Auditable AI Assisted Semantic Completion Supports Metadata Enhancement in Digital Cultural Heritage Collections

Technisches Resümee: Auditierbare KI-gestützte semantische Vervollständigung für Metadaten des digitalen Kulturerbes

Problemstellung
Digitale Sammlungen des Kulturerbes sind zunehmend als computergestützte Daten verfügbar, doch ihre Auffindbarkeit wird durch Metadaten behindert, die oft unvollständig, ungleichmäßig strukturiert und arm an semantischer Tiefe sind. Während Künstliche Intelligenz (KI) häufig als Lösung für die Generierung von Metadaten vorgeschlagen wird, wirft deren Einsatz im Kontext des Kulturerbes erhebliche Bedenken hinsichtlich der interpretativen Autorität, kultureller Voreingenommenheit und der „Black-Box“-Natur generativer Modelle auf. Die Kernherausforderung besteht nicht bloß darin, ob eine KI Labels generieren kann, sondern wie ein Workflow zur Metadatenanreicherung geschaffen werden kann, der für professionelle Katalogisierer transparent, reproduzierbar und auditierbar ist. Bestehende Datensätze enthalten oft dichte Informationen in einigen Facetten (z. B. Objekttyp, Material), sind jedoch in anderen Bereichen (z. B. Thema, Klassifikation) spärlich besetzt. Dies schafft die Notwendigkeit eines Systems, das fehlende Begriffe aus kontrollierten Vokabularen empfehlen kann, ohne neue zu erfinden oder die Provenienz zu verschleiern.

Methodik
Die Studie definiert die Metadatenanreicherung als eine beschränkte semantische Vervollständigungsaufgabe (constrained semantic completion task) statt als eine generative Aufgabe um. Anstatt das Modell zu fragen, flüssige Beschreibungen zu produzieren, nutzt das System innerhalb eines Datensatzes beobachtete Labels aus kontrollierten Vokabularen, um Kandidaten-Labels für fehlende Facetten vorzuschlagen.

• Datensatz: Die Forschung nutzt den EUFCC-340K Benchmark, einen facettenbasierten, hierarchischen Datensatz, der aus Europeana abgeleitet wurde und über 340.000 Datensätze umfasst. Die Studie verwendet eine feste Trainingsuntergruppe von 25.000 Datensätzen, um die Reproduzierbarkeit auf gewöhnlicher Hardware zu gewährleisten.
• Experimentelles Design: Es wird ein Masked-Label-Evaluierungsprotokoll angewendet. Für jeden berechtigten Datensatz wird ein existierendes Label aus einer Zielfacette (Objekttyp, Material, Thema oder Klassifikation) ausgeblendet. Das Modell muss Kandidaten-Labels für diese Facette unter Verwendung der verbleibenden beobachteten Labels als Kontext ranken. Der Erfolg wird daran gemessen, ob das ausgeblendete Label unter den Top-$k$-Kandidaten erscheint (Recall@k).
• Evaluierte Modelle:
  1. Frequenz-Baseline: Rankt Kandidaten basierend auf der globalen Trainingsfrequenz innerhalb der Zielfacette.
  2. Direkte Ko-Okkurrenz: Erstellt eine Label-Label-Ko-Okkurrenzmatrix aus den Trainingsdatensätzen. Die Scores werden aus der mittleren Wahrscheinlichkeit abgeleitet, mit der ein Kandidat gegeben den beobachteten Kontext der vorhandenen Labels auftritt.
  3. Two-Hop-Graph-Propagation: Erweitert die direkte Evidenz durch die Ausbreitung von Scores durch den Label-Graphen (z. B. Objekt $\to$ Material $\to$ Klassifikation), um indirekte Relationen zu erfassen.
  4. Hybrider Ranking-Ansatz: Eine gewichtete Kombination aus dem direkten Score, dem Two-Hop-Score und dem Frequenz-Prior.
• Beschränkungen: Das Vokabular ist auf 600 Blatt-Labels (Leaf Labels, die $\ge$ 10 Mal im Training vorkommen) begrenzt, um Auditierbarkeit und Effizienz zu gewährleisten. Der Workflow priorisiert deterministisches, reproduzierbares Ranking gegenüber generativer Neuartigkeit.

