen. Unse e o enen F agen ich e en sich
e s ens au die Auswi kungen au das P o essionswissen, die in olge de digi alen
und p ak ischen Neue ungen du ch BIM in de Planung en s ehen. Zwei ens ag en
wi nach dem S ellenwe , den BIM als kollabo a i e Planungsme hode in einzel-
nen P ojek en einnimm und wie es sich in de P axis zeig . Und d i ens ag en
wi nach dem S a us des digi alen BIM Modells und dessen Bedeu ung ü die
Planungskommunika ion. Die au gezeichne en In e iews wu den in Anlehnung
an GAT2 (Sel ing e . al., 2009) ansk ibie und mi Hil e des Kodie pa adigmas
de G ounded Theo y (Co bin & S auss, 2007) analysie . Unse e Kodie ung ziel
im e s en Sch i da au , das Ma e ial abe auch die du ch unse e In e iew agen
3 Die zu diesem Zei punk o liegenden Da en habe ich gemeinsam mi Ma ie Ma leen Heppne
im Rahmen des on de DFG ge ö de en Fo schungsp ojek es Syn he ische Planung – Digi ale
Media isie ung on kollabo a i e Kommunika ionsa bei und Ve ände ungen on Planungswissen
(Lau zei : 2022–2025) e hoben und ausgewe e . Die im Tex au ge üh en In e iewzi a e we den
anonymisie da ges ell .
232 Aji Singh
SJS 51 (2), 2025, 225–245
gese z en Themen und Konzep e (wiede ) au zub echen, um au diesem Wege die
Da en aus sich he aus (e wa du ch in- i o Codes) zu e schließen. Dabei ich en wi
o wäh end F agen an das Ma e ial und auch an einzelne Codes, um spezi ische
Phänomene zu iden i izie en. Ausgewähl e, kü ze e Passagen we den dann auch
eine sequenziellen line-by-line Feinanalyse un e zogen. Die Analyse ziel dami nich
zwangsläu ig au die Bildung eine um assenden Theo ie, wie o mals sugge ie wi d,
sonde n au die En wicklung empi isch beg ünde e , heo e isie ende Konzep e.
4 Empi ische Be unde zu modellbasie en Planung mi BIM
Die Da s ellung de empi ischen E gebnisse e olg in einem D eisch i : Zunächs
wi d die Genese des BIM-Modells besch ieben und ekons uie , welchen S a us
das Modell aus Sich de Plane *innen ha (4.1). Danach ich e sich de Blick au
das isuelle und echnische P o essionswissen de Plane *innen, das sowohl ü die
Anwendung de BIM-Me hode als auch ü den Umgang mi Big Visual Da a e-
le an is (4.2). Schließlich we den die Ve lech ungen on plane ischem Handeln
mi digi alen Planungsin as uk u en he ausgea bei e und wie diese zu zei lichen
und kommunika i en Handlungskoo dina ion bei agen (4.3).
4.1 Von de Punk wolke zum 3D-Modell ode : Wo die „plane ische Wah hei “ lieg
Die A bei am d eidimensionalen Modell spiel eine en scheidende Rolle ü die
plane ische In eg a ion g oße he e ogene Da ensä ze, denn das Modell bilde die
G undlage ü alle wei e en Planungskommunika ionen zwischen den e schiedenen
Gewe ken. Folglich is es au schluss eich, wie ein d eidimensionale En wu konzi-
pie wi d und welchen S ellenwe die isuelle Fo m aus Sich de Plane *innen ha .
Modelle en s ehen sel en aus dem Nich s – me apho isch sp echen die in e iew en
Plane *innen om „lu lee en Raum“ ode de „g ünen Wiese“ –, sonde n haben
o mals be ei s einen ealen Bezugspunk . Dami e bunden sind eine sei s planungs-
ech liche Vo gaben und die Ein eilung in Leis ungsphasen gemäß de Hono a -
o dnung ü A chi ek *innen und Ingenieu *innen (HOAI). Ande e sei s ich en
sich iele Flächen- und Gebäudeplanungen au be ei s exis ie ende äumliche und
physisch-ma e ielle (An-)O dnungen on Objek en, die als Bes and gel en und den
isuellen Ausgangspunk de Planung bilden. Wäh end e wa Flächennu zungspläne
Bes ands äume op isch in 2D pa zellie en und pe spek i ische Nu zungsmöglich-
kei en de beplan en Fläche au zeigen ( gl. Singh & Meißne , 2023, S. 241 .), wi d
de Bes and im Zuge de BIM-Me hode übe einen d eidimensionalen Lase scan
(Ehm &Hesse, 2014) e ass . De Flächen aum wi d, e wa übe eine D ohne,
digi al bis ins kleins e De ail e messen und dann in eine Punk wolke übe üh ,
die die unübe schauba g oße Menge on kleins en Messpunk en in eine isuelle
Da s ellung übe se z .
Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä und Ma e iali ä … 233
SJS 51 (2), 2025, 225–245
Die Punk wolke (in Ve bindung mi Objek modellen gl. Abb. 1) bilde dann die
digi al-ma e ielle G undlage ü die E s ellung des Planungsmodells, das wei e e
eils au oma isie e , eils manuelle Anpassungen und Nachmodellie ungen de
Punk wolke beda :
F ühe , […] ja, man ha on de Ve messung so Lagepläne bekommen wo
Linien wa en ode ielleich noch Que schni e mi Höhen und DAS wa
hal schon eine g oße Ve ände ung, dass man hal plö zlich Punk wolken
ha e, wo man ja das alles schon sieh […] wenn man je z ausgeh , so ähm
O sbesich igungen mach man ja auch und mach Bilde , is ja meis ens das,
was man b auch , da ha man je z kein Fo o on ode je z nich i gend-
wie ge ilm . Und de Vo eil is hal da in de BIM-Me hode seh hoch. Ich
habe eine Punk wolke, die is colo ie , da sind Bilde hin e leg , ich sehe
da alles. Ich habe so d eihunde sechzig G ad Pano ama je nachdem, was
hal gemach wi d. Und da ha man ne ganz ande e Quali ä on Da en
[…]. (BIM Koo dina o in)
Abbildung 1 Mischung aus Punk wolke und Gebäudemodell
(in de Cloudso wa e Cin oo)
Quelle: Eigene Videoau zeichnung [Sc eensho , Singh].
234 Aji Singh
SJS 51 (2), 2025, 225–245
In dem Auszug heb die be ag e BIM-Koo dina o in zunächs den Un e schied zu
den he kömmlichen Da s ellungen he o , die „ ühe “ in de Phase de G undla-
gene mi lung au zweidimensionalen Lageplänen („Linien“ und „Que schni e mi
Höhen“) basie en. Diese A de geome ischen Da s ellung e mi el mi einem
gewissen Ve bindlichkei sg ad Wissenss ände übe bau- ode p i a ech liche Rah-
menbedingungen (E schließungen, Zuwege e c.). Mi BIM und de E zeugung on
Punk wolken können Plane *innen nunmeh ganz ande e Quellen (in Fo m kleins e
Messpunk e) und dami isuelle Quali ä en on Da en in die G undlagene mi lung
und die Modellie ung einbeziehen. Die Punk wolke is dabei nich nu colo ie .
Du ch ih e Ausa bei ung zum Modell und die mögliche 360-G ad-Na iga ion im
Modell e wei e sich die isuelle und äumliche Pe spek i e au die zu beplanende
Fläche. Die punk wolkenbasie e E s ellung eines Modells is wede bloße Hand-
we kskuns noch echnische Spiele ei. Fü die Plane *innen dien das Modell, wie
in ielen In e iews be on wu de, als isuelle Quelle de „plane ischen Wah hei “:
Das Modell is eigen lich die plane ische Wah hei und da aus we den
die 2D Pläne abgelei e […]. Diese Modellde aillie ung ode Quali ä is
na ü lich in den e schiedenen Planungsgewe ken un e schiedlich, weil wi
e s übe legen müssen, wie iel 3D Modell b auche ich. Zum Beispiel, ich
ha e o hin die Obe lei ung e wähn ne, b auche ich je z nu den Obe -
lei ungsmas , b auche ich auch die Fah lei ung, äh was b auche ich wi klich,
um diese In o ma ionen zu p legen und auch gewisse wich ige Kollisionen
du ch üh en zu können. (BIM Manage in)
Was on de BIM Manage in als „plane ische Wah hei “ und on ande en Plane *in-
nen auch als „Quelle de Wah hei “ bezeichne wi d, besch eib ein P inzip des au
eine digi alen In as uk u au se zenden, o ganisa ionalen und ne zwe k ö migen
Handelns und komm do zu Gel ung, wo A bei sphasen sepa ie ablau en: Im
Feld de BIM-basie en Planung e zeugen die Gewe ke zunächs eigene Fachmodelle,
die dann zu einem gewe keübe g ei enden Koo dina ionsmodell zusammenge üh
we den. Die Modellie ung un e lieg dabei Selek ionsp ozessen, die au plane ischen
Rele anzse zungen basie en, welche De ails ü wen in welche Leis ungsphase be-
deu sam sind. Das Koo dina ionsmodell e üll aus Sich de Plane *innen schließlich
die Funk ion eine „single sou ce o u h“, in de (ideale weise) die no wendigen
Da ensä ze („was b auche ich wi klich“) syn he isie und, e wa im Zuge on
Kollisionsp ü ungen, mi einande abgeglichen we den, so dass alle ( ele an en)
Planungsbe eilig en au de G undlage eines olls ändigen Da ensa zes au einem
ak uellen Wissenss and sind.
Das isuelle Modell is olglich de ma e ielle und zei liche Re e enzpunk ü die
Planungskoo dina ion. Ve ände ungen in de Planung sind sich ba e Mani es a ionen
und ( isuelle) Wei e en wicklungen im Modell, die ü alle be eilig en Plane *innen
Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä und Ma e iali ä … 235
SJS 51 (2), 2025, 225–245
e kennba sein soll en. Die digi ale Ma e iali ä des Modells is zugleich nich los-
gelös on den kommunika i en Handlungen des gem-/einsamen, kollabo a i en
Planens zu be ach en. Kommunika i es Planen und Modellie en amalgamie en
im P ozess de syn he isie en Modelle s ellung und esul ie en im E gebnis eine
in e e ie enden Kopplung he e ogene Da en, eilau oma isie e Technologien
und händisch- e kö pe e P ozedu en (e wa des Nachmodellie ens). Die isuellen
Da en haben dami un e schiedliche En s ehungsbedingungen, s ammen in Teilen
aus he e ogenen Da enquellen und kennzeichnen sich auch du ch eine achliche
Ve schiedena igkei . Was als Big Visual Da a in de Planung au schein , läss sich
im Wesen lichen als eine wandelba e und si ua i nach plane ischen Beda en ab-
u ba e „Wah hei “ besch eiben, die im syn he ischen Objek e anke is . Zu klä en
is nun, mi welchen (p o essionsspezi ischen und e kö pe en) Wissensbes änden
und (in aak i en) Sinn e knüp ungen Bedeu ung in de Planung he ges ell wi d.
4.2 Visuelles und echnisches P o essionswissen im Umgang mi digi alen Modellen
Zwei elsohne e en alle Da en isuell (als Zeichen, Symbole, Bilde e c.) in E -
scheinung. En scheidend ü die ela ionale Ve wendba kei isuelle Fo men is
abe ih e in e p e a i e Bedeu ung ü die jeweiligen Leis ungsphasen de Planung.
Die Disk epanz zwischen e schiedenen isuellen Da en ypen läss sich anhand de
aus den In e iews ekons uie en Feldun e scheidung zwischen „Visualisie ung“
und „ echnischem Modell“ e deu lichen: Visualisie ungen im S ile on Rende ings
( gl. Mélix, 2022) kons uie en eine op ische und äs he ische Vo s ellung on einem
Baup ojek , gegebenen alls mi „Himmel“ und „Scha enwu “. In de konk e en
Übe se zung in geome ische Ano dnungen und Ma e ialpassungen gib diese Vi-
sualisie ungs yp im Gegensa z zum echnischen Modell jedoch keine hin eichende
An wo ü die konk e e plane ische Umse zung. Ve mein liche Genauigkei en,
die das E gebnis konk e e Fo mda s ellungen sind, sugge ie en den S and eine
plane ischen Wi klichkei , de in de Regel so nich gegeben is .
Diese in e p e ie ende und e s ehende Eino dnung on isuellen Fo men und
Da en bilde eine wich ige e wo bene Handlungskompe enz on Plane *innen und
e weis au eine wissensbasie e, sinnlich- e kö pe e P axis des „p o essionellen
Sehens“ (Goodwin, 1994, S. 626). Angewende au das Feld de Planung implizie
dies u. a., spezi ische isuelle Wah nehmungsmus e in plane isches Handeln und
isuelle Kommunika ionen selek i zu ans o mie en.
Die on mi ku a ie e Da s ellung eines Modells (Abb. 2) illus ie ie
e schiedene Pe spek i en au einen T assenabschni . Die isuellen Zuschni e
esul ie en aus i uellen Kame a ah en, die es den Plane *innen e möglichen, das
Modell aus un e schiedlichen Blickwinkeln und mi un e schiedliche De ail ie e zu
be ach en. BildA zeig den geplan en S eckenabschni aus de Vogelpe spek i e,
wobei die In o ma ions ie e de Messda en ( a blich di e enzie ) au die T asse
236 Aji Singh
SJS 51 (2), 2025, 225–245
(g au), Gebäude ( o ) und die unmi elba e Umgebung (g üne Be eich) ge ich e
is (BildB). In den wei e en Bilde n zoom de in e iew e Lei e des BIM Ma-
nagemen s dann je nach Fokus spezi ische Planobjek e wie einen Mas (BildC) an
ode zeig Simula ionen eines Lich aump o ils (BildD), das ü die Bemessung
on Abs änden zu Gebäuden ode Fah zeugen be ei s in die ühen Phasen de
Planung in eg ie wi d.
Wie o ausse zungs eich die Les- und Deu ba kei en de isuellen Kompo-
nen en eines Modells sind, zeig de olgende In e iewauszug mi dem Lei e des
BIM Managemen s. In Abbildung3 is e neu de be ei s gezeig e Bahnho sabschni
zu sehen (Abb. 2). De Schienenbe eich e schein in einem dunkle en G au, da on
abgese z in hellg au is ein Bahns eig. Die in blau da ges ell e Fläche zeig das
Gelände, au dem sich die Objek e be inden. Anhand de Da s ellung möch e uns
de Lei e des BIM-Managemen s au zeigen, wie sich un e schiedliche Modelle
zueinande e hal en.
Hie sieh man, is das Geländemodell. Und de Bahns eig hie , de is
je z on Hand modellie nach ne Punk wolke [BILDA]. Das Gelände-
modell das s eh hal so in zehn bis zwanzig P ozen de Fläche aus ähm
und den Res lieg s da d un e [BILDB], und das heiß , dass das ela i
genau is . Also das äh is ’n gu es Indiz [BILDC], dass die Da en, die aus
öllig un e schiedlichen Quellen kommen, gu zueinande passen. (Lei e
BIM-Managemen )
Abbildung 2 Collage eines BIM Modells (Au odesk La ge Model Viewe
in Au odesk BIM360)
Quelle: Eigene Videoau zeichnung [Sc eensho , Singh].
Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä und Ma e iali ä … 237
SJS 51 (2), 2025, 225–245
Fü die ungeüb en Be ach e *innen s ell sich das P oblem, die e schiedenen
Modellebenen in de isuellen Da s ellung übe haup zu e kennen: Nämlich, dass
hie Messda en zu Geländebes and und Gebäude mi un e schiedlich es geleg en
S anda ds on e schiedenen Ak eu e*innen e s ell und zusammenge üh wu den.
Au de G undlage des Modells machen Plane *innen echnisch sich ba , inwiewei
un e schiedliche Da ensä ze mi einande kombinie ba sind. Le z lich gil es zu
bes immen, ob die geplan en Objek e (T assen, Gebäude e c.) zu de jeweiligen
Geländebescha enhei (also zu lokalen E dobe lächens uk u ) in eine Passung
s ehen. Beme kenswe is die anges eue e imme si e Pe spek i e des Bildausschni -
es, die die Be ach enden in das Modell hineinzoom .
De isuelle Blickwinkel wie auch die sp achliche E läu e ung zu dem, was
hie gezeig we den soll (das Ve häl nis on Bahns eig und Geländemodell), illus -
ie en schließlich, dass Bedeu ungen nich nu aus dem Modell gewonnen we den
(„Das Geländemodell das s eh hal so in zehn bis zwanzig P ozen de Fläche
aus“). Als eine Fo m de inko po ie en Seh e igkei und de si uie en Ve mi -
lung eine Sehweise (in den Bilde n A und B als on mi in Ro nachgezeichne e
Ma kie ungen des Mausku so s) wi d p o essionsbezogenes isuelles Wissen an
das Modell he ange agen, um die isuell in E scheinung e enden Da enbes ände
je nach P oblems ellung inne halb de Planung zu lokalisie en, in e p e ie end zu
dekodie en („’n gu es Indiz“) und o dem Hin e g und de ela ionalen Passung
un e schiedlichen Objek e sinnha in die Planung einzuo dnen. Dieses E kennen
on Re e enzen und Objek bezügen, im Sinne eine Da a Li e acy, läss sich zusä z-
Abbildung 3 Geländemodell
(Au odesk La ge Model Viewe
in Au odesk BIM360)
Quelle: Eigene Videoau zeichnung [Sc eensho , Singh].
238 Aji Singh
SJS 51 (2), 2025, 225–245
lich echnisch un e s ü zen, indem Objek e colo ie und oneinande abgeg enz
we den können (BildD).
Im p ak ischen Umgang mi BIM e meng sich isuelles mi echnischem
P o essionswissen, um die übe die Zei anwachsenden isuellen Da en- und In o ma-
ionss ände e s ehend zu e a bei en. Dabei geh es eine sei s um die O dnung on
Da en, ande e sei s um die s anda disie e Ve ügba machung ü den kollabo a i en
P ozess. Genau da in bes eh ein zen ales P oblem, weil in dem besch iebenen
Un e nehmen übe wiegend in einzelnen Gewe ken (o umsch ieben mi de E h-
noka ego ie des „Silos“) gea bei e wi d:
[…] die Da en agen ja auch In o ma ionen, haben Me ada en und sind
dann na ü lich übe ein gu o ganisie es Da enmanagemen , was na ü lich
auch wei e noch en wickel we den muss, dann auch e knüp […]. Was
die Vision is , und es sind a sächlich imme auch eilweise noch Da ensilos,
also selbs auch bei uns in de [Ve keh sne z (VN) GmbH] gib es ja auch
e schiedene Be eiche, die sich in einem P ojek in einem Planungsp ojek
auch […] mi dem Einsammeln on Da en beschä igen, bleiben wi mal
bei dem Thema Ve messungsda en, Baug undda en, äh Bes andsda en. Und
auch da müssen wi in e n i gendwie e s mal schauen, wie die auch ge-
meinsam e ügba gemach we den ü die P ojek e […]. (BIM Manage in)
Die echnische und gewe keübe g ei ende Ve ügba machung on Da en s ell eine
komplexe Au gabe da („i gendwie e s mal schauen“). Wie eingangs e wähn , han-
del es sich um he e ogene Da en, die isuelle wie nich g a ische, alphanume ische
ode geome ische Da en beinhal en und nich zule z Wissensbes ände, die au
de kollabo a i en „Kommunika ionsa bei “ (Knoblauch, 1996, S. 344) zwischen
den Gewe ken be uhen. Big Visual Da a läss sich demnach nich nu au seine
sich ba en Quali ä en beg enzen, sonde n is in Ve bindung zu ih e e e enzie en
In o ma ions ie e zu in e p e ie en. Die Ve ne zung und Selek ion diese g oßen
Da ensä ze und dem, was als Wissen ele an wi d und was nich , is zugleich ein
kommunika i zu lösendes P oblem ü die He s ellung eine da enbasie en O dnung
(s uk u ie übe „Me ada en“ gl. Schapke e al., 2015, S. 209 .) in de kollabo a-
i en Planungsp axis. Fü die e minge ech e Realisie ung on Planungsp ozessen
bedü en dahe alle planungs ele an en Da en eine S uk u ie ung, die übe die
Nu zung on Da enmanagemen sys emen und In as uk u en gewäh leis e wi d.
4.3 Vom Modell zu In as uk u : S anda ds, Zei lichkei en
und Wi kzusammenhänge
Die (gelingende) Planung mi Big Visual Da a häng an de Nu zung in eg ie ende
„So wa elandscha en“, die es Plane *innen – im Zusammenhang mi de BIM-
Big Visual Da a in de digi alen In as uk u planung. Zu P ozessuali ä und Ma e iali ä … 239
SJS 51 (2), 2025, 225–245
Me hode o allem den BIM Mange *innen und die BIM Koo dina o *innen– e -
möglichen, Da en zusammenzu üh en und zu gliede n. Das dami e bundene
P oblem des Da en ans e s lieg alle dings in den digi alen Planungsin as uk u en
beg ünde . Exempla isch besch ieben wi d eine „Hyb id Va ian e, wo ich hal einen
Da enk eislau habe und du ch i gendwelche Nadelöh e muss, mi Einzelda en und
[…] ge ade in g oßen Da enpake mengen wi k das behinde nd“ (Lei e Digi alisie-
ungsab eilung). Sowohl au So wa eebene, als auch ü die Ve bindung de sozialen
Schni s ellen zwischen den Planungsgewe ken spiel die un e nehmensin e ne
und -übe g ei ende Ein üh ung on P ozesss anda disie ungen eine wich ige Rolle.
Wäh end In as uk u en das P oblem echnische , zei liche und kommunika i e
Abs immungen lösen sollen, dienen S anda ds dazu, Übe gänge, Ve gleichba kei en
und Ve einhei lichungen he zus ellen, ein Phänomen, das S a und Ruhlede (1996)
bei ih en Un e suchungen zu kollabo a i en In as uk u en he auss ell en.
Mi In as uk u en4 bezeichnen sie in analy ische Hinsich ein ela ionales
Ve häl nis on Technik, A bei und menschlichem Handeln, dessen Vieldeu igkei
sich (aus eine in e ak ionis ischen Pe spek i e he aus a gumen ie ) e s in de
p ak ischen He o b ingung on In as uk u en beg ei en läss (S a & Ruhlede ,
1996, S. 113 .). Die o ganisa o ische T ans o ma ion on Technik denken S a und
Ruhlede zweisei ig als Ve bindungen und als in as uk u elle Hinde nisse, die
kommunika i , p ak isch und si ua i übe wunden we den müssen. Und diese
He aus o de ung s ell sich auch ü BIM und die dazugehö ige So wa e:
Wa um is So wa e hal momen an so wich ig ode eine in eg ie e So -
wa elandscha ode eine o ene So wa elandscha so wich ig, weil die
ganzen Aus ausch o ma e, die angebo en we den, […] ganz zu […] An ang
auch äh IFC genann […] ein ach noch nich so wei sind, insbesonde e
ü die In as uk u , um […] Da enaus ausch möglich zu machen. Also
das Übe se ze ischchen […] on Pe Anhal e du ch die Galaxis, das ehl
ein ach ne. […] Also bleib einem ga nich s ande es üb ig, als eine A
Closed BIM zu e olgen mi eine in eg ie en So wa elandscha . (Lei e
Digi alisie ungsab eilung)
Die e izien e Nu zba machung de he e ogenen Da en ypen übe Da enaus ausch
is aus Sich des Lei e s de Digi alisie ungsab eilung zunächs in echnische Hin-
sich an die Ve bindung on digi alen Schni s ellen gebunden. Das „Übe se ze -
ischchen“, auch bekann als Babel isch aus dem im Zi a anklingenden Roman on
4 In Anlehnung an K opp e al. (2022, S. 244) ließe sich auch on Pla o m sp echen: „BIM can
be seen as a echnology pla o m in ha i en ails a modula echnological a chi ec u e composed
o a co e and a pe iphe y ha allows o c ea e alue by gene a ing and ha nessing an economy o
scope. Howe e , i also shows cha ac e is ics o a pla o m as a ma ke ha media es ansac ions
be ween planne s o clien s and p oduce s o building componen s, such as doo s, windows,
walls, s ai s, o o he s who can o e hei p oduc s o sale h ough BIM so wa e.“
ISBN 978-3-03777-302-4
270 Sei en
15.5 cm × 22.5 cm
F . 38.– | Eu o 38.–
Wäh end zu Beginn des Jah hunde s 1,4 Millionen
Auslände :innen in de Schweiz leb en, is ih e Zahl
heu e au 2,2 Millionen anges iegen. Diese Zunahme
geh mi eine s a ken Ve ände ung de sozio-p o-
essionellen und amiliä en S uk u en de ausländi-
schen Wohnbe- ölke ung einhe . Dieses Buch zeig
die wi scha lichen und geopoli ischen Fak o en au ,
die diesem Wandel zug unde liegen, und zeichne
die En wicklung des gese zlichen Rahmens in de
Schweiz in den le z en zwei Jah zehn en nach. Im
Zuge de ie g ei enden Ve ände ungen, die sowohl
die Zulassungs egelungen als auch die In eg a-
ions- und Einbü ge ungspoli ik neu ges al e haben,
ha sich die Mig a ionslandscha asch gewandel .
In olgedessen sind die soziodemog a ischen Me k-
male de Zuwande e , die Familiendynamik sowie
das In eg a ions- und Einbü ge ungs e hal en eine
s ändigen T ans o ma ion un e wo en. Ges ü z au
s a is ische O iginalquellen e s ellen die Au o :innen
eine Bes andesau nahme de A bei smig a ion in
de Schweiz. Dabei gehen sie au die d ei g öss en
ausländischen Be ölke ungsg uppen ein: I alie-
ne :innen, Deu sche und Po ugies:innen. Au de
G undlage diese E gebnisse skizzie en die Au o :in-
nen die P io i ä en ü die zukün ige S eue ung de
Mig a ionspoli ik. Somi s ell das Buch eine wich ige
G undlage ü die ak uelle gesellscha liche und
poli ische Deba e in de Schweiz da .
Philippe Wanne is P o esso ü Demog a ie an
de Uni e si ä Gen , Schweize Mig a ionsexpe e
und S ell e e ende Di ek o des Na ionalen Fo -
schungsschwe punk s übe Mig a ion und Mobili ä
«ncc – on he mo e».
Rosi a Fibbi is ehemalige Dozen in ü Soziolo-
gie de Mig a ion an de Uni e si ä Lausanne und
assoziie e Fo sche in am Na ionalen Fo schungs-
schwe punk übe Mig a ion und Mobili ä «ncc – on
he mo e».
Die Schweize
Mig a ionslandscha
im 21. Jah hunde
Seismo Ve lag, Zü ich und Gen www.seismo e lag.ch [email p o ec ed]
Seismo Ve lag
Sozialwissenscha en
und Gesellscha s agen
Philippe Wanne ,
Rosi a Fibbi (H sg.)
Reihe
Soziale Zusammenhal und
kul u elle Plu alismus
247
Swiss Jou nal o Sociology, 51 (2), 2025, 247–272
* Technische Uni e si ä Be lin, Ins i u ü Soziologie, D-10587 Be lin,
[email p o ec ed], [email p o ec ed].
Vom lachen Bild zu e äumlich en isuellen Analyse:
Fo ensic A chi ec u e und die Ve schach elung on Big Visual Da a
Mina Goda zani-Bakh ia i* und René Tuma*
Zusammen assung: Visuelle Dokumen e on Gewal e eignissen sind o ums i en und
agmen ie . Ih e In e p e a ion beda zusä zliche Legi ima ion. Anhand des Fallbeispiels
Hanau analysie en wi die A bei on Fo ensic A chi ec u e (FA) im Kon ex de Deba e
um Big Visual Da a. FA en wickel Analyse e ah en und Da s ellungs o men, um den He-
aus o de ungen on Big Visual Da a zu begegnen. Wi zeigen, wie FA audio isuelle Da en
als dynamische Re e enzquellen behandel und wie du ch die Ve schach elung on Bilde n
ein neue Blick im all äglichen Feld de Analyse e ablie wi d.
Schlüsselwö e : Visuelle Soziologie, e nakula e Analysen, Fo ensic A chi ec u e, digi ale
Raum-Modelle, Sehp ak iken
F om Fla Image o Spa ialised Visual Analysis: Fo ensic A chi ec u e
and he In e wea ing o Big Visual Da a
Abs ac : Visual documen s o iolen e en s a e o en con o e sial and agmen ed. Thei
in e p e a ion equi es addi ional legi imisa ion. Using he Hanau econs uc ion as a case
s udy, we analyse he wo k o Fo ensic A chi ec u e (FA) in he con ex o he deba e abou Big
Visual Da a. FA de elops analy ic me hods and o ms o p esen a ion o mee he challenges
o Big Visual Da a. We show how FA ea s audio isual da a as dynamic e e ence sou ces and
how he nes ing o images es ablishes a new pe spec i e in he e nacula ield o analysis.
Keywo ds: Visual sociology, e nacula analyses, Fo ensic A chi ec u e, digi al space models,
isual p ac ices
De l’image pla e à l’analyse isuelle spa ialisée: Fo ensic A chi ec u e
e l’imb ica ion des mégadonnées isuelles
Résumé: L’in e p é a ion des documen s isuels d’é énemen s iolen s, sou en con o e sés
e agmen és, nécessi e une légi ima ion supplémen ai e. Su la base du cas de Hanau, nous
analysons le a ail de Fo ensic A chi ec u e (FA) dans le con ex e du déba su les mégadon-
nées isuelles. Pou épond e aux dé is des mégadonnées isuelles, FA dé eloppe des mé hodes
d’analyse e des o mes de ep ésen a ion. Nous mon ons commen FA ai e les données
audio isuelles comme des sou ces de é é ence dynamiques e commen l’imb ica ion d’images
pe me d’é abli un nou eau ega d dans le champ d’analyse cou an .
Mo s-clés: Sociologie isuelle, analyses e naculai es, Fo ensic A chi ec u e, modèles numé-
iques d’espace, p a iques isuelles
DOI 10.26034/cm.sjs.2025.6905
© 2025. This wo k is licensed unde he C ea i e Commons A ibu ion-NonComme cial-
NoDe i a i es 4.0 License. (CC BY-NC-ND 4.0)
248 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
1 Einlei ung1
In diesem Bei ag un e suchen wi die A bei on Fo ensic A chi ec u e (FA) als
Bei ag zu Deba e um Big Visual Da a. FA is eine p ominen e Fo schungsagen-
u , welche mi ih en In es iga ionen, die übe wiegend au isuellen Da en und
aumanaly ischen Me hoden basie en, Vo wü e on Ve gehen und Ve b echen, die
s aa lichen O ganisa ionen zugesch ieben we den, analysie und ö en lich mach .
Dabei bedienen sie sich eines a ancie en wissenscha lichen und o ensischen
Me hodenappa a es und eine heo e isch legi imie en Epis emologie, die sich aus
poli ischen, aum- und a chi ek u heo e ischen und dami auch philosophischen
und sozialwissenscha lichen Deba en speis .
Die Bei äge FAs, die wi als Teil eines Feldes e nakula e Analysen e s ehen,
die sich zwischen ins i u ionellen Felde n bewegen und eigene kommunika i e
Fo men de Analyse ausbilden, e weisen au eine pa adigma ische He aus o de-
ung: Die Menge, Viel al und Komplexi ä audio isuelle Da en wi F agen ü
e schiedene Wissens elde au , und so s ehen auch zi ilgesellscha liche Ini ia i en
o konk e en Handlungsp oblemen – abe auch Chancen – im Umgang mi dem
Phänomen Big Visual Da a.
