{"id":3856,"date":"2025-05-19T10:43:46","date_gmt":"2025-05-19T08:43:46","guid":{"rendered":"https:\/\/blog.dini.de\/EPub_FIS\/?p=3856"},"modified":"2025-05-19T10:44:36","modified_gmt":"2025-05-19T08:44:36","slug":"alima-sacherschliessung","status":"publish","type":"post","link":"https:\/\/blog.dini.de\/EPub_FIS\/2025\/05\/19\/alima-sacherschliessung\/","title":{"rendered":"ALIMA \u2013 Sacherschlie\u00dfung unterst\u00fctzt durch gro\u00dfe Sprachmodelle. Ein Werkstattbericht"},"content":{"rendered":"\n

1. Ausgangslage<\/strong><\/h2>\n\n\n\n

Die Ausgangslage bezieht sich auf die Universit\u00e4tsbibliothek \u201eGeorgius Agricola\u201c<\/a> der TU Bergakademie Freiberg<\/a> und den Ablauf zur Erschlie\u00dfung von Neuerwerbungen. Das vorgestellte Tool ALIMA (AI-powered Library Indexing and Metadata Assignment ) wird von Dr. Conrad H\u00fcbler<\/a>, Fachreferent f\u00fcr Naturwissenschaften der Universit\u00e4tsbibliothek und Postdoc im Institut f\u00fcr Physikalische Chemie, entwickelt. Das Tool wurde erstmals in einem Online-Meeting der DINI AG KI<\/a> am 9. April 2025 vorgestellt.<\/p>\n\n\n\n

Zu den traditionellen Kernaufgaben des Fachreferats an Bibliotheken geh\u00f6rt das Erschlie\u00dfen von Neuerwerbungen wie Fachb\u00fcchern, Zeitschriftenartikeln oder Hochschulschriften. Erschlossene Medien lassen sich schlie\u00dflich leichter auffinden, da sie einem Fachgebiet zugeordnet wurden und ihre Inhalte durch Schlagworte konkretisiert sind.<\/p>\n\n\n\n\n\n\n\n

Das klassifikatorische Erschlie\u00dfen umfasst die Zuordnung der Medien zu konkreten Fachbereichen, die durch bestimmte Systematiken wie die Dezimalklassifikation (DK) organisiert sind. In der Geschichte der Universit\u00e4tsbibliothek der TU Bergakademie Freiberg wurde die DK gew\u00e4hlt, die daf\u00fcr notwendigen gedruckten Register angeschafft und der Bibliotheksbestand entsprechend katalogisiert; anschlie\u00dfend wurde die Systematik jedoch nicht weiter angepasst. Als Resultat ergaben sich fachlich veraltete Systematiken, die noch immer verwendet werden. Eine Aktualisierung auf die moderne Regensburger Verbundklassifikation (RVK) ist f\u00fcr neu eingerichtete Fachgebiete realisiert worden, der \u00fcbrige Bestand blieb aber unangetastet. Damit wird die klassifikatorische Erschlie\u00dfung \u00fcberwiegend mit nur teilweise digitalisierten und sonst abgenutzten Druckexemplaren realisiert, in denen f\u00fcr jedes relevante Fachgebiet des zu erschlie\u00dfenden Textes die passende Klassifikation h\u00e4ndisch gesucht werden muss. F\u00fcr den Fachbereich Geowissenschaften wird seit Jahren eine eigene DK-Datenbank verwendet, die h\u00e4ndisch gepflegt wird.<\/p>\n\n\n\n

\"\"
Abbildung 1: Gedruckte DK-Nachschlagewerke f\u00fcr die systematische Erschlie\u00dfung von Medien.<\/figcaption><\/figure>\n\n\n\n

Die verbale Erschlie\u00dfung umfasst die Zuordnung von aussagekr\u00e4ftigen Schlagworten zum Textinhalt.  Daf\u00fcr kommt kontrolliertes Vokabular der Gemeinsamen Normdatei (GND) zum Einsatz, die von der Deutschen Nationalbibliothek (DNB) und den angeschlossenen Bibliotheksverb\u00fcnden kuratiert wird. \u00dcber die OGND-Websuche bietet der Bibliotheksservice-Zentrum Baden-W\u00fcrttemberg (BSZ) M\u00f6glichkeiten zur Recherche in der Datenbank der GND an. In der Datenbank sind die erlaubten Schlagworte, die zugeordneten Synonyme sowie die Hierarchie der Schlagworte hinterlegt und einer eindeutigen GND-ID zugeordnet.<\/p>\n\n\n\n

Das Erschlie\u00dfen eines Sachtextes erfordert nicht nur Kenntnis der bibliothekarischen Struktur und die korrekte Verwendung des kontrollierten Vokabulars, sondern auch entsprechendes Fachwissen, da zugeordnete Schlagworte den Inhalt korrekt widerspiegeln m\u00fcssen.<\/p>\n\n\n\n

Schwierigkeiten in der Fachreferatsarbeit ergeben sich durch zunehmend interdisziplin\u00e4re Forschungsbereiche, die eine immer breitere klassifikatorische Einordnung der Fachtexte erfordern, bei gleichzeitig starren und teilweise veralteten Systematiken. Dadurch wird es selbst f\u00fcr Fachpersonal immer zeitaufwendiger, sich in alle relevanten Themen f\u00fcr das Erschlie\u00dfen der Fachtexte einzuarbeiten und anschlie\u00dfend sowohl die gedruckten Register als auch die Online-Datenbanken zur Recherche f\u00fcr die korrekte Einordnung zu Rate zu ziehen.<\/p>\n\n\n\n

