InteChar: Einheitliche Zeichenliste für alte chinesische Schriften

Die Entwicklung historischer Sprachmodelle ist entscheidend für die Analyse archäologischer Herkunft und das Verständnis antiker Kulturen. Doch bisher mangelt es an ausreichenden Textproben, sodass unüberwachte Lernmethoden auf großen Korpora kaum funktionieren. Zusätzlich erschwert die enorme Zeitdifferenz und die komplexe Entwicklung der frühen chinesischen Schriften die Digitalisierung, weil es keine umfassenden Kodierungssysteme gibt.

Um diese Hindernisse zu überwinden, stellt das neue Projekt InteChar vor: eine einheitliche und erweiterbare Zeichenliste, die bislang nicht codierte Orakelsteinzeichen mit traditionellen und modernen chinesischen Schriftzeichen verbindet. InteChar ermöglicht eine konsistente Digitalisierung und Repräsentation historischer Texte und bildet damit die Basis für robuste Modelle antiker Schriften.

Zur Bewertung der Wirksamkeit wurde der Oracle Corpus Set (OracleCS) erstellt – ein Korpus aus Expertenannotationen, ergänzt durch datengetriebene Erweiterungen mittels großer Sprachmodelle. In umfangreichen Experimenten zeigten Modelle, die mit InteChar auf OracleCS trainiert wurden, signifikante Verbesserungen bei verschiedenen Aufgaben der historischen Sprachverständnis. Diese Ergebnisse bestätigen die Effektivität des Ansatzes und legen den Grundstein für zukünftige Forschungen im Bereich der chinesischen NLP‑Historie.