Visuelle Abbilde sind du ch Rep äsen a ionsp obleme gekennzeichne ,
s ahlen nich (meh ) unhin e ag e Objek i i ä aus und bedü en zunehmend
zusä zliche Legi ima ion, um in ih e a gumen a i en und e idenzbeg ündenden
Ve wendung kommunika i e K a zu en al en. Diese Themen sind nich neu
und we den an e schiedenen S ellen, z. B. in de Bild heo ie, und in de Medien-
wissenscha , z. B. am Beispiel de „Smoking Gun“ in de Wel poli ik, sei langem
e handel (Hole , 2004). Mi Big Visual Da a spi z sich die P oblema ik zu. Die
omnip äsen e Ve ügba kei on Bilde n is eine p ak ische Ressou ce, abe auch
ein P oblem, besonde s im Kon ex des p ekä en E idenz- ode Indiziencha ak e s
isuelle A e ak e ( gl. auch Noh , 2004). Dami e schieb sich die Deba e um
Deu ungshohei weg om einzelnen Bild hin zu den Me hoden de Analyse und
den Fo men ih e P äsen a ion. In klassischen Vo gehensweisen de Fo ensik, und
de E idenzp oduk ion sind neben de Zeugenaussage ü das Zum-Sp echen-B in-
gen on Bilde n o allem du ch P o essionen legi imie e und s aa lich bes ell e
Sach e s ändige e an wo lich, die ih e Legi imi ä aus klassischen P o essionen
gene ie en (Schwa z, 2009; Mil oy, 2017). In de A ena des ö en lichen Disku ses
(siehe z.B. Seelige & Se ignani, 2021) sind es zunehmend neue sich du ch Me-
hoden pe o ma i legi imie ende Ak eu *innen, die Deu ungswissen und isuell-
echnische Expe ise – also Me hoden de o ensischen Spu ensuche und e lexi e
1 Wi danken Sebas ian W. Hoggenmülle , dem He ausgebe dieses Sonde he s, den Gu ach e *in-
nen, Tom Be ge , F ede ike B and , Nele Dö l, Simon Egbe , Annika Halle , Lena Schobe ,
Vi ien Somme und Talia Tuana Yücel ü ih e An egungen. Die A bei wu de on de Deu schen
Fo schungsgemeinscha (DFG) ge ö de – 502722049.
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 249
SJS 51 (2), 2025, 247–272
Sehanlei ungen – zu Ve ügung s ellen. Sie übe sch ei en die G enzen e ablie e
Wissens elde und b ingen ih e Expe ise in konk e e Anwendungsbe eiche ein.
Das assen wi mi dem Beg i de Ve nakula i ä . Expe ise – und das möch en
wi be onen – wi d in spezi ischen kommunika i en Fo men e lexi inszenie ,
die dami insbesonde e auch spezi ische Kompe enzda s ellungskompe enzen zum
Ausd uck b ingen ( gl.P adenhaue & Die inge , 2019).2
Anhand de in es iga i en Rekons uk ion des polizeilichen Umgangs mi
dem ech sex emen Anschlag in Hanau du ch FA gehen wi de F age nach, welche
e lexi -kommunika i en Fo men de Analyse und ih e Da s ellung FA nu z , um
mi den He aus o de ungen on Big Visual Da a umzugehen. Wi a gumen ie en,
dass das Au kommen on FA (ode auch ähnliche Ini ia i en wie Bellingca und
e schiedene jou nalis ische Fo ma e) keinen Sonde all da s ell , sonde n eine
pa adigma ische An wo au ein poli isches wie auch p agma isches kommunika i es
P oblem de Gegenwa is . Die E ablie ung und Ve b ei ung diese Analyseme hoden
und ih e kommunika i en Fo men b ingen e einzel e und p ekä gewo dene Bilde
du ch spezi ische kommunika i e Fo men zum Sp echen ode ielmeh zum Zeigen.
Die Besonde hei on FA lieg in de Rela ionie ung on Bilde n du ch Raummo-
dellie ung und de e lexi en O enlegung diese P ozesse mi els Me a-A ak e.
Unse e Analyse knüp an Konzep e wie P o essional Vision (Goodwin, 1994)
sowie an wei e e eldübe sch ei ende, e nakula e Analyse o men an ( gl. Ab-
schni 2.4, Tuma, 2017). Anhand des Fallbeispiels ekons uie en wi sechs e -
schiedene, ineinande g ei ende Me hoden des Umgangs mi isuellen A e ak en,
die FA anwende : 1.Kon ex ualisie ung; 2.Kon ex u alisie ung; 3.Ve i ika ion;
4.Selek ion und Ex ahie ung; 5.Ve messungen und 6.Syn hese. Das Besonde e
an den Analysen on FA is , dass sie bei de Analyse on audio/ isuellen Da en übe
simula i e Raume wei e ungen ie e und b ei e Analysen de Re e enzda en o neh-
men, mi denen die inhä en e Beg enz hei de Da en kommunika i übe zeugend
übe wunden wi d. Diese au wendigen Analyse e ah en we den in isuellen Me a-
A e ak en (hie ein Video, abe auch Auss ellungen e c.) objek i ie , die bes eb
sind, nich nu das E gebnis, sonde n e lexi eben jene P ak iken de He s ellung
mi -sich ba zu machen.
2 Die Poli isie ung des Visuellen und Fo ensic A chi ec u e
In de Wel de media isie en Sich ba kei is das isuelle Au zeigen on Hand-
lungen und E eignissen eine wesen liche S a egie de Ve handlung des Poli ischen
( Thompson, 2005, 31). Insbesonde e Gewal e eignisse sind in ih e P oduk ion – wie
auch de nach äglichen Ve mi lung – Teil de S a egien de Be eilig en (Fujii e al.,
2 Vgl. zu pe sonalisie en Pe o manz on Expe ise (Hill, 2022).
250 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
2021) und Teil de Kons i u ion on E en s als his o ische E eignisse (Wagne -Paci ici,
2017).3 Sie we den in den Nach ich en gezeig , on Ak i is *innen ak i p äsen ie ,
eilweise geziel p oduzie ode e s eck , abhängig om jeweiligen Fall und de
Posi ionie ung de Be eilig en. Da übe hinaus e hal en auch beobach ende D i e
( gl. Coenen & Tuma, 2022) du ch die Allgegenwä igkei isuelle Technologien
eine nied igschwellige Möglichkei , sich an den Auseinande se zungen zu be eiligen.
Ö en liche Au me ksamkei e hal en o allem Bilde sich ba e Gewal , die o
mi Sma phones und ande en Au nahmege ä en au genommen we den und dann
Teil des Gewal disku ses we den (Hoebel e al., 2022). Gleichzei ig we den isuelle
Rep äsen a ionen zunehmend au g und ih e po enziellen digi alen Manipulie ba -
kei in F age ges ell . Dahe gewinn die Ve i izie ung, die e lexi e Thema isie ung
on Rep äsen a ionen und die Analyse on ( isuellen) Dokumen en an Rele anz.
Gewal bilde sind also ein zen ale Gegens and p o essionelle und e naku-
la e Bildanalysen. Ve schiedene p o essionalisie e Ak eu *innen un e ziehen sie
eine sys ema ischen und de aillie en Analyse au ih e Au hen izi ä , Aussagek a
und Bedeu ung. Dabei wi d, ausgehend on de neuen (auch ums i enen) Bilde -
iel al die F agwü digkei de Bilde selbs zum sys ema ischen Teil de Disku se
um gewal olle E eignisse. Dies zeig , dass es bei de Ve handlung on Gewal du ch
isuelle Da en nich meh nu um das He o heben spezi ische Unsich ba kei en
geh , sonde n um den Kamp um Deu ungshohei .
Vo dem Hin e g und on Big Visual Da a en s ehen nich nu O ganisa ionen
und p o essionelle Rollen, sonde n insbesonde e spezi ische Me hoden und o allem
kommunika i e Fo men, mi denen zunehmend auch nich s aa liche O ganisa ionen
und Ak eu *innen, z. B. im Rahmen on Open Sou ce In elligence (OSINT) au
die P eka i ä de Bilde eagie en. Diese Ums i enhei e schieb die Gül igkei
de Bilde weg om einzelnen Bild, hin zu ganzen Bilde se ien, Videosammlungen
und A chi en. Dami e lage sich die Auseinande se zung um die Legi ima ion
on Deu ungsmach om scheinba ein achen sich ba en Bild hin zu komplexen
Me hoden de E idenzkons uk ion, die nun selbs legi imie und p äsen ie we den
müssen ( gl. speziell zu Logik on Me abilde n Hoggenmülle & Klinke in diesem
Sonde he ). Die F age, wie die isuellen A e ak e als Indizien ode E idenzen
in e p e ie , wie sie als Spu en gelesen – genaue : kons uie – we den (K äme
e al., 2007; Ginzbu g, 2011; zu polizeilichen Spu enkons uk ion gl. Reiche z,
1991; zu FA gl. Ha s , 2023), und wie und wo die E gebnisse p äsen ie we den,
mani es ie sich als Disku sa ena. Die Auseinande se zung ad essie zunehmend
me hodische und echnologische Aspek e de Bildin e p e a ion als zen ale Aspek e
de Wi klichkei skons uk ion. Somi we den die Fo men de Analyse und die Aus-
einande se zung zunehmend Teil de (Mach -)Disku se.
3 Fü Lindemann (2017, S.81) is die disku si e Ve handlung zen ale Bes and eil de mode nen
Ve ah enso dnung de Gewal .
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 251
SJS 51 (2), 2025, 247–272
Wi un e suchen im Folgenden die 2010 an de Londone Goldsmi h Uni e si y
geg ünde e Fo schungsagen u FA, die sich de in e p e a i en Aushandlung on
Gewal au de Basis o allem isuelle Da en widme . Wi wählen sie au g und ih e
Pionie s ellung und ih es Bekann hei sg ades exempla isch aus. FA’s in e disziplinä es
Team üh im Au ag on in e na ionalen S aa sanwal scha en und Umwel - und
Menschen ech sini ia i en unabhängige Un e suchungen zu s aa liche ode du ch
S aa en e deck e /unbea bei e e Gewal du ch.4 Dabei e olg FA das Ziel, den
o ensischen Gaze umzukeh en, was auch in de Selbs bezeichnung de P axis als
coun e - o ensics zum Ausd uck komm . Gegen o ensich geh sie inso e n o als sie
den o ensischen Blick au s aa liche O ganisa ionen (Polizei ode Mili ä ) selbs
anwenden, welche eigen lich den o ensischen Blick monopolisie haben (Weiz-
man, 2017, S. 9). Dabei posi ionie sich FA als Ve e e *in de kämp e ischen und
ak i is ischen Fo schung, welche die Au gabe e olge, du ch Ma e ial- und Me-
dienanalysen neue Fo men de Zeugenscha zu scha en (Bois e al., 2016, S. 121).
Die Auswe ung g oße Mengen isuelle Da en is dabei zen al. FA ekons uie
gewal ä ige E eignisse du ch die Open-Sou ce-ge iebene Sich ung und Analyse
iel äl ige Da en und du ch die Anwendung neue , o allem aumbezogene Me ho-
den. Den Ansp uch de s aa lichen Fo ensik mi eigens en wickel en epis emischen,
me hodologischen und me hodischen Ansä zen en gegenzu e en lei e FA (F anke
e al., 2014, S. 10) aus den gegebenen poli ischen Ums änden ab:
I is p ecisely because o he po en ial poli ical agencies and he complexi y
o he eme ging scien i ic-aes he ic-linguis ic ield o o ensics ha a new
o ensis mus eme ge o challenge he assump ions o ecei ed o ensic p ac ices.
Diese Neu e handlung is bei FA in de Ve wendung des Beg i s Fo ensic einge-
sch ieben, welche als äs he ische P axis umgedeu e , d ei ope a ional si es e binden
soll: E s ens das Feld, also den Ta o , an dem ma e ielle Objek e Ve ände ungen
de Umwel egis ie en wü den; zwei ens das Lab/S udio, in dem diese Ve ände-
ungen analy isch un e such we den; und d i ens das Fo um, in dem die E geb-
nisse na a i ie , disku ie und Wah hei sansp üche a ikulie we den (Weizman,
2017, S.94). Indem sich FA mi allen d ei Si es auseinande se z , o cie sie du ch
die o ensische Äs he ik die Zusammen üh ung on E eignis und Ö en lichkei .
Dami ziel das Vo gehen on FA da au ab, die im Zen um s ehenden E eignisse
zu poli isie en, die k i ische Deba e in de Ö en lichkei zu ö de n und zi ilge-
sellscha liche Kämp e zu un e s ü zen. Dass FA eine me hodische „Demok a isie-
ung“ (Fo ensic A chi ec u e o. J.) ans eb , wie sie es nenn , zeig sich da in, dass
sie eigene Me hoden und So wa e online zu Ve ügung s ell . Wie iel A bei FA
in die heo e ische Fundie ung und Legi ima ion des eigenen Vo gehens in es ie ,
4 In den meis en on de FA un e such en Fällen spiel die Sinndimension de Ak eu *innen keine
Rolle. FA olg eine Schuld- bzw. Wah hei sepis emologie.
252 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
wi d an de de Vielzahl eigene Publika ionen zu Epis emologie deu lich (Keenan
e al., 2012; F anke e al., 2014; Weizman, 2017; Fulle & Weizman, 2021). Wi
wollen wenige au diese heo e isch-sch i liche Sei e eingehen, sonde n uns au
die in den Bilde n eingebe e e e lexi e Legi ima ion okussie en. Diese zeig sich
in den on FA p oduzie en Videos, die nach Abschluss de Un e suchungen die
Analysep ozesse p äsen ie en. Sie können als „how o es ablish ac s“ (Ro höhle ,
2021, S. 155) gelesen we den.
In den Sozialwissenscha en wi d die A bei on FA als die Bea bei ung poli-
ische Unsich ba kei e handel . B own und Ca abine (2019, S.195) sehen in
diese den Ve such, He scha absei s (auch isuelle ) ö en liche Kon olle zu
k i isie en. Lee-Mo ison (2015, S. 1) a gumen ie , dass die A bei on FA als die
Bekämp ung nega i e E idenz, also die Nich -Exis enz on E idenz als E idenz
ü poli ische Ve schleie ung, e s anden we den muss. Auch Gu ié ez (2022,
S. 16) sieh in de A bei on FA die Bea bei ung da a izie e Unsich ba kei en. So
k i isie die Fo schungsagen u übe die P oduk ion eigene Da en s aa liche und
ansna ionale (z. B. EU) Kon ollmach . Ro höhle (2021, S. 155) a gumen ie
ähnlich, wenn e he o heb , dass in de P axis on FA jenes be ach e wi d, das
s aa liche O ganisa ionen sys embeding ausblenden. S uckey (2022, S. 66) bezeichne
die A bei on FA au g und de ih eingesch iebenen O ien ie ung an s aa lichen
P ak iken (Fo ensik) und demok a ischen We en als hegemoniek i isch. Da FA
da au angewiesen is , ö en lich zugängliche Da en, o allem nich e i izie e
isuelle Da en, zu e wenden, klassi izie Gu ié ez (2022) FA als eine Fo m des
Da enak i ismus. Insbesonde e o dne sie FA als p oak i en Da eno ganisa ionen
ein, ü die Da en G undlage ih e A bei und Mi el de P äsen a ion sind.
In de Li e a u wi d die neue Fo m de Beweis üh ung on FA als Pa adig-
menwechsel disku ie , in de das Ma e ielle gegenübe de menschlichen Zeugen-
scha eine neue Funk ion übe nimm . Wie iele Au o *innen be onen, s eh die
Hinwendung zum Ma e iellen im Ke n de A bei on FA (Kins le , 2022, S. 329;
S uckey, 2022, S. 8). Da ü s eh auch de on Weizman (2017, S. 67) o mulie e
Ansp uch, du ch die Analyse on Ma e iali ä en Dinge zum Sp echen zu b ingen.
De Ums and, dass FA in ih en Analysen Gebäude und ma e ielle In as uk u en
ins Zen um s ell , wi d un e schiedlich eingeo dne . Samuels (2013, S. 68) deu e
das Vo gehen, bei dem E eignisse übe Ta o e ekons uie we den, als P ozess, bei
dem es zu Einbindung dispa a e Da en in kohä en e äumliche Na a i e komm .
Mandolessi (2021, S. 628) a gumen ie , dass „mul i a ious bi s o da a“ sinn oll in
Na a i e assemblie we den, wobei die Kons i uie ung on digi alen O en zen al
sei. Lau Ro höhle (2021, S. 146) nu z FA den Raum zu Ve i izie ung isuelle
Da en und zu Einbindung de E gebnisse in eine e bindende E eigniskons uk-
ion. Weizman (2017, S. 100) selbs konzep ualisie die E idenzbeg üdnung als die
P oduk ion eines „a chi ec u al image complexes“. E e s eh da un e die Me hode
bildliche Beweise inne halb eines äumlichen Modells zu posi ionie en, wodu ch
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 253
SJS 51 (2), 2025, 247–272
die linea e T ennung zwischen „images in be o e-and a e mon ages“ (Weizman,
2017, S. 100) au geb ochen und neue Fo m des A chi s en s eh .5 Naß (2021, S. 51)
k i isie , dass es sich bei den Bild-Raum-Figu a ionen um „eine komplexi ä s e-
duzie ende Me hode de Ve olls ändigung eines sinngene ie enden E zähl aums“
und nich um die Ve äumlichung analy ischen Denkens handel . Diese K i ik is
auch an jene on Ha s (2023, S. 40) anschluss ähig, welche a gumen ie , dass
ein Wide sp uch zwischen kons uk i is ische Epis emologie und E idenzp axis
bes ehe. Wäh end in den epis emologischen Aus üh ungen und auch den me ho-
disch gelei e en Aus üh ungen de In es iga ionen, de kons uk i e Cha ak e
he o gehoben wi d,6 wi d, so Ha s , le z lich E idenz als isuell ep äsen ie ba
und dami als in de Wi klichkei selbs gegeben p äsen ie , wodu ch die G enze
zwischen Modell und Wi klichkei e schwimm . Wie umkämp diese Deu ung
zwischen Analyse und Wi klichkei sind, zeig sich gegenwä ig in deu schsp achigen
Deba en. Die Pa eilichkei on FA is be ei s du ch ih e Posi ionie ung au Sei en
de Ma ginalisie en gegeben und wi d in ak uellen Deba en als Komplizenscha
mi poli isch ums i enen G uppen p oblema isie (Naß, 2021; 2024) ode als de
Deba enkul u nich ö de lich angesehen (RWTH Aachen, 2024).
2.1 Fall: Fo ensic A chi ec u es In es iga ion des Polizeinsa zes in Hanau
Die Un e suchung des Polizeieinsa zes in Hanau on FA ha in de deu schen
Ö en lichkei g oße Au me ksamkei e eg . Am 19. Feb ua 2020 e schoss ein
Rech s e o is in Hanau inne halb on 12 Minu en 9 mig an isie e Pe sonen. Als
die Polizei ün S unden spä e das Wohnhaus des Tä e s s ü m , inden sie den Tä e
und die Mu e o au . Spä e wi d bekann , dass 13 de in de Ta nach eingese z en
SEK-Beam *innen eine ech sex emen Cha g uppe angehö en. Die Übe lebenden
und Angehö igen p ange n das polizeiliche Ve sagen an. Sie k i isie en, dass s aa -
liche Ve an wo lichkei en nich e üll wu den ( o , wäh end und nach de Ta )
und o de n Au klä ung. Im selben Jah noch wi d FA on de Ini ia i e 19. Feb ua
beau ag , den Polizeieinsa z in Hanau zu un e suchen.
De Fall is ü die jünge e deu sche Auseinande se zung mi Rech s e o ismus
und s aa liche Ve an wo ung on besonde e Bedeu ung. Wie Nob ega, Quen
und Zip (2021, S. 9) a gumen ie en exis ie in Deu schland keine wissenscha lich
zu iedens ellende Da ensammlung ech s e o is ische Gewal . S a dessen beleg
5 Die isuelle E assung und die simula i e digi ale Rekons uk ion des Ta o s sind e ablie e poli-
zeiliche Ve ah en (neben wei e en) in Deu schland. „Das ‚gedankliche Modell zum E eignis‘ is
ein i uell ma e ialisie ba es gewo den, das [...]‚explo a i e‘ Handlungs essou cen“ (Ro höhle ,
2021, S. 65 .) be ei häl . Fü FA is das simula i e Ve ah en die wich igs e Ressou ce.
6 Ha s
(2023) sieh im Kons uk ionscha ak e de A bei on FA eine Ve ände ung des Indizi-
enpa adigmas. Wi a gumen ie en, dass ge ade de Wide sp uch zwischen Epis emologie und
P axis, den Ha s benenn , da au hinweis , dass sich das Pa adigma nich geände ha , sich abe
die kommunika i en Fo men de Spu enkons uk ion geände haben (siehe Reiche z, 1991).
254 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
de Nich -Umgang mi assis ischem Te o du ch „Behö den, Medien, Poli ik,
Polizei, Jus iz, Kul u , S ad - und Zi ilgesellscha en sowie Wissenscha “ (Nob ega
e al., 2021, S. 17) assis ische Mach - und Exklusions e häl nisse. De Anschlag
in Hanau ma kie einen Wendepunk im o iziellen Umgang mi assis ischen
Ta en. In Folge wu de dessen e s mals in de in e schiedenen Bundeslände n ein
Rech s e o ismus-Op e ond einge ich e (Nob ega e al., 2021). Besonde s die
(pos )mig an ische zi ilgesellscha liche O ganisie ung du chleb e sei Hanau
einen S uk u wandel, de zu Beg ündung eines anslokalen Wide s ands- und
Un e s ü ze *innenne zwe kes üh e (S jepandić, 2022). Bis heu e is de anhal-
ende Kamp de Be o enen, um eine lückenlose Au klä ung des Anschlags und
des geschei e en Polizeieinsa zes (Ini ia i e 19. Feb ua 2021) ein en scheidende
Bezugspunk an i assis ische A bei in Deu schland. Diese En wicklungen basie en
maßgeblich au de poli ischen A bei de Be o enen. Auch die E mi lungen on
FA, die das Geschehen in de Ta nach mi Fokus au die polizeilichen Handlungen
ekons uie en, ugen dazu bei. FA nu ze dabei Big Visual Da a als Ressou ce, um
das schwe nachzuweisende s aa liche Ve sagen zu un e suchen und publizie e die
E gebnisse in zwei Videos, die die Da enanalyse anspa en da s ellen.
2.2 Big Visual Da a als he aus o de nde Ressou ce on Fo ensic A chi ec u e
Visuelle Da en sind zunehmend, und bei FA insbesonde s, on eine doppel en
P eka i ä gekennzeichne . E s ens ep äsen ie en diese pe spek i isch gebundene
Wi klichkei sausschni e. Es sind eduk ionis ische Rep äsen a ion, bei denen das
Au genommene als lache, zweidimensionale Wi klichkei ep äsen ie wi d. Zwei ens
sind isuelle Da en keine „neu alen Regis ie maschinen“ (Reiche , 2007, S. 45),
welche die Wi klichkei sausschni e ein ach wiede geben. Vielmeh e o de ih e
Nu zba machung In e p e a ionen, de en He lei ung wiede um kommunika i übe -
zeugend da ges ell we den muss. In Bezug au Big Visual Da a komm neben de
P eka i ä de einzelnen isuellen Da en hinzu, dass die Ak eu *innen, die e schie-
dene, e i izie e und nich e i izie e Da en e wenden, o de He aus o de ung
s ehen, analy isch nach ollziehba nachzuweisen, dass die Da en mi einande in
Beziehung s ehen. Nu wenn die Da en als mi einande e knüp ba e Dokumen e
kons uie we den, is es übe zeugend, dass die in ihnen he ausgea bei e en In o -
ma ionen zu eine In o ma ionscollage zusammengese z we den können.
Ausgehend on diesen Übe legungen e s ehen wi deshalb Big Visual Da a
als eine e s eu e und ze spli e e Landscha p ekä e isuelle Da en, die iel-
äl ige kommunika i e He aus o de ungen be ei häl . Bei de digi alen E eignis-
ekons uk ion, wie FA sie z. B. im Fall Hanau o nimm , handel es sich um ein
komplexes Un e angen, bei dem das, was die Wi klichkei ep äsen ie en soll,
du ch kons uk i e Da ena bei e s kommunika i he ges ell , legi imie und
nach ollziehba gemach we den muss. Wi a gumen ie en, dass dabei spezi ische
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 255
SJS 51 (2), 2025, 247–272
kommunika i e P ak iken, d. h. die Ausp ägung jeweils angepass e , e nakula e
Analysen, eine Schlüssel olle spielen.
3 Vom Da um zu P ak iken des Sehens und Zeigens und zu Re lexi i ä
Die Rekons uk ion soziale E eignisse anhand isuelle Da en wi d in e schiedenen
Felde n e olg , die un e schiedlichen E kenn nisin e essen, Epis emologien und
auch Kommunika ions o men olgen. Übe se zungen bes ehen sys ema isch zwischen
Wissenscha und angewand e Fo ensik, abe auch in das Feld de Kuns hinein.
Reiche (2007) ha diese Kon inui ä be ei s ü den Wissenscha s ilm als Disposi-
i he ausgea bei e . Die Be ei s ellung echnische We kzeuge zu Visualisie ung
kann als ans e sale Kul u bezeichne we den und en wickel e sich z. B. bei Video
in Ko-E olu ion zwischen Techniken wicklung und Anwendung in e schiedenen
Felde n ( gl. Tuma & Le kemann, 2018). FA übe sch ei e die Feldg enzen zwischen
Wissenscha , o ensische E mi lung, Poli ik und Kuns explizi und geziel . Sie
g ei en s a k au wissenscha liche Me hoden zu ück, die sie anwenden und dami
auch e nakula neu kon ex ualisie en. Das E kenn nisin e esse, das schlussendlich
au Ve an wo ung und Schuld abziel , s ell die Rekons uk ion on E eignissen als
aum-zei liche Abläu e ins Zen um de Analyse. Dabei e bleiben Pa allelen auch
zu sozialwissenscha lichem Vo gehen, denn die genaue E eignis ekons uk ion au
Basis isuelle Da en is auch Ansa zpunk ü in e ak ionsanaly ische Fo schungen
u. a. in de Gewal soziologie (siehe Hoebel e al., 2022), wenn auch mi einem ande-
en– e s ehend-e klä endem – E kenn nisin e esse. T o z de Pa allelen auchen die
sozialwissenscha lichen Pe spek i en in den Analysen on FA, wie (übe wiegend)
auch in de klassischen Fo ensik, nich au .
Wenden wi die Soziologie des Visuellen au FA an, sind Pe spek i en ele an ,
die das Sehen und Zeigen als P ak iken bzw. als (kommunika i es) Handeln beg ei en,
um die Sehgemeinscha en (Raab, 2008), in e hnome hodologische Pe spek i e also
membe s me hods zu e assen. Dabei geh es auch um In as uk u en des Sehens,
des Abbildens und des Gesehenwe dens. In wissenssoziologische Pe spek i e we -
den Va ian en de P oduk ion und Dis ibu ion on isuellem Wissen hema isie
(Schne le , 2007; Luch e al., 2012). Eine Möglichkei , sich diesen F agen zu nähe n,
is die e lexi e Be ach ung de konk e en Handlungs- ode P axis o men. Hie
bie en sich e schiedene Ansa zpunk e an, z.B. die e lexi e Auseinande se zung mi
dem wissenscha lich objek i ie enden Blick und die e lexi e E o schung isuelle
Rep äsen a ionen. Die Re lexion des Umgangs mi isuellen Da en wu de zunächs
in de empi ischen Wissenscha s o schung en wickel , die sich mi e schiedenen
Fo men de Visualisie ung o allem in den Na u wissenscha en auseinande gese z
ha . In Lynch und Woolga s (1990) Rep esen a ion in Scien i ic P ac ice inden sich
einige wegweisende S udien, die sich mi dem Umgang mi und de P oduk ion on
262 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
4.3 Ve i ika ion du ch Rela ionie ung
Da die Fo schungsagen u häu ig nich au dieselbe Da eng undlage zu ückg ei en
kann, wie z. B. s aa liche Behö den, we den in den Un e suchungen nich e i izie e
Da en he angezogen, die e s du ch FA e i izie , dami objek i ie we den. Ande s
als bei e i izie en Da en wi d on FA bei un e i izie en Da en de U sp ung de
Da en nich benann .10 S a dessen s eh de en Ve i izie ung du ch die Me hode
des C oss-Re e encing (Weizman, 2017, S. 58) im Zen um. C oss-Re e encing mein
die Übe p ü ung eine Quelle du ch das Au spü en eine ande en, on de e s en
unabhängigen Quelle, welche die gleiche In o ma ion aus eine ande en Pe spek i e
wiede gib . Ande s als bei gängigen jou nalis ischen Tä igkei en, bei denen auch die
Technik des C oss-Re e encing zu Übe p ü ung un e i izie e Aussagen ( ex uelle
Da en) angewende wi d, se z FA die Me hode isuell ein. Dabei spiel Raum bzw.
A chi ek u eine en scheidende Rolle, wie Weizman (2017, S.132) selbs sch eib :
„We use a chi ec u e [...] o c ea e ,e idence assemblages‘ ha loca e hese elemen s
in space and s udy he ime/space ela ions be ween hem“. Übe die aumanaly ische
Me hode de B ei en- und Tie enanalyse isuelle Da en we den Quellen zueinande
in Ve häl nis gese z , um die in den Da en o handenen In o ma ionen als bes ä ig e
und dami aussagek ä ige In o ma ionen he zus ellen. Dami komm es zu Ve i i-
ka ion übe die Kon ex u alisie ung de Da en zueinande (Rela ionie ung), d. h.de
Ve i ika ion du ch die kommunika i e He s ellung und Ve knüp ung ma e ielle und
äumliche Bezüge übe die G enzen de e schiedenen isuelle Da en hinweg. Ein
Beispiel ü die Ve i izie ung eines Gesam da ums sind die Abbildungen 4 und 5.
Um die F age zu bean wo en, wann die Polizei o dem Wohnhaus des Tä-
e s einge o en is , zieh FA zunächs ein Video eine Übe wachungskame a (mi
Zei s empel) aus de Nachba scha he an, welches in schwa z-weis o ie endes
Lich zwischen den Häuse n zeig (Abb. 4). Dieses lacke nde Lich wi d on FA
als Blaulich in e p e ie . Um das Da um als objek i en In o ma ionsspeiche zu
kons uie en, wi d ein zwei es Video he angezogen (Abb.5). Es zeig das Wohnhaus
des Tä e s, on eine P i a pe son mi einem Sma phone aus dem gegenübe liegen-
den Haus au genommen. Zu sehen is , in Fa be, wie zu eine bes imm en Zei die
Reihenhäuse du ch ein o ie endes Blaulich anges ahl we den. Um zu übe p ü en,
ob es sich um dasselbe o ie ende Lich in beiden Videos handel , wi d de Raum
ausgehend on den beiden Videos jeweils in die B ei e und Tie e simula i e wei-
e (siehe Bilde ahmen Abb. 4 und 5). Auße dem wi d in de Sequenz on einem
Video ließend übe das Raum-Modell eine Pe spek i e schiebung o genommen,
die mi de Pe spek i e des ande en Videos ende . Übe zeugend we den du ch die
e wei e nde Raumanalyse beide Videos als e schieden pe spek i is isch de inie e,
jedoch eine kong uen en spa io- empo al-o de en s ammende Rep äsen a ionen
10 Naß
(2021, S.52) sieh hie in eine pa eiisch agie ende Quellena bei . In ih e A gumen a ion
e kenn sie u. E., dass FA den P ozess de Kon ex ualisie ung du ch den de Kon ex u alisie ung
e se z , wodu ch eine ande e Fo m kommunika i e Objek i ie ung o genommen wi d.
