Es lassen sich verschiedene Gründe identifizieren, sich mit dem Programmieren zu beschäftigen. Eher intrinsisch ist dabei die generelle Neugier, verstehen zu wollen, wie Computer funktionieren. Gerade im sog. Zeitalter der Digitalität ist nicht nur der Alltag, sondern auch die Forschung immer stärker durch Computersysteme geprägt. Ihr Einsatz reicht dabei von unterstützender Tätigkeit bis hin zu (teil-)automatisierten Prozessen wie z. B. die Transkription von Texten mit Hilfe von Optical Character Recognition (vgl. Artikel Automatische Texterkennung) oder die automatischen Auszeichnungen von Personen und Orten durch das Named Entity Recognition-Verfahren (vgl. Artikel Annotation; Named Entity Recognition). In jüngster Zeit hinzugekommen ist die aktuelle Generation von Systemen künstlicher Intelligenz, z. B. ChatGPT, welche immer selbstverständlicher eingesetzt werden. 

Schon aus Eigeninteresse kann es also hilfreich sein, sich grundlegende Programmierkenntnisse anzueignen, um besser nachvollziehen zu können, wie Computer und die dahinterstehenden Algorithmen funktionieren. Auch eigene Gehversuche mit Machine Learning'Machine Learning, bzw. maschinelles Lernen im Deutschen, ist ein Teilbereich der künstlichen Intelligenz. Auf Grundlage möglichst vieler (Text-)Daten erkennt und erlernt ein Computer die häufig sehr komplexen Muster und Gesetzmäßigkeiten bestimmter Phänomene. Daraufhin können die aus den Daten gewonnen Erkenntnisse verallgemeinert werden und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwendet werden.' (Glossar forTEXT) Weiterlesen, der Grundlage für KIKünstliche Intelligenz (KI), im Englischen Artificial Intelligence (AI), 'ist ein Teilgebiet der Informatik. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert' (Fraunhofer-Institut für Kognitive Systeme IKS o. D.). Durch technische Fortschritte in der verfügbaren Hardware und der Weiterentwicklung von Algorithmen des maschinellen Lernens haben sich die Fähigkeiten von KI in den letzten Jahren erheblich verbessert. Sie findet produktiven Einsatz beispielsweise im autonomen Fahren, der Steuerung von Fabriken und der Medizin (Fraunhofer-Institut für Kognitive Systeme IKS o. D.). Durch die neu aufgekommenen Large Language Models sind mächtige KI-basierte Werkzeuge zum Umgang mit Text entstanden. Weitere Einsatzgebiete sind auch die Erstellung und die Verarbeitung von Bildmaterial. Weiterlesen, sind dann schnell möglich und vermitteln ein besseres Gefühl für Stärken und Schwächen solcher Systeme¹Durch das umfangreiche Ökosystem an Bibliotheken für die Programmiersprache Python – siehe auch Methoden – und eine Vielzahl an online verfügbaren Tutorials ist ein Einstieg in das Machine Learning einfach möglich und selbst auf handelsüblichen Computern können klassische Beispiele wie das Erkennen von Ziffern ausprobiert werden. Diese Kenntnisse können auch als Grundlage für eine Algorithmenkritik dienen. Dabei handelt es sich um das kritische Hinterfragen der Auswirkung von Algorithmen auf die Erstellung, Sammlung und Untersuchung von Quellen sowohl hinsichtlich des Aus- und Einschlusses von Perspektiven als auch der Erweiterung und Einschränkung von Erkenntnismöglichkeiten. Algorithmenkritik ist ein Teil der digitalen Quellenkritik (Althage u. a. 2024). 

Die zweite grundlegende Motivationsquelle beruht vor allem darauf, den Computer zur Beantwortung von Forschungsfragen heranzuziehen. Wie in der Einleitung angedeutet, kann dies unterstützend erfolgen. Vergleichbar mit dem Einsatz des Taschenrechners wird der Computer verwendet, um Aufgaben, die auch theoretisch per Hand durchführbar sind, zu automatisieren, um schneller zuverlässige(re) Ergebnisse zu erhalten. Insbesondere bei großen Datenmengen kommt man zum Schluss, dass deren manuelle Auswertung mehrere Leben bräuchte oder es gar unmöglich wäre, sie händisch valide auszuwerten. Darüber hinaus können mit digitalen Methoden und Verfahren auch vollkommen neue Fragestellungen bearbeitet werden. Hierzu zählen beispielsweise die interaktive grafische Darstellung von Orten, Personen und Wegen, die dreidimensionale Rekonstruktion von Objekten, die Simulation althistorischer Reiserouten genauso wie die Vermittlung von historischem Wissen durch Augmented / Virtual Reality oder über Computerspiele. Um solche neuen Methoden entwickeln und anwenden zu können, sind Programmierkenntnisse notwendig, um entweder selbst diese Methode mittels eines entsprechenden Programms zu implementieren oder zumindest einfacher mit Softwareentwickler*innen sprechen zu können, um die Programmanforderungen klar zu definieren, um das gewünschte Ziel zu erreichen.