Neue Methode ATR4CH: KI-gestützte Wissensgraphen aus Kulturerbe-Texten

Die Analyse von Kulturerbe‑Texten birgt ein enormes Wissenspotenzial, das jedoch schwer in strukturierte Wissensgraphen (KGs) überführt werden kann. Ein neues Verfahren namens ATR4CH (Adaptive Text‑to‑RDF for Cultural Heritage) löst dieses Problem, indem es große Sprachmodelle (LLMs) mit ontologischer Engineering‑Praxis kombiniert.

ATR4CH folgt einer fünfstufigen, systematischen Pipeline: Zunächst erfolgt eine fundierte Analyse des Ausgangstextes, gefolgt von der Entwicklung eines Annotation‑Schemas. Anschließend wird die Pipeline‑Architektur definiert, die LLM‑basierte Extraktion integriert und iterativ verfeinert. Abschließend wird die Qualität des erzeugten KGs umfassend evaluiert.

In einer Fallstudie zur Bewertung von Authentizitätsdebatten wurden Wikipedia‑Artikel zu umstrittenen Objekten verwendet. Der Prozess nutzte drei LLM‑Modelle – Claude Sonnet 3.7, Llama 3.3 70B und GPT‑4o‑mini – in einer sequenziellen Pipeline. Die Ergebnisse zeigten beeindruckende F1‑Scores: 0,96–0,99 für Metadaten, 0,7–0,8 für Entitätenerkennung, 0,65–0,75 für Hypothesenextraktion, 0,95–0,97 für Evidenzextraktion und 0,62 G‑EVAL für Diskursrepräsentation. Selbst kleinere Modelle erreichten konkurrenzfähige Leistungen, was die Kosten‑Effizienz des Ansatzes unterstreicht.

ATR4CH ist die erste systematische Methode, die LLM‑basierte Extraktion mit Kulturerbe‑Ontologien verknüpft. Das Verfahren bietet ein replizierbares Framework, das leicht an verschiedene Kulturerbe‑Domänen und institutionelle Ressourcen angepasst werden kann, und eröffnet damit neue Möglichkeiten für die digitale Erhaltung und Analyse kulturellen Wissens.