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 263
SJS 51 (2), 2025, 247–272
Abbildung 4 Übe wachungskame a nimm o ie endes Lich in de S aße au
Quelle: Fo ensic A chi ec u e (2022b, 25. Ap il ), h ps://www.you ube.com/wa ch? =N7H5 hokpLU (c) Fo ensis,
2022 [Sc eensho bei 27:44 min du ch Goda zani-Bak hia i und Tuma].
Abbildung 5 Sma phone Au nahme ilm Polizeieinsa z aus gegenübe liegendem
Haus
Quelle: Fo ensic A chi ec u e (2022b, 25. Ap il ), h ps://www.you ube.com/wa ch? =N7H5 hokpLU (c) Fo ensis,
2022 [Sc eensho bei 28:01 min du ch Goda zani-Bak hia i und Tuma].
264 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
he ges ell . Du ch die isuelle Raumanalyse, die wi als mul ipe spek i ische Tie en-
und B ei enanalyse bezeichnen, bes ä ig FA, dass die Polizei zu einem bes imm en
Zei punk an einem bes imm en O anwesend gewesen is . Um dieses analy ische
Vo gehen isuell nachzu ollziehen, haben wi eine Visualisie ung de äumlichen
Analyse (Abb. 6) e s ell .
4.4 Selek ion und Ex ahie ung on In o ma ionen
Die Analyse on E eignisda en, mi dem Ziel ele an e In o ma ionen übe das
E eignis he auszua bei en, wi d on FA ge enn in einzelnen Da en ollzogen.
Dabei ep äsen ie FA das Da um (z. B. eine Sma phoneau nahme) und mach
gleichzei ig die In e p e a ion des Da ums isuell mani es . Das, was on FA als
ele an e ach e wi d, wi d mi de Technik de He o hebung (Highligh ing
bei Goodwin, 1994) sich ba gemach : Es wi d un e s ichen, umk eis , a blich
abgehoben ode e g öße . Dadu ch komm es zu Selek ion und Ex ahie ung
ele an e In o ma ionen.
Das Beispiel de Analyse eines Polizeihelikop e ideos (Video2) e anschau-
lich den P ozess. De Helikop e ilm aus dem Lu aum den Ta aum. FA zieh
dieses Video he an, um den S ando de Polizei zu einem bes imm en Zei punk
zu ekons uie en. Wie sie die Analyse und de en E gebnisse di ek im Ma e ial
mani es machen, zeig die Abbildungen7. Au Abbildung7 (oben) wi d das Video
Abbildung 6 Unse e Visualisie ung des E gebnisses de wei en Analyse
des Raumes du ch die Videos
Quelle: Eigene Visualisie ung [Goda zani-Bak hia i und Tuma].
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 265
SJS 51 (2), 2025, 247–272
des Helikop e s zunächs eingeblende und o dem Hin e g und des Raum-Modells
posi ionie . Dami wi d die lache und beg enz e 2D-Rep äsen a ion übe seine
Beg enz hei hinaus eingebe e und kon ex u alisie . Gleichzei ig wi d un e halb
des Bildes eine Zei leis e eingeblende , die das Video zei lich e o e . Anschließend
(Abb. 7, un e es Bild) wi d eine bes imm e isuelle In o ma ion, in diesem Fall die
Posi ion eines (Polizei-)Fah zeuges he o gehoben und dami kommunika i als
ele an ma kie und isuell mani es ie .
Abbildung 7 Selek ion und Mani es ie ung ele an e In o ma ionen bei
de Analyse eines Helikop e ideos
Quelle: Fo ensic A chi ec u e (2022b, 25. Ap il ), h ps://www.you ube.com/wa ch? =N7H5 hokpLU (c) Fo ensis,
2022 [Sc eensho oben bei 20:24 min; un en bei 20:35 min du ch Goda zani-Bak hia i und Tuma].
266 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
4.5 Ve messung on In o ma ionen in/aus Da en
FA nu z isuelle Da en auch um sekundä e Analysen zu be eiben, in de en E geb-
nis sie neue quan i izie e Da en p oduzie . Ein Beispiel is die Bewegungsanalyse
de Subjek e in de A ena Ba . Nachdem de Handlungs e lau in de Ba übe das
C oss-Re e encing und de Synch onisa ion de Rep äsen a ionen e schiedene
Übe wachungskame as ekons uie wu de, miss die Fo schungsagen u die Ge-
schwindigkei de Pe sonen im Zei e lau .
Au Abbildung 8 sehen wi die Bewegungsanalyse in de A ena Ba . Neben
dem G und iss de Ba , au welchem die Bewegung de Subjek e äumlich nach-
ollzogen wi d, is au de ech en Sei e ein Diag amm eingeblende , in welchem
die Geschwindigkei p o Me e eingezeichne wi d. Da beides die Bewegung des
Einzelnen und de Geschwindigkei s e lau im Diag amm gleichzei ig on FA einge-
zeichne wi d, is isuell nach ollziehba , in welchem Ve häl nis die Geschwindigkei
zu den Rauma ibu en s eh . Diese A on Da en, die on FA mi Rückg i au
ande e Da en p oduzie we den, e hal en besonde s du ch die diag amma ische
Da s ellung einen objek i ie en S a us.
4.6 Syn hese
Fü die Beg ündung on E idenz is de le z e Sch i de Analyse, die Syn hese,
en scheidend. Nun we den on FA e schiedene In o ma ionen, die aus isuellen
Da en ex ahie wu den, au dem Raum-Modell posi ionie . Diese P ozess kann
Abbildung 8 Visualisie ung de Bewegungen de Subjek e im Raum
Quelle: Fo ensic A chi ec u e (2022a, 14. Mä z), h ps://www.you ube.com/wa ch? =gwEMMI_zGas (c) Fo ensis,
2022 [Sc eensho bei 6:51 min du ch Goda zani-Bak hia i und Tuma].
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 267
SJS 51 (2), 2025, 247–272
im Sinne Löws (2001) als Spacing und Syn hese e s anden we den. Indem die Pla -
zie ung gleichzei ig als Rela ionalisie ung e schiedene In o ma ionen zueinande
unk ionie (Pla zie ung im Ve häl nis zu ande en Pla zie ungen) wi d on FA ein
E eignis aum gescha en, welche eine e knüp ende Be ach ung, die Syn hese, e -
möglich . Die Rela ionie ung ungie hie gleichsam als äumliche Plausibilisie ung
de In o ma ionen im Raum. Im Zen um s ehen dabei die F agen, ügen sich die
In o ma ionen logisch in einen g öße en Sinnzusammenhang ein ode e en bei
dem spa io- empo al-o de ing de In o ma ionen Kon lik e au .
Diese komplexe Vo gang läss sich nach ollziehba an dem Beispiel de
Syn hese aus Video2 e deu lichen. Das S ill au Abbildung9 en s amm einem
Videoausschni , bei dem FA de F age nachgeh , inwie e n die Polizei die Schüsse,
mi denen de Tä e seine Mu e und sich selbs e schoss, hä e hö en müssen.
Au de Abbildung 9 symbolisie die a bliche Ein ä bung des Modells die
zu o gemessene Schallausb ei ung eines Schusses im Wohnhaus des Tä e s. Die
Schall eichwei e wi d im Modell ins Ve häl nis zu den Posi ionen de Polizei, wel-
che un e ande em du ch das Helikop e ideo ekons uie wu den, gese z . Ein
E gebnis de Rela ionie ung sind die Dezibelangaben bei den Polizeiau os, welche
angeben, wie hoch die Schusslau s ä ke bei den Posi ionen de Fah zeuge gewesen
sein müss e. FA weis äumlich du ch diese Visualisie ung nach, dass die Polizeibe-
am en mi mi le e bis hohe Wah scheinlichkei die Schüsse gehö haben müss en.
Indem zu o das Modell und die ex ahie en In o ma ionen on FA als objek i
Abbildung 9 Ve häl nis des S ando s Polizei und de Schallausb ei ung
des Schusses wi d äumlich du ch das Modell plausibilisie
Quelle: Fo ensic A chi ec u e (2022b, 25. Ap il ), h ps://www.you ube.com/wa ch? =N7H5 hokpLU (c) Fo ensis,
2022 [Sc eensho bei 22:58 min du ch Goda zani-Bak hia i und Tuma].
268 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
he gelei e e E gebnisse de Analysen da ges ell we den, de en Wi kk a pe o ma i
isuell he ges ell wu den, komm es zu Beg ündung on E idenz anhand äumliche
Ra ionalisie ungslogik. So wi d E idenz en lang eines äumlichen Objek i i ä s e -
s ändnisses (spa ial objec i i y) kons uie (Goda zani-Bakh ia i, 2024).
5 Fazi
Wi haben die F age ges ell , mi welche e lexi -kommunika i en Analyse o m
FA den He aus o de ungen on Big Visual Da a begegne . FA un e such s aa li-
ches Handeln mi els Big Visual Da a und nu z neue kommunika i e Fo men de
K i ik und ö en lichen Disku si ie ung, die sich du ch eine e lexi e Da s ellung
de eigenen Analyse e ah en auszeichnen. Dabei we den die He aus o de ungen
sys ema isch du ch die Anwendung o allem aumbezogene Ve ah en ad essie .
Wi konn en e schiedene analy ische Ve ah en iden i izie en, die un e -
schiedliche Funk ionen im P ozess de E idenzkons uk ion übe nehmen: Kon-
ex ualisie ung, Kon ex u alisie ung, Ve i ika ion du ch Rela ionie ung, Selek ion
und Ex ak ion on In o ma ionen, (sekundä e) Messung und Syn hese.
Die Da en du chlau en einen e lexi o en geleg en Genesep ozess, in dem
In o ma ionen he ausge il e und inne halb eines äumlichen Modells zueinande
in Beziehung gese z we den. In den Videos (wie auch in analogen Raumins alla io-
nen in in e na ional enommie en Auss ellungso en) we den die Da en und ih e
Analysen nach und nach mi einande e sch änk , wodu ch die empi ische Visua-
lisie ung zwei e O dnung ausges ell und dami im A e ak nach ollziehba wi d.
Visuelle Da en we den nich als geschlossene s a ische In o ma ions äge be-
handel , sonde n als Re e enzquellen, übe de en aumzei lich gebundene isuelle
Da s ellungs ahmen hinaus Analysen du chge üh we den. Spu en we den un e
Rückg i au zei liche und äumliche Modelle als komplexe Ve weisungszusammen-
hänge digi al ( e)kons uie . Flache 2D-Rep äsen a ionen we den so in ie e11 und
wei e i uelle Rep äsen a ionen e wandel , bei denen das u sp üngliche Da um
nu noch einen Teil neben wei e en modellie en Teilen da s ell . So we den zwei-
dimensionale isuelle Zusammenhänge in d eidimensionale Beziehungen au ge-
spann und expandie und übe ein e einendes syn he isie endes Raum-Modell
aneinande gebunden. Nach McIl enny (2018, S. 2), de ein ähnliches Ve ah en
me hodisch ü die sozialwissenscha liche Videoanalyse nu z , läss sich diese neue
P axis des Umgangs mi isuellen Dokumen en als Vi ualisie ung audio- isuelle
Da en e s ehen. Diese me hodische En wicklung s eh nach ihm ü einen „sce-
nog aphic u n“.
11 Hie bes ehen auch Gemeinsamkei en zum Deep Mapping (Bodenhame e al., 2015).
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 269
SJS 51 (2), 2025, 247–272
Bei FA münde die Analysea bei in de Ve schach elung isuelle F agmen e
in ein Me a-A e ak . Als Me aa e ak e e s ehen wi Dokumen e,12 die alle d ei
Ebenen des E kenn nisp ozesses (Da ensampling, Da enanalyse, E gebnisda s ellung)
beinhal en und diese als di e en e, jedoch au einande au bauende Ebenen sich ba
machen. Sie p äsen ie en selbs eine Na a ion übe die eigene ans-sequen ielle
En s ehungsgeschich e. Somi wi d kommunika ionsmäch ige E idenz übe das Au -
zeigen eines P ades du ch diese e schach el e Wel de Bilde he ges ell . Wäh end
du ch das Au zeigen eine sei s dessen kons uk i e Ak o engeleg wi d, so g die
isuell e anke e Mani es ie ung de Analyse und die E idenzkons uk ion en lang
eines spa ial objec i i y Ve s ändnisses ande e sei s, ü die S abilisie ung de dabei
beg ünde en E idenz. Die kommunika i e Mach e gib sich aus de Ve sch änkung
on O enhei (Sich ba machung de Kons uk ionsa bei ) und (kons uie e )
Gese zmäßigkei (spa ial objec i i y).
FA schließ an wissenscha liche P ak iken an, be u sich au e ablie e Expe -
ise und knüp an küns le ische und populä e Medienga ungen an.13 Die e lexi e
O enlegung diese Ve nakula i ä is o dem Hin e g und eine agmen ie en
Ö en lichkei (Ga es, 2024) und de Umkämp hei de Deu ungshohei einzu-
o dnen. Auße dem is die Posi ionie ung on FA an de Schni s elle e schiedene
Felde und de explizi e Bei ag zum Poli ischen, den FA leis en möch e, wesen lich
ü ih e Sehp ak iken. Ih e isuell-na a i en P äsen a ionen zielen da au ab, die
Pe spek i en de Be o enen in de Ö en lichkei zu s ä ken und o z alle Gegen-
Epis emologie dennoch im Ke n posi i is isch zu legi imie en. Die Sich ba machung
de Analyse-P ak iken in den FA-P äsen a ionen/Inszenie ungen (siehe nochmal
Naß, 2021) dien eine doppel en Ve schiebung: Das U eilen wi d eine sei s om
Ge ich ssaal in die Ö en lichkei e leg , ande e sei s on den E gebnissen zu den
Me hoden e schoben. Es sind die sich als objek i da s ellenden Ve ah en de
Analysen, die übe zeugen sollen. Me a-A e ak e o de n so Deu ungshohei und
eine Poli isie ung de Ö en lichkei ein.
Dass FAs Ansa z eine Lücke im ö en lichen Disku s üll , wi d an de Übe -
nahme ih e Me hoden im klassischen In es iga i jou nalismus deu lich. Dami
en wickeln sich o ensische Jou nalismus und media e idence allmählich zu einem
s anda disie en, populä en Fo ma (siehe Ga es, 2020).
6 Li e a u
Bodenhame , D. J., Co igan, J., & Ha is, T. M. (H sg.). (2015). Deep Maps and Spa ial Na a i es.
Indiana Uni e si y.
Bois, Y.-A., Fehe , M., Fos e , H., & Weizman, E. (2016). On Fo ensic A chi ec u e: A Con e sa ion
wi h Eyal Weizman. Oc obe Magazine, 156, 116–140.
12 Vgl. Gu ié ez (2021) Beg i de Me a Documen a ies.
13 Fo m-E wa ungen bes ehen zu Populä kul u (siehe Engle & Reiche z, 2016).
270 Mina Goda zani-Bakh ia i und René Tuma
SJS 51 (2), 2025, 247–272
B own, M., & Ca abine, E. (2019). The C i ical Founda ions o Visual C iminology: The S a e, C isis,
and he Senso y. C i ical C iminology, 27(1), 191–205.
Coenen, E., & Tuma, R. (2022). Con ex u al and Con ex ual – In oducing a Heu is ic o Thi d Pa ies
in Sequences o Violence. His o ical Social Resea ch, 47(1), 200–224.
Das on, L. (2007). Objec i i y. MIT.
Engle , C. J., & Reiche z, J. (2016). CSI – Rech smedizin – Mi e nach s o ensik. Sp inge .
Fo ensic A chi ec u e (o. J.). Open Sou ce So wa e. Fo ensic A chi ec u e. h ps:// o ensic-a chi ec u e.
o g/subdomain/oss
Fo ensic A chi ec u e (2022a, 14. Mä z). Hanau-Anschlag: De No ausgang [Video]. YouTube. h ps://
www.you ube.com/wa ch? =gwEMMI_zGas
Fo ensic A chi ec u e (2022b, 25. Ap il). Rassis ische Te o -Anschlag in Hanau: De Polizeieinsa z
[Video]. YouTube. h ps://www.you ube.com/wa ch? =N7H5 hokpLU
F anke, A., Weizman, E., & HKW (H sg.). (2014). Fo ensis: The a chi ec u e o public u h. Exhibi ion
„Fo ensis“. S e nbe g.
Fujii, L. A., Finnemo e, M., & Wood, E. J. (2021). Show ime: The logic and powe o iolen display.
Co nell Uni e si y.
Fulle , M., & Weizman, E. (2021). In es iga i e Aes he ics: Con lic s and commons in he poli ics o u h.
Ve so.
Ga es, K. (2013). The cul u al labo o su eillance: Video o ensics, compu a ional objec i i y, and he
p oduc ion o isual e idence. Social Semio ics, 23(2), 242–260.
Ga es, K. (2020). Media E idence and Fo ensic Jou nalism. Su eillance & Socie y, 18, 403–408.
Ga es, K. (2024). Day o Rage: Fo ensic jou nalism and he US Capi ol io . Media, Cul u e & Socie y,
46(1), 78–93.
Ginzbu g, C. (2011). Spu ensiche ung: Die Wissenscha au de Suche nach sich selbs (G. Bonz &
K. F.Haube , Übe s.). Klaus Wagenbach.
Goda zani-Bakh ia i, M. (im Re iew). Die Analyse des Analysie ens isuelle A e ak e: Ve gleichende
Video-A e ak -Analyse de E idenzkons uk ion on Fo ensic A chi ec u e. Fo um Quali a i e
Sozial o schung.
Goda zani-Bakh ia i, M. (2024). Gegenö en liche P oblema isie ung polizeiliche Nek opoli ik: Fo en-
sic A chi ec u e’s In es iga ion des Polizeieinsa zes in Hanau. sub u ban. Zei sch i ü k i ische
S ad o schung 12(2),13–42.
Goodwin, C. (1994). P o essional Vision. Ame ican An h opologis , 96(3), 606–633.
Gu ié ez, M. (2021). Da a ac i ism and me a-documen a y in six ilms by Fo ensic A chi ec u e. S udies
in Documen a y Film, 1–21.
Gu ié ez, M. (2022). Documen ing he In isible: How Da a Ac i ism Fills Visual Gaps. Papeles de
Iden idad, 2, 1–21.
Ha s , J. (2023). Vi uelle In es iga ionen. T ans o ma ionen des Indizienpa adigmas zwischen She lock
Holmes und Fo ensic A chi ec u e. In G. Lisa & A. Simonis (H sg.), Medienkompa a is ik: 4
(2022) (S. 23–44). Ais hesis.
Heßle , M., & Me sch, D. (2009). Logik des Bildlichen: Zu K i ik de ikonischen Ve nun . T ansc ip .
Hill, M. B. (2022). The New A o Old Public Science Communica ion: The Science Slam. Rou ledge.
Hoebel, T., Tuma, R., & Reiche z, J. (2022). Visibili ies o Violence, Special Issue His o ical Social Resea ch
47/1. H-Soz-Kul . h p://www.hsozkul .de/sea ching/id/z6ann-130243
Hoggenmülle , S. W., Klinke, H. (2025). Me abilde als Fo schungswe kzeuge: Zu Kon ingenz und
algo i hmischen Beding hei ih e He s ellung. Schweize ische Zei sch i ü Soziologie, 51(2),
Special Issue h sg. on S. W. Hoggenmülle , Big Visual Da a als neue Fo m des Wissens: Po en-
ziale, He aus o de ungen und T ans o ma ionen.
Vom lachen Bild zu e äumlich en isuellen Analyse: Fo ensic A chi ec u e und die Ve schach elung … 271
SJS 51 (2), 2025, 247–272
Hole , T. (2004). Smoking Gun. Übe den Fo ensic Tu n de Wel poli ik. In R. F. Noh (H sg.), E i-
denz… das sieh man doch! LIT.
Hüppau , B., & Weinga , P. (H sg.). (2009). F osch und F ankens ein: Bilde als Medium de Popula i-
sie ung on Wissenscha . T ansc ip .
Ini ia i e 19 Feb ua (2021). Ein Jah nach dem 19. Feb ua in Hanau: Die Ke e behö dlichen Ve sagens
o dem assis ischen Te o anschlag, in de Ta nach und in den Mona en danach [Be ich ].
h ps://19 eb-hanau.o g/wp-con en /uploads/2021/02/Ke e-des-Ve sagens-17-02-2021.pd
Kamme e , D. (2020). Quali a i e Ve ah en de Filmanalyse. In M. Hagene & V. Pan enbu g (H sg.),
Handbuch Filmanalyse (S. 385–397). Sp inge .
Keenan, T., Weizman, E., & S eye l, H. (2012). Mengele’s skull: The ad en o o ensic aes he ics. S e nbe g.
h ps:// esea ch.gold.ac.uk/id/ep in /9292
Kins le , L. (2022). Si ua ed Tes imony: Fo ensic A chi ec u e’s Memo y Objec s. Space and Cul u e,
25(2), 327–330.
Knoblauch, H., Janz, A., & Sch öde , D. J. (2021). Kon ollzen alen und die Polykon ex u alisie ung
on Räumen. In M. Löw, V. Sayman, J. Schwe e , & H. Wol (H sg.), Am Ende de Globalisie ung
(S. 157–182). T ansc ip .
K äme , S., Kogge, W., & G ube, G. (H sg.). (2007). Spu : Spu enlesen als O ien ie ungs echnik und
Wissenskuns . Suh kamp.
Lee-Mo ison, L. (2015). The Fo ensic A chi ec u e P ojec : Vi ual image y as e idence in he con empo a y
con ex o he wa on e o . h ps://luc is.lub.lu.se/ws/po al iles/po al/6367379/7862140.pd
Lindemann, G. (2017). Ve ah enso dnungen de Gewal . Zei sch i ü Rech ssoziologie, 37(1), 57–87.
Löw, M. (2000). Raumsoziologie (6. Au l.). Suh kamp.
Luch , P., Schmid , L.-M., & Tuma, R. (mi Soe ne , H.-G., Hi zle , R., Knoblauch, H., & Reiche z,J.).
(2012). Visuelles Wissen und Bilde des Sozialen. Ak uelle En wicklungen in de Soziologie des
Visuellen. VS.
Lynch, M., & Woolga , S. (1990). Rep esen a ion in Scien i ic P ac ice. Kluwe .
Mandolessi, S. (2021). Challenging he placeless imagina y in digi al memo ies: The pe o ma ion o
place in he wo k o Fo ensic A chi ec u e. Memo y S udies, 14(3), 622–633.
McIl enny, P. (2018). Inhabi ing spa ial ideo and audio da a: Towa ds a scenog aphic u n in he analysis
o social in e ac ion. Social In e ac ion. Video-Based S udies o Human Sociali y, 2(1).
Meie zu Ve l, C., & Tuma, R. (2021). Video Analysis and E hnog aphic Knowledge: An Empi ical S udy
o Video Analysis P ac ices. Jou nal o Con empo a y E hnog aphy, 50(1), 120–144.
Me leau-Pon y, M. (2004). The wo ld o pe cep ion. Rou ledge.
Mil oy, C. M. (2017). A B ie His o y o he Expe Wi ness. Academic Fo ensic Pa hology, 7(4): 516–526.
Naß, M. A. (2021). Bilde on Übe wachung ode Übe wachungsbilde ? Zu Äs he ik des K i isie en als
Äs he ik de K i ik bei Hi o S eye l und Fo ensic A chi ec u e.
Naß, M. A. (2024, Janua 3). K i ik an Fo ensic A chi ec u e: Zwei elha e Beweisbilde . Die Tageszei ung:
az. h ps:// az.de/!5983353/
Nassehi, A. (2019). Mus e : Theo ie de digi alen Gesellscha (2. Au lage). C. H. Beck.
Noh , R. F. (2004). E idenz – Das sieh man doch! LIT.
Pel ze , A. & Kepple , A. (2015). Die soziologische Film-und Fe nsehanalyse: EineEin üh ung. De G uy e .
Pel ze , A., & Somme , V. (2020). S olpe s eine digi ale E inne ungskul u en. Eine kompa a i e Ana-
lyse digi ale Zei zeugen ideos übe den Holocaus . In Medien + E ziehung (Bd. 64, Numme 6,
S. 74–86).
P adenhaue , M., & Die inge , V. (2019). P o essionali ä als ins i u ionalisie e Kompe enzda s ellung-
skompe enz. In C. Schnell & M. P adenhaue (H sg.), Handbuch P o essionssoziologie (S. 1–21).
Sp inge .
278 Roland Meye
SJS 51 (2), 2025, 273–289
2 Models o La en Space
Ope a i e image spaces ha assemble seemingly weigh less and placeless museum
a i ac s in he o m o decon ex ualized image da a ha e become almos a s anda d
in e ace o isualizing ex ensi e collec ions. One cu en example o his end is
he bauhaus in ini y a chi e, an in e ac i e ins alla ion ha p omises i ual access
o a ound 15 000 collec ion objec s du ing he empo a y closu e o he Bauhaus
A chi e Be lin. Again, his as collec ion is isualized as a galaxy o digi al images
loa ing in an endless black uni e se: an explo able, na igable, imme si e h ee-di-
mensional image space made up o seemingly imma e ial objec s, wai ing o be
so ed and ea anged in o clus e s ollowing he use ’s commands. Designed by
he enowned Be lin A +Com s udios, he ins alla ion allows use s o na iga e
he collec ion by d awing lines on a pad o selec ing colo s om a menu, making
isible new, supposedly be o e unseen connec ions be ween collec ion objec s based
on pa e n ecogni ion.
As he designe s explain in an in e iew, he p econdi ion o his is a speci ic
o m o i ual spa ializa ion ha goes beyond he me e in e ace:
The images a e ini ially ec o ised using a con olu ional neu al ne wo k,
i.e. ansla ed in o sequenced g oup o numbe s – a so-called ec o . A e
he images a e ec o ised, an algo i hm called UMAP p ocesses he da ase .
This ensu es ha each ec o , and wi h i , each pic u e is assigned a posi ion
in h ee-dimensional space. The esul is a spa ial depic ion o he images,
a anged in isually simila g oups which he isi o s can expe ience li e in
he bauhaus in ini y a chi e. (B a a, 2022)
As his s a emen makes clea , he spa ial isualiza ion he use s explo e ia he in-
e ace is a h ee-dimensional ep esen a ion o he high-dimensional ec o space
by which hese images a e in e nally p ocessed. Vi ual spa ializa ion is hus no
me ely a o m o ep esen a ion o big isual da a in ended o human eyes bu also
lies a he concep ual co e o how con empo a y o ms o machine lea ning and
pa e n ecogni ion make simila i ies wi hin la ge da a se s ope a i e. When deep
lea ning algo i hms a e ained on as quan i ies o digi al objec s such as images,
he ea u es abs ac ed om hese objec s a e encoded in a so-called la en space,
amul idimensional ec o space in which simila i ies be ween wo images, be i in
o m, s yle, colo , o any o he aspec , a e ep esen ed as quan i iable p oximi ies
(Somaini, 2023, p. 77).
While such la en spaces hemsel es a e abs ac , pu ely ma hema ical,
mul i-dimensional, and he e o e no only in isible bu ul ima ely impossible o
isualize, h ee-dimensional in e ace isualiza ions such as he bauhaus in ini y
a chi e unc ion as models o la en space as a symbolic o m. Radically educed
Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions 279
SJS 51 (2), 2025, 273–289
in hei dimensions and made accessible o he human eye in ul ima ely diag am-
ma ic o m (Hunge , 2023), such isualiza ions o ma hema ical ela ionships and
s a is ical dis ibu ions as spa ial pa e ns ne e heless con ey essen ial aspec s o
la en spaces: homogenei y, quan i iabili y, and con inui y. Fi s ly, by s aging he
i ual image a chi e as a homogeneous space o uni e sal compa ison, in which
all di e ences o media, gen e, dimension, o ma , and cul u al con ex a e e ased,
hese ope a i e image spaces e lec he echnical equi emen s o machine lea ning
algo i hms, which educe all ealized objec s o a ma ix o pixels, ul ima ely a se ies
o numbe s indica ing colo alues. Con e ed in o a able o disc e e alues, each
digi al image can be desc ibed as a ec o in high-dimensional coo dina e space, and
i s ela i e posi ion in his space p o ides in o ma ion abou i s ela ionship o o he
image ec o s. The e o e, and secondly, such ela ionships be ween digi al images,
be i o mal simila i ies, o , a leas in some cases, iconog aphic e e ences, can also
be ep esen ed spa ially as quan i iable p oximi ies and dis ances. The close wo
images appea in hese spaces, a leas in a ce ain dimension, he mo e simila hey
a e said o be. Simila i y, once an elusi e ca ego y, hus seems o become measu able
(see Hoggenmülle and Klinke in his special issue o mo e de ails). Thi dly and
inally, hese spaces a e no only disc e ely add essable bu also designed o be (al-
mos ) con inuously na igable – om one image o ano he , he e is always a pa h o
ollow, and each image is connec ed o e e y o he image by a chain o simila i ies.
Figu e 2 Ma io Klingemann and Simon Dou y (Google Cul u al Ins i u e),
X Deg ees o Sepa a ion, 2017 (Sc eensho )
Sou ce: a sexpe imen s.wi hgoogle.com/xdeg ees/.
280 Roland Meye
SJS 51 (2), 2025, 273–289
The idea ha e e y exis ing image is jus one link in a chain o simila i ies is may-
be bes illus a ed by X Deg ees o Sepa a ion (2016), an expe imen al collec ion
in e ace designed by a is Ma io Klingemann in collabo a ion wi h he Google
Cul u al Ins i u e. I s s a ed aim was o play ully explo e simila i ies in a collec ion
o o e 250 000 image da a objec s. F om each objec , a pa h o isual simila i ies o
e e y o he objec was o be ound o cons uc ed. All hese pa hs, i is sugges ed,
coexis in a common “a space”.2 In con as o he p e ious examples, his space
is no isualized as a h ee-dimensional, pe spec i e space bu ne e heless o ms
he concep ual basis o he en i e unde aking. Imagining a pa h leading om one
objec o he nex only becomes plausible by spa ializing simila i ies and di e ences
be ween en i ely di e en and physically un ela ed objec s. Howe e , he supposed
simila i ies ha a e aced he e, o example, be ween a b onze sculp u e and
awa e colo d awing ( ig.2), a e p ima ily hose be ween digi al image da a, no
be ween he ac ual objec s hemsel es. Thus, a ligh backg ound can some imes be
pa o an a is ic concep , as in he case o a wa e colo d awing, in o he cases i can
simply be an a bi a y ea u e o he s anda dized pho og aphic o ma o museum
collec ion documen a ion. Simila i y, abs ac ed om any con ex and educed o
a me e s a is ical p oximi y be ween la ened, s anda dized, p e- o ma ed digi al
ep esen a ions, h ea ens o become an almos meaningless ca ego y (Wasielewski,
2023). Ne e heless, i is also becoming a p oduc i e ca ego y, as la en spaces a e
no only used o compa e, so and classi y big isual da a using disc imina i e
AI such as pa e n ecogni ion algo i hms, bu also o m he co e o wha is now
known as gene a i e AI.
