一些人文学科，例如历史、语言学、德国研究或神学，通常不是经验科学，但可以使用经验数据。 B. 通过注释方式或基于文本或其他对象的文本挖掘、数据挖掘方法 生成。我们在这里看到两个主要特征：收集经验数据并将其可视化。
这一类别的一个例子是可视化工具，它提供了对卑尔根 - 贝尔森纪念馆日记资料库的洞察，其中包含数十名集中营囚犯的日记，从而将它们作为可互操作的数据与社交网络连接起来[43]。其他方法将历史地图可视化并分析为可互操作的数据[44] 、耶稣运动的交流和网络结构[45]或中世纪文本语料库[46]，以便对文本进行探索性工作。在这里，包括可互操作数据的隐式网络方法和 SNA 等显式网络方法变得模糊。另一方面，我们已经在接近下一个类别的方法论边界。
在此类别中，我们更进一步提出启发式模型，即基于计算机的正式模型。因此，这些也是图论意义上的数学模型。这些方法在各种数字化项目中找到了数据基础，使得文化遗产能够持续利用。
不同来源之间的关系也可以作为层包含在模型中，例如将乐器与音乐作品的历史表演联 阿曼电报数据 系起来[47]。在这里，知识图谱的明确使用和仅隐式形成网络的可互操作知识之间的界限也是流动的。在此背景下，可视化方法也很有趣，例如：例如，基于时间和事件的知识图谱可以在弯曲的时间轴上表示，并可以从中生成新的模型[48]。模型问题在考古学中也受到越来越多的关注[49] ，历史网络分析也是如此[50]。
[ 41 ]根据视角的不同，取决于我们对网络方法和可互操作数据领域的看法有多广泛，我们会发现或多或少使用网络方法的文献和研究人员。这也解释了为什么人们对网络方法的普及程度有不同的看法。