Wichtigste Ergebnisse

• Metadaten-Asymmetrie: Die Analyse des EUFCC-340K Datensatzes zeigt eine signifikante Asymmetrie in der Metadatenabdeckung. Die Felder Objekttyp und Material sind dicht besetzt (ca. 77–93 % Abdeckung), während die Felder Thema und Klassifikation spärlich sind (6,7 % bzw. 12,9 % Abdeckung im Trainingssplit).
• Leistung der Ko-Okkurrenz: Im Inner-Test-Split übertraf das direkte Ko-Okkurrenz-Modell die Frequenz-Baseline substanziell über alle Facetten hinweg.
  • Objekttypen: Recall@5 verbesserte sich von 0,190 (Frequenz) auf 0,732 (Ko-Okkurrenz).
  • Materialien: Recall@5 verbesserte sich von 0,379 auf 0,790.
  • Klassifikationen: Recall@5 verbesserte sich von 0,450 auf 0,986.
  • Themen: Obwohl der Testdatensatz für Themen klein war (228 Fälle), erreichte die Frequenz-Baseline einen Recall@5 von 1,000, was vom Ko-Okkurrenz-Modell (ebenfalls 1,000) erreicht wurde. Das Ko-Okkurrenz-Modell übertraf jedoch die Frequenz-Baseline signifikant im Recall@1 (0,934 vs. 0,272) und Recall@3 (1,000 vs. 0,781), was eine überlegene Präzision beim Ranking des korrekten Labels an der Spitze der Liste demonstriert.
• Modellkomplexität: Das hybride Modell konnte das einfachere direkte Ko-Okkurrenz-Modell nicht konsistent übertreffen. Die Studie ergab, dass die einfachste transparente Methode oft die stärkste war, was darauf hindeutet, dass komplexe Graph-Propagation oder hybride Priors nicht notwendig sind, wenn die direkten Label-Relationen stark ausgeprägt sind.
• Verteilungsshift: Der Outer-Test-Split (der unterschiedliche Sammlungszusammensetzungen repräsentiert) zeigte, dass Frequenz-Baselines in Niedrig-Entropie-Verteilungen fälschlicherweise stark erscheinen können, während die direkte Ko-Okkurrenz sensitiv gegenüber relationalen Verschiebungen bleibt. Dies unterstreicht die Notwendigkeit einer splitspezifischen Evaluierung anstelle von aggregierten Scores.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass ihr primärer Beitrag ein reproduzierbarer Informationsorganisation-Workflow ist, der die KI-gestützte Metadatenanreicherung als ein auditierbares Ranking-Problem behandelt.

• Auditierbarkeit und Governance: Die Studie argumentt, dass hochwertige KI im Kulturerbe nicht nur nach Vorhersagegenauigkeit, sondern nach Reproduzierbarkeit, Interpretierbarkeit und der Bewahrung der Provenienz beurteilt werden sollte. Durch die Nutzung beobachteter Ko-Okkurrenz kann jede Empfehlung auf spezifische Trainingsdaten-Relationen zurückverfolgt werden, was es professionellen Katalogisierern ermöglicht, Vorschläge zu prüfen, zu validieren oder abzulehnen.
• Human-in-the-Loop-Design: Der Workflow positioniert die KI nicht als Ersatz für Katalogisierer, sondern als Entscheidungshilfeschicht. Er liefert gerankte Kandidaten zur menschlichen Validierung, was die Kosten der Überprüfung senkt, während das professionelle Urteilsvermögen bewahrt wird.
• Praktische Implementierung: Der Ansatz erfordert moderate technische Ressourcen (keine großen neuronalen Netze, Bildverarbeitung oder proprietäre APIs), was ihn auch für kleinere Institutionen zugänglich macht. Er unterstützt einen gestuften Implementierungspfad: Metadaten-Profiling, Vokabular-Normalisierung, Graph-Konstruktion, Kandidaten-Vorschlag und Provenienz-Aufzeichnung.
• Limitierungen: Der Autor räumt explizit ein, dass die Methode die Verzerrungen des Datensatzes erbt (sie verstärkt bestehende Katalogisierungsimbalancen) und keine kulturelle Angemessenheit oder die Notwendigkeit, fehlende Labels in realen Szenarien hinzuzufügen, untersucht. Die Studie konzentriert sich auf die Wiederherstellung existierender Labels innerhalb eines kontrollierten Vokabulars, nicht auf die Generierung neuer kultureller Interpretationen.

Zusammenfassend lässt sich sagen, dass die Arbeit zeigt, dass transparentes, ko-okkurrent-basiertes Ranking effektiv die Anreicherung von digitalen Kulturerbe-Metadaten unterstützen kann, indem es eine konservative, aber skalierbare Alternative zu intransparenten generativen KI-Modellen bietet.