Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind15. Oktober 2019 · Q003833

Restoring ancient text using deep learning: a case study on Greek epigraphy

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt Pythia, ein neuronales System zur Ergänzung fehlender Zeichen in altgriechischen Inschriften, das mehrere Vorschläge samt Vertrauenswerten erzeugt und Kontext berücksichtigt. Auf dem eigens aufbereiteten PHI-ML-Korpus meldeten die Autoren eine Zeichenfehlerrate von 30,1 Prozent gegenüber 57,3 Prozent bei Oxford-Doktoranden; in 73,5 Prozent der Fälle war die richtige Folge unter den Top 20. Die Ergebnisse beziehen sich auf diesen Korpus und Vergleich; Pythia wird als Hilfsmittel dargestellt.

Mittel

Der Bericht stellt Pythia vor, ein neuronales System, das fehlende Zeichen in beschädigten altgriechischen Inschriften ergänzt. Es erstellt mehrere mögliche Rekonstruktionen und bewertet sie. Dabei verarbeitet es Zeichen- und Wortinformationen, um sprachlichen und textinternen Kontext einzubeziehen. Für das Training wurde der Bestand PHI Greek Inscriptions in maschinenlesbare Form überführt und als PHI-ML verwendet.

Auf diesem Korpus erreichte Pythia laut Bericht eine Zeichenfehlerrate von 30,1 Prozent, verglichen mit 57,3 Prozent bei einer Gruppe von Oxford-Doktoranden. In 73,5 Prozent der Fälle war die tatsächliche Zeichenfolge unter den zwanzig höchstbewerteten Vorschlägen. Ein Beispiel aus einer Pergamon-Inschrift soll zeigen, dass sich die Vorhersage eines verdeckten Namens ändert, wenn sich ein zuvor im Text sichtbarer Name ändert.

Die Autoren sehen darin einen Beitrag zur digitalen Epigraphik und haben Notebook sowie Verarbeitungspipeline veröffentlicht. Pythia ist als Unterstützung mit mehreren Hypothesen beschrieben. Die Zahlen beziehen sich auf PHI-ML und den genannten Vergleich; der Text berichtet keine unabhängige Prüfung oder Ergebnisse auf anderen Korpora.

Ausführlich lesen

Der Bericht beschreibt Pythia, ein von Yannis Assael, Thea Sommerschield und Jonathan Prag vorgestelltes System zur Rekonstruktion beschädigter altgriechischer Inschriften. Ausgangspunkt ist, dass viele überlieferte Texte durch Zerstörung, Erosion oder Fragmentierung nur teilweise lesbar sind. Ihre Ergänzung ist schwierig, weil zu einer Lücke mehrere plausible Lösungen passen können. Historikerinnen und Historiker berücksichtigen dabei sprachliche und grammatische Hinweise, Textgestaltung, Parallelen und historischen Kontext.

Pythia soll diese Arbeit unterstützen, indem es für fehlende Zeichen mehrere mögliche Ergänzungen erzeugt und jeder Hypothese einen Vertrauenswert zuordnet. Laut Bericht ist es das erste Modell zur Wiederherstellung antiker Texte, das beschädigte Eingaben mithilfe tiefer neuronaler Netze bearbeitet. Es verarbeitet Zeichen- und Wortinformationen, um sowohl den weiteren Textzusammenhang als auch unvollständige Wörter einzubeziehen. Die Autoren halten den Ansatz grundsätzlich für auf andere antike und moderne Sprachen sowie verwandte Disziplinen wie Philologie, Papyrologie und Kodikologie übertragbar.

Für das Training wurde nach Darstellung des Berichts eine Verarbeitungskette entwickelt, die den digitalen Bestand PHI Greek Inscriptions in maschinenlesbaren Text umwandelt; das so aufbereitete Material wird PHI-ML genannt. In der Auswertung auf PHI-ML erreichte Pythia laut Autoren eine Zeichenfehlerrate von 30,1 Prozent. Bei den verglichenen menschlichen Lösungen lag dieser Wert bei 57,3 Prozent. Die menschliche Vergleichsgruppe bestand konkret aus Oxford-Doktoranden. In 73,5 Prozent der Fälle befand sich die tatsächliche Zeichenfolge unter den zwanzig bestbewerteten Vorschlägen des Systems. Die Autoren werten dies als Beleg für den Nutzen der Methode und als damaligen Stand der Technik bei der Restaurierung antiker Texte.

Ein weiteres Beispiel soll zeigen, dass Pythia Kontext berücksichtigt: In einer bearbeiteten Inschrift aus Pergamon wurde ein teilweise verdeckter Personenname ergänzt. Weil der Name Apollodoros an anderer Stelle der Eingabe vorkam, sagte das System laut Bericht die passende Namensfolge voraus. Als der zuvor sichtbare Name durch einen gleich langen anderen Namen ersetzt wurde, änderte sich auch die Vorhersage entsprechend. Das illustriert an diesem Beispiel die Rolle des Textkontexts, belegt für sich allein aber keine allgemeine Leistung über unterschiedliche Inschriften hinweg.

Die Autoren stellen ein Python-Notebook für Pythia und die Verarbeitungspipeline von PHI-ML als Open Source bereit. Der Bericht beschreibt Pythia als automatisierte Unterstützung, die mehrere Vorschläge liefert; er sagt nicht, dass die Ergebnisse eine fachliche Prüfung durch Historikerinnen und Historiker ersetzen. Die berichteten Kennzahlen beziehen sich auf die genannte Datenbasis und den beschriebenen Vergleich. Weitergehende Angaben zu unabhängigen Prüfungen oder zur Übertragbarkeit der Ergebnisse auf andere Korpora enthält der vorliegende Text nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde anhand der mittleren Fassung geprüft; die kurze Fassung lässt zusätzlich das Pergamon-Beispiel und die Open-Source-Veröffentlichung aus. Luna überschätzt die Sammelfrage SF-H3 (Stufe 4) und SF-E4 (Stufe 3) deutlich, die Teilfragen sind zu Recht niedrig eingeordnet.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Aussage, Pythia sei das erste Modell zur Textrestaurierung antiker Texte mit tiefen neuronalen Netzen
  • Die Behauptung, die Ergebnisse setzten den Stand der Technik bei der Textrestaurierung
  • Der Zeitraum der Inschriften (7. Jahrhundert v. Chr. bis 5. Jahrhundert n. Chr.) und die Aussage, das Verfahren gelte für alle Sprachen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 48 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 54 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 38 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 59 %einzelne zitierbare Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 53 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →