Datenqualität ist ein entscheidender Faktor bei der Aufbereitung und Erstellung von terminologischen Daten in der Wissenschaft und in Unternehmen. Gleichzeitig gewinnen Tools wie agentische KI und Large Language Models in diesem Kontext immer mehr an Bedeutung, um Prozesse zu optimieren und Menschen bei ihrer Arbeit zu unterstützen. Um eine hohe Datenqualität von terminologischen Daten zu erzielen, benötigen diese Tools jedoch eine qualitativ hochwertige Datengrundlage. Letztendlich dienen diese Daten für den Übersetzungsprozess und das Wissensmanagement.
In unzähligen Beiträgen heißt es bereits, dass die Qualität von KI-Ergebnissen buchstäblich auf der Qualität der zugrundeliegenden Trainingsdaten basiert – das steht außer Frage. Doch wie kann diese Qualität erzielt werden? Im Folgenden werden Methodik, Herausforderungen und Best Practices für konsistente und präzise Terminologie vorgestellt, um eine erfolgreiche Wissensvermittlung in Unternehmen und Terminologiearbeit zu ermöglichen.
Terminologiearbeit zwischen Normen, Datenqualität und Large Language Models
Zunächst einmal die Frage: Was ist Datenqualität?
Die Datenqualität sorgt im Bereich des Datenmanagement dafür, dass Daten korrekt, vollständig, konsistent, nachvollziehbar und für ihre Nutzung geeignet sein müssen. Wenn dies gewährleistet ist, können Daten zwischen unterschiedlichen Systemen übertragen werden, ohne dass Daten verloren gehen.
Und was haben Datenqualität und Terminologie gemeinsam?
Terminologiearbeit und Datenqualität verfolgen ähnliche Ziele: Beide wollen Konsistenz, Eindeutigkeit, Verständlichkeit und Rückverfolgbarkeit sicherstellen. Während die Terminologiearbeit dafür sorgt, dass Begriffe, Benennungen und Definitionen klar strukturiert und standardisiert sind, beschäftigt sich Datenqualität mit der Frage, ob diese Informationen vollständig, korrekt und zuverlässig gespeichert und verwaltet werden.
Zu diesem Zweck können die ISO 8000 für Datenmanagement und ISO 704 für Terminologiearbeit miteinander kombiniert werden, um eine neue Grundlage für die Nutzung von Large Language Models zu bilden. ISO 704 definiert die inhaltlichen Anforderungen an Terminologie, beispielsweise die Bildung von Begriffen, Begriffsrelationen, Benennungen und Definitionen. ISO 8000 legt dagegen Qualitätsanforderungen an Daten fest, etwa hinsichtlich Vollständigkeit, Konsistenz, Rückverfolgbarkeit und Validität.
Daraus ergeben sich folgende Qualitätskategorien für ein neues terminologisches Rahmenwerk, das Large Language Models für die Generierung von Antworten zur Verfügung gestellt werden kann:
- Accuracy and Correctness
- Coherence and Integrity
- Completeness
- Consistency
- Non-redundancy
- Reliability and Traceability
- Unambiguity
- Understandability and Relevance
- Verifiability and Validity
Welche Rolle spielen Large Language Models für die Terminologiearbeit?
Ein neuer Ansatz zur effektiven Einbindung von Large Language Models in die Terminologiearbeit ist das Modell Terminology-Augmented Generation (TAG), sowohl für einsprachige als auch für mehrsprachige Terminologiearbeit. TAG lehnt sich an das bislang etablierte Modell Retrieval-Augmented Generation (RAG) an. Im Unterschied zu RAG, das mit vektorbasierten Textsegmenten arbeitet, greift TAG auf strukturierte und tabellenbasierte Datenbanken, Ontologien oder Glossare zurück. Diese Ressourcen können Definitionen sowie weitere normbasierte Wissens- und Datenkategorien enthalten, wodurch LLMs gezielter auf domänenspezifisches Wissen zugreifen können. Dadurch lassen sich terminologische Inhalte präziser, konsistenter und stärker kontextorientiert generieren.
Prompt Engineering in der Terminologiearbeit
Durch TAG und die gezielte Einbindung terminologischer Daten lässt sich zwar ein definierter Rahmen für das Large Language Model schaffen, jedoch ist eine präzise Methodik erforderlich, um reproduzierbare und standardisierte Ergebnisse sicherzustellen. Aus diesem Grund wird Prompt Engineering zu einem wichtigen Skill für Übersetzer:innen und Terminologen. Dafür sollten spezielle Prompts für terminologische Anfragen entwickelt werden.
Beispiel:
Zero-Shot-Prompt
| You are a terminologist. Create a definition for the concept ‘employee’. |
| Few-Shot-Prompt | Role: You are a terminologist. Action: Create a definition for the concept [example]. Characteristics: Based on the underlying business concept; not more than 25 words; includes the superordinate concept; must begin with a verb; must be intensional. Example: [based on the company standards] |
Aus Sicht der Terminologielehre und der Anforderungen an terminologische Definitionen sind Zero-Shot-Prompts jedoch wenig zielführend. So fehlen beispielsweise Angaben zur Struktur der Definition, zum fachlichen Kontext, zu einem differenzierenden Merkmal sowie zur Art der Definition (intensionale oder extensionale Definition).
Durch solche Anpassungen können LLMs auf die terminologischen Daten eines Unternehmens besser zugreifen und diese als Grundlage für die Generierung kontextbezogener und fachlich präziser Antworten nutzen. Erst durch die Bereitstellung relevanter Terminologieinformationen erhält das Modell den erforderlichen fachlichen Kontext, um die gewünschte Präzision zu erreichen. Darüber hinaus empfiehlt es sich, einen Style Guide zu definieren, der klare Vorgaben für Sprachstil, Terminologie und Qualitätsanforderungen enthält. Dies erleichtert die Standardisierung von Prompts und bildet eine wichtige Grundlage für die Entwicklung automatisierter Workflows und wiederkehrender Aufgaben im Terminologiemanagement. An dieser Stelle ist anzumerken, dass diese Erkenntnisse manuell erprobt und ohne Systemanbindung durchgeführt wurden.
Einsatzmöglichkeiten für aktuelle Herausforderungen in Datenbanken
Neben der Erstellung von Definitionen eignet sich der Einsatz von LLMs auch für die Qualitätsprüfung und Bereinigung terminologischer Datenbestände. Beispielsweise kann man iterativ vorgehen: Zunächst wird in einer LLM-Umgebung ein Projekt eingerichtet, oder synchronisiert, das einen detaillierten Style Guide, ein normbasiertes Framework mit definierten Qualitätskategorien sowie domänenspezifische Vorgaben für den jeweiligen Fachbereich umfasst. Anschließend werden die relevanten terminologischen Daten als Wissensgrundlage bereitgestellt.
Auf dieser Basis kann das LLM die vorliegenden Definitionen eigenständig analysieren und mit den definierten Qualitäts- und Terminologieanforderungen abgleichen. In einer darauf aufbauenden Untersuchung wurde lediglich eine Definition eingegeben, dann identifizierte das Modell Abweichungen von den festgelegten Standards und schlug entsprechende Korrekturen vor. Das Beispiel verdeutlicht, dass LLMs nicht nur bei der Erstellung neuer Inhalte unterstützen können, sondern auch als Tool zur Qualitätssicherung dienen, indem sie bestehende Terminologiedaten systematisch überprüfen und Verbesserungspotenziale aufzeigen – die Basis für qualitativ hochwertige Daten in unstrukturierten Datenbanken.
Grenzen und Herausforderungen
Die Untersuchung zeigt, dass Large Language Models ein großes Potenzial für die Erstellung, Analyse und Qualitätssicherung terminologischer Daten besitzen. Gleichzeitig wird deutlich, dass ihr erfolgreicher Einsatz von mehreren Voraussetzungen und Rahmenbedingungen abhängt.
Eine zentrale Erkenntnis ist, dass komplexe Aufgabenstellungen selten mit einer einzelnen Anfrage optimal gelöst werden können. Deutlich bessere Ergebnisse entstehen durch ein schrittweises und interaktives Vorgehen und Training, bei dem Anforderungen präzisiert, Zwischenergebnisse überprüft und zusätzlicher Kontext bereitgestellt werden. Dadurch steigt nicht nur die Qualität der Ergebnisse, sondern auch deren Nachvollziehbarkeit und fachliche Validität.
Zu den größten Herausforderungen zählt weiterhin das Risiko von Halluzinationen. Sprachmodelle erzeugen grundsätzlich eine Antwort, selbst wenn ihnen wichtige Informationen fehlen oder die Datengrundlage unvollständig ist. Statt Unsicherheiten transparent zu kommunizieren, können sie plausible, aber fachlich fehlerhafte Inhalte generieren. Dieses Problem tritt insbesondere dann auf, wenn Terminologiedatenbanken, Knowledge Graphs oder Ontologien Lücken aufweisen oder relevante Informationen nicht verfügbar sind.
Die dargestellten Ergebnisse basieren auf einer unabhängigen Untersuchung, bei der die terminologischen Daten manuell in das LLM eingespeist wurden. In der Praxis stellt sich daher die zusätzliche Herausforderung, solche Modelle über eine Programmierschnittstelle in bestehende Terminologie- und Content-Management-Systeme zu integrieren. Erst durch eine zuverlässige technische Anbindung können terminologische Daten automatisiert genutzt, Deltas und Datensilos bearbeitet und in bestehende Arbeitsprozesse eingebunden werden.
Für die Zukunft wird daher nicht allein die Menge der verfügbaren Daten entscheidend sein, sondern vor allem deren Relevanz und die Qualität ihrer Aufbereitung. Erfolgreiche LLM-Anwendungen benötigen präzise Suchanfragen, klar definierte Prompts und einen ausreichend dokumentierten fachlichen Kontext. Der Fokus sollte weniger auf möglichst großen Datenmengen liegen als vielmehr auf der gezielten Bereitstellung der Informationen, die für die jeweilige Aufgabe tatsächlich relevant sind. Nur unter diesen Voraussetzungen können LLMs ihr Potenzial als unterstützendes Tool bei der Terminologiearbeit verlässlich entfalten.
Ist ihr Interesse geweckt? Kontaktieren Sie Lisa Oest über LinkedIn [Link zu Profil: Lisa Oest | LinkedIn] und erfahren Sie mehr über die Methodik und Ergebnisse aus ihrer Masterarbeit.
tl;dr
Erfolgreiche LLM Anwendungen benötigen präzise Suchanfragen, klar definierte Prompts und einen ausreichend dokumentierten fachlichen Kontext. Der Fokus sollte weniger auf möglichst großen Datenmengen liegen als vielmehr auf der gezielten Bereitstellung der Informationen, die für die jeweilige Aufgabe tatsächlich relevant sind.
Ein Artikel von
