Zur Modellierung von Unsicherheit: Machine Learning und begriffliche Vagheit am Beispiel der Novellen im 19. Jahrhundert

Der Vortrag bietet einen neuen Ansatz, um begriffliche Vagheit im Rahmen maschinellen Lernens zu modellieren. Hierfür werden drei zentrale Ideen zusammengeführt: (a) die perspektivische Modellierung nach Ted Underwood, (b) die Berücksichtigung von Unentscheidbarkeit im Sinn der Prototypentheorie, und (c) die Modellierung prototypentheoretischer Vagheit im Rahmen eines spezifischen Accuracy Scores (C@1-Score), der Unentschiedenheit oder Unentscheidbarkeit berücksichtigt. Die Modellierung von Unsicherheit im Rahmen von Kategorisierung ist zugleich eines der zentralen gegenwärtigen Probleme im Feld des maschinellen Lernens. Der Beitrag möchte daher auch zu einer domänenspezifischen Lösung dieses Problems beitragen, die abschließend durch Optionen der Triangulation und Evaluation gestützt wird. Diskutiert wird das entwickelte Verfahren einschließlich neuer Projektionsmethoden für prototypentheoretische Vagheit am Beispiel eines neu aufgebauten Korpus zur Erzählprosa des 19. Jahrhunderts. Auf diese Weise werden auch neue Belege für die relative Offenheit des historischen Novellenbegriffs geliefert.