3 Gene a i e Spaces
Ul ima ely, he idea ha all images coexis in a homogeneous, quan i iable, and
con inuously na igable space o uni e sal compa ison also blu s he di e ence be-
ween he ac ual and he i ual. I e e y possible image occupies a speci ic posi ion
in la en space and he e a e always coun less o he images o be ound be ween
wo ac ual images, wha seems mo e emp ing han ying o isualize hese la en ,
po en ial, only i ually exis ing images? This was he idea behind GenS udio, an
expe imen al in e ace launched in 2019 by he Me opoli an Museum in collabo a-
ion wi h Mic oso and MIT. This in e ace goes beyond simply na iga ing exis ing
collec ions. I uses an ea ly o m o gene a i e AI o c ea e pu ely syn he ic images
om he collec ion da a ha do no esemble any p e-exis ing a i ac s. Howe e ,
his syn hesis is unde s ood as an explo a ion o a new, p e iously unexplo ed space:
“Based on gi en a wo ks om he Me ’s Open Access collec ion, a Gene a i e Ad-
2 h ps://a sexpe imen s.wi hgoogle.com/xdeg ees/ (19. 12. 2024).
Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions 281
SJS 51 (2), 2025, 273–289
e sa ial Ne wo k (GAN) allows you o explo e and isualize he spaces in be ween
hose pieces” (Fens e make , 2019). Howe e , his space in be ween is no a space
be ween physical objec s in he collec ion, o example, be ween di e en his o ical
eapo s ( ig.3), bu an imagina y space o me e s a is ical possibili ies. The old
uni e sal museum’s impe ial claim o all-encompassing ep esen a ion hus becomes
a echnical u opia, he empi ical space o he collec ible expands in o as a is ical
space o endless possibili ies, and digi al ep esen a ions o collec ion a i ac s become
a esou ce o gene a ing e e -new a ian s o images.
Since OpenAI’s Dall-E 2 in 2022, a wa e o new gene a i e AI models o image
and e en ideo syn hesis has eme ged, making GANs like he one used in he ex-
ample abo e look old- ashioned by compa ison (Wilde, 2023). While GANs ha e
ypically been ained on limi ed da abases o housands o ens o housands o
p e-selec ed images, so-called ounda ion models such as Dall-E, S able Di usion,
o Midjou ney a e ained on billions o image- ex pai s ha es ed om all o e he
web. Mo eo e , while GANs only ep oduce and syn hesize ecu ing isual pa e ns
ound in he aining da a, hese models lea n ela ionships be ween images and
hei su ounding ex o ans o m w i en p omp s in o isual images. Despi e
hese and o he undamen al di e ences, all hese o ms o gene a i e AI a e based
Figu e 3 Me opoli an Museum and Mic oso , GenS udio, 2019
Sou ce: h ps://mic oso .gi hub.io/GenS udio/.
282 Roland Meye
SJS 51 (2), 2025, 273–289
on simila concep ual p emises: he spa ializa ion o simila i ies and he c ea ion
o a homogenized, quan i iable, and con inuously na igable ope a i e space o pos-
sible images, in which all images, ega dless o o ma , s yle, o igin, and ma e iali y,
i ually coexis . F om he pe spec i e o hese models, e e y image hey a e able
gene a e – which is, o cou se, no e e y possible image, as hese models a e highly
biased and ul ima ely limi ed by he bounda ies o hei aining da a – al eady
exis s as a po en ial image wi hin hese la en spaces, as do all he images, albei
in acomp essed and abs ac ed o m, wi h which hey ha e been ained. In o he
wo ds, o hese models, any imaginable image – and again, he ealm o he imagi-
nable may seem endless bu is, in ac , limi ed, incomple e, and dis o ed – is jus
one mo e o less p obable a ian in an endless chain o a ia ions (Meye , 2023).
In ac , a ia ions inspi ed by he o iginal was one o he i s ea u es announced
when Dall-E wen public in 2022. On i s websi e, Open AI showed a se ies o
a ia ions o Geo ge Seu a ’s amous poin illis pain ing Un dimanche ap ès-midi
à l’Île de la G ande Ja e (1884–86) as a demons a ion ( ig.4). These pic u es a e
no simply collages o emixes. Ra he , hey a e in e pola ions in which he i ual
image a chi e o exis ing images is used as a sou ce o da a poin s and machine
lea ning is supposed o ill he gaps be ween hem. Such AI-gene a ed a ia ions
Figu e 4 OpenAI, Dall-E 2, 2023
Sou ce: h ps://openai.com/dall-e-2.
Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions 283
SJS 51 (2), 2025, 273–289
a e al eady used by museums as a o m o ma ke ing. In 2023, he Vienna Tou is
Boa d p esen ed an ad e ising campaign en i led UnA i icial A , which ea u ed
AI a ia ions o amous a wo ks by Gus a Klim , Egon Schiele, and o he s, all
now u ned in o ca con en in hei espec i e s yles ( ig.5). As hey s a ed on hei
websi e, “AI mines as eposi o ies o exis ing a wo ks o da a be o e eplica ing
hei subs ance and s yle. So, you could say i was e a-de ining a is s like Klim
(ahuge ca an, by he way) and Schiele ha made AI a wo ks possible in he i s
place” (Vienna Tou is Boa d, 2023). The “ alue o he a chi e” (Meye , 2023) is
undamen ally ede ined he e – he a o he pas becomes a esou ce o s yles o be
mined and uel he p oduc ion o e e new a ian s. Bu be o e Klim and Schiele
could “ each a i icial in elligence a hing o wo” (Vienna Tou is Boa d, 2023),
hei pain ings i s had o be digi ally ep oduced and con e ed in o aining da a,
ans o med om indi idual mas e pieces in o ec o s and da a poin s in a huge
la en space o billions o images. In hese la en spaces, i ual and ac ual Klim s o
Schieles, wha hey ac ually pain ed and wha hey could ha e pain ed po en ially,
coexis as equally possible a ia ions o pa e ns, and wha makes hem images in
he s yle o Klim o Schiele is ha hei ela i e p oximi y in he la en space.
As al eady s a ed, he in isible, mul idimensional la en spaces o gene a i e AI should
no be con used wi h he h ee-dimensional galaxies o images spaces isualized in
in e aces such as bauhaus in ini y a chi e. Bu despi e hei di e ences in complex-
Figu e 5 Campaign UnA i icial A , 2023 © ViennaTou is Boa d
Sou ce: h ps://b2b.wien.in o/de/see- he-a -behind-ai-a -klim -suje -451836? iew=asDownload.
284 Roland Meye
SJS 51 (2), 2025, 273–289
i y and unc ion, all examples discussed so a ul ima ely sha e he same ope a i e
imagina y o seemingly unlimi ed access and con ol. Thus, i is no wonde ha in
a ideo Open AI p oduced o explain how Dall-E 2 was ained, hey used almos
exac ly he same kind o image y: a boundless black galaxy o ee- loa ing images
a anged in o clus e s and o ming ne wo ks o ela ions.3
Models such as Dall-E, Midjou ney and S able Di usion a e a mani es a ion
o a e y speci ic, con empo a y unde s anding o i ual image a chi es as bo h
na igable spaces and exploi able esou ces. In his espec , hey a e mo e han jus
ano he ool o image p oduc ion. Ra he , hey a e he medium h ough which we
nego ia e wha i possibly means o p oduce new images when almos e e y concei -
able u u e image al eady seems o exis as a s a is ical possibili y in a la en image
space spanned by images o he pas . In some ways, image gene a ion by gene a i e
AI is indis inguishable om image sea ch. When you en e a p omp in o Dall-E,
Midjou ney, o S able Di usion, he so wa e ea s i less as an ins uc ion o be
execu ed and mo e as a sea ch command ha guides he model o a pa icula e-
sul – no unlike sea ching a da abase o ca alogue, al hough you a e no sea ching
acollec ion o p e-exis ing images, bu a la en space o possible images (Meye , 2023).
This la en space o possible images is, howe e , comple ely de ined and
de e mined by images al eady exis ing: he billions o aining images sc aped om
he web and used o aining hese models. The unde lying a chi al an asy o
gene a i e AI is ha he e is no ou side o he a chi e: E e y hing can be c ea ed,
can be in e pola ed om wha is al eady s o ed and made accessible. This o al-
izing an asy o an a chi e wi hou ou side, in some way o he o he , connec s all
examples men ioned so a , om Sood’s Cul u al Big Bang o he gene a i e spaces
o oday’s AI models. I builds on and ies in wi h a second an asy: ha he i ual
collec ion objec s do no ep esen physical objec s in speci ic ins i u ions wi h
hei own conc e e his o y bu s and o hemsel es as he main objec o in e es .
Only as da a objec s can all hese di e se pic u es and a i ac s become he objec
o ope a ions o compa ing, o de ing, in e pola ing, and syn hesizing – ope a ions
ha would be impossible wi h physical collec ions. Fa om being a me e double
o physical collec ions, a de icien copy, o me e add-on, i ual image a chi es
ha e become, as big isual da a, a aluable esou ce o be mined, mobilized, and
mone ized (Alle & Rich e , 2018).
4 Beyond Ex ac ion
Wi h he p og essi e ans o ma ion o i ual image a chi es in o an exploi able
da a esou ce, image ope a ions end o ocus less and less on he indi idual image
3 h ps://openai.com/dall-e-2 (19. 12. 2024).
Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions 285
SJS 51 (2), 2025, 273–289
and mo e and mo e on he modula ion o isual pa e ns ex ac ed om big isual
da a. Ad ian MacKenzie and Anna Muns e (2019) ha e desc ibed his new isual
egime as “pla o m seeing”, a o m o dis ibu ed isuali y ha eme ges om
he mass acquisi ion, accumula ion, and ope a ionaliza ion o “image ensembles”
h ough online digi al pla o ms. Expe imen al museum in e aces se e as a play-
ul in oduc ion o his explo a i e and exploi a i e o m o access o he i ual
image a chi es agg ega ed by ac o s such as Google o Mic oso . Visualized as
loa ing image popula ions in in ini e space, images o he pas become a seemingly
na u al esou ce ha can be app op ia ed, a ied, and ans o med a will. Such an
ope a i e imagina y o a s a is ically con ollable and so e eignly explo able space
o all possible images is by no means ha mless. Ra he , in hese in e aces, ahighly
ideological d eam o o e iew and con ol mani es s i sel , pe pe ua ing he impe-
ial, colonial, and ex ac i is logic ha has al eady d i en he eme gence o Wes e n
museum collec ions.
Since he 1980s, Tony Benne (1988) and many o he ep esen a i es o c i ical
museology ha e analyzed how museums, as pa o a la ge “exhibi iona y complex”,
es ablish a pa icula o de o isibili y, an o de in which he wo ld in i s en i e y
is me onymically made p esen and subjec ed o a classi ying gaze h ough isola ed
objec s o n om hei con ex o o igin and p oduc ion. Museums, as A iella Aisha
Azoulay (2019, p. 109) has pu i , a e “wo ldless deposi o ies” – hey des oy he
li ing ne wo ks o ela ionships in which cul u al objec s we e once in eg a ed, educe
hem o hei collec abili y and displayabili y, and eplace complex and di e se cul-
u al p ac ices wi h s anda dized bu eauc a ic p ocedu es ha a e equally applicable
o any and all objec s (Azoulay, 2019, p. 96). Pe haps he e is no be e image o
hese wo ldless deposi o ies han he endless galaxies o ee- loa ing image clus e s
o e ed by Google, Mic oso , and OpenAI: placeless spaces ha can be na iga ed
by a disembodied gaze, digi al uni e sal museums in he age o da a ex ac i ism.
As a is No a Al-Bad i (2021) eminds us, “We li e in a pos -digi al wo ld
as much as a pos -colonial one”, and bo h pe spec i es canno be sepa a ed. Thus,
ega ding he examples p esen ed in his essay, he ques ion a ises: Wha could be
possible al e na i es o hei impe ialis , ul ima ely neocolonial logic? A e he e
al e na i e spaces ha make i ual museum collec ions na igable wi hou imagin-
ing hem as exploi able esou ces? One po en ial model could be ound in Digi al
Benin, an online p ojec launched in 2022 (Agbon aen-Egha ona e . al., 2022). On
he su ace, Digi al Benin looks like a s aigh o wa d digi al online ca alog: ia he
websi e digi albenin.o g in o ma ion on mo e han 5 000 objec s om 131 museums
is a ailable o he i s ime in a common da abase ( ig.6). And hus, o he i s
ime, he ull ex en o he loo ing becomes isible, which he o en-used e m Benin
b onzes ends o obscu e. Clicking h ough he ca alog, one quickly comes ac oss
hund eds o musical ins umen s, spoons and combs, boxes, con aine s, and o he
household objec s, in addi ion o he wo ld- amous b onze heads, elie pla es, and
286 Roland Meye
SJS 51 (2), 2025, 273–289
i o y masks. B inging oge he in o ma ion on all hese objec s, which un il now
had been di icul o almos impossible o access, was he ocus o he p ojec unded
by he E ns on Siemens Founda ion, on which a ou een-membe in e na ional
p ojec eam, supplemen ed by i e scien i ic ad iso s in Nige ia, Kenya, and he
Uni ed S a es, wo ked o wo yea s. The desi e o such a c oss-collec ion o e iew
is decades old (Sa oy, 2021, p. 150). S ill, he ac ha o e one hund ed museums
and ins i u ions om wen y coun ies coope a ed and sha ed hei da a would only
ha e been concei able a e he cu en es i u ion deba e.
Bu Digi al Benin is much mo e han jus a ca aloging p ojec ; i is pe haps he mos
ambi ious a emp o da e o hink abou i ual collec ions in an explici ly non-
Eu ocen ic, o in his case consciously “Edo-cen ic” way (Agbon aen-Egha ona
e al., 2022). In addi ion o he ca alog, he websi e o e s se en addi ional sec ions
called spaces, which go a beyond he usual logic o museum da abases. The space
“Ẹyo O ọ”, o example, g oups he objec s along ca ego ies ha co espond o hei
o iginal Edo designa ions. He e, one can no only hea he names o he a ious objec
ca ego ies ead aloud in he language o he Kingdom o Benin, one lea ns, abo e all,
some hing abou he conc e e ways in which he a i ac s we e used – acon ex ual
knowledge ha had been los wi h he loo ing and musealiza ion o he a i ac s. In
Figu e 6 Digi al Benin, 2023 (s a ing page)
Sou ce: h ps://digi albenin.o g.
Ope a i e Image Spaces. Na iga ing Vi ual Museum Collec ions 287
SJS 51 (2), 2025, 273–289
o de o econs uc his knowledge, he p ojec eam no only conduc ed a chi al
esea ch in Nige ia, bu also spoke wi h a a ie y o Nige ian expe s, cu a o s,
his o ians, and linguis s, as well as wi h c a smen and a is s who con inue o p o-
duce and use simila objec s oday. So ins ead o making publicly a ailable only he
incomple e objec da a ha he appa a us o he Wes e n museum deemed wo hy
o eco ding, Digi al Benin lays he ounda ions o a new, polyphonic, ne wo ked,
and li ing knowledge o hese objec s and hei cul u al e e ences.
While p ojec s like Google A s & Cul u e s age an ope a i e imagina y as
aspec acle o au oma ed access o esou ces, Digi al Benin uses modes echnical
means o show an al e na i e way o isualizing i ual museum collec ions: Ins ead
o p ojec ing isola ed da a poin s in o a i ual space de oid o con ex and his o y,
i opens up a mul i ude o si ua ed and con ex ualized spaces o in e p e a ion.
And ins ead o nou ishing he idea o a o alizing, all-encompassing i ual a chi e
ha is seemingly beyond all spa ial and empo al limi a ions and de ached om
i s his o y o o igin, as was he ocus o all he examples men ioned so a , Digi al
Benin o e s access o his o ically loca ed collec ions and he s o ies hidden wi hin
hem. Ra he han p esen ing us wi h an a chi e wi hou an ou side, in which wha
has al eady been s o ed, collec ed and classi ied ma ks he ho izon o wha can be
ep esen ed, i s i es o map he di e se, dynamic, and cons an ly g owing ne wo ks
o ela ionships ha connec a chi ed objec s wi h his o ical e en s, physical places,
and li ing p ac ices.
When hinking abou al e na i es o he p e alen ep esen a ions o big isual
da a, we ha e o acknowledge how deeply ou ope a i e imagina ies o how o handle,
access, and na iga e i ual collec ions owe o he speci ic p esupposi ions o Wes e n
image cul u es. Tha i is possible o imagine ha highly di e se museum objec s
sha e he same homogenized i ual a space is no leas due o he s anda dized
image o ma ha is ypical o he pho og aphic eco ding o museum collec ion
objec s: physicali y is educed o a su ace, ma e iali y becomes a isual ex u e, and
di e ences in dimensions, o ma s, and media disappea . The mass digi iza ion o
museum a e ac s hus ul ima ely educes he di e si y o cul u al he i age o a se
o isual da a, a wo-dimensional pixel ma ix ha can be calcula ed wi h, and hus
es ablishes a Eu ocen ic unde s anding o images as he basis o he supposedly
uni e sal compa ison o isual simila i ies (Sch ö e , 2022).
In o de o hink beyond ope a i e image spaces, he e o e, we need a poli ics
o digi iza ion ha does no simply ex end he impe ial and colonial logic o he
uni e sal museum o i ual space bu adically b eaks wi h i s unde lying ideological
p emises and ope a i e imagina ies. Ins ead o sus aining he illusion o a uni e sal,
ee- loa ing, disembodied gaze, we need o build in e aces sui ed o speci ic needs
and in e es s, e lec ing he di e si y o subjec posi ions and pe sonal as well as
collec i e his o ies. Ins ead o imagining new, seemingly neu al spaces o uni e sal
compa ison, we need si ua ed, speci ic and di e se spaces in which we can con on
294 Max F ischknech
SJS 51 (2), 2025, 291–315
da a (Sa age & Bu ows, 2007; Bu ows & Sa age, 2014; F ade, 2016). In he digi al
humani ies, ad oca es a gue ha big da a analysis acili a es and augmen s esea ch
(Mano ich, 2011) while c i ics desc ibe he esul s as supe icial and educ ionis
(Ki chin, 2014, p. 142 wi h e e ence o T umpene 2009). Ei he way, big ( isual)
da a holds he po en ial o e ame he epis emology o social science and humani ies
and he chosen me hodological app oaches mus be hough h ough acco dingly
(Ki chin, 2014). This a icle a emp s o make a humble con ibu ion o hese me h-
odological discussions h ough an empi ical s udy ha ou lines a possible human-
machine collabo a ion. I d aws on a mul idisciplina y app oach combining concep s
om digi al humani ies, media heo y, science, and echnology s udies (STS), and
c i ical da a s udies o explo e how a “machine way o seeing” (Cox, 2022, p. 103)
is shaped by i s unde lying in as uc u e, and how his in as uc u e, in u n, is
shaped by socio echnical imagina ies. In doing so, i p o ides a c i ical amewo k
o how knowledge is c ea ed h ough big isual da a and shaped by echnology.
2.1 Machine Ways o Seeing
In his seminal essay Ways o Machine Seeing as a P oblem o In isual Li e acy Geo
Cox (2022) ou lines he cha ac e is ics o how machines see in e e ence o John
Be ge ’s Ways o Seeing (Be ge , 1972). Seeing and naming hings is a ques ion o
li e acy. Li e acy can be de ined as “compe ence o knowledge o p ac ices ha al-
low use s o main ain and build social imagina ies”, i is he abili y o “ ead, w i e
and p og am” (Cox, 2022, p. 105–106). I is a o m o powe and au ho i y when
ce ain ways o desc ibing and naming hings a e held o e o he s. This is he case
wi h ImageNe and how i mani es s wha PixPlo can see h ough a de ined se o
images and ca ego ies.
Building on Geo Cox we can iden i y h ee aspec s o a machine way o see-
ing. 1)Machines don’ see, hey ela e. Seeing o a machine is no longe singula o
indexical, bu a he dis ibu ed and mul imodal (Cox, 2022, p. 110). A one poin
he image is digi ized o c ea ed, a ano he i is gi en a label, a a hi d, i is iewed.
The meaning ha an image has o a machine is no based on i s indexicali y bu
a he on i s ela ion o i s ca ego ies and o he images and hei ca ego ies. 2)Ma-
chines don’ see, hey ead. Machines don’ see an image, bu a he ead i acco ding
o he model o he wo ld hey know (Cox, 2022, p. 108). Wha lies ou side o his
model can’ be ecognized. This also applies in a echnical sense as an algo i hm eads
an image pixel by pixel o in e p e he co ela ion o a pixel wi h i s neighbo s.
3)Machines don’ see, hey calcula e p obabili ies. Wi h e e ence o C aw o d and
Paglen (2019), Cox a gues ha seeing o a machine is a calcula i e p ac ice, whe e
he algo i hm calcula es he p obabili y ha , o example, he image shows a o em
pole a he han a cac us. These models o p obabili y a e “buil upon inhe en human
p ejudices ela ed o class, gende , and ace” (Cox, 2022, p. 109; wi h e e ence o
C aw o d & Paglen, 2019). In summa y, a machine way o seeing can be desc ibed
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 295
SJS 51 (2), 2025, 291–315
as based on ela ional pe cep ion, algo i hmic eading, and p obabilis ic in e p e a ion.
To unde s and how he machine sees he wo ld is o unde s and how he humans
unde s and he machine and how hey see and each he machine o see he wo ld
(see also Hoggenmülle & Klinke in his Special Issue).
2.2 Da a as In as uc u e
In as uc u e s udy b oadens ou iew o he a ious componen s ha a e a play
when a machine sees. PixPlo and i s CNN a e buil upon exis ing in o ma ion in-
as uc u e, speci ically cybe in as uc u e. Cybe in as uc u es a e “ hose laye s
ha si be ween base echnology (a compu e science conce n) and discipline-speci ic
science” (Bowke e al., 2010, p. 100). This applies o PixPlo as i builds on exis ing
base echnologies such as Tenso low4 o Ke as5 and was speci ically de eloped o
ahumani ies con ex . Susan Leigh S a in oduced us o he idea ha in as uc u es
a e ela ional o social p ac ices and knowledge (S a , 1999). Bowke e al. (2010,
p. 102) u he p oposed o in es iga e cybe in as uc u es as a se o dis ibu ed
ac i i ies along a echnical/social and a local/global axis: “The key ques ion is no
whe he a p oblem is a ‘social’ p oblem o a ‘ echnical’ one. […] The ques ion is
whe he we choose, o any gi en p oblem, a p ima ily social o a echnical solu ion,
o some combina ion.” I he CNNs aining da a doesn’ ecognize ce ain aspec s
o he collec ion B unne , we could de ine i as a echnical p oblem. Bu a he same
ime, we can ame i as a social p oblem i we ask why ce ain mo i es appea in
ImageNe and o he s do no .
2.3 Socio echnical Imagina ies
Technical sys ems a e insepa able om he social con ex s om which hey eme ge
and ope a e. The explo a ion o in as uc u es such as ImageNe leads us o he
socio echnical imagina ies (Jasano , 2015) embedded wi hin such echnological
sys ems, in luencing he de elopmen o compu e ision and hei applica ions and
implica ions o explo e big isual da a. I unde s and a CNN and i s aining da a as
collec i ely held and ins i u ionally s abilized e lec ions o imagined o ms o social
li e and o de , which, in he con ex o his s udy, a e used o explo e ye ano he
imagined o m o social li e and o de embedded wi hin he collec ion B unne .
The concep o socio echnical imagina ies allows us o ecognize and in es iga e he
mul ilaye ed le els o meaning embedded in using CNNs o his o ical big isual
da a explo a ion. I highligh s he in e wined na u e o echnical sys ems and social
con ex s. The CNNs way o seeing is buil upon an a chi e (ImageNe ) and is used
4 Tenso low is an open-sou ce so wa e lib a y o machine lea ning applica ions de eloped and
main ained by Google, h ps://www. enso low.o g/ (14.6.2024).
5 Ke as is an open-sou ce deep lea ning lib a y w i en in he Py hon p og amming language,
h ps://ke as.io/ (14. 6. 2024).
296 Max F ischknech
SJS 51 (2), 2025, 291–315
o explo e an a chi e ( he collec ion B unne ). Bo h o hese imagined o ms o
social li e, lead, as I will y o show, o a po en ial clash o meanings.
3 Objec o S udy, Da a, and Me hods
This sec ion se s ou he me hodological app oach o his s udy. 3.1)Examines he
human way o seeing he collec ion h ough a li e a u e-based his o ical econ ex-
ualiza ion o he pho og aphe E ns B unne and his wo k. 3.2)B ie ly in oduces
he digi iza ion o he collec ion and p esen s he B unne da a se ha was clus e ed
wi h PixPlo . 3.3)Explains in de ail he unde lying mechanics o he PixPlo appli-
ca ion and he ImageNe da a se ha was used o ain he CNN. 3.4)Desc ibes
he analy ical app oach o he in e p e a ion o he clus e s h ough a combina ion
o close and dis an eading.
3.1 The Collec ion E ns B unne
E ns B unne (1901–1979) a ended a ca pen y app en iceship in his a he ’s com-
pany in Me mens e en, Swi ze land. A e wo semes e s a he ca pen y college in
Nü nbe g and s udying in e io design a he Kuns gewe beschule Zu ich, B unne
mo ed o Luce ne and wo ked as an in e io designe . Du ing he g ea dep ession
(1929–1939) B unne los his job and a ended a public employmen p og am whe e
he wo ked on an in en o y o his o ical monumen s. He augh himsel pho og aphy
au odidac ically and p esen ed his i s pic u es o Zu ich Publishe Regina a ound
1936. He quickly began pho og aphing o magazines such as Das Schweize Heim and
Die Schweize Familie. S a ing in he 1940s, pho og aphs we e epea edly published
in he Swiss ine a magazine Du (Lü hi & F ei, 2024). In 1955 B unne was pa
o he amous exhibi ion Family o Man by Edwa d S eichen a MoMA New Yo k
(S eige , 1998). F om he mid- i ies ill his dea h in 1979 E ns B unne shi ed
ocus and became pa o he Ak ion Baue nhaus o schung in de Schweiz (Fa mhouse
Resea ch Campaign in Swi ze land) ini ia ed by he CAS (2023c) be ween 1919
and 1960. He documen ed he dis inc a chi ec u e o a mhouses in Luce ne and
published a co esponding book in 1977 (B unne , 1977).6 I was no un il he 1990s
ha B unne ’s pho og aphic wo k was edisco e ed by a b oade public (Lü hi &F ei,
2024). Mos no ably h ough Pe e P unde ’s monog aph E ns B unne : Pho og-
aphien, 1937–1962 (1995) and an accompanying a elling exhibi ion (Ve lo ene
Wel en. E ns B unne Pho og aphien 1937–1962). I p ominen ly ea u es B unne ’s
wo k o illus a e he his o ical imbe indus y, a ming, milling, o soil cul i a ion.
6 B unne ’s pho og aphic ma e ial on a mhouses in he can on o Luce ne is no pa o he CAS
collec ion. The many a mhouses om o he can ons ound in he CAS collec ion esemble B un-
ne ’s gene al in e es and a e no di ec ly pa o his esea ch.
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 297
SJS 51 (2), 2025, 291–315
Till oday, he monog aph has decisi ely shaped he pe cep ion o B unne as he
pho og aphe who documen ed he anishing u al wo ld (Öz egyi, 2020, p. 26).
While B unne ’s wo k has been published in a ious magazines, he a ailable
academic li e a u e on E ns B unne is ye e y limi ed. To he bes o my knowledge,
only wo a icles con ex ualize his wo k so a wi h a ocus on his oeu e (S eige ,
1998; Öz egyi, 2020). A he momen , he i s disse a ion on B unne ’s collec ion
is being w i en a he Uni e si y o Basel (Lü hi, 2024). Al hough a la ge body o
B unne ’s wo k is conce ned wi h ag icul u e and c a smanship documen ing he
e e yday li es o a me s in u al Swi ze land, he academic li e a u e also highligh s
he di e si y o he collec ion, including pho og aphs abou ci y li e, indus y, con-
s uc ion p ojec s, o mili a y se ice (Öz egyi, 2020, p. 28). Due o B unne ’s se ial
app oach and igid ca aloguing, his wo k has u he been desc ibed as “sys ema ic”
and “in ended as objec i e documen a ions” (S eige , 1998, pp. 26, 36). B unne
Figu e 1 Fi s Pa o a Longe Pho o Se ies on he P oduc ion o Cha coal
(SGV_12N_04301 o SGV_12N_04330)
Sou ce: Collec ion E ns B unne , pho o a chi e o Cul u al An h opology Swi ze land, h ps://a chi .sg -ss p.ch.
298 Max F ischknech
SJS 51 (2), 2025, 291–315
c ea ed an ex ensi e se ies on wo k p ocesses, o example, imbe p ocessing o
cha coal making (c . Fig. 1). The la e is a p ominen example o his pho og aphic
wo k ha aimed a isually p ese ing knowledge ha could po en ially be los . This
e o o p ese e can also be ecognized in his in ol emen in he Swiss a mhouse
esea ch mo emen .
E ns B unne ’s wo k mus u he be unde s ood in he poli ical con ex o i s
ime. As S eige illus a es, B unne ’s pho og aphs con ibu ed o he cons uc ion
o a public image o Swi ze land as a coun y o s ong and ee people li ing in
an alpine landscape du ing Wo ld Wa II (S eige , 1998, p. 33). B unne ’s images
we e emo ed om hei se ial con ex and shown as collages o na ional uni y in
popula Swiss magazines such as Das Schweize Heim. In he succeeding decades he
pho og aphs we e published se e al imes and gene ally in a way “which emphasized
hei o mal and a is ic cha ac e a he han hei documen a y pu pose” o suppo
he cons uc ion o a na ional my h o “wise, bu seemingly uncomplica ed a me s”
ha pe o m “ eal” wo k (S eige , 1998, p. 47). Du ing he wa , Swi ze land became
poli ically and mili a ily isola ed causing he desi e o ensu e one’s own iden i y.
Figu e 2 E ns B unne s Mul i ace ed Po ayal o Swiss Soldie Du ing
Wo ld Wa II (F om Le o Righ , Top o Bo om: SGV_12N_03504,
SGV_12N_03563, SGV_12N_05317, SGV_12N_04682,
SGV_12N_20301, SGV_12N_04603)
Sou ce: Collec ion E ns B unne , pho o a chi e o Cul u al An h opology Swi ze land, h ps://a chi .sg -ss p.ch.
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 299
SJS 51 (2), 2025, 291–315
S eige and Öz egyi bo h poin ou ha B unne knew how o c ea e pho og aphs
ha could be sold o magazines in he con ex o WWII. E ns B unne ’s depic ions
o a me s as ee, independen , and ha d-wo king people and o b a e he oic soldie s
we e app ecia ed isual ma e ial in he e o o an in ellec ual na ional de ence
(Geis ige Landes e eidigung). Howe e , i would be sho -sigh ed o impu e a p o-
pagandis ic in en ion o B unne ’s wo k. As Öz egyi (2020, p. 41) shows, B unne ’s
pho og aphs o he Swiss mili a y no only included po ayals o soldie s i o
se ice, bu also sobe eco dings o hei daily li es (c .Fig.2).
To summa ize, he way o seeing he collec ion d i en by public discou se,
magazines, and exhibi ions, ocuses on he depic ion o u al li e and c a smanship.
The academic pe spec i e complemen s his iew by highligh ing he documen a y
and igid pho og aphic app oach, he complexi y and di e si y o he collec ion and
i s speci ic his o ical con ex . Fo example, i s use o he cons uc ion o a na ion’s
image o b a e soldie s and independen a me s du ing WWII while p o iding a a
mo e nuanced iew. These obse a ions will guide he ollowing examina ion o he
PixPlo clus e s. Will he machine see he same?
