Das Bild als Datensatz: Ein Kommentar zu neuen Methoden der quantitativen Bildanalyse

Ein Bild als Objekt zu definieren ist seit den Diskussionen über moderne Malerei in der Kunstgeschichte kein Novum mehr. Folgt man den Ausführungen Lew Manovichs, einem der derzeit angesagtesten Medienwissenschaftler (und Kunsthistoriker), soll dem Wort „Objekt“ in der Kunstgeschichte eine neue Bedeutung zukommen. In seinem Artikel „Data Science and Digital Art History“1 von 2015 versucht er, skeptische FachkollegInnen von neuen Methoden der quantitativen Bildanalyse zu überzeugen. Während KunsthistorikerInnen bisher aufgrund ihrer biologisch determinierten, kognitiven Fähigkeiten nur einen bestimmten, eingeschränkten Bilderkanon hätten bearbeiten können, so Manovich, sollen durch die digitale Datenverarbeitung größere Bildmengen erschlossen werden.2 Er ist der Überzeugung, die verbreitete Methode des Bildvergleichs durch die quantitative Bildanalyse erweitern zu können, indem die KunsthistorikerInnen mit dem Computer „sehen“ lernen sollen.

Bei der quantitativen Bildanalyse werden Bilder als Datensätze erfasst und als „Objekte“ (objects) mit bestimmten Eigenschaften (features) definiert. Anhand dieser Eigenschaften ordnet eine Software die „Objekte“ in einem „Datenraum“ (feature space) an. Ähnlich den KunstwissenschaftlerInnen, so Manovich, gleicht die Software verschiedene Eigenschaften der Bilder ab. Die entstehende Bildkonstellation wird auf einem Bildfeld visualisiert, auf dem die Abbildung in miniaturisierter Form erscheinen. Unter Anwendung der „Principal Component Analysis“ erfasste Manovich beispielsweise „6000 Gemälde französischer Impressionisten“ (33), für deren Datensätze etwa 200 verschiedene Eigenschaften pro Bild extrahiert wurden, wie Farbcharakteristika, Kontrast, Formen, Texturen und bestimmte Kompositionsmerkmale. Das Ergebnis ist eine eindrucksvolle Bilderwolke in Form einer umgekehrten Parabel. Die miniaturartigen, bunten Reproduktionen der impressionistischen Gemälde erscheinen wie kleine Farbflecke vor dem „neutralen“ grauen Hintergrund des Datendiagramms und bilden eine Art Farbverlauf. Damit nähert sich die statistische Visualisierung auf eigentümliche Weise ihrem Untersuchungsgegenstand an – mehr als dem Erfinder lieb sein dürfte.

Manovich’s Bilderwolken sind eher ein anschauliches Beispiel für den derzeitigen Umgang mit Reproduktionen, als eine sinnvolle Grundlage kunstwissenschaftlicher Forschung. Ganz davon abgesehen, dass wohl niemand mehr sagen könnte, ob es sich bei den miniaturisierten Abbildungen tatsächlich um Reproduktionen impressionistischer Gemälde handelt oder nicht, lässt Manovich völlig unkommentiert, dass er sich bei seinem Forschungsansatz lediglich auf die Verarbeitung digitaler Reproduktionen von Kunstwerken stützt. Vor allem die Beurteilung der Farbwerte der Gemälde erscheint dabei fragwürdig. Außer der Feststellung, dass in etwa die Hälfte der Werke des „französischen Impressionismus“ aufgrund ihrer „dunkleren Farbtöne“ und „wärmeren Farben“ eher den „klassischen Gemälden des 19. Jahrhunderts“ entsprechen, bietet Manovich keine überzeugende Möglichkeit an, wie die Visualisierung zu deuten ist (33).

Wie Manovich selbst diskutiert, müssen bereits um die Datensätze der Bilder anzulegen vom Anwender Entscheidungen getroffen werden, die im kunsthistorischen Diskurs mitunter kontrovers wären: Welchen Umfang soll der beispielsweise der Datenbestand „französische Impressionisten“ haben? Welche „Objekte“ (also Bilder oder andere Dokumente, wie Briefkommunikation, Rezensionen) sind in die Datenerfassung einzubeziehen? Anhand welcher Eigenschaften sollen diese „Objekte“ erfasst werden? Wie mit der Unterschiedlichkeit der von Manovich genannten Quellen umgegangen werden soll, wird aber nicht erläutert. Auch die Verarbeitung raumgreifender Werke wäre für den Forschungsansatz mit Sicherheit eine Herausforderung.

Obwohl Manovich seinen Artikel an kunsthistorische Forscher richtet, scheint es ihm mehr um eine Erforschung allgemeiner, kultureller Entwicklungen zu gehen, als um kunstwissenschaftliches Arbeiten. An seinem methodisch etwas unscharfen Ansatz mag es auch liegen, dass er gerade in Beispielen, welche die Effektivität seiner Methode im kunsthistorischen Kontext demonstrieren sollen, nicht mit Reproduktionen von Kunstwerken argumentiert, sondern mit Fotografien aus Sozialen Medien oder aus dem Designbereich („photos shared on Instagram […] with a tag #fashion“, „differences in street fashion“, „landscape of current web design“(27)). Mit seiner Universalmethode lassen sich sowohl die Reproduktionen von Malereien als auch jegliche andere Art von Fotografien als „cutural artifacts“ (28) gleichermaßen untersuchen, da nur der Informationswert der Bilder im Vordergrund steht. Ohne den Ansatz in seinen Kinderschuhen grundsätzlich verwerfen zu wollen, müsste angesichts der genannten Problematiken jedoch deutlich gemacht werden, welchen zusätzlichen Erkenntnisgewinn die quantitative, digitale Auswertung reproduzierter Gemälde für die kunsthistorische Forschung haben könnte – außer, damit „anders“ zu sehen.4 Manovich hat darauf bisher keine Antwort gegeben.