Einsichten - Ludwig-Maximilians-Universität München

Die digitale Gesellschaft: Text und Terabyte
nungsquoten von 95 bis 99,5 Prozent erreichen,
mehr schaffen die Systeme nicht. Bei
gut gedruckten, gut erhaltenen Texten in
lateinischer Schrift können die Informatiker
Das diakritische
Zeichen, ein
Fliegendreck
die Fehlerraten bei Standardtexten ohne
allzu viele seltene Wörter und bei optimaler
Scan-Qualität auf weniger als 0,5 Prozent
drücken. „Je klarer einzelne Schriftzeichen
und Buchstaben voneinander getrennt sind,
umso leichter kann der Computer die Zeichen
automatisch scannen“, sagt Schütze.
„Am leichtesten ist das lateinische Alphabet
zu erfassen, schwer ist die Fraktur-Schrift,
am schwierigsten die für Urdu, das in Pakistan
gesprochen wird, verwendete Nastaliq-
Schrift und viele indischen Schriften.“
Doch selbst bei optimalen Bedingungen
und lateinischer Schrift: Ein Restfehler wird
wohl immer bleiben, man kann ihn nur
minimieren. Um sämtliche Fehler zu eliminieren,
müssen die OCR-Daten manuell von
Altphilologen korrigiert werden. „Nachkorrigierte
OCR-Texte sind im Übrigen besser
als nur von Menschen erfasste Texte, denn
auch Menschen machen Fehler“, betont
Schütze. „Die Text-Erfassung bleibt jedenfalls
ein überaus interessantes Forschungsfeld,
auf dem sich aktuell viel tut.“
Eine Fehlerrate des Computersystems von
0,5 Prozent auf Buchstabenebene bedeutet
immer noch, dass auf jeder digital erfassten
Seite bis zu zehn Fehler wären. Also arbeiten
die Forscher in München nun daran,
Sprachmodelle für die jeweiligen speziellen
Anwendungen zu entwickeln, die OCR-Verfahren
immer dann ergänzen, wenn das System
unsicher ist, etwa weil ein Wort selten
ist oder es eine Wortendung nicht erkennt.
Mithilfe neuronaler Netze lernen die Systeme,
immer besser zu entscheiden. Im
Lateinischen etwa machen die vielen möglichen
Wortendungen Probleme. Schütze
und sein Team wollen deshalb ein formales
komputationelles Modell der lateinischen
Morphologie erstellen, das eine beliebige
Wortform sowohl erzeugen als auch grammatisch
analysieren kann. „Hier sind wir in
München Pioniere“, sagt Schütze. „Wir wollen
das Tool der Welt zur Verfügung stellen,
auch Greg Crane würde davon profitieren.“
Bei jeder Sprache und jedem Schrifttyp gibt
es solche speziellen Herausforderungen für
die Informatiker. Die Leipziger Forscher
etwa haben bei Altgriechisch Probleme mit
den vielen sogenannten diakritischen Zeichen,
die wichtig für die Betonung der
Worte sind. „Die sind sehr klein und lassen
sich deshalb oft nicht von Fliegendreck auf
den Schriften unterscheiden“, sagt Schütze.
Trotz aller Hindernisse finden die Computerverfahren
zunehmend Akzeptanz unter Geisteswissenschaftlern,
die Zahl der interdisziplinären
Projekte wächst stetig. So gibt es
ein Vorhaben am CIS gemeinsam mit Philosophen,
um den Nachlass Ludwig Wittgensteins
besser zugänglich zu machen und die
Werke, auf die der Philosoph Bezug nimmt,
in einer digitalen Bibliothek zu erfassen.
Archäologen haben Interesse, Auswertungstools
für ihre Datenbanken zu entwickeln.
Mit den neuen Techniken werden sich nützliche
Werkzeuge bereitstellen lassen, die
Geisteswissenschaftler müssen nur damit zu
arbeiten lernen. Idealerweise stellen die
Informatiker ein leicht zu bedienendes professionelles
Software-Produkt zur Verfügung.
„Das aber ist in den Digital Humanities
ein großes Problem, wir brauchen mehr
professionelle Software-Entwickler, die gut
bedienbare Schnittstellen für die Philologen
entwerfen“, sagt Schütze. „Ohne solche
Bedienoberflächen sinkt die Bereitschaft
rapide, die neue Software zu nutzen.“
Ein Altphilologe kann dann verschiedene
Texte am Bildschirm nach bestimmten Fragestellungen
durchsuchen oder eine bestimmte
These prüfen und muss nicht mehr
Tage in der Bibliothek verbringen, um die
Texte nebeneinander zu sehen. Er kann
bequem nach Personen suchen, nach historischen
Begegnungen, nach unbewiesenen
Vermutungen. Digitale Bibliotheken
lassen auch eine größere Flexibilität zu als
etwa traditionelle Zettelarchive wie der
Thesaurus Linguae Latinae. Immer mehr
Texte werden elektronisch verfügbar sein,
auch kommentierende Literatur und Kommentare
lassen sich verlinken.
Auch die Informatiker profitieren, denn mit
ihrem Fachwissen helfen die Altphilologen,
die Fehlerrate der Verfahren immer weiter
zu verringern. Schütze hofft insgesamt auf
Effekte, wie es sie auch nach Beginn des
Internetzeitalters gab: „Anfangs war im
World Wide Web auch nichts zu lesen und
zu sehen, was es vorher nicht bereits
irgendwo gegeben hätte. Das Wesentliche
der Revolution war, dass man plötzlich alle
Informationen sofort finden konnte. Menschen
sehen die Dinge, die vorher nicht
offensichtlich sind, oft erst dann, wenn alle
Puzzleteile auf dem Tisch liegen.“•
Prof. Dr. Hinrich Schütze
ist seit Anfang 2013 Lehrstuhlinhaber für Computerlinguistik
und Leiter des Centrums für Informations- und
Sprachverarbeitung (CIS) an der LMU. Schütze, Jahrgang
1964, studierte an den Universitäten Braunschweig und
Stuttgart. 1995 promovierte er an der Stanford University,
USA, und arbeitete anschließend am Xerox Palo Alto
Research Center sowie bei Suchmaschinen- und Textmining-Firmen
im Silicon Valley. 2004 wurde er Professor für
Computerlinguistik an der Universität Stuttgart.
Nummer 2 / 2013 Einsichten – Das Forschungsmagazin
51