3.2 Digi iza ion o he Collec ion and Da ase
A e he dea h o E ns B unne in 1979 he collec ion was handed o e o he CAS
pho o a chi e which is esponsible o i s a chi ing and digi iza ion. The physical
collec ion con ains app oxima ely 48 000 black-and-whi e nega i es in medium
o ma , 20 000 p in s on index ca ds o ganized in a co esponding ile sys em and
addi ional ma e ial such as handw i en indexes, se e al hund ed his o ical p in s
and specimen copies o published pho os. Be ween 2014 and 2018 CAS conse ed,
es o ed, digi ized, and, o he mos pa , also indexed he black-and-whi e nega-
i es wi hin a la ge digi aliza ion e o . Since 2021 and in he con ex o he SNSF
esea ch p ojec Pa icipa o y Knowledge P ac ices in Analogue and Digi al Image A -
chi es (PIA, 2023a)7 his is also being done o he addi ional ma e ial. The collec ion
is u he ans e ed in o a new da a model and base and an ex ended ca aloguing
is ca ied ou . These e o s a e being made no leas o make he collec ion mo e
accessible and unde s andable. As shown, he collec ion has so a ecei ed li le
academic a en ion despi e i s size and signi icance.
The B unne da a se used o clus e ing in his a icle has been c ea ed by
accessing he PIA me ada a API (PIA, 2023b) and IIIF API (PIA, 2023c). A Py hon
sc ip collec ed ID (e. g.SGV_12N_20301) and image i le (e. g. “Solda en beim
Spo ”) o each a ailable digi al objec in he API. A he ime o he collec ion, he
sc ip collec ed a o al o 47 837 ID and i le pai s which we e sa ed in a CSV ile.
A second Py hon sc ip was used o download each image as a JPG ile based on i s
7 SNSF G an Numbe 193788, c . h ps://da a.sn .ch/g an s/g an /193788 (14. 6. 2024).
300 Max F ischknech
SJS 51 (2), 2025, 291–315
ID om he PIA image se e . In e es ingly, his p oduced a o al o 47 020 image
iles, 817 iles less han he e a e objec s in he me ada a API. One example o such
a missing image ile is SGV_12N_27618 (“Häuse au eine Alp”): While he phys-
ical nega i e exis s in he a chi e and he me ada a API e u ns in o ma ion on he
objec , he image se e esponds wi h an in e nal e o ha he ile is empo a ily
no a ailable. These in e up ions in ile a ailabili y a e due o he complexi y o he
in as uc u e and he ac ha de elopmen is ongoing. They beau i ully echo Susan
Leigh S a s s a emen ha in as uc u e becomes isible upon b eakdown (S a ,
1999). The his o ical pho og aphic collec ion, which we pe cei e as a s able en i y,
de elops a ce ain dynamic in he digi al. The PixPlo clus e s do no ep esen he
collec ion in i sel , bu he collec ion in a speci ic s a e a a speci ic poin in ime.
As PixPlo equi es an image ile o see, he 817 digi al objec s wi h no a ailable
image ile we e excluded om he da a se and a o al o 47 020 images (98.3%)
we e used o clus e ing (c . Table 1).
3.3 PixPlo and Con olu ional Neu al Ne wo ks (CNN)
PixPlo is a ee, open-sou ce applica ion de eloped by Yale’s Digi al Humani ies
Lab in 2017 (see also He ms & Lehmann in his Special Issue). I has been used o
clus e big isual da a se s such as he collec ions o he Yale Cen e o B i ish A
(Duhaime, 2017) o he Ha a d A Museum (Rodighie o e al., 2022). Cybe -
in as uc u es like PixPlo a e no s and-alone so wa e packages bu buil upon
(and dependen on) exis ing code lib a ies.8 PixPlo s con olu ional neu al ne wo k
(CNN) was p e- ained on ImageNe (S an o d Vision Lab, 2011) o de ec key
ea u es om images, such as edges, shapes, ex u es, and pa e ns, and calcula e
he p obabili y ha he image shows a ce ain objec such as a “ ee” o “house”.
Based on hese iden i ied cha ac e is ics PixPlo clus e s images acco ding o hei
isual simila i y. Fo each image, a ea u iza ion space o 2 048 dimensions is c e-
a ed, meaning ha he CNN p oduces a ec o wi h 2 048 alues, each o which
co esponds o a speci ic ea u e o he image. A ec o is basically a lis o numbe s
8 Fo a comple e lis o lib a ies see he PixPlo code eposi o y on Gi hub (Duhaime, 2017).
Table 1 Cons uc ion o he Image Se o Clus e ing
Type Coun
A ailable Objec s in he Me ada a API 47 837
A ailable Files on he Image Se e 47 020
Una ailable Files on he Image Se e 817
To al Files used in PixPlo o clus e 47 020
Sou ce: F ischknech , No embe 2023.
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 301
SJS 51 (2), 2025, 291–315
ha se e as a kind o coo dina e ha si ua es an image and i s ea u es in ela ion
o o he images. The ea u iza ion space holds he in o ma ion on how simila an
image is o ano he one. These ea u es a e no necessa ily isible o unde s and-
able o humans bu a he c ea ed by he algo i hm h ough an i e a i e p ocess
o guess and check. Finally, o plo he images in wo-dimensional space (on an X
and Y axis) he 2 048 image ea u es need o be educed o wo. This is achie ed
using a dimensionali y educ ion algo i hm, speci ically UMAP (Uni o m Mani old
App oxima ion and P ojec ion) (McInnes e al., 2020), ha aims a educing he
dimensions while e aining as much o he ele an in o ma ion as possible (see also
Hoggenmülle & Klinke in his Special Issue).
To unde s and he in PixPlo embedded socio echnical imagina ies we need
o analyze i s aining da a se ImageNe . The cen al cha ac e is ics o PixPlo ’s way
o seeing – ela ional pe cep ion, algo i hmic eading, and p obabilis ic in e p e a-
ion– a e essen ially de i ed om his aining da a. ImageNe , o iginally c ea ed o
isual objec ecogni ion, was one o he i s widely a ailable la ge-scale image da a
se s and has been cen al o he ad ancemen o compu e ision and deep lea ning
esea ch. I was de eloped a S an o d Vision Lab and i s p esen ed in 2009 a he
IEEE Con e ence on Compu e Vision and Pa e n Recogni ion (Deng e al., 2009).
Each yea be ween 2010 and 2017 he da a se and i s accu acy ha e been de eloped
u he h ough he ImageNe La ge Scale Visual Recogni ion Challenge (ILSVRC)
(Russako sky e al., 2015). The da a se con ains 1 281 167 aining images ( o lea n
isual ea u es), 50 000 alida ion images ( o alida e how well hese ea u es can
be gene alized), 100 000 es images ( o es wha has been lea ned on unknown
da a) and 1 000 objec classes ( ha speci y he labels such as “ ee” o “house”). The
images we e collec ed om he in e ne h ough au oma ed and manual sea ches. I
emains unclea om which pa icula sou ces he images come bu i seems likely
ha hey a e he esul s o well-known sea ch engines such as Google o Yahoo on
he one hand, and popula image websi es such as Flick on he o he (c . Denge al.,
2009; Russako sky e al., 2015). The images a e la gely de i ed om No h Ame ican
ama eu pho og aphy (Cox, 2022) and we e labelled by p eca ious wo ke s h ough
Amazon’s Mechanical Tu k (C aw o d, 2022). The classes o label he images a e
based on Wo dNe , a lexical da abase o nouns, e bs, adjec i es, and ad e bs ha
a e g ouped in o se s o synonyms (P ince on Uni e si y, 2010). In he subsequen
analysis o his a icle, he openly a ailable ImageNe da a se on Kaggle is used o
compa ison and in e p e a ion o he clus e ing esul s (Kaggle, 2020).
As we know, each da a se comes wi h inhe en bias. Gene ally, we can examine
h ee le els o bias ha can a y signi ican ly ac oss di e en da a se s (Tommasi
e al., 2017). Knowledge o hese biases will suppo ou assessmen o he embedded
socio echnical imagina ies and whe he a ce ain beha io o PixPlo can be amed
as a echnical o social p oblem. The i s o m o bias, he cap u e bias, ela es o he
dis inc ea u es o he images, such as angle o ligh ning. ImageNe - ained CNNs
302 Max F ischknech
SJS 51 (2), 2025, 291–315
end o ha e a bias owa ds iden i ying images based on ex u e a he han shape,
con a y o humans whe e he case is he opposi e (Gei hos e al., 2018). The Ima-
geNe da a se holds p ima ily images aken in well-ligh ed si ua ions con ibu ing
o i s ex u e-bias (He mann e al., 2020). In con as , humans a e ained o see in
di e se ligh ing condi ions which is why he ecogni ion o shapes akes on g ea e
impo ance. The second o m o bias, label bias, ela es o he da a se s isual seman ic
ca ego ies. Acco ding o Yang e al. (2020), Wo dNe ( he lexical da abase used o
c ea e he ImageNe ca ego ies) includes wo ds ha a e o ensi e in e ms o sexuali y
o ace, sensi i e e ms ha can be o ensi e in a speci ic con ex , and e ms ha a e
ha dly applicable o he desc ip ion o images (e. g.“ ege a ian”). While some o hese
wo ds ha e been emo ed om he ImageNe da a se , Yang e al. show ha many
slipped h ough he il e ing p ocess. Fu he , i is wo h conside ing he language
di e ence ha esul s om he empo al di e ence o ImageNe and he collec ion
E ns B unne . Las ly, he nega i e bias ela es o he limi s o he a ailable images
and ca ego ies and hei ep esen a ion o he wo ld. A nega i e bias is challenging
o add ess because changing he o m o ep esen a ion doesn’ necessa ily lead o
a b oade o mo e inclusi e ep esen a ion (Tommasi e al., 2017). Add essing he
nega i e bias would lead o a mo e ex ensi e da a se , bu i can ne e be educed
en i ely. The nega i e bias can be unde s ood as he pe iphe y o he machine’s eye.
3.4 Analysis Me hod: Dis an and Close Reading
Fo he ollowing analysis o he PixPlo clus e s a combina ion o dis an and close
eading is p oposed (Jocke s, 2013; Mo e i, 2016). Dis an eading is unde s ood as
he “no eading” o (o no looking a ) he collec ion pho og aph by pho og aph bu
a he om a a “ o ocus on uni s ha a e much smalle o much la ge ” (Mo e i,
2016, p. 50).9 4.1)Desc ibes he clus e s om a a , no he indi idual pho og aphs
a e o impo ance, bu a he g oups o pho og aphs and how he clus e s ela e o
each o he . 4.2)P oposes a close eading o speci ic g oups o pho og aphs o iden i y
wha he machine migh see, how his ela es o he ImageNe da a se and how i
aligns o di e s om he human pe spec i e iden i ied p e iously unde sec ion3.1.
4 Analysis and Resul s
4.1 Clus e Analysis: A Pano ama o B unne ’s Wo k
PixPlo c ea ed and numbe ed en isual clus e s om he collec ion B unne ha
a e accessible ia side na iga ion in he applica ion. Figu e3 shows hese clus e s and
9 While Mo e i’s dis an eading app oach was o iginally de eloped o li e a u e s udies i has
been adop ed o analyze a ious media, including images (c . A nold & Til on, 2019).
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 303
SJS 51 (2), 2025, 291–315
isualizes how hey o e lap. Table2 p o ides a b ie desc ip ion o each clus e s a ing
a he op le co ne wi h clus e 3 and hen con inuing in a clockwise o a ion.
The en clus e s p o ide a dis an iew o he collec ion and highligh he la ge
di e si y o E ns B unne ’s wo k. Equipped wi h such an o e iew, he nex sec-
ion looks a h ee conc e e examples o examine how human and machine ways o
seeing migh align, di e , o complemen .
Figu e 3 A Rough Ou line o he Ten Clus e s P oduced by Pixplo
Sou ce: Collec ion E ns B unne clus e s, local ins ance o he PixPlo applica ion [Sc eensho , ed ou lines
added, F ischknech ].
310 Max F ischknech
SJS 51 (2), 2025, 291–315
how mos a me s appea in conjunc ion wi h dis inc objec s, especially long ools
like scy hes, sho els, o pi ch o ks. A look in o ImageNe e eals ha he e a e no
many ca ego ies o speci ic ag icul u al ools no does he ca ego y “ a me ” exis .
The ca ego ies “pa allel ba s, ba s” and “ho izon al ba , high ba ” a e p obably he
closes hing o a pi ch o k. Sea ching o “pa allel ba s” in he ImageNe da a se
e eals images o a hle es pe o ming high jump (c . Fig. 8). Compa ing hem wi h
he pho og aphs in Figu e7 le s us suspec why PixPlo clus e ed he way i did.
The machine doesn’ see “wise, bu seemingly uncomplica ed a me s” doing “ eal
wo k” (S eige 1998, 47). The machine’s pe cep ion is ela ional and de e mined
by he dis inc i e ho izon al and e ical objec s.
Looking a he second his o ical na a i e o he he oic soldie and na ional
de ense, PixPlo seems o ha e a clea e ision. The algo i hm clus e s pho og aphs
wi h g ea e isual a iance han in he p e ious example on a me s. Soldie s a e
shown alone, in g oups o di e en sizes and wi h di e en equipmen (Fig. 9).
Looking a he images makes clea ha soldie s in oduce mo e isual consis ency
due o hei helme s and uni o ms. In e es ingly, in some cases, PixPlo places Sol-
die s in close p oximi y o mili a y equipmen such as anks o an i-ai c a guns,
which di e g ea ly isually. This alleged con ex ual knowledge shows how ela ional
Figu e 8 Selec ion o Imagene Images Labeled Wi h “Ho izon al Ba s, Ba s”
Sou ce: Na igu, ImageNe Da ase Explo e , h ps://na igu.ne /#imagene [Sc eensho , F ischknech ].
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 311
SJS 51 (2), 2025, 291–315
pe cep ion, algo i hmic eading, and p obabilis ic in e p e a ion in luence each o he
when concep s o en co-occu in he aining da a.
I mus be no iced ha ImageNe is highly mili a ized con aining many ca e-
go ies such as “ i le”, “assaul i le”, “ ank, a mo ed comba ehicle”, “wa plane”, o
“cannon”.10 Again, wi h a ocus on objec s as he da a se includes “mili a y uni o m”
bu no “soldie ”. This mili a ized iew o e looks he e sa ili y o B unne ’s wo k and
his po ayal o soldie s as play ul and ulne able humans playing socce o sleeping
(c . Fig. 2). On he con a y, he machine alls in o an almos p opagandis ic mode.
10 He e i would be in e es ing o examine mo e closely how his speaks o No h Ame ican socie y,
om which la ge pa s o he ImageNe images o igina e.
Figu e 9 Clus e ing o Soldie s in Di e se Si ua ions
Sou ce: E ns B unne clus e s, local ins ance o he PixPlo applica ion [Sc eensho , F ischknech ].
312 Max F ischknech
SJS 51 (2), 2025, 291–315
5 Conclusion
The a icle s a ed wi h he assump ion ha isual simila i y can be ui ul o he
explo a ion and examina ion o la ge collec ions i he CNN clus e s he pho og aphs
along he cen al opics and na a i es inhe en in he collec ion. The s udy jux a-
posed a human pe spec i e on he collec ion de i ed om li e a u e wi h amachine
pe spec i e h ough PixPlo and i s unde lying in as uc u e, pa icula ly ImageNe .
The main ocus o he s udy was he examina ion o he epis emological implica ions
o such a human-machine in e p e a ion in e play, and i was conduc ed along ou
esea ch ques ions: 1) Can a CNN ecognize he cen al ( isual) opics and na a i es
o a his o ical pho og aphic collec ion? 2)To wha ex en does his machine way
o seeing align o di e om a human pe spec i e on he collec ion? 3)Does his
di e ence allow o in e es ing modes o human-machine collabo a ion? 4)And
wha epis emological implica ions a ise om such a collabo a ion?
The cen al opics and na a i es p e alen in public discou se, magazines,
and exhibi ions, a e B unne ’s depic ion o u al li e and c a smanship. Academic
pe spec i es complemen his iew by highligh ing he collec ion’s complexi y, di-
e si y, his o ical con ex , and he documen a y and igid pho og aphic app oach.
The CNN ecognized some, bu no all, o hese cen al opics and na a i es. The
clus e s make he impo an ole o u al li e and c a smanship comp ehensible
while simul aneously showing he imp essi e size and di e si y o he collec ion.
This is a esul mainly due o he scalabili y o he compu a ional app oach. The
CNNs bias owa ds ex u es aligns well wi h B unne ’s documen a y app oach, in
pa icula he ex ensi e pho o se ies, such as he one on coal making, a e clus e ed
oge he , a leas o he mos pa . In ela ion o his o ical con ex , ma e s ge
mo e complica ed. A na a i e such as he ee, independen a me becomes pa ly
comp ehensible while he soldie s a e mos ly shown in aining si ua ions lacking
B unne ’s humanis ic po ayal o hei e e yday li es.
Besides accessibili y esul ing om scalabili y, I see he po en ial o an in e -
p e a i e collabo a ion abo e all in he ac ha he machine iew emphasizes o mal
aspec s o B unne ’s pho og aphic language. Building on he ex u e bias, a u he
specialized CNN could, o example, suppo ques ions in a his o y ega ding
image composi ion. On he con a y, he collabo a ion mus be iewed c i ically
when he machine’s iew se es as he basis o he de elopmen o con en - ela ed
ques ions, o example, o in o m po en ial no el esea ch di ec ions. He e, he
socio echnical imagina ies embedded in cybe in as uc u e u n ou o be a kind
o epis emological ojan ho se. Hidden behind laye s o in e ace, so wa e and
code lies he ImageNe da a se wi h i s own classi ica ion o he wo ld om which
he machine’s way o seeing eme ges. This has epis emological consequences inso a
as ha he CNN has he abili y o shi ou a en ion owa ds ce ain na a i es and
imagina ies ha we migh assume a ise om he collec ion i sel bu ac ually o igina e
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 313
SJS 51 (2), 2025, 291–315
in he in as uc u e. A clash o meaning a ises be ween a his o ical pho o collec ion
and he CNNs aining da a se . In pa icula , he di e en ime dimensions o he
collec ion and he aining da a c ea e hidden empo al e e ences (examining hese
in mo e de ail would be an exci ing unde aking in i sel ). To assess he o igin o
phenomena ha one migh obse e in he collec ion h ough he CNNs clus e ing,
i is necessa y o c oss- e e ence he machine ways o seeing wi h i s o iginal on ol-
ogy ImageNe . He e, he s udy showed ha in as uc u al and c i ical da a s udies
p o e o be a sui able ool o c i ically in e p e , and whe e necessa y, econ ex ual-
ize in o ma ion gained om machine-lea ning based big isual da a explo a ion.
In conclusion, i can be s a ed ha an imp o ed human-machine in e p e a-
ion in e play depends on aining da a se s ailo ed o he human’s in e p e a ion
in e es . I would be in e es ing o see how a CNN clus e s he collec ion B unne
i ained wi h his o ical da a including ca ego ies de i ed om desc ip ion o wo k
p ocesses o o al his o y. To u he p omo e he po en ial o machine-lea ning-based
app oaches o big isual da a analysis, mo e di e se and hema ically speci ic da a
se s mus become publicly accessible. Inspi ed by human ways o seeing we should
ain many ways o machine seeing ins ead o a ew ying o depic he whole wo ld.
6 Re e ences
A nold, T., & Til on, L. (2019). Dis an Viewing: Analyzing La ge Visual Co po a. Digi al Schola ship
in he Humani ies, 34(1), i3–i16. h ps://doi.o g/10.1093/llc/ qz013
Be ge , J. (1972). Ways o seeing: Based on he BBC ele ision se ies. Penguin Books.
Bowke , G. C., Bake , K., Mille and, F., & Ribes, D. (2010). Towa d In o ma ion In as uc u e S ud-
ies: Ways o Knowing in a Ne wo ked En i onmen . In J. Hunsinge , L. Klas up, & M. Allen
(Eds.), In e na ional Handbook o In e ne Resea ch (pp. 97–117 ). Sp inge Ne he lands. h ps://
doi.o g/10.1007/978-1-4020-9789-8_5
B unne , E. (1977). Die Baue nhäuse im Kan on Luze n. Empi ische Kul u wissenscha Schweiz.
Bu ows, R., & Sa age, M. (2014). A e he c isis? Big da a and he me hodological challenges o
empi ical sociology. Big Da a & Socie y, 1(1), 1–6. h ps://doi.o g/10.1177/2053951714540280
CAS (Cul u al An h opology Swi ze land). (2023a). Das Fo oa chi de EKWS (Empi ische Kul u wis-
senscha Schweiz). h ps://a chi .sg -ss p.ch/ (accessed Ma ch 12, 2023).
CAS (Cul u al An h opology Swi ze land). (2023b). SGV_12 E ns B unne . h ps://a chi .sg -ss p.ch/
collec ion/sg _12/all/1 (accessed Janua y 30, 2023).
CAS (Cul u al An h opology Swi ze land). (2023c). Die Baue nhäuse de Schweiz. h ps://www. olks-
kunde.ch/sg /publika ionen/ eihen/die-baue nhaeuse -de -schweiz/ (accessed Janua y 30, 2023).
Cox, G. (2022). Ways o machine seeing as a p oblem o in isual li e acy. In A. Dewdney & K. Sluis
(Eds.), The ne wo ked image in pos -digi al cul u e (pp. 101–113). Rou ledge.
C aw o d, K. (2021). A las o AI: Powe , poli ics, and he plane a y cos s o a i icial in elligence. Yale
Uni e si y P ess.
C aw o d, K., & Paglen, T. (2019). Exca a ing Ai: The Poli ics o Images in Machine Lea ning T aining
Se s. h ps://exca a ing.ai/
314 Max F ischknech
SJS 51 (2), 2025, 291–315
Deng, J., Dong, W., Soche , R., Li, L., Li, K., & Fei-Fei, L. (2009). ImageNe : A la ge-scale hie a chical
image da abase. In 2009 IEEE Con e ence on Compu e Vision and Pa e n Recogni ion (pp. 248–255).
h ps://doi.o g/10.1109/CVPR.2009.5206848
Duhaime, D. (2017). PixPlo . h ps://gi hub.com/YaleDHLab/pix-plo (accessed Feb ua y 30, 2023).
F ade, C. (2016). Social heo y and he poli ics o big da a and me hod. Sociology, 50(5), 863–877.
h ps://doi.o g/10.1177/0038038515614186
Gei hos, R., Rubisch, P., Michaelis, C., Be hge, M., Wichmann, F. A., & B endel, W. (2018). ImageNe -
ained CNNs a e biased owa ds ex u e; inc easing shape bias imp o es accu acy and obus ness.
a Xi . h ps://a xi .o g/abs/1811.12231 (accessed June 14, 2024).
He mann, K. L., Chen, T., & Ko nbli h, S. (2020). The o igins and p e alence o ex u e bias in con o-
lu ional neu al ne wo ks. P oceedings o he 34 h In e na ional Con e ence on Neu al In o ma ion
P ocessing Sys ems, 19000–19015.
He ms, K., Lehmann, J. (2025). Seeing Like a Field? Schweize ische Zei sch i ü Soziologie, 51(2), Spe-
cial Issue h sg. on S. W. Hoggenmülle , Big Visual Da a als neue Fo m des Wissens: Po enziale,
He aus o de ungen und T ans o ma ionen.
Hoggenmülle , S. W., Klinke, H. (2025). Me abilde als Fo schungswe kzeuge: Zu Kon ingenz und
algo i hmischen Beding hei ih e He s ellung. Schweize ische Zei sch i ü Soziologie, 51(2),
Special Issue h sg. on S. W. Hoggenmülle , Big Visual Da a als neue Fo m des Wissens: Po en-
ziale, He aus o de ungen und T ans o ma ionen.
Jasano , S. (2015). One. Fu u e Impe ec : Science, Technology, and he Imagina ions o Mode ni y.
In D eamscapes o Mode ni y (pp.
1–33). Uni e si y o Chicago P ess. h ps://doi.o g/10.7208/
chicago/9780226276663.001.0001
Jocke s, M. L. (2013). Mac oanalysis: Digi al me hods and li e a y his o y. Uni e si y o Illinois P ess.
Kaggle. (2020). ImageNe objec localiza ion challenge. h ps://kaggle.com/compe i ions/imagene -ob-
jec -localiza ion-challenge (accessed Decembe 11, 2023).
Ki chin, R. (2014). The Da a Re olu ion: Big Da a, Open Da a, Da a In as uc u es & Thei Consequences.
SAGE Publica ions L d. h ps://doi.o g/10.4135/9781473909472
Lü hi, F. (2024). Pa izipa i e Wissensp ak iken in analogen und digi alen Bilda chi en am Beispiel
de Sammlung E ns B unne (SGV). h ps://uni e se.unibas.ch/p ojec s-collabo a ions/9088
(accessed Ma ch 12, 2024).
Lü hi, F., & F ei, F. (2024). Objek biog a ien im in e disziplinä en Fokus. Ein We ks a be ich aus de
Sammlung E ns B unne . Lec u e, Semina ü Kul u wissenscha und Eu opäische E hnologie,
Uni e si ä Basel.
Mano ich, L. (2011). T ending: The P omises and he Challenges o Big Social Da a. In M. K. Gold
(Ed.), Deba es in he Digi al Humani ies (pp. 460–475). Uni e si y o Minneso a P ess. h ps://
doi.o g/10.5749/minneso a/9780816677948.003.0047
McInnes, L., Healy, J., & Mel ille, J. (2020). UMAP: Uni o m Mani old App oxima ion and P ojec ion
o Dimension Reduc ion. a Xi . h ps://doi.o g/10.48550/a Xi .1802.03426
Mo e i, F. (2016). Dis an Reading. Kons anz Uni e si y P ess.
Öz egyi, A. (2020). Von de he oisie en Inszenie ung zu e nüch e en Da s ellung? Fo og a ien on
E ns B unne aus seine Mili ä diens zei bei de Fliege abweh ba e ie 311. Schweize isches A chi
ü Volkskunde/ A chi es suisses des adi ions populai es, 116(2), 25–46. h ps://doi.o g/10.5169/
SEALS-913987
PIA (Pa icipa o y Image A chi es). (2023a). Pa icipa o y Image A chi es. h ps://abou .pa icipa o-
y-a chi es.ch/ (accessed Janua y 30, 2023).
PIA (Pa icipa o y Image A chi es). (2023b). PIA Me ada a API. h ps://openda a.swiss/de/da ase /
pia-me ada a-api (accessed Decembe 23, 2023).
Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions … 315
SJS 51 (2), 2025, 291–315
PIA (Pa icipa o y Image A chi es). (2023c). PIA IIIF API. h ps://openda a.swiss/de/da ase /pia-iii -api
(accessed Decembe 23, 2023).
P unde , P. (1995). E ns B unne : Pho og aphien, 1937-1962. Schweize ische Gesellscha ü Volkskunde.
P ince on Uni e si y. (2010). Wo dNe : A lexical da abase o English. h ps://wo dne .p ince on.edu
(accessed Ap il 30, 2023).
Rodighie o, D., De y, L., Duhaime, D., K ugue , J., Muelle , M. C., Pie sch, C., Schnapp, J. T., S ewa d,
J., & me aLAB. (2022). Su p ise machines: Re ealing Ha a d A Museums’ image collec ion.
In o ma ion Design Jou nal, 27(1), 21–34. h ps://doi.o g/10.1075/idj.22013. od
Russako sky, O., Deng, J., Su, H., K ause, J., Sa heesh, S., Ma, S., Huang, Z., Ka pa hy, A., Khosla,
A., Be ns ein, M., Be g, A. C., & Fei-Fei, L. (2015). ImageNe La ge Scale Visual Recogni ion
Challenge. In e na ional Jou nal o Compu e Vision, 115(3), 211–252. h ps://doi.o g/10.1007/
s11263-015-0816-y
Sa age, M., & Bu ows, R. (2007). The Coming C isis o Empi ical Sociology. Sociology, 41(5), 885–899.
h ps://doi.o g/10.1177/0038038507080443
S an o d Vision Lab. (2011). ImageNe . h ps://image-ne .o g/index.php (accessed May 17, 2023).
S a , S. L. (1999). The E hnog aphy o In as uc u e. Ame ican Beha io al Scien is , 43(3), 377–391.
h ps://doi.o g/10.1177/00027649921955326
S eige , R. (1998). On he uses o documen a y: The pho og aphy o E ns B unne . Visual Sociology,
13(1), 25–47. h ps://doi.o g/10.1080/14725869808583785
S e enson, J. (2008). The Online A chi is : A Posi i e App oach o he Digi al In o ma ion Age. In
L. C a en (Ed.), Wha a e a chi es? Cul u al and heo e ical pe spec i es a eade (pp.
89–108).
Ashga e.
Te as, M. M. (2011). The Rise o Digi iza ion. In R. Rikowski (Ed.), Digi isa ion Pe spec i es (pp. 3–20).
SensePublishe s. h ps://doi.o g/10.1007/978-94-6091-299-3_1
Tommasi, T., Pa icia, N., Capu o, B., & Tuy elaa s, T. (2017). A Deepe Look a Da ase Bias. In
G.Csu ka (Ed.), Domain Adap a ion in Compu e Vision Applica ions (pp.
37–55). Sp inge
In e na ional Publishing. h ps://doi.o g/10.1007/978-3-319-58347-1_2
T umpene , K. (2009). C i ical Response I. Pa a ex and Gen e Sys em: A Response o F anco Mo e i.
C i ical Inqui y, 36(1), 159–171. h ps://doi.o g/10.1086/606126
Yale Digi al Humani ies Lab. (2017). Yale DHLab – PixPlo . h ps://dhlab.yale.edu/p ojec s/pixplo /
(accessed May 13, 2023).
Yang, K., Qinami, K., Fei-Fei, L., Deng, J., & Russako sky, O. (2020). Towa ds ai e da ase s: Fil e -
ing and balancing he dis ibu ion o he people sub ee in he ImageNe hie a chy. P oceedings
o he 2020 Con e ence on Fai ness, Accoun abili y, and T anspa ency, 547–558. h ps://doi.
o g/10.1145/3351095.3375709
Ma c Szydlik
ISBN 978-3-03777-303-1
200 pages
15.5 cm × 22.5 cm
F . 34.– | Eu o 34.–
Wha do adul s say abou hei pa en s? Wha
emo ions do daugh e s and sons ha e when i
comes o hei mo he s and a he s? Wha s o ies
do hey ell? This book o e s pe sonal i s hand
hough s on amily si ua ions and his o ies. Daugh-
e s and sons exp ess and explain hei connec-
ions wi h hei pa en s om ea ly childhood ac oss
he whole li e cou se. They alk abou cohesion,
ambi alence, con lic and dis ance. They epo
lo e and ha e, e e nal bonds and pain ul sepa a-
ions. The s a emen s add ess bo h ela ionships
wi h li ing pa en s and pas ies o mo he s and
a he s who ha e passed away.
This is he ou h book o he SwissGen p ojec ,
a ep esen a i e su ey o in e gene a ional ela-
ions in Swi ze land. The analysis olumes o e
key indings and examine cen al gene a ional
issues in dep h (“Gene a ionen zwischen Kon lik
und Zusammenhal ” / “Gene a ions be ween Con-
lic and Cohesion”). The da a olume p o ides
gene al in o ma ion on he esea ch p ojec and
basic quan i a i e esul s in o m o summa ised
ables (“Rela ions wi h Pa en s: Ques ions and
Resul s”). The book a hand is he quali a i e
complemen o he analysis olumes. I o e s o e
1 500 s a emen s o adul s in hei own wo ds.
The s udy was conduc ed unde he di ec ion o
Ma c Szydlik a he Depa men o Sociology a
he Uni e si y o Zu ich.
