Visuelle Repräsentationen von Literatur prägen schon lange ihre Institutionalisierung: Literarische Bewegungen werden in Schulbüchern in Form von Zeitleisten dargestellt, dramatische Handlungen mit der Freytagschen Pyramide abgebildet, und dies schon seit dem 19. Jahrhundert. Bereits diese Ansätze setzten sich zum Ziel, übergeordnete Strukturen anschaulich zu machen, die sich aus dem literarischen Text ableiten lassen. Die digitalen Methoden, spätestens seit Morettis Graphs Maps Trees (2005), gingen in der räumlich-visuellen Exploration von Literatur einen Schritt weiter. Netzwerkvisualisierungen prägten in den Folgejahren die digitalbasierten explorativen Beiträge, welche die Literaturwissenschaft zu neuen Repräsentationen von Text animierten (Baillot, 2018). Während sich einige Fragestellungen (etwa Stil- oder Genrezuordnung (Schöch, 2017)) als Forschungsgebiet der quantitativen Literaturwissenschaft inzwischen etabliert haben, bleiben andere Gebiete weitestgehend unberührt sowohl von dem quantitativen Ansatz als auch von den zugrunde liegenden Methoden, sei es inhaltlich oder mit Blick auf die Art und Weise, wie die Ergebnisse präsentiert werden. Noch dominiert die Interpretation in Form eines Aufsatzes oder Buches, d.h. von mit Fußnoten durchwachsenem Fließtext. Der Einsatz von Machine Learning-Methoden zur Exploration von literarischen Texten seit den 2010er Jahren führte aber einerseits zur Diversifizierung der Visualisierungsmethoden (WordClouds für Topic Models, Netzwerke für Named Entities Recognition, Graphen für Stilometrie), andererseits zur Analyse und Repräsentation von immer abstrakteren Literaturphänomenen, bei denen der Zusammenhang des visualisierten Ergebnisses mit dem literarischen Text nur mittels komplexer Rechenmethoden rekonstruiert werden kann. In diesem Zusammenhang haben sich Word Embeddings als eine Repräsentationsmethode- bzw. methodenkomplex etabliert, das sich unmittelbar an die Semantik des literarischen Textes anlehnt, deren Interpretation jedoch sowohl literaturwissenschaftliche Kenntnisse als auch bis zu einem gewissen Grad mathematische Gewandtheit erfordert. In diesem Beitrag wird es zunächst darum gehen, die Entwicklung zu rekonstruieren, die sich in den letzten Jahrzehnten an der Schnittstelle von Literaturwissenschaft, Digital Humanities und Machine Learning, insbesondere in der deutschsprachigen wissenschaftlichen Gemeinschaft, vollzogen hat. In einem zweiten Schritt wird auf Word Embeddings als Methode näher eingegangen sowie auf die Herausforderung, die ihre Interpretation mit sich bringt. Wie lassen sich Word Embeddings lesen, wie das auf den Punkt bringen, was sie repräsentieren? An dieser Stelle wird auf die Notwendigkeit einer Dekonstruktion des philologischen hermeneutischen Prozesses näher eingegangen, die hier zum Herausarbeiten einer einschlägigen Interpretation erfordert wird. In einem dritten Schritt wird ein prospektiver Umriss dessen dargestellt, was die Ausbildung zum Literaturwissenschaftler/zur Literaturwissenschaftlerin berücksichtigen müsste, um die Lesekompetenz solcher Repräsentationen zu ermöglichen, und was dies für die Entwicklung der Literaturwissenschaft bedeutet.