Eine Alternative b\u00f6te die automatisierte und maschinelle Erschlie\u00dfung der Fachtexte. Die Verwendung von gro\u00dfen Sprachmodellen (Large Language Models, LLM) f\u00fcr die Erschlie\u00dfung ist dabei naheliegend, jedoch ergeben sich verschiedene Probleme: Die erste Herausforderung besteht darin, dass das LLM grunds\u00e4tzlich in der Lage sein sollte, den vorliegenden Fachtext in einen passenden Kontext zu setzen. Doch selbst wenn das LLM den Text richtig einordnen kann, ist zweitens eine korrekte Zuordnung zu dem kontrollierten Vokabular der Schlagworte sowie zu den Klassifikatoren kein Automatismus. Obwohl LLMs eine praktische Anwendung von k\u00fcnstlicher Intelligenz sind, sind die zugrundeliegenden Methoden keineswegs ausreichend intelligent, sondern erstellen ihren Text auf Basis von Wahrscheinlichkeiten und Plausibilit\u00e4t. Ist ein passendes kontrolliertes Schlagwort nicht verf\u00fcgbar, wird eines erfunden. Dieses sogenannte Halluzinieren von Informationen ist ein typisches Problem von LLMs, das immer dann auftritt, wenn die inhaltlich korrekte Antwort nicht im Datensatz enthalten ist und stattdessen die n\u00e4chstwahrscheinliche Antwort gew\u00e4hlt wird.<\/p>\n\n\n\n

Zwar lie\u00dfe sich das Problem umgehen, indem ein LLM extra trainiert wird, um die Inhalte der GND und der Klassifikationen zu kennen, gleichzeitig sollte aber die urspr\u00fcngliche F\u00e4higkeit des LLMs, den Text und Kontext korrekt zu erkennen, erhalten bleiben. Das Training eines solchen Modells w\u00e4re sehr ressourcenaufwendig und m\u00fcsste nach Updates der GND-Daten und Klassifikationen wiederholt werden. Auf rechtliche Aspekte, Zug\u00e4nglichkeit zu Trainingsdaten und die gesamte Infrastruktur zum Training soll hierbei nicht weiter eingegangen werden. Ein weiteres Hindernis in diesem Zusammenhang ist das Problem der extremen Multi-Label-Klassifikation (XMLC)[1<\/a>, 2<\/a> 3<\/a>, 4<\/a>].<\/p>\n\n\n\n

Eine Alternative zum neuen Training von LLMs ist ein Ansatz, der als Retrieval Augmented Generation (RAG) bezeichnet wird. Bei diesem wird ein bereits trainiertes LLM mit zus\u00e4tzlichen Kontextinformationen ausgestattet, auf deren Basis das LLM eine Antwort generiert. Diese Kontextinformationen k\u00f6nnen dabei ohne Schwierigkeiten aktualisiert werden. Eine M\u00f6glichkeit besteht darin, dem LLM f\u00fcr die Erschlie\u00dfung von Texten eine Datenbank mit dem Inhalt der Klassifikationen und genormten Schlagworten bereitzustellen, wobei die vollst\u00e4ndige Datenmenge als Kontextinformationen zu umfangreich w\u00e4re.<\/p>\n\n\n\n

2. L\u00f6sungsweg<\/strong><\/h2>\n\n\n\n

Im Folgenden wird die Umsetzung einer maschinellen Sacherschlie\u00dfung im Programm ALIMA skizziert. Das Werkzeug ist in Python geschrieben und verwendet Qt6 als Bibliothek, um eine grafische Benutzeroberfl\u00e4che zu realisieren. F\u00fcr die Programmierarbeit wurde extensiv auf Claude 3.5 und Claude 3.7 Sonnet gesetzt, da sich dieses LLM f\u00fcr die Entwicklung von Quelltext sehr gut eignet. Die Verwendung von LLMs erm\u00f6glicht es, sehr zeitg\u00fcnstig verschiedene Ans\u00e4tze zu implementieren und auszutesten. So wurde mit der Entwicklung im Januar 2025 begonnen und ein erster Prototyp innerhalb der ersten Woche bereitgestellt. Die Weiterentwicklung war dabei nicht so sehr von der zeitlichen Umsetzung der Programmierung abh\u00e4ngig, da neue Ideen sehr effektiv durch KI-Hilfe getestet werden konnten. F\u00fcr die finale Implementierung und Zusammenf\u00fchrung des KI-generierten Codes ist Programmierarbeit jedoch weiterhin notwendig, da auch die technischen F\u00e4higkeiten der KIs begrenzt sind.<\/p>\n\n\n\n

Aus dem Entwicklungsprozess hat sich ein Arbeitsprotokoll ergeben, das bereits erfolgreich in einem Python\/Qt6-Tool implementiert wurde. Die Entwicklung ist per Git auf GitHub [5<\/a>, 6<\/a>] dokumentiert und nachvollziehbar.<\/p>\n\n\n\n

Das Arbeitsprotokoll f\u00fcr die maschinelle Erschlie\u00dfung:<\/p>\n\n\n\n