Rela ions
wi h Pa en s
S a emen s
Seismo P ess, Zu ich und Gene a www.seismop ess.ch [email p o ec ed]
Seismo P ess
Social sciences and
social issues
317
Swiss Jou nal o Sociology, 51 (2), 2025, 317–336
* Uni e si é de Lausanne, Ins i u des sciences sociales, CH-1015 Lausanne,
[email p o ec ed].
** S aa sbiblio hek zu Be lin P eußische Kul u besi z, D-10772 Be lin,
[email p o ec ed].
Seeing Like a Field?
Ka in He ms* and Jö g Lehmann**
Abs ac : This a icle in oduces he no ion o seeing like a ield – he iew om he inside
o a Bou dieusian ield in which agen s and hei social posi ions a e loca ed. Po en ials and
allacies o conc e izing ield heo y wi h social ne wo k analysis (SNA) a e e alua ed on
he basis o wo examples o cu en esea ch app oaches o big isual da a: compu e ision
ne wo ks and image simila i y analysis.
Keywo ds: Field analysis, compu e ision ne wo ks, image simila i y analysis, machine lea n-
ing, p edic i e analy ics
Voi comme un champ?
Résumé: Ce a icle in odui la no ion de oi comme un champ – la ue de l’in é ieu d’un
champ dans lequel les agen s e leu s posi ions sociales son si ués. Le po en iel e les pièges
d’une conc é isa ion de la héo ie des champs pa l’analyse des éseaux sociaux (ou Social
Ne wo k Analysis – SNA en anglais) son discu és au a e s de deux exemples d’app oches
de eche che ac uelles pa l’analyse du big isual da a: les éseaux de ision pa o dina eu e
l’analyse de simila i é des images.
Mo s-clés: Analyse de champ, éseaux de ision pa o dina eu , analyse de simila i é des images,
app en issage au oma ique, analyse p édic i e
Sehen wie ein Feld?
Zusammen assung: In diesem A ikel wi d das Konzep Sehen wie ein Feld einge üh – de
Blick aus dem Inne en eines Bou dieu’schen Felds, in dem sich Ak eu innen und ih e sozia-
len Posi ionen be inden. Po enziale und Falls icke eine Konk e isie ung de Feld heo ie
du ch soziale Ne zwe kanalyse (SNA) we den anhand on zwei Beispielen ak uelle Fo -
schungsansä ze ü g oße isuelle Da ensä ze disku ie : Compu e -Vision-Ne zwe ke und
Bildähnlichkei sanalysen.
Schlüsselwö e : Feldanalyse, Compu e Vision Ne zwe ke, Bildähnlichkei sanalyse, maschi-
nelles Le nen, p ädik i e Analy ik
DOI 10.26034/cm.sjs.2025.6906
© 2025. This wo k is licensed unde he C ea i e Commons A ibu ion-NonComme cial-
NoDe i a i es 4.0 License. (CC BY-NC-ND 4.0)
318 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
1 In oduc ion1
In e ne communica ion has become omnip esen . Images, ex s, and ideos e ie ed
in social media o e insigh s in o e e yday si ua ions like cooking o spending ime
wi h amily, iends, and pe s. Digi al s o ies a e cha ac e ised by inc easing image y,
as “people a e h ee imes mo e likely o engage wi h wee s ha include isual con-
en ” (Al on, 2024). Use s build social ies wi h o he pla o m use s when ollowing,
liking, commen ing, o sha ing hei images. Since mo e and mo e people a e pos -
ing pic u es om hei daily li es online, cha ac e is ics o ci cula ing images, hei
p oduc ion and ecep ion in a social media en i onmen o m new ields o esea ch
(Ma & Fan, 2022). The social ne wo k Ins ag am is apla o m ha combines images
and ideos wi h mic oblogging. Wi h mo e han 2.4 billion use s since i s launch in
2010, ou o which 500 million use s access he pla o m each day and who c ea ed
o e 990 million daily pho o sequences ha we e published in 2023 as “s o ies”
(Demandsage Ins ag am S a is ics, 2024), Ins ag am can be seen o hold big da a.
I is an a chi e o e e yday digi al p ac ices. Based on he a ailable da a (i.e. isual
con en and ace da a including socio-demog aphic a iables), he se ice o e s
a sou ce o linking obse a ions o aes he ic p e e ences wi h an analysis o use s’
cha ac e is ics and p ope ies. Unde he condi ion o da a access, analysis enables
o g oup use s in o ca ego ies o as e, explo e hei ne wo ks, and make s a emen s
abou hei li es yles. Such an analysis can be done wi h economic in e es o wi h
sociological ambi ions. Whils sociologis s s udy social dynamics and consequences
o media use, ideally by ollowing e hical s anda ds o da a p o ec ion, o ins ance o
a oid use p o iling, big ech pla o ms p ima ily long o p o i maximisa ion based
on ace da a. Ins ag am is bu one example o how he a ailabili y o big da a – and
no only big isual da a, bu also da a on he use s – changes he iew o he big
ech co po a ions on o hei use s. Fo hem, i is now possible o See like a ma ke ,
o ci e Fou cade and Healy (2017), which indica es he abili y o calcula e, s a i y,
and app ehend use beha iou based on consume acking and measu emen s ha
a e applied on massi e collec ions o ace da a: “As new echniques allow o he
ma ching and me ging o da a om di e en sou ces, he esul s c ys allise – o
he indi iduals classi ied – in o wha looks like asupe cha ged o m o capi al”
(Fou cade & Healy, 2017, p. 10). To gi e an example, Me a as he pa en company
o Ins ag am is able o combine images wi h u he da a sou ces om Facebook and
exis ing elephone numbe s om Wha sApp as well as he espec i e eal names. The
esul is a p ecise se o digi al eco ds, a da a double (Bouk, 2017) o all use s ac i e
1 The con ibu o s would like o hank he anonymous pee e iewe s o hei aluable eedback
and hei guidance and suppo , as well as he edi o o his olume, Sebas ian W. Hoggenmülle ,
o his pa ience, pe se e ance and all his e o in b inging his a icle o publica ion. The con-
ibu o s would also like o co dially hank Janna Joceli Omena, Elena Pilipe s, Bea ice Gobbo,
and Jason Chason o hei kindness o p o ide illus a ions o being discussed in his a icle.
The i s h ee illus a ions (Figu e 1.1–1.3) below s em om hei a icle in he jou nal Diseña,
published unde he CC-BY-SA license.
Seeing Like a Field? 319
SJS 51 (2), 2025, 317–336
on hese pla o ms. His o ically, capi alis ma ke s and bu eauc a ic o ganisa ions
in he se ice o na ion-s a es ha e always s i ed o collec da a abou consume s
and ci izens. These da a se e o apply ules and measu es, o implemen classi ica-
o y schemes and analyse consump ion pa e ns and sco es in o de o make he
eal wo ld legible o companies and s a es. Howe e , in he 21s Cen u y analy ic
capaci ies suppo ed by compu ing powe go way u he . P edic i e analy ics – he
iden i ica ion o p e e en ial consump ion pa e ns – enables he an icipa ion o new
needs, desi es, and ends in eal ime du ing hei o ma ion. As big ech companies
a e able o dis inguish consume s along ca ego ies such as iskiness o wo h, such
new s a i ying echnologies also ha e he powe o disc imina e in a way ha was
ye unimaginable in he 20 hCen u y (Fou cade & Healy, 2017, p. 24). A he same
ime, big ( isual) da a a e a ailable o scien i ic pu poses. Social media da a a e used
in compu a ional social science p ojec s o es , among o he s, machine lea ning
applica ions and o op imise models ha a e supposed o p edic social beha iou .
A isk o his de elopmen is he c eeping economisa ion o digi al sociology i e-
sea che s unc i ically adop and ep oduce economic ca ego ies o use s a i ica ion.
Wi h he inc ease in publicly accessible ace da a, ano he challenge is o choose
meaning ul heu is ics o he in e p e a ion o big ( isual) da a.
A classic epis emological amewo k o he analysis o e e yday social p ac-
ices was de eloped by he F ench sociologis Pie e Bou dieu. He was he i s o
ask how e e yday si ua ions a e egula ed wi hou people consciously ollowing
p ede e mined ules. Inspi ed by li e a y desc ip ions and based on his empi ical
obse a ions o F ench cul u al idiosync asies in li ing, ea ing, d essing, and ecei -
ing a , Bou dieu un olds his analysis in la Dis inc ion (Bou dieu, 1979). Se e al
esea che s a gued la e on ha social ne wo k analysis (SNA) would enable a conc e e
me hod o applica ion o Bou dieu’s ield heo y. While Bou dieu was amongs he
i s sociologis s o employ co espondence analysis (Bou dieu, 1979, pp. 296, 596,
622), Wou e de Nooy (2003) p oposed o ans e he con ingency ables on which
Bou dieusian co espondence analysis es s in o adjacency ma ices used o social
ne wo k analysis. A mo e ecen p oposal is gi en by S e an Be nha d (2008) who
a gues ha he heo e ical s eng hs o ield heo y should be combined wi h he
empi ical possibili ies o ne wo k analysis in o de o o e come he weaknesses o
bo h app oaches. In ligh o he g owing possibili ies o sociome y based on ace
da a, mo e and mo e quan i a i e and s uc u al app oaches ha e been de eloped o
combine ield heo y and SNA. Fo example, Se ino e al. (2017) sugges ed a p ac i-
cal implemen a ion o combine blockmodeling and mul idimensional da a analysis
in a case s udy on hea e indus y as a ield o cul u al p oduc ion. Ne e heless,
conc e e sugges ions o use ield heo y o analysing he phenomenon o pic o-
ial digi al o ms o exp ession wi h big isual da a ha e no ye been de eloped.
The e o e, and in allusion o Fou cade and Healy’s c i ical s udy Seeing like a ma ke
(2017), we ask: Is i possible o sociology es ing on big isual da a o See like a ield?
326 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
e e ences om he image (he e “mosqui o”) o en i ies such as pe sons, places, and
hings (he e “zika i us”, “mic ocephaly”, “p egnancy”, “minis y o heal h” e c).
In his way, he Knowledge G aph goes beyond he con en o he image i sel and
p o ides a s uc u e o he ne wo k, whe e images and web en i ies se e as nodes
and he occu ence o web en i ies (o o he ex ual desc ip ions) in ela ion o
images se e as edges.
The dicho omy be ween ce ain web en i ies (he e disease e sus heal h) may
lead o he in e p e a ion o a public con o e sy. As a me hodological ex ension
wi h espec o a en ion economy, we p opose o combine his ne wo k app oach
wi h a quali a i e analysis o image- ex anno a ions o decide and e alua e wha
he en i ies e e o in speci ic si ua ions.
The hi d kind o ne wo k es s on he images in combina ion wi h he URLs
on which he images ha e been published. Simila isual con en s a e sugges ed
by he powe ul Google Image Sea ch. These image-domain ne wo ks (c) allow o
explo e and analyse he web o igin o hose images, whe eby images and domains
se e as nodes and he occu ence o domains in ela ion o images se e as edges.
In his way, simila o iden ical images can be aced back o scien i ic o social
communi ies, o in luen ial agen s in e ms o dis ibu ing images ac oss he web can
be iden i ied. In a way, his is a double-edged swo d, since he p o ision o URLs
e lec s Google’s opaque anking algo i hm and he pa icula o de in which he web
con en is deli e ed o use s. Omena e al.’s me hod can be ex ended by an analysis o
conc e e and si ua ed use in e ac ions on he de ec ed websi es o be e unde s and
hei digi al sociabili y. I is also possible o combine he p esen ed compu e ision
Figu e 1.2 Example o Image-Web En i ies. Nodes Re eal Which Con ex s
o Knowledge G aph En i ies A e Mos F equen ly Associa ed Wi h
an Image in Ques ion (He e a Mosqui o)
pink
emple
ashion accesso y
kni ing
eddy bea
smile hug
acial hai
cap
beanie
ha
sun ha
gli e
ision ca e
eyewea
snapsho
in e ac ion
headgea
sunglasses
clown
skin
beau y
cosme ics
people
day
oddle
sibling
lady
doll
pe son
hai accesso y
headpiece
child
cool
un
play
shi
s anding
ex ile
slee e
baby p oduc s
clo hing
woman
plaid
amily
sociali e
lap
polka do
u ni u e
cos ume
ou doo play equipmen
baby ca iage
shi
playg ound slide
educa ional oy
jou nalis
daugh e
a he
in an
mo he
boy
man
jewelle y
agg ession
headband
black hai
shoulde
join si ing
peach
pho o shoo
sca
ba hing
nigh wea
lace
washing
w is
elbow
he apy
oo wea
shoe
pa ien
jeans ouse s
ankle
d ess
spo s uni o m
gown
boxing glo e
denim
leggings
blouse
a e
pocke
bowling pin
swea e
bean bag pajamas
gi l
muscle
g andpa en
human body
e o ic li e a u e
kni cap
bonne ou e wea
�oo ing
linens
bed shee
kinde ga en
�oo
dance d ess
in�a able
heal h ca e
oom
spo swea
bedding
sock
ca sea
ashion
a an den is
sneake s
op
baby �oa
oy block
couch
club
pillow
nu se y
bowling ball
jacke d ess shi
ball
ableclo h
pumpkin
halloween
coa
balle u u
supe man
nap ma
image-label (1) pink
emple
ashion accesso y
kni ing
eddy bea
smile hug
acial hai
cap
beanie
ha
sun ha
gli e
ision ca e
eyewea
snapsho
in e ac ion
headgea
sunglasses
clown
skin
beau y
cosme ics
people
day
oddle
sibling
lady
doll
pe son
hai accesso y
headpiece
child
cool
un
play
shi
s anding
ex ile
slee e
baby p oduc s
clo hing
woman
plaid
amily
sociali e
lap
polka do
u ni u e
cos ume
ou doo play equipmen
baby ca iage
shi
playg ound slide
educa ional oy
jou nalis
daugh e
a he
in an
mo he
boy
man
jewelle y
agg ession
headband
black hai
shoulde
join si ing
peach
pho o shoo
sca
ba hing
nigh wea
lace
washing
w is
elbow
he apy
oo wea
shoe
pa ien
jeans ouse s
ankle
d ess
spo s uni o m
gown
boxing glo e
denim
leggings
blouse
a e
pocke
bowling pin
swea e
bean bag pajamas
gi l
muscle
g andpa en
human body
e o ic li e a u e
kni cap
bonne ou e wea
�oo ing
linens
bed shee
kinde ga en
�oo
dance d ess
in�a able
heal h ca e
oom
spo swea
bedding
sock
ca sea
ashion
a an den is
sneake s
op
baby �oa
oy block
couch
club
pillow
nu se y
bowling ball
jacke d ess shi
ball
ableclo h
pumpkin
halloween
coa
balle u u
supe man
nap ma
image-label (1)image-label (1)
2016 summe olympics
abo ion
abo ion law
academic jou nal
ae osol sp ay
agãªncia b asil
agãªncia nacional de saãºde suplemen a
aids
all india p e medical es
alle gy
anes hesia
ankyloglossia
ao ic aneu ysm
a e y
a h opod
aspm
asymp oma ic
a he oscle osis
aus ia
au ism speaks
au ism-eu ope
a ocado
axon
babycen e
bachelo o medicine and bachelo o su ge y
bac e ia
band m
bee s ing
belã©m
biology
bi h con ol
bi h de ec
bi ing
bleeding
bligh ed o um
blood
blood es
blood–b ain ba ie
body ache
boquei ã£o
b ain
b ain damage
b ain umo
b onchi is
b umado
bug zappe
calci�ca ion
campina g ande
cance immuno he apy
can o ia
ca aãºbas
ca bon–ca bon bond
ca diology
ca dio ascula disease
ca men lãºcia
ca pal unnel
ca ãºpano
cas iglione della pescaia
cea ã¡
celina u chi
cell
cell di ision
ce eb ospinal �uid
ce eb um
cha lo e denman lozie
chemical bond
chickenpox
child en's hospi al
cho da a
ch omosome
ch omosome 3
ci onella oil
ci y o guaxupe
ci il police
cleaning
clima e change
clinical hospi al eache
clã© is on and ade
cochlea implan
college o wa
collegium
coluna
communi y heal h cen e
companhia de ãgua e esgo o da pa aã-ba
complica ion
compounds o ca bon
congeni al abno mali y
con aine
con inen
cooking oil
co eios
c i du cha
c oss- unc ional eam
cu e
cã¡ce es
de o mi y
delayed miles one
de ma ologis
de ma ology
de elopmen o he ne ous sys em
diabe es melli us
diagnosis o hi /aids
diagnos ic es
dia hea
digg eade
digi al signal
di ec o disease
disease managemen
double bond
d essing
d ug
d ug es
d ugs o e
ea ly childhood in e en ion
eas e n egion
edua do amo im
egg cell
el sal ado
elec on mic oscope
epilep ic spasms
e y hema
escola de o maã§ã£o de o�ciais da ma inha me can e
es ado de minas
e and o chagas
e and o chagas ins i u e
exame nacional do ensino mã©dio
ex eme po e y
eye inju y
abio od igues pozzebom
acipe - uni caxangã¡
amily medicine
eb ua y 8
ede al dis ic
ede al highway police
ede al ins i u e o pe nambuco
ede al uni e si y o bahia
ede al uni e si y o goiã¡s
ede al uni e si y o io de janei o
ede al uni e si y o io g ande do sul
ede al uni e si y o san a ca a ina
ede al uni e si y o sã£o paulo
e us
� h disease
� s aid ki
�ushing
o eign exchange ma ke
anco da ocha
ed aylo
ede ick ban ing
g1
gene ic diso de
gland
glaucoma ounda ion
global heal h
guaxupã©
gynaecology
hayne
headache
heal h sys em
hea ing loss
hen y k. beeche
he pes simplex
his amine
hi
hondu as
hong kong
hospi al das clã-nicas da uni e sidade de sã£o paulo
hyd a
hyd oco isone
hype ension
hypo hesis
ica idin
igo padilla
immune sys em
inciden
in e ili y
in es a ion
in�amma ion
in�uenza accine
in og aphic
insec epellen
in eg a i e medicine
in e nal medicine
in au e ine g ow h es ic ion
ipub - ins i u o de psquia ia da u j
i i a ion
i ch
jama
janua y
jaundice
john langdon down
joã£o �lguei as lima
juazei o
juca e ei a
juscelino kubi schek
kaise pe manen e
ke a i is
ke osene
labo a o y
ld&b insu ance and �nancial se ices
legisla i e assembly o pa aã-ba
lesion
li e enu e
lingual enec omy
macapã¡
magne ic esonance imaging
majo dep essi e diso de
malnu i ion
manual he apy
ma cos espinal
ma a sou h campus
ma o g osso
medical college
medical glo e
medical echnologis
medicine
meningi is
meningococcal disease
michael g ege
mic obiology
mic ocephaly
mic oo ganism
mic oscope
minis y o cul u e
minis y o educa ion
minis y o heal h
minis y o social de elopmen and �gh agains hunge
mogi das c uzes
molecule
mosqui o ne
mo embe
myiasis
myo ascial igge poin
na ional council o scien i�c and echnological de elopmen
na ional elec ical code
na ional eligibili y and en ance es
na ional � e p o ec ion associa ion
na ional sani a y su eillance agency
na u e mic obiology
neona al acne
ne ous sys em
neu oglia
neu ological diso de
neu osu ge y
ni e ã³i
non-communicable disease
nu ien obs e ics and gynaecology
o�!
oswaldo c uz
oswaldo c uz ounda ion
pain
palma es
pamphle
panama
pa anã¡
pa ie al lobe
pa kinson's disease
pa ien
pelou inho
pe ica dial e�usion
pe ime e
pe me h in
pe ussis
pe e he g ea
pha maceu ical d ug
pha macy
phenylke onu ia
phylum
physical examina ion
piedade
plas ic su ge y
polyclinic lessa de and ade
polymic ogy ia
p e-eclampsia
p eceden
p egnancy
p esby e ian college x de no emb o
p ima y heal hca e
p ognosis
p og ama saãºde da amã-lia
p os a e cance
p os hesis
psychia y
pun a ala
py ip oxy en
aul hen y
e e al
e o m
ehabili a ion
ehabili a ion hospi al
ep oduc i e heal h
esidency
isk ac o
na
od igo ollembe g
sw so wa e
ubella
ã¡dio cidade 99.1
sali a
sali a y gland
san o domingo
sa ah ne wo k o ehabili a ion hospi als
sa ey insu ance
school o medicine
scien is
seconda y educa ion
se ã£o
sexual in e cou se
sexual pa ne
signal
sinusi is
sis ema ãšnico de saãºde
spinal co d
sp ain
s a e uni e si y o alagoas
s a e uni e si y o ei a de san ana
s em cell
s e ens ehen
s ylianos an ona akis
suc e
su geon
su ubim
swelling
symme y in biology
syphilis
eaching hospi al
eixei a de ei as
ejuã§uoca
ele isiã³n nacional de chile
es s a egy
ime 100
issue
obacco 21
oo hpas e
oxicology
oxoplasmosis
ansa lan ic ade and in es men pa ne ship
ansla ional esea ch
ansla ional esea ch ins i u e
isomy
sgi inc.
n
ul asound
unice aus alia
uni ed na ions
uni e si y cen e o joã£o pessoa
u ina y ac in ec ion
u ology
e ically ansmi ed in ec ion
igaba in
i amin
i amin d
i ã³ ia da conquis a
omi ing
wa e s o age
wa e ank
week 30 o p egnancy
wilson's disease
women's heal h
women's igh s
wound
wound healing
ya
yolani ba es
zika i us
㉠o chan!
heal h
image-web en i ies (2)
cdnins ag am.com
con en 1.jdmagicbox.com
dab.saude.go .b
pbs. wimg.com
pe i ebox.com.b
pm1.na ii.com
saude- iocla o.o g.b
scon en -yyz1-1.cdnins ag am.com
sobep.o g.b
u.saude.go .b
wo speak. u
www.gammacen e .ne
www.hebia iaba is ela.com.b
www.megaimagem.com.b
www.nixo clinik. u
www.nu sing.com.b
www. iocla o.sp.go .b
www.saude. c.sp.go .b
image-domain (3)
Janna Joceli omena
elena PiliPe s
Bea ice GoBBo
Jason chao
The poTenTials o GooGle Vision api-based neTwo ks
To sTudy naTiVely diGiTal imaGes
diseña 19
auG 2021
a TiCle.1
9
Sou ce: Omena e al., 2021, p. 9.
Seeing Like a Field? 327
SJS 51 (2), 2025, 317–336
ne wo ks wi h each o he (e.g. web-en i ies and image-domains). The po en ial o
sociological esea ch is eno mous: No only can ne wo ks o images a ailable on he
in e ne be explo ed a scale – up o ens o housands o images a e hinkable –, bu
image-web en i y ne wo ks allow o he analysis o he ci cula ion o he ecognised
en i ies and can be blended in o social ne wo ks, whe eas image-domain ne wo ks
open up he possibili y o iden i y domain-speci ic social communi ies ga he ed
a ound he use o he images which ha e been selec ed by he esea che s analysing
such ne wo ks. Wi h espec o image-label ne wo ks, adependency on he da a
p o ided by he Google Image API has ce ainly o be no ed. Howe e , a leas wi h
espec o pho og aphic ma e ial, al e na i e means o anno a e images a e cu en ly
a ailable: E en wi hou he labels a ached o he images om he in e ne i is pos-
sible o i s pe o m objec de ec ion, objec localiza ion, and objec quali ica ion
by applying open sou ce algo i hms such as Incep ionV3, adeep lea ning model
capable o au onomously de ec objec s like pe sons, ho ses, o a ca . In a second
s ep i is possible o ex ac and ep esen seman ic elemen s by es ablishing a code
sys em which se es he needs o he esea che s wo king on his ma e ial (A nold
& Til on, 2019). The la e app oach does no depend on he labels a ibu ed by
he use s o he in e ne , bu allows o a cul u ally and socially cons uc ed code
sys em ha has o be es ablished by he esea che s acco ding o hei needs. Con-
sequen ly, he analysis o he images hemsel es and he objec s con ained he ein
can be conduc ed acco ding o he p emise o a sociologis . In sum, he analysis o
he h ee ypes o ne wo ks p o ides he basis o a ans e in o social ne wo ks and
hus in o a modi ied ield analysis in he Bou dieusian sense. Besides, he poin o
Figu e 1.3 Example o an Image-Domain Ne wo k. Nodes Display Web
Domains Which Hos he Chosen Images
pink
emple
ashion accesso y
kni ing
eddy bea
smile hug
acial hai
cap
beanie
ha
sun ha
gli e
ision ca e
eyewea
snapsho
in e ac ion
headgea
sunglasses
clown
skin
beau y
cosme ics
people
day
oddle
sibling
lady
doll
pe son
hai accesso y
headpiece
child
cool
un
play
shi
s anding
ex ile
slee e
baby p oduc s
clo hing
woman
plaid
amily
sociali e
lap
polka do
u ni u e
cos ume
ou doo play equipmen
baby ca iage
shi
playg ound slide
educa ional oy
jou nalis
daugh e
a he
in an
mo he
boy
man
jewelle y
agg ession
headband
black hai
shoulde
join si ing
peach
pho o shoo
sca
ba hing
nigh wea
lace
washing
w is
elbow
he apy
oo wea
shoe
pa ien
jeans ouse s
ankle
d ess
spo s uni o m
gown
boxing glo e
denim
leggings
blouse
a e
pocke
bowling pin
swea e
bean bag pajamas
gi l
muscle
g andpa en
human body
e o ic li e a u e
kni cap
bonne ou e wea
�oo ing
linens
bed shee
kinde ga en
�oo
dance d ess
in�a able
heal h ca e
oom
spo swea
bedding
sock
ca sea
ashion
a an den is
sneake s
op
baby �oa
oy block
couch
club
pillow
nu se y
bowling ball
jacke d ess shi
ball
ableclo h
pumpkin
halloween
coa
balle u u
supe man
nap ma
image-label (1) pink
emple
ashion accesso y
kni ing
eddy bea
smile hug
acial hai
cap
beanie
ha
sun ha
gli e
ision ca e
eyewea
snapsho
in e ac ion
headgea
sunglasses
clown
skin
beau y
cosme ics
people
day
oddle
sibling
lady
doll
pe son
hai accesso y
headpiece
child
cool
un
play
shi
s anding
ex ile
slee e
baby p oduc s
clo hing
woman
plaid
amily
sociali e
lap
polka do
u ni u e
cos ume
ou doo play equipmen
baby ca iage
shi
playg ound slide
educa ional oy
jou nalis
daugh e
a he
in an
mo he
boy
man
jewelle y
agg ession
headband
black hai
shoulde
join si ing
peach
pho o shoo
sca
ba hing
nigh wea
lace
washing
w is
elbow
he apy
oo wea
shoe
pa ien
jeans ouse s
ankle
d ess
spo s uni o m
gown
boxing glo e
denim
leggings
blouse
a e
pocke
bowling pin
swea e
bean bag pajamas
gi l
muscle
g andpa en
human body
e o ic li e a u e
kni cap
bonne ou e wea
�oo ing
linens
bed shee
kinde ga en
�oo
dance d ess
in�a able
heal h ca e
oom
spo swea
bedding
sock
ca sea
ashion
a an den is
sneake s
op
baby �oa
oy block
couch
club
pillow
nu se y
bowling ball
jacke d ess shi
ball
ableclo h
pumpkin
halloween
coa
balle u u
supe man
nap ma
image-label (1)image-label (1)
2016 summe olympics
abo ion
abo ion law
academic jou nal
ae osol sp ay
agãªncia b asil
agãªncia nacional de saãºde suplemen a
aids
all india p e medical es
alle gy
anes hesia
ankyloglossia
ao ic aneu ysm
a e y
a h opod
aspm
asymp oma ic
a he oscle osis
aus ia
au ism speaks
au ism-eu ope
a ocado
axon
babycen e
bachelo o medicine and bachelo o su ge y
bac e ia
band m
bee s ing
belã©m
biology
bi h con ol
bi h de ec
bi ing
bleeding
bligh ed o um
blood
blood es
blood–b ain ba ie
body ache
boquei ã£o
b ain
b ain damage
b ain umo
b onchi is
b umado
bug zappe
calci�ca ion
campina g ande
cance immuno he apy
can o ia
ca aãºbas
ca bon–ca bon bond
ca diology
ca dio ascula disease
ca men lãºcia
ca pal unnel
ca ãºpano
cas iglione della pescaia
cea ã¡
celina u chi
cell
cell di ision
ce eb ospinal �uid
ce eb um
cha lo e denman lozie
chemical bond
chickenpox
child en's hospi al
cho da a
ch omosome
ch omosome 3
ci onella oil
ci y o guaxupe
ci il police
cleaning
clima e change
clinical hospi al eache
clã© is on and ade
cochlea implan
college o wa
collegium
coluna
communi y heal h cen e
companhia de ãgua e esgo o da pa aã-ba
complica ion
compounds o ca bon
congeni al abno mali y
con aine
con inen
cooking oil
co eios
c i du cha
c oss- unc ional eam
cu e
cã¡ce es
de o mi y
delayed miles one
de ma ologis
de ma ology
de elopmen o he ne ous sys em
diabe es melli us
diagnosis o hi /aids
diagnos ic es
dia hea
digg eade
digi al signal
di ec o disease
disease managemen
double bond
d essing
d ug
d ug es
d ugs o e
ea ly childhood in e en ion
eas e n egion
edua do amo im
egg cell
el sal ado
elec on mic oscope
epilep ic spasms
e y hema
escola de o maã§ã£o de o�ciais da ma inha me can e
es ado de minas
e and o chagas
e and o chagas ins i u e
exame nacional do ensino mã©dio
ex eme po e y
eye inju y
abio od igues pozzebom
acipe - uni caxangã¡
amily medicine
eb ua y 8
ede al dis ic
ede al highway police
ede al ins i u e o pe nambuco
ede al uni e si y o bahia
ede al uni e si y o goiã¡s
ede al uni e si y o io de janei o
ede al uni e si y o io g ande do sul
ede al uni e si y o san a ca a ina
ede al uni e si y o sã£o paulo
e us
� h disease
� s aid ki
�ushing
o eign exchange ma ke
anco da ocha
ed aylo
ede ick ban ing
g1
gene ic diso de
gland
glaucoma ounda ion
global heal h
guaxupã©
gynaecology
hayne
headache
heal h sys em
hea ing loss
hen y k. beeche
he pes simplex
his amine
hi
hondu as
hong kong
hospi al das clã-nicas da uni e sidade de sã£o paulo
hyd a
hyd oco isone
hype ension
hypo hesis
ica idin
igo padilla
immune sys em
inciden
in e ili y
in es a ion
in�amma ion
in�uenza accine
in og aphic
insec epellen
in eg a i e medicine
in e nal medicine
in au e ine g ow h es ic ion
ipub - ins i u o de psquia ia da u j
i i a ion
i ch
jama
janua y
jaundice
john langdon down
joã£o �lguei as lima
juazei o
juca e ei a
juscelino kubi schek
kaise pe manen e
ke a i is
ke osene
labo a o y
ld&b insu ance and �nancial se ices
legisla i e assembly o pa aã-ba
lesion
li e enu e
lingual enec omy
macapã¡
magne ic esonance imaging
majo dep essi e diso de
malnu i ion
manual he apy
ma cos espinal
ma a sou h campus
ma o g osso
medical college
medical glo e
medical echnologis
medicine
meningi is
meningococcal disease
michael g ege
mic obiology
mic ocephaly
mic oo ganism
mic oscope
minis y o cul u e
minis y o educa ion
minis y o heal h
minis y o social de elopmen and �gh agains hunge
mogi das c uzes
molecule
mosqui o ne
mo embe
myiasis
myo ascial igge poin
na ional council o scien i�c and echnological de elopmen
na ional elec ical code
na ional eligibili y and en ance es
na ional � e p o ec ion associa ion
na ional sani a y su eillance agency
na u e mic obiology
neona al acne
ne ous sys em
neu oglia
neu ological diso de
neu osu ge y
ni e ã³i
non-communicable disease
nu ien obs e ics and gynaecology
o�!
oswaldo c uz
oswaldo c uz ounda ion
pain
palma es
pamphle
panama
pa anã¡
pa ie al lobe
pa kinson's disease
pa ien
pelou inho
pe ica dial e�usion
pe ime e
pe me h in
pe ussis
pe e he g ea
pha maceu ical d ug
pha macy
phenylke onu ia
phylum
physical examina ion
piedade
plas ic su ge y
polyclinic lessa de and ade
polymic ogy ia
p e-eclampsia
p eceden
p egnancy
p esby e ian college x de no emb o
p ima y heal hca e
p ognosis
p og ama saãºde da amã-lia
p os a e cance
p os hesis
psychia y
pun a ala
py ip oxy en
aul hen y
e e al
e o m
ehabili a ion
ehabili a ion hospi al
ep oduc i e heal h
esidency
isk ac o
na
od igo ollembe g
sw so wa e
ubella
ã¡dio cidade 99.1
sali a
sali a y gland
san o domingo
sa ah ne wo k o ehabili a ion hospi als
sa ey insu ance
school o medicine
scien is
seconda y educa ion
se ã£o
sexual in e cou se
sexual pa ne
signal
sinusi is
sis ema ãšnico de saãºde
spinal co d
sp ain
s a e uni e si y o alagoas
s a e uni e si y o ei a de san ana
s em cell
s e ens ehen
s ylianos an ona akis
suc e
su geon
su ubim
swelling
symme y in biology
syphilis
eaching hospi al
eixei a de ei as
ejuã§uoca
ele isiã³n nacional de chile
es s a egy
ime 100
issue
obacco 21
oo hpas e
oxicology
oxoplasmosis
ansa lan ic ade and in es men pa ne ship
ansla ional esea ch
ansla ional esea ch ins i u e
isomy
sgi inc.
n
ul asound
unice aus alia
uni ed na ions
uni e si y cen e o joã£o pessoa
u ina y ac in ec ion
u ology
e ically ansmi ed in ec ion
igaba in
i amin
i amin d
i ã³ ia da conquis a
omi ing
wa e s o age
wa e ank
week 30 o p egnancy
wilson's disease
women's heal h
women's igh s
wound
wound healing
ya
yolani ba es
zika i us
㉠o chan!
heal h
image-web en i ies (2)
cdnins ag am.com
con en 1.jdmagicbox.com
dab.saude.go .b
pbs. wimg.com
pe i ebox.com.b
pm1.na ii.com
saude- iocla o.o g.b
scon en -yyz1-1.cdnins ag am.com
sobep.o g.b
u.saude.go .b
wo speak. u
www.gammacen e .ne
www.hebia iaba is ela.com.b
www.megaimagem.com.b
www.nixo clinik. u
www.nu sing.com.b
www. iocla o.sp.go .b
www.saude. c.sp.go .b
image-domain (3)
Janna Joceli omena
elena PiliPe s
Bea ice GoBBo
Jason chao
The poTenTials o GooGle Vision api-based neTwo ks
To sTudy naTiVely diGiTal imaGes
diseña 19
auG 2021
a TiCle.1
9
Sou ce: Omena e al., 2021, p. 9.
328 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
independen da a collec ion wi h ega d o pho og aphic ma e ial should no be
unde es ima ed: While he knowledge necessa y o use Google’s Image API has been
ex ensi ely documen ed (Omena & Cu ie, 2022a; 2022b) and he me hodology
o cons uc he h ee ypes o ne wo ks has been ho oughly desc ibed (Omena
e al., 2021), da a collec ion and he e o e all subsequen s eps depend on Google’s
Knowledge G aph and/o on Google’s anking sys ems and sea ch capabili ies: “ e-
sea che s mus unde s and ha wha hey a e seeing includes he laye ed s uc u e
o online connec i i y h ough Google’s eyes” (Omena e al., 2021, p. 20). Howe e ,
cu en ly a ailable sophis ica ed me hodologies using exis ing machine lea ning ap-
plica ions acili a e da a collec ion independen om da a p o ision by a big ech
company whe e e his deems sui able o he esea che (Smi s & We e s 2023).
3.2 Image Simila i y Analysis on Digi ised Cul u al He i age Images
The second example p esen ed he e does no necessa ily ely on images o be ound
on he in e ne , e en hough a sociological pe spec i e on con empo a y socie ies
migh be a p io i y. I he emphasis o analysis is mo e on a his o ical pe spec i e and
ocuses on longi udinal e olu ion o e.g., de elopmen s in he ield o a , digi ised
isual cul u al he i age asse s migh be p e e ed. Simila o he app oach desc ibed
in he sec ion abo e, such ma e ial can equally be analysed wi h compu e ision
me hods; howe e , he me hodological app oach is qui e di e en . Digi al cul u al
he i age da ase s usually con ain ich me ada a; in he case o images om a his-
o y hese me ada a con ain in o ma ion on he a is , he yea when he wo k o a
was c ea ed, he place o c ea ion o publica ion as well as u he in o ma ion like
he a is ic mo emen o which he a is belonged o s ylis ic o echnical ea u es
cha ac e ising his speci ic wo k o a . In compu e ision, image- ex combina-
ions a e e med mul imodal and allow o he deploymen o deep lea ning models
(Smi s & We e s, 2023). Such an image da ase can be analysed on apixel le el using
acon olu ional neu al ne wo k. The compu a ion o he loca ion o each image in
ahigh-dimensional ec o space is subsequen ly possible, since he numbe o pixels
wi h iden ical o simila colou in ensi ies as well as hei cha ac e is ic combina-
ions wi hin an image allows o he ans o ma ion o he image iles in o ec o s
consis ing o numbe s. This calcula ion also p o ides he basis o he de e mina ion
o image simila i ies and he applica ion o clus e ing algo i hms (c .on he logic
o me apic u es Hoggenmülle & Klinke in his Special Issue). While his app oach
esembles he sociological g ouping o indi iduals on he basis o ea u es cha ac e is-
ing hem, as i may be employed o example in li es yle analysis, he me hodology
o c ea ing a high-dimensional ec o space o big da a analysis has been de eloped
in he ield o na u al language p ocessing (NLP), whe e he numbe o wo d occu -
ences in a co pus o documen s o m he s ic ly quan i a i e basis o a anging
Seeing Like a Field? 329
SJS 51 (2), 2025, 317–336
each documen in a ec o space (Tu ney & Pan el, 2010). Wi h he ad en o neu al
ne wo ks, his me hod was implemen ed in compu e ision applica ions. I no only
has he bene i o compu a ionally de e mining he posi ion o each image in he
high-dimensional ec o space, bu also in a isual space in which he clus e ed im-
ages can be explo ed as i hey we e loca ed on a wo- o h ee-dimensional Ca esian
coo dina e sys em. To achie e his, he numbe s o each ec o a e compu ed using
a echnique o dimensionali y educ ion – om a high-dimensional ec o space
in o a wo o h ee dimensional one – using an algo i hm called UMAP (McInnes
e al., 2018; speci ically o -SNE see again Hoggenmülle & Klinke in his Special
Issue). PixPlo is one o hose compu e ision applica ions. I uses he Incep ion
deep neu al ne wo k o analysis o image simila i ies, clus e ing and isualisa ion
o la ge image da ase s. I has been de eloped by he Yale Digi al Humani ies Lab.
I me ada a associa ed wi h an image a e a ailable, i is possible o display hem in
an in e ac i e isualisa ion.
A couple o esea ch p ojec s, especially om he digi al humani ies, ha e
employed PixPlo in o de o isualise, explo e, and analyse la ge isual da ase s
(see F ischknech in his Special Issue as an example). Fu he mo e, se e al cul-
u al he i age ins i u ions ha e used he echnology de eloped by Yale (see e.g. he
implemen a ions by he Na ional Lib a y o Denma k h ps://labs.s a sbiblio eke .
dk/pixplo / as well as he Na ional Galle y o Denma k h ps://pixplo .smk.dk/).
The Su p ise Machines p ojec has isualised mo e han 200 000 images om he
Ha a d A Museums usually inaccessible o isi o s o he museum. While each
o hese digi al objec s a e publicly accessible online, a isualisa ion o he ex ensi e
image collec ion was p esen ed as an exhibi ion on he p emises o he museum
(Rodighie o e al., 2022). The i le o he exhibi ion and o he esea ch p ojec is e-
ealing: Su p ise Machines e e s o he o en unexpec ed and unp edic able ou comes
o machine lea ning applica ions, he eby gene a ing su p ises in he indi iduals
explo ing he isualisa ion o he ec o space model. PixPlo has also been used o
p o ide a pano amic o e iew o mo e han 1 000 digi al images which ha e been
c ea ed as illus a ions o Dan e Alighie i’s Di ina Comedia since he publica ion o
his na a i e poem in he 13 h Cen u y. Images a e a anged in clus e s based on
hei simila i ies and p esen ed alongside he Comedy’s s uc u e and plo ; me ada a
can as well be b owsed by he use s on he p ojec ’s websi e a h ps://di inecomedy.
digi al/#/ (Bone a & Ba dazzi, 2022). While hese p ojec s e e o simila ‘clus e ing’
app oaches in a his o y like Aby Wa bu g’s A las Mnemosyne (Wa bu g, 2020),
he di e ence be ween he app oach o an a his o ian wi h he ich con ex ual
knowledge and he compu a ional de e mina ion o image simila i ies is ob ious.
In con as , he Posca álogo (o Pos ca alog in English) p ojec ook a di e en
app oach. The s a ing poin he e was Al ed H. Ba ’s amous diag am ep esen ing
he mos impo an a is ic mo emen s o he i s decades o he 20 h Cen u y,
330 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
which cha s o mal in luences and hus in e p e s he e olu ion and genealogy o
a o mode ni y. This diag am was ans o med in o a high-dimensional ec o
space using he me ada a accompanying he image da ase , especially he da es when
he wo ks o a we e c ea ed. In a second s ep, an Incep ion con olu ional neu al
ne wo k (CNN) was used o g oup he da ase o abou 2 000 images in o clus e s
and map hem on o he diag am (Rod íguez O ega e al., 2021). The esul ing
isualisa ion combines hand-cu a ed me ada a and compu ed clus e s, hus allow-
ing o an imme si e explo a ion o he g ouped images and hei a ious ela ion-
ships. The wo-dimensional display o hese g ouped images enables an analysis o
he de elopmen o he ield o e ime and suppo s – in sociological e ms – he
explo a ion o he ensions be ween and sequence o “o hodox” and “he e ical”
a is s (Bou dieu, 1979, p. 257). Howe e , he explo a ion o s uc u ing opposi-
ions – such as cubism s. su ealism – does no un old in a s aigh o wa d way,
because he images a e clus e ed on he basis o hei simila i y and no acco ding
o hei a ilia ion o a mode nis mo emen , he pain ing s yle o which migh ha e
changed o e ime. This insigh is pu in a nu shell by using he e m Posca álogo– i
implies he de achmen om he adi ional, man-made ca aloguing sys ems and
he in e p e a ions p o ided by esea che s. By con as , i inaugu a es isible and
physically pe cep ible app oaches o la ge image da ase s g ouped acco ding o hei
compu ed simila i ies.
Figu e 2.1 Ba X Incep ion CNN Visualisa ion o Clus e ed Image Da a
in a Vec o Space Model, Which Can Be Unde s ood as a Field
inBou dieusian Te ms, He e a Full View o he Visualisa ion.
Sou ce: A ailable online a h ps://digi al-na a i es. e sae.es/ [Sc eensho , He ms and Lehmann].
Seeing Like a Field? 331
SJS 51 (2), 2025, 317–336
Bo h igu es illus a e he po en ial o image simila i y app oaches o a anging
la ge amoun s o images om a his o y, i hey a e combined wi h me ada a. In
he i s igu e, he elde mode nis mo emen s (e.g. imp essionism) can be ound
on he le , while younge mo emen s (e.g. abs ac exp essionism) a e o be ound
on he igh . The second igu e shows how he clus e ing algo i hm wo ks, since
i a anges simila images in o one g oup (e.g. cubis pain ings). Howe e , no all
cubis pain ings a e accumula ed, since mo i s and he colou s used may a y.
Compa ed o adi ional cul u al sociological app oaches, he po en ial o im-
age simila i y analyses o scale up om a na ow, quali a i e app oach o big isual
da a is pa icula ly e iden he e. They could be u he elabo a ed i he neu al
ne wo ks would be ained on ai s like b ushwo k, s oke weigh , composi ion o
else. A u he ex ension would be ealised by including he likes o o he kind o
eedback which he used images ecei ed by e ie ing such a en ion economy da a
ia he Pin e es REST API, hus p o iding he clus e ing algo i hm wi h u he da a.
A he same ime and as i is o en he case, he digi al me hodologies used
in he named p ojec s b ing man-made epis emologies as cul u al cons uc s and
adi ional ep esen a ions o a his o y o he su ace. In his way, hey ques ion
Figu e 2.2 The Same Visualisa ion as in Figu e 2.1, Wi h a Zoom in o
One o he Clus e s, in This Case Cubis Pain ings.
Sou ce: A ailable online a h ps://digi al-na a i es. e sae.es/ [Sc eensho , He ms and Lehmann].
332 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
cus oma y classi ica ion sys ems and genealogical na a i es, concep ions o c ea i i y,
o iginali y, and in luence wi h a long pedig ee in a his o y, o he de e mina ion o
simila i y and di e ence as hey ha e been es ablished and sys ema ically elabo a ed
by a his o ians. The digi al u n in a his o y migh he e o e un old i s dis up i e
po en ial in a way which may be pe cei ed as unse ling by scien i ic esea che s – he
p omise o ad ancing human knowledge by using compu a ional app oaches migh
be accompanied by he sha e ing o long-es ablished a his o ical o sociological
me hodologies, a colla e al damage ha is no always welcomed i i con es s he
ounda ion o a his o y as a discipline (Rod íguez O ega, 2019). Howe e , he
example o Posca álogo shows ha he clus e ing o simila images p esen s a p oduc-
i e p o oca ion o a his o y o ien ed owa ds Bou dieu, because i would ha e
o clea ly iden i y wha exac ly “o hodoxy” and “he esy” (Bou dieu, 1979, p. 257)
mean in e ms o con en . The me ada a collec ed by cul u al he i age ins i u ions
use ca ego ies ha we e es ablished be o ehand; i would be possible o g oup he
images acco ding o hese desc ip i e labels, o example o isually a ange Cubism
as opposed o Su ealism. Meanwhile, his would only esul in a isualisa ion o
an in e p e a ion es ablished be o ehand. Image simila i y clus e ing, by con as ,
e eals new isual con ex s, challenges inhe i ed in e p e a ions and conc e ises he
isual ules es ablished in he ield. I hus suppo s he analysis o big isual da a
as a ield in he Bou dieusian sense.
4 Conclusion
The wo p esen ed examples ha e unde lined he signi ican po en ial o analy ic
possibili ies o sociological analyses es ing on big isual da a. The i s case s udy
exempli ies how image-label ne wo ks can be c ea ed, answe ing he ques ion
Wha does he use s’ isual a en ion ocus on? Wi h espec o image-web en i y
ne wo ks, i has o be aken in o accoun ha hose en i ies a e added by Google
and linked o he Google Knowledge G aph. As such, hey enable he iden i ica ion
o a ious pe spec i es on o ela ed opics, e ealing image- ela ed deba es om
a Google Knowledge G aph pe spec i e. Image-domain ne wo ks, inally, enable
he explo a ion o he socio- echnical o igin o he ci cula ing images, some imes
poin ing o domain-speci ic audiences ga he ed a ound he use o speci ic images,
hus answe ing he ques ion Which social g oups pa icipa e in he isual deba e? This
me hodology can be unde s ood as an al e na i e o he con ingency ables used
by Bou dieu o analyse aes he ic p e e ences: The size o nodes in all h ee ypes o
p esen ed compu e ision ne wo ks e lec s di e en le els o image isibili y, be i
h ough image-labels, web-en i ies o image-domains. Visual a en ion can hus be
in e p e ed as a esou ce ha makes ci cula ing images gain in luence. The e o e,
we p opose ha a en ion economy may be used as a help ul concep o in e p e
compu e ision ne wo ks om a Bou dieusian pe spec i e.
Seeing Like a Field? 333
SJS 51 (2), 2025, 317–336
The second case s udy does no ake images d awn om he web in o ocus,
bu image collec ions om cul u al he i age ins i u ions alongside wi h me ada a
cu a ed by cul u al he i age p ac i ione s. The pixelwise analysis o he image allows,
alongside wi h he a ailable me ada a, a clus e ing and isual a angemen o la ge
amoun s o images ( ens o hund eds o housands). Subsequen ly, an analysis in
e ms o con en o he image clus e s and he esul ing isual a angemen can be
pe o med, hus iden i ying he posi ion o he g oups o images in a i ual space.
Coming back o he main ques ion o ou con ibu ion – is i possible o
sociology es ing on big isual da a o See like a ield?, we highligh ha he me h-
odologies p esen ed abo e need o be complemen ed by quali a i e, con ex ualised,
and in e p e a i e app oaches. In his way, bo h examples open he doo widely o
he analysis o big isual da a as a ield in a Bou dieusian sense: The ne wo k analyses
do no only enable in e p e a ion abou wha hese isual da a a e abou , bu also
which social g oups a e engaged in he isual deba es. Fu he mo e, i a ailable a -
en ion economy da a such as likes, emojis, o epos s a e in eg a ed as well, aes he ic
p e e ences o he use s can be analysed. Cul u al s yles a ound ci cula ing images
will hen ma e ialise in he p ocess o analysis. Image simila i y clus e ing d aws he
a en ion o he esea che o he con en o he images hemsel es, he eby enabling
an in e p e a ion o who would cons i u e o hodox and he e ic g oups o image
c ea o s in he gi en image sample, as well as os e ing an in e p e a ion o wha he
isual exchange is eally abou . Taken oge he , hese me hodological app oaches
allow o a la ge ex en o an in e p e a ion o big isual da a as Bou dieusian ields.
Howe e , he e a e limi a ions o wha can analy ically be achie ed wi h an
app oach ha ies o see like a ield. These limi a ions esul om he no able gaps
be ween esea che s and big ech companies in e ms o da a access, e hical s anda ds
and s a egic goals o big da a analysis. While companies long o p edic ion o con-
sume s’ beha iou , esea che s analyse ace da a wi h he aim o be e unde s and
social dynamics in a pla o m con ex . By con as , he asse o beha iou al da a
and de i ed analy ic p oduc s like iden i ied pa e ns o aes he ic consump ion and
p oduc ion as well as p e e ences o as e and social ela ionships a e wha enable big
ech companies o ma ch use disposi ions and ad e isemen s and hus o gene a e
p o i s ou o da a analysis. This p ocess o “commodi ying people’s beha iou s”
(Fou cade & Healy, 2017, p. 16) has been analysed by Shoshana Zubo (2019) in
he s udy The Age o Su eillance Capi alism. The economis analyses digi al capi-
alism as a no el ma ke o m and de elops concep s like “beha iou al su plus”
(Zubo , 2019, pp. 63–97), he “epis emic coup” (i.e. he claim o owne ship o
knowledge in socie y by ech co po a ions, Zubo , 2019, pp. 176–195, 495–595)
and “ins umen a ian powe ” (Zubo , 2019, pp. 351–444). The i s one is ele an
in he con ex discussed he e. As Zubo explains, he iden i ica ion o beha iou al
pa e ns allows o p edic i e analy ics: “These machine in elligence ope a ions
con e aw ma e ial in o he i m’s highly p o i able algo i hmic p oduc s designed
o p edic he beha iou o i s use s” (Zubo , 2019, p. 65). In combina ion wi h
334 Ka in He ms and Jö g Lehmann
SJS 51 (2), 2025, 317–336
he ace da a on language, cul u al asse s, adi ions, cus oms, and p e e ences in
e ms o as e a ailable only o big ech companies, such analy ic p oduc s enable
e en he p edic ion o cul u al p oduc ion and consump ion. This is a cen al poin
in Zubo ’s a gumen a i e amewo k, since i is exac ly he e ha su eillance capi-
alism anscends he ma ke logic as i was concei ed so a , namely as an opaque
mechanism whe e supply and demand a e balanced: “Su eillance capi alism hus
eplaces mys e y wi h ce ain y as i subs i u es endi ion, beha iou al modi ica ion,
and p edic ion o he old ‘unsu eyable pa e n’. This is a undamen al e e sal o
he classic ideal o he ‘ma ke ’ as in insically unknowable” (Zubo , 2019, p. 497).
The a ailabili y o comple e ace da a a he hands o big ech co po a ions
hus has signi ican consequences o he di ision o knowledge p oduc ion especially
in Wes e n socie ies. P edic i e analy ics ills he blank in Bou dieusian ield heo y
which we ma ked abo e, bu i canno be pe o med on he basis o a en ion economy
da a alone. I he powe o disposi ion o e comple e ace da a is decisi e o he
analysis o big isual da a, sociological esea ch endea ou s a e o be ound on he
domina ed side o he di ision o knowledge p oduc ion ha has aken place since
he ad en o he In e ne . Fo scien i ic esea ch, i may be ex emely a ac i e o
explo e cul u al c ea i i y as pa e ns o beha iou and o p edic cul u al p oduc-
ion, bu i has o be admi ed ha hose analy ic p oduc s ely on ace da a which
a e beyond he each o scien i ic knowledge. Big ech co po a ions will no make
such da a a ailable since such pa e ns o consump ion a e eminen ly exploi able
and hus se e he maximisa ion o p o i hey a e looking o . As long as esea che s
don’ ha e ull access o ace da a, i will no be possible o sociology o see like
a ield, o he same ex en as pla o m companies see like a ma ke .
5 Re e ences
Ahne , R., Ahne , S. E., Coleman, C. N., & Weinga , S. B. (2020). The Ne wo k Tu n: Changing Pe spec-
i es in he Humani ies (1s ed.). Camb idge Uni e si y P ess. h ps://doi.o g/10.1017/9781108866804
Al on, Liz (2024, Ap il 4). 7 ips o c ea ing engaging con en e e y day. h ps://web.a chi e.o g/
web/20240404010929/h ps://business. wi e .com/en/blog/7- ips-c ea ing-engaging-con en -
e e y-day.h ml
A nold, T., & Til on, L. (2019). Dis an iewing: Analyzing la ge isual co po a. Digi al Schola ship in
he Humani ies, 34(Supplemen _1), i3–i16. h ps://doi.o g/10.1093/llc/ qz013
Ba abási, A.-L. (2009). Linked. How e e y hing is connec ed o e e y hing else and wha i means o business,
science, and e e yday li e ([18. edi ion] Plume p in ; au ho ized ep in o a ha dco e ed. publ.
by Pe seus Publ.). Plume.
Be nha d, S. (2008). Ne zwe kanalyse und Feld heo ie. G und iss eine In eg a ion im Rahmen on
Bou dieus Sozial heo ie. In C. S egbaue (Ed.), Ne zwe kanalyse und Ne zwe k heo ie: Ein neues
Pa adigma in den Sozialwissenscha en (pp. 121–130). VS Ve lag ü Sozialwissenscha en. h ps://
doi.o g/10.1007/978-3-531-91107-6_8
Bone a, M., & Ba dazzi, A. (2022). Da a Visualiza ion as a Tool o Expe ience he Legacy o Dan e’s
Di ine Comedy and i s In luence on he Cul u al He i age. Biblio heca Dan esca: Jou nal o
Dan e S udies, 5(1), 288–297.
Seeing Like a Field? 335
SJS 51 (2), 2025, 317–336
Bouk, D. (2017). The His o y and Poli ical Economy o Pe sonal Da a o e he Las Two Cen u ies in
Th ee Ac s. Osi is, 32(1), 85–106. h ps://doi.o g/10.1086/693400
Bou dieu, P. (1971). Une in e p é a ion de la héo ie de la eligion selon Max Webe . Eu opean Jou nal
o Sociology / A chi es Eu opéennes de Sociologie / Eu opäisches A chi Fü Soziologie, 12(1), 3–21.
Bou dieu, P. (1979). La dis inc ion. C i ique sociale du jugemen . Les Éd. de Minui .
Bou dieu, P. (1992). Les Règles de l’A . Genèse e S uc u e du Champ Li é ai e. Éd. du Seuil.
Cen ola, D. (2011). An Expe imen al S udy o Homophily in he Adop ion o Heal h Beha io . Science,
334(6060), 1269–1272. h ps://doi.o g/10.1126/science.1207055
Cha, M., Haddadi, H., Bene enu o, F., & Gummadi, K. (2010). Measu ing Use In luence in Twi e :
The Million Followe Fallacy. P oceedings o he In e na ional AAAI Con e ence on Web and Social
Media, 4(1), 10–17. h ps://doi.o g/10.1609/icwsm. 4i1.14033
de Nooy, W. (2003). Fields and ne wo ks: Co espondence analysis and social ne wo k analysis in he
amewo k o ield heo y. Poe ics, 31(5), 305–327. h ps://doi.o g/10.1016/S0304-422X(03)00035-4
Demandsage Ins ag am S a is ics. (2024). h ps://www.demandsage.com/ins ag am-s a is ics/
Esco ie , J.-P. (2024). Pe i e his oi e des ma héma iques. Dunod.
Fou cade, M., & Healy, K. (2017). Seeing like a ma ke . Socio-Economic Re iew, 15(1), 9–29. h ps://
doi.o g/10.1093/se /mww033
F aibe ge , S. P., Sina a, R., Resch, M., Riedl, C., & Ba abási, A.-L. (2018). Quan i ying epu a ion and
success in a . Science, 362(6416), 825–829. h ps://doi.o g/10.1126/science.aau7224
F anck, G. (1998). Ökonomie de Au me ksamkei : Ein En wu . Hanse .
F ischknech , M. (2025). Th ough he Eyes o he Machine: Explo ing His o ical Pho o Collec ions
wi h Con olu ional Neu al Ne wo ks. Schweize ische Zei sch i ü Soziologie, 51(2), Special
Issue h sg. on S. W. Hoggenmülle , Big Visual Da a als neue Fo m des Wissens: Po enziale,
He aus o de ungen und T ans o ma ionen.
Hennig, M., & Kohl, S. (2012). Fundie ung de Ne zwe kpe spek i e du ch die Habi us- und Feld-
heo ie on Pie e Bou dieu. In M. Hennig & C. S egbaue (Eds.), Die In eg a ion on Theo ie
und Me hode in de Ne zwe k o schung (pp. 13–32). VS Ve lag ü Sozialwissenscha en. h ps://
doi.o g/10.1007/978-3-531-93464-8_2
Hoggenmülle , S. W., Klinke, H. (2025). Me abilde als Fo schungswe kzeuge: Zu Kon ingenz und
algo i hmischen Beding hei ih e He s ellung. Schweize ische Zei sch i ü Soziologie, 51(2),
Special Issue h sg. on S. W. Hoggenmülle , Big Visual Da a als neue Fo m des Wissens: Po en-
ziale, He aus o de ungen und T ans o ma ionen.
Janning, F. (1991). Pie e Bou dieus Theo ie de P axis. Analyse und K i ik de konzep ionellen G undlegung
eine p axeologischen Soziologie. (Vol. 105). Wes deu sche Ve lag.
Ma, X., & Fan, X. (2022). A e iew o he s udies on social media images om he pe spec i e o in o -
ma ion in e ac ion. Da a and In o ma ion Managemen , 6(1), 100004. h ps://doi.o g/10.1016/j.
dim.2022.100004
McInnes, L., Healy, J., Saul, N., & G oßbe ge , L. (2018). UMAP: Uni o m Mani old App oxima ion
and P ojec ion. Jou nal o Open Sou ce So wa e, 3(29), 861. h ps://doi.o g/10.21105/joss.00861
Omena, J. J., & Cu ie, M. (2022a). Collec ing Da a Using APIs Pa 1: How o Unde s and APIs and
Na iga ing API Documen a ion [How- o Guide]. SAGE Resea ch Me hods: Doing Resea ch
Online. h ps://doi.o g/10.4135/9781529611441
Omena, J. J., & Cu ie, M. (2022b). Collec ing Da a Using APIs Pa 2: How o Communica e Wi h and
Access APIs [How- o Guide]. SAGE Resea ch Me hods: Doing Resea ch Online. h ps://doi.
o g/10.4135/9781529611458
Omena, J. J., Elena, P., Gobbo, B., & Jason, C. (2021). The Po en ials o Google Vision API-based
Ne wo ks o S udy Na i ely Digi al Images. Diseña, 19, A icle 1, 1–25. h ps://doi.o g/10.7764/
disena.19.A icle.1
342 Sebas ian W. Hoggenmülle und Ha ald Klinke
SJS 51 (2), 2025, 337–359
nan e Fa be, Kon as ) ande e sei s können die Bildda en sodann au de Suche nach
O dnungsmus e n a iabel so ie we den, was po enziell zu eine Vielzahl und
Viel al an Me abilde n üh en kann.6 Ausschlaggebend ü die E s ellung des hie
gezeig en Beispiels wa das spezi ische In e esse an Kame abilde n aus Asien in eine
ühen Phase des Fo schungsp ozesses, insbesonde e die F age, inwie e n diese Bilde
P ak iken de Übe wachung zeigen und welche Einblicke sie in Mach e häl nisse,
Zensu und soziale Kon olle e ö nen. Zudem wa die In en ion ausschlaggebend,
du ch ein k eis ö miges, nach Fa b on und Helligkei so ie es Me abild ele an e
In o ma ionen und Bedeu ungss uk u en in Bezug au die an änglich okussie en
Fo schungs agen deu lich sich ba machen zu können. Dabei wu de un e ande em
e mu e , dass die be ei s au Ne zkame abilde n aus ande en Kon inen en beob-
ach e e isuelle P axis de Ve emdung on Bildsegmen en du ch Abdeckungen,
Unschä en ode Ve pixelungen – e wa in Fo m on Balken, Weichzeichnungen
ode g oben Pixeln ( gl. Ca iezel, 2015, S. 195 .)– besonde s e izien iden i izie
we den könn e, um eine sei s de en konk e e Umse zung in Asien zu e kunden und
ande e sei s bes ehende Fo schungs agen zu schä en sowie neue zu gene ie en.
Die in e ak i e Bedienba kei des exempla ischen Me abilds wiede um
un e s ü z sowohl den Explo a ionsp ozess nach ele an en In o ma ionen und
Bedeu ungss uk u en als auch die En wicklung und P äzisie ung on Fo schungs-
agen, indem sie einen ließenden Übe gang on einem Gesam übe blick übe
das isuelle Da enko pus, wie in Abbildung 1 da ges ell , bis hin zu de aillie en
Einblicken in spezi ische Ausschni e einzelne Bildda en e möglich , wie in Ab-
bildung 2 exempla isch anhand on Sc eensho s eine Zoom-Bewegung illus ie .
Au diese Weise bie e das Beispielbild nich nu eine um assende Übe sich übe
alle 40 000 Bilde , sonde n zeig auch ie e e S uk u en, wie e wa eine Anomalie im
Regenbogen-Fa b e lau : eine un e b ochene, gelb leuch ende Linie, die sich om
Mi elpunk des K eises bis zum Rand e s eck . Zugleich e möglich es die geziel e
Fokussie ung au einzelne Ne zkame abilde , was beim Hineinzoomen auch die
besag e Anomalie nähe e klä : Die gelbe Linie esul ie aus iden ischen Bilde n,
au denen schwa ze chinesische Sch i zeichen au gelbem G und den Hinweis
„Maschine wi d gewa e “ zeigen.
Im Gegensa z zu Nu zung des Me abildes im Kon ex des ansdisziplinä en
Fo schungsp ojek s, wo es o allem dazu dien , mi Blick au das zen ale Fo schungs-
in e esse an de Beobach ung de Wel ia Ne zkame as soziologisch ele an e und/
ode küns le isch iel e sp echende S uk u en in den 40 000 Ne zkame abilde n
zu iden i izie en – sei es du ch die Fokussie ung au die (Un-)Sich ba kei soziale
Si ua ionen, Beziehungen und Räume, sei es du ch den Ve gleich mi Me abilde n,
die Bilde ande e Kon inen e ode Zei punk e zeigen, um egionale Un e schiede
und zei liche En wicklungen zu analysie en, ode sei es du ch die Bewe ung de
6 Diese Vielzahl und Viel al wi d im Rahmen des Fo schungsp ojek s zusä zlich dadu ch e wei e ,
dass en sp echende Me abilde auch ü Ne zkame as on ande en Kon inen en ode geog a ischen
S ando en e s ell we den können.
Me abilde als Fo schungswe kzeuge … 343
SJS 51 (2), 2025, 337–359
Po enziale und G enzen des Me abildes als analy isches We kzeug einschließlich
echnische Fehle und e hische He aus o de ungen–, möch en wi im o liegenden
Bei ag anhand des exempla ischen Me abildes e deu lichen, dass das, was wi als
Me abild wah nehmen, au komplexen s a is ischen Be echnungen, algo i hmischen
Ve ah en, echnischen Bedingungen und eine Vielzahl on En scheidungen basie ,
die g undsä zlich kon ingen und e ände ba sind. Und speziell an diese S elle:
Es geh uns da um, au zuzeigen, dass Fo schende im He s ellungsp ozess eines
Abbildung 2 Exempla isches Hineinzoomen in das Me abild
Quelle: Eigene Visualisie ung [G abne und Hoggenmülle ].
344 Sebas ian W. Hoggenmülle und Ha ald Klinke
SJS 51 (2), 2025, 337–359
Me abildes an e schiedenen S ellen Wahlmöglichkei en haben und dami En schei-
dungszwängen un e liegen, die die Da en isualisie ung en scheidend beein lussen.
In unse em Beispiel be i diese Kon ingenz e wa die Auswahl de Bildda en
(hie eine zu ällige S ichp obe on 40 000 in Asien an einem Tag p oduzie en Bil-
de n), die Wahl de Analysemodelle (eine Kombina ion aus d ei Technologien),
die Fes legung de So ie k i e ien ( adiale Ano dnung nach Fa b on und Hellig-
kei ), die Fo m de isuellen Da s ellung (k eis ö mig und zweidimensional), die
Einbindung on Me ada en (Kame as ando ) sowie die In e ak i i ä und Benu -
ze *innen üh ung (Schwenk- und Zoom unk ion). Es is leich o s ellba , dass eine
ande e Auswahl de Bildda en (z. B. eine Va ia ion de Zei spanne ode eine geziel e
inhal liche Fokussie ung au Na u bilde ode Po ä s), eine abweichende Wahl de
Analysemodelle (z. B.Objek de ek ion ode Szenenklassi ika ion), eine al e na i e
Fes legung de So ie k i e ien (z. B. allein nach Bildinhal ode allein nach Me a-
da en), eine e ände e isuelle Da s ellung (z. B. als Clus e - ode S eudiag amm),
de Einbezug ande e Me ada en (wie Zei s empel ode Au nahmewinkel) sowie
a iie ende In e ak ionsmöglichkei en und Benu ze *innen üh ungen (z. B. D eh-
unk ion ode Ebenen e wal ung) zu g undlegend ande en Me abilde n ge üh
hä en. Dadu ch wä e maßgeblich beein luss wo den, welche Mus e sich ba und
welche Bedeu ungsebenen he o gehoben we den und wie lexibel die Bildda en
explo ie we den können.
All diese o ausliegenden Wahlmöglichkei en und En scheidungen bleiben in
de Regel in Black Boxes e bo gen – zumindes we den sie bei de Besch eibung on
Fo schungse gebnissen nu sel en hema isie und noch sel ene k i isch hin e ag –,
sodass Me abilde o z ih es kon ingen en und en scheidungsabhängigen He s ellungs-
p ozesses meis als e iden e und objek i e Da s ellungen p äsen ie we den. Dies is
umso beme kenswe e , wenn man bedenk , dass Me abilde nich ein ach bes ehende
Zusammenhänge abbilden, sonde n Bedeu ungss uk u en wie e wa wiede keh en-
de Mus e , e wand e Clus e ode isolie e Aus eiße in g oßen digi alen isuellen
Da enbes änden übe haup e s he o b ingen. Um diese He o b ingung in ih e
Eigenhei genaue zu e s ehen und da au au bauend den epis emischen Gehal on
Me abilde n angemessen bewe en zu können, is ein ie e es Ve s ändnis de zug unde
liegenden P ozesse, Algo i hmen, S anda ds und P ak iken sowie ih es Zusammenspiels
no wendig. Ande s o mulie : Wenn man Me abilde als Fo schungswe kzeuge zu
E kenn nisgewinnung nu zen möch e, is es no wendig, die Black Box de Me abilde
zu ö nen, um besse zu e s ehen, was Me abilde zeigen, was sie e be gen und was
sie glauben machen. Im olgenden Abschni we den wi dies speziell mi Blick au
einen Aspek un, de in de Fo schungsp axis o schwe assba is , weil e sich de
Wah nehmung in ganz besonde e Weise en zieh : die algo i hmische Beding hei
on Me abilde n.7
7 E gänzend dazu wi d de zei eine e hnog a ische Un e suchung o be ei e , mi de im Kon ex
des P ojek s Wa ching he Wo ld das kommunika i e Handeln und dessen sozio echnische Be-
ding hei bei de He s ellung, Ve wendung und In e p e a ion on Me abilde n in den Fokus
genommen we den soll.
Me abilde als Fo schungswe kzeuge … 345
SJS 51 (2), 2025, 337–359
3 Einblicke in die Black Box – die Rolle on Algo i hmen
Bei de Besch eibung de algo i hmischen Beding hei on Me abilde n lieg unse
Schwe punk wenige au den ma hema ischen G undlagen de Algo i hmen. Viel-
meh möch en wi einen Einblick in die Pipeline8 de Da enanalyse geben und die
algo i hmische Analyse isuelle Ähnlichkei en nähe beleuch en: Nach welchen
Logiken de Au oma ion kommen Me abilde zus ande? Welche epis emologischen
Implika ionen e geben sich da aus? Ode konk e am Beispiel des im Abschni
zu o gezeig en Me abildes ge ag : Was bedeu e isuelle Ähnlichkei in de com-
pu e ges ü z en und algo i hmusbasie en Da en isualisie ung de 40 000 Ne z-
kame abilde ? Beim E kunden des Me abildes e kenn man beispielsweise Clus e
on Kame abilde n mi ge ingem Kon as , wäh end kon as eiche Kame abilde
an ande e S elle zu inden sind. Doch bei genaue e Be ach ung d äng sich die
F age au , was die äumlich nahe beieinande liegenden Bilde a sächlich gemein-
sam haben, und umgekeh , wa um ähnlich e scheinende Bilde mi un e wei
oneinande en e n angeo dne sind. Diese F agen lei en unse e Aus üh ungen
zu Rolle on Algo i hmen bei de He s ellung on Me abilde n an, die wi anhand
des ma hema isch-s a is ischen Konzep s des Me kmals aums (Abschni 3.1) und
des Ve ah ens de Dimensions eduk ion (Abschni 3.2) e läu e n.
3.1 Me kmals aum (Fea u e Space)
Zu He s ellung on Me abilde n müssen Algo i hmen zunächs sogenann e Fea u es
aus dem zug unde liegenden Da ensa z ex ahie en. Im Kon ex de Bild e a bei ung
sind Fea u es messba e Me kmale, die wesen liche Eigenscha en de Bildobjek e
e assen. Ziel dieses P ozesses is es, die wich igs en In o ma ionen abs ahie und
komp imie da zus ellen, um die Da enmenge zu eduzie en und die Komplexi ä
zu e inge n. Dies scha eine handhabba e G undlage ü die wei e e Analyse de
Da en ( gl. Bishop, 2006).
Fü die Me kmalsex ak ion (Fea u e Ex ac ion) gib es e schiedene Ansä ze
( gl. als Übe blick Balan P & Sunny, 2018). Diese können e s ens au handcodie e,
das heiß om Menschen de inie e Fea u es (klassische Bild ea u es) okussie en,
wobei g undsä zlich zwischen Fea u es au nied ige und au hohe Abs ak ionsebene
un e schieden wi d, auch bekann als Low-Le el-Fea u es und High-Le el-Fea u es.
Low-Le el-Fea u es um assen g undlegende isuelle Eigenscha en, die di ek e, pi-
xelnahe In o ma ionen wie Fa ben ode Kan en ep äsen ie en. Kan en bezeichnen
dabei S ellen im Bild, an denen sich die Helligkei ode Fa be s a k ände – sie
ma kie en o die G enzen on Objek en (Bildelemen en). Bei High-Le el-Fea u es
8 De Beg i Pipeline bezeichne s uk u ie e A bei sabläu e, die Da en du ch eine es geleg e
Ab olge on Sch i en e a bei en. Diese Sch i e, die o au oma isie ablau en, zielen da au ab,
Da en zu sammeln, zu be einigen, zu ans o mie en und schließlich zu analysie en. Das E gebnis
eines jeden Sch i s dien dabei als Ausgangspunk ü den nächs en, wodu ch ein du chgängige
und e izien e P ozess en s eh .
346 Sebas ian W. Hoggenmülle und Ha ald Klinke
SJS 51 (2), 2025, 337–359
handel es sich hingegen um komplexe e S uk u en, die du ch o gesch i ene
Bild e a bei ungsme hoden wie Segmen ie ung ode die Kombina ion meh e e
Me kmale aus den Bildpixeln gewonnen we den, beispielsweise Objek e kennung
ode seman ische Fea u es, die Bedeu ungen aus dem Bildinhal ablei en (e wa die
E kennung on Emo ionen in Gesich e n).
Zwei ens können Fea u es du ch Con olu ional Neu al Ne wo ks (CNN),
eine Klasse on Deep-Lea ning-Ne zwe ken, aus den Bildda en ex ahie we den,
wobei die Fea u es in Fo m on Embeddings – komp imie en nume ischen Rep ä-
sen a ionen de Bildda en – ausgegeben we den. CNNs bes ehen aus sogenann en
Con olu ional Laye s, speziellen Schich en, die lokale Bildbe eiche mi hil e on
Fil e n (auchKe nelsgenann ) analysie en und cha ak e is ische Mus e wie Kan en
ode Tex u en in nume ische We e umwandeln. Diese Schich en sind hie a chisch
angeo dne , sodass CNNs wäh end des T ainingsp ozesses zunehmend komplexe e
Fea u es le nen, die o übe klassische, handcodie e Bild ea u es hinausgehen. Im
Un e schied zu Le z e en e olg die Fea u e Ex ac ion bei CNNs au oma isie
und da enge ieben, also ohne, dass die Fea u es explizi de inie we den müssen.
Vielmeh le nen die Ne zwe ke wäh end des T ainingsp ozesses, welche Fea u es
ü eine bes imm e Au gabe am nü zlichs en sind. Gleichzei ig bleib die in e ne
S uk u des Modells dabei wei gehend unzugänglich: Die P ozesse, du ch die das
Ne zwe k Fea u es aus den Bildda en ex ahie und in Embeddings übe üh , sind
au g und ih e da enge iebenen Na u nich di ek s eue ba . Fe ne hängen die
esul ie enden Embeddings sowohl on den T ainingsda en als auch de Ne zwe k-
a chi ek u ab und e möglichen dahe lediglich die Rep oduk ion de wäh end des
T ainings gele n en Rep äsen a ionen, ohne dass die in e nen Rep äsen a ionen
olls ändig kon ollie we den können.
D i ens können Fea u es auch aus o handenen Me ada en ex ahie we den,
also aus In o ma ionen, die nich unmi elba aus den Bildpixeln s ammen, sonde n
die Bildda en kon ex uell e gänzen. Im Zusammenhang mi isuellen Da en aus
Open-Da a-Quellen wie dem be ei s e wähn en Ne zwe kkame a-P ojek ode Mu-
seumssammlungen können Me ada en e schiedene In o ma ionen be ei s ellen: im
Fall de Ne zwe kkame as In o ma ionen wie den Kame as ando , die Au nahmezei
und die We e bedingungen, im Fall de Museumssammlungen den*die Küns le *in,
das En s ehungsjah und die G öße eines Kuns we ks. Diese und wei e e Me a-
da en können in beiden Fällen als Fea u es e wende we den, um Ähnlichkei en
zwischen Ne zwe kkame abilde n bzw. zwischen Kuns we ken zu e kennen, Mus e
und T ends im zei lichen Ve lau de kame abasie en Beobach ung de Wel bzw.
in de Kuns geschich e zu analysie en und Ne zwe kkame abilde bzw. Kuns we ke
nach bes imm en K i e ien zu ka ego isie en ode zu il e n.
Die Wahl zwischen Low-Le el-Fea u es und High-Le el-Fea u es, da en-
ge iebenen Embeddings aus CNNs und me ada enbasie en Fea u es häng in de
kul u -, geis es- und sozialwissenscha lichen Fo schungsp axis s a k om spezi ischen
Me abilde als Fo schungswe kzeuge … 347
SJS 51 (2), 2025, 337–359
Fo schungskon ex , on den e ügba en Da en und on den Zielen de Analyse ab.
G undsä zlich is allen d ei Ansä zen jedoch gemein, dass jedes Bildobjek in einen
n-dimensionalen Me kmals aum, den sogenann en Fea u e Space, p ojizie wi d,
wobei n die Anzahl de ex ahie en Fea u es ode die Dimension de Embeddings
zu Besch eibung eines Bildobjek s angib .
Was hie abs ak kling – die P ojek ion on Bildobjek en in einen Fea u e
Space –, möch en wi an einem Beispiel e anschaulichen. Wi nu zen da ü die om
Museum o Mode n A (MoMA) als Open Da a be ei ges ell en Sammlungsda en
( gl. MoMA o. J.). Diese Da ensa z is ü unse e Illus a ionszwecke besonde s
geeigne , da e neben den Digi alisa en de Kuns we ke sys ema isch gep leg e und
ku a ie e Me ada en on hohe Quali ä und Konsis enz bie e . Konk e en häl
e eine Vielzahl ex basie e Fea u es (wie Ti el, Küns le *in, Ab eilung) und
nume ische Fea u es (wie En s ehungs- und E we bsda um, Höhe, B ei e). Dank
diese eichhal igen und iel äl igen Fea u es können die Kuns we ke p äzise und
di e enzie in einen meh dimensionalen Fea u e Space p ojizie we den. Um das
Ve ah en de P ojek ion e s ändlich da zus ellen, besch änken wi uns bewuss
au die in de Sammlung en hal enen Fo og a ien als Bildobjek e und wählen nu
zwei Fea u es: das En s ehungsjah , das aus den Me ada en en nommen wi d, und
die Du chschni ssä igung, die als isuelles Fea u e di ek aus den Bildda en abge-
lei e wi d und den mi le en Sä igungswe übe alle Pixel eines Bildes besch eib .
Diese beiden Fea u es e möglichen es, die Bildobjek e in einem zweidimensionalen
XY-Diag amm abzubilden (Abb.3).
Abbildung 3 Me abild nach En s ehungsjah und Du chschni ssä igung,
Fo og a ien des MoMA
Quelle: Eigene Visualisie ung [mi R e s ell es Me abild, Klinke].
348 Sebas ian W. Hoggenmülle und Ha ald Klinke
SJS 51 (2), 2025, 337–359
Das Me abild in Abbildung 3 zeig die Ve eilung de Fo og a ien des MoMA en lang
de beiden Achsen En s ehungsjah und Du chschni ssä igung. Au ällig is dabei,
dass be ei s zwei Fea u es genügen, um eine plausible, aussagek ä ige Ano dnung
hinsich lich de isuellen Ähnlichkei de Bildobjek e zu e zielen. So läss sich in
dem Me abild beispielsweise das Au kommen de Sepia-Fo og a ie in de Mi e des
19. Jah hunde s e kennen. E s spä e wi d die Schwa z-Weiß-Fo og a ie zunehmend
dominan , insbesonde e das Gela ine-Silbe -Ve ah en, das am un e en Ende de
Sä igungsskala angesiedel is . In de zwei en Häl e des 20. Jah hunde s kommen
schließlich Fa babzüge hinzu, die sich übe den gesam en Sä igungsbe eich e -
eilen. Da übe hinaus o enba die Visualisie ung eine Sammlungslücke zwischen
e wa 1870 und 1890, die mögliche weise übe haup e s du ch diese quan i a i e
Analyse sich ba wi d und de en U sachen wei e üh end mi quali a i en Me ho-
den e uie we den könn en. Allgemein is es zuhal en: Obwohl die e kennba en
Clus e ausschließlich au den beiden on uns exempla isch ausgewähl en Fea u es
basie en, weisen sie an un e schiedlichen S ellen seman ische Zusammenhänge au ,
die zwa nich explizi in den Fea u es codie sind, abe mi ihnen ko elie en. Eine
aus üh liche e Diskussion hie zu olg im nächs en Abschni (3.2).
Jensei s unse es Beispiels is ein n-dimensionale Fea u e Space ein abs ak es
ma hema isch-s a is isches Konzep , das dazu dien , die Eigenscha en on Da en-
punk en in einem de inie en Raum zu besch eiben. Jede Dimension dieses Raums
s eh ü ein spezi isches Fea u e de Da en. Analysie man beispielsweise Bilde
nich (wie in unse em Beispiel) anhand on zwei, sonde n anhand on d ei Fea-
u es (e wa Helligkei , Kon as und Anzahl bes imm e Kan en), so läss sich jedes
Bildobjek als Da enpunk in einem d eidimensionalen Raum da s ellen, wobei die
x-, y- und z-Achse jeweils eines diese Fea u es ep äsen ie . We den ü jedes Bild-
objek wiede um meh e e solche Fea u es ausgewähl , so kann es als Da enpunk
in einem n-dimensionalen Raum e s anden we den. Wenn zum Beispiel 4096 Fea-
u es aus einem Bild ex ahie we den, wie es bei o ainie en neu onalen Ne zen
wie VGG16 de Fall is , wi d das Bildobjek in einem 4096-dimensionalen Raum
posi ionie . Dies is zwa nich s, was man sich isuell o s ellen muss (ode kann),
es bedeu e abe : Je meh Fea u es e wende we den, des o höhe is die ma he-
ma ische P äzision bei de Besch eibung eines Bildobjek s und de Di e enzie ung
zu ande en Bildobjek en. Diese P äzision is jedoch unmi elba an den Ko pus des
o ainie en Modells gebunden, das heiß , die Genauigkei de Besch eibung bleib
au jene Fea u es und Ka ego ien besch änk , die das Modell wäh end des T ainings
kennengele n ha und als Embeddings im hochdimensionalen Raum da s ell .9
En scheidend ü unse e Besch eibung de algo i hmischen Beding hei
on Me abilde n is hie bei, dass die Posi ionie ung de Da enpunk e im Fea u e
9 Wenn beispielsweise Schlagwö e e geben we den, können nu die Schlagwö e aus dem
Ko pus des Ne zes genu z we den. Ebenso wi d das Modell Schwie igkei en haben, Ka ego ien
zu e kennen, die nich im T ainingsko pus en hal en sind.
Me abilde als Fo schungswe kzeuge … 349
SJS 51 (2), 2025, 337–359
Space wei e üh ende Be echnungen e möglich . Beispielsweise können dami die
Abs ände zwischen Objek en be echne we den, die eine zen ale Rolle bei de Be-
s immung ih e Ähnlichkei spielen. Die Da enpunk e we den dabei als Vek o en
im n-dimensionalen Raum da ges ell , de en Beziehungen du ch e schiedene
ma hema ische Ope a ionen wie Abs andsmessungen ode Winkelbe echnungen
analysie we den können. De euklidische Abs and miss die di ek e Dis anz
zwischen zwei Punk en und eigne sich besonde s, wenn die physische Nähe de
Da enpunk e on Bedeu ung is . Al e na i kann die Kosinus-Ähnlichkei e wen-
de we den, die den Winkel zwischen den Vek o en be ücksich ig , was sinn oll
is , wenn die Rich ung de Vek o en wich ige is als ih e absolu e Länge. Die so
be echne en Abs andswe e geben an, wie s a k sich zwei Objek e in Bezug au ih e
Fea u es ähneln ode un e scheiden. Ein kleine Abs and deu e da au hin, dass
die Objek e ähnliche Fea u es haben, wäh end ein g oße Abs and anzeig , dass
die Objek e s a k oneinande abweichen. Solche Abs andsmessungen sind zen al
ü iele algo i hmusbasie e Anwendungen, da un e Klassi izie ungen ( gl. e wa
im Be eich Public Heal h Rösch, 2022), Clus e ings ( gl. z. B. in de Li e a k i ik
Tschuggnall e al., 2016) und Emp ehlungssys emen ( gl. u. a. aus soziologische
Pe spek i e Un e näh e , 2024). Im Zusammenhang mi Me abilde n hel en sie
wiede um, Beziehungen isuell da zus ellen und dadu ch Mus e sowie S uk u en
in g oßen isuellen Da enbes änden zu iden i izie en.
3.2 Dimensions eduk ion (Dimension Reduc ion)
Wie im o he igen Abschni da geleg , e ö ne eine g öße e Anzahl on Fea u es,
die zu Besch eibung on Da enobjek en e wende we den, po enziell iel äl ige e
s a is ische Möglichkei en au de Ebene de Da en. Doch au de Ebene de Visu-
alisie ung s oßen wi schnell an G enzen: Menschen sind da an gewöhn , nu eine
bes imm e Anzahl on Dimensionen wah zunehmen. Die physische Wel , die wi
e leben, um ass im Wesen lichen d ei Dimensionen, die sich in einem d eidimen-
sionalen Raum gu isualisie en lassen, wäh end Zei lichkei zusä zlich du ch Ani-
ma ionen da ges ell we den kann.10 Bei höhe dimensionalen Da ensä zen hingegen
wi d es zunehmend schwie ige , sie in ui i zu e assen ode isuell da zus ellen.
Eine Möglichkei , mi diese He aus o de ung umzugehen, sind ma hema isch-
s a is ische Ve ah en de Dimensions eduk ion. Diese Ve ah en zielen da au ab,
hochdimensionale Da en, also Da en, bei denen jedes einzelne Da enobjek du ch
eine seh g oße Anzahl an Fea u es besch ieben wi d, in einen nied igdimensionalen
Raum zu p ojizie en, wobei die wesen lichen Eigenscha en de Da en, insbesonde e
ih e S uk u en und Mus e , e hal en bleiben. Dabei en s ehen neue, ep äsen a i e
Dimensionen, die häu ig als Kombina ionen ode T ans o ma ionen de u sp üng-
10 Das Po enzial solche Visualisie ungen ha Hans Rosling eind ucks oll gezeig ; gl. e wa seine
TED-Talks (h ps://www. ed.com/playlis s/474/ he_bes _hans_ osling_ alks_yo).
350 Sebas ian W. Hoggenmülle und Ha ald Klinke
SJS 51 (2), 2025, 337–359
lichen Fea u es gebilde we den. Dies e besse nich nu die In e p e ie ba kei ,
sonde n auch die E izienz und Anwendba kei de Da en ü maschinelle Le n-
modelle. Eine Al e na i e wä e, nu die ü die Da enanalyse ele an es en Fea u es
beizubehal en und i ele an e ode wenige in o ma i e Fea u es zu eliminie en,
mi hin eine bes imm e Un e menge de u sp ünglichen Dimensionen auszuwählen,
ein P ozess, de auch als Me kmalsauswahl (Fea u e Selec ion) bezeichne wi d.
Die Dimensions eduk ion is p inzipiell e gleichba mi de P ojek ion des
Scha ens eines d eidimensionalen Gegens ands au eine lache Ebene: Wi d ein d ei-
dimensionale Gegens and beleuch e , en s eh eine zweidimensionale P ojek ion, die
eine e ein ach e Da s ellung des Gegens ands is , da in ih die Tie enin o ma ion
ehl . Dabei können jedoch auch ande e ele an e Eigenscha en des Gegens ands
e lo en gehen. Um einen solchen In o ma ions e lus zu minimie en, wu den e -
schiedene Algo i hmen en wickel , die die Dimensionali ä eduzie en, indem sie
einen neuen, kompak e en Fea u e Space scha en, de eine sei s eine isuelle Da -
s ellung e möglich , die on Menschen in e p e ie we den kann, und ande e sei s
die ande en Dimensionen so wei wie möglich bewah . Ode ande s ausged ück :
Die 4096 isuellen Fea u es, die beispielsweise du ch VGG16 ex ahie we den,
we den in einen nied igdimensionalen (übliche weise zweidimensionalen) Raum
p ojizie , wäh end bes imm e ele an e In o ma ionen e hal en we den. Das E gebnis
diese T ans o ma ion is eine XY-Posi ion des Bildobjek s im neuen Fea u e Space.
Es gib eine Reihe on Algo i hmen zu Dimensions eduk ion, die sich un e
ande em in ih en ma hema ischen G undlagen, den Annahmen übe die Da ens uk-
u und in de A und Weise, wie sie mi Da en umgehen, un e scheiden. Zu den
bekann es en gehö en die P incipal Componen Analysis (PCA), das -Dis ibu ed
S ochas ic Neighbo Embedding ( -SNE) und die Uni o m Mani old App oxima ion
and P ojec ion (UMAP), wobei alle d ei jeweils einen eigenen Ansa z bie en, um die
hochdimensionalen Da en in eine Fo m zu übe üh en, die sowohl de menschlichen
Wah nehmung zugänglich is als auch on maschinellen Le np ozessen e izien e
e a bei e we den kann.11 De Algo i hmus -SNE ha sich in de kul u -, geis es-
und sozialwissenscha lichen Fo schung als besonde s nü zliches We kzeug ü die
explo a i e Da enanalyse und die Visualisie ung komplexe Da ensä ze e wiesen,
weshalb wi uns im Folgenden au diesen Algo i hmus konzen ie en.
De Dimensions eduk ionsalgo i hmus -SNE basie au dem S ochas ic
Neighbo Embedding (SNE), das 2002 on Geo ey Hin on und Sam Roweis
11 Dabei ha jede diese Ansä ze seine Vo - und Nach eile, insbesonde e in Bezug au die Ve a bei ungs-
geschwindigkei und die A des In o ma ions e lus s. PCA e ass nu linea e Zusammenhänge,
is jedoch de schnells e Ansa z, da e e izien be echne wi d und sich gu ü g oße Da ensä ze
skalie en läss . UMAP bie e eine gu e Balance zwischen Geschwindigkei und de E hal ung
lokale S uk u en, wobei es globale Zusammenhänge besse bewah als -SNE. -SNE wiede um
is langsame , lie e jedoch eine seh gu e Visualisie ung de lokalen Da ens uk u , indem es
Clus e und Nachba scha sbeziehungen bewah , jedoch o au Kos en de globalen S uk u
( gl. ü eine k i ische Pe spek i e au PCA Shen e al., 2012; au UMAP Dam ich &Hamp ech ,
2021; au -SNE Wa enbe g e al., 2016).
Me abilde als Fo schungswe kzeuge … 351
SJS 51 (2), 2025, 337–359
en wickel wu de. Ziel on SNE wa es, die lokalen Nachba scha sbeziehungen
op imal zu e hal en, indem ähnliche Da enpunk e im hochdimensionalen Raum
auch im nied igdimensionalen Raum nahe beieinande pla zie we den ( gl. Hin on
&Roweis, 2003). 2008 wu de das SNE-Ve ah en dann on Lau ens an de Maa en
und Geo ey Hin on zu -SNE wei e en wickel , wobei sie im nied igdimensiona-
len Raum eine -Ve eilung ans elle de Gaußschen Ve eilung ein üh en. Da die
-Ve eilung ex eme Dis anzen zwischen Da enpunk en besse e ass , minde
diese Modi ika ion das Übe üllungsp oblem (c owding p oblem) und e besse
die Visualisie ung on Clus e n in g oßen Da ensä zen ( gl. an de Maa en &
Hin on, 2008).
Um die Nachba scha sbeziehungen zwischen den Da enpunk en wei gehend
zu e hal en, wandel -SNE die Ähnlichkei en im hochdimensionalen Raum (mi -
hil e eine Gaußschen Ve eilung) in Wah scheinlichkei en um und e such , diese
Wah scheinlichkei en im nied igdimensionalen Raum (mi hil e eine -Ve eilung)
möglichs genau nachzubilden. Dabei we den die Da enpunk e zunächs zu ällig
im nied igdimensionalen Raum pla zie . Anschließend pass de Algo i hmus die
Posi ion de Da enpunk e sch i weise an, um die Disk epanz zwischen den Wah -
scheinlichkei en im hoch- und im nied igdimensionalen Raum zu minimie en.
Diese P ozess wi d so lange o gese z , bis die bes mögliche Übe eins immung
zwischen den Wah scheinlichkei en e eich is .
Gene ell lie e -SNE dabei kein es es, de e minis isches E gebnis. S a -
dessen a iie die genaue Ano dnung de Da enpunk e bei jedem Du chlau , da
de Algo i hmus mi zu ällig gewähl en S a posi ionen beginn und du ch Zu-
alls ak o en im Op imie ungsp ozess beein luss wi d.12 Dies bedeu e , dass de
Algo i hmus e schiedene Ve sionen de hochdimensionalen Da enpunk e in de
nied igdimensionalen Da s ellung e zeug , wäh end die übe geo dne en Mus e in
de Regel e hal en bleiben. Ku z gesag : Wiede hol e Aus üh ungen des Algo i hmus
üh en zu un e schiedlichen isuellen Da s ellungen.
Dies läss sich e neu anhand de MoMA-Da en e anschaulichen: Zu De-
mons a ionszwecken be ücksich igen wi diesmal nu die e s en 1 000 Bildobjek e
des Da ensa zes und nu zen ausschließlich Fea u es aus den Me ada en, e zich en
also au aus den Bilde n abgelei e e Fea u es. Mi hil e de P og ammie sp ache und
s a is ischen Umgebung R we den da au hin aus den 29 Spal en de MoMA-Da en,
die die e schiedenen Bildobjek e besch eiben, el nume ische Fea u es13 ausgewähl
und in nume ische We e umgewandel . Anschließend eduzie en wi diese Da en
12 Zumindes heo e isch könn e dieses P oblem du ch die Ve wendung eines ixie en S a we s
(Random Seed) gelös we den. In de P axis nu zen jedoch die meis en Implemen ie ungen
Pa allelisie ungen au de Cen al P ocessing Uni (CPU) ode G aphics P ocessing Uni (GPU),
wodu ch Be echnungen in a iie ende Reihen olge und Geschwindigkei ablau en. Dies üh
dazu, dass die exak e Rep oduzie ba kei au g und de pa allel ablau enden P ozesse o nich
gewäh leis e is .
13 Die el nume ischen Fea u es sind olgende: Objec ID, BeginDa e, EndDa e, Da eAcqui ed,
Dep h, Diame e , Heigh , Weigh , Wid h, Du a ion und Aspec Ra io.
