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
cset8. September 2021 · Q005817

Concentrations of AI-Related Topics in Research: Natural Language Processing

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht zeigt anhand von 397 Forschungsclustern aus einer Momentaufnahme von 2021, dass NLP-Forschung überwiegend der Informatik zugeordnet ist, aber auch in Sozialwissenschaften, Mathematik und anderen Bereichen vorkommt. Er illustriert unterschiedliche NLP-Anteile und Wachstum anhand von vier Clustern; die Cluster-IDs sind nach einer späteren Aktualisierung nicht mehr direkt übertragbar, und beim Mathematik-Beispiel weicht eine ID intern ab.

Mittel

Der Bericht wertet eine Momentaufnahme der CSET-„Map of Science“ vom 29. Juli 2021 aus. Er betrachtet 397 Forschungscluster, die definierte Mindestanteile an KI- und NLP-Arbeiten aufweisen und stärker auf NLP als auf Computer Vision oder Robotik konzentriert sind. 89 Prozent dieser Cluster liegen in der Informatik, 10 Prozent in den Sozialwissenschaften; die übrigen verteilen sich auf Geisteswissenschaften, Mathematik und Medizin. In 98 Clustern sind mehr als 75 Prozent der Arbeiten NLP-bezogen, was der Bericht als Hinweis auf einen klaren NLP-Schwerpunkt deutet.

Vier Beispiele zeigen die Bandbreite: ein stark auf maschinelle Übersetzung und Worteinbettungen ausgerichtetes Informatik-Cluster mit prognostiziertem extremem Wachstum; ein Informatik-Cluster mit knapp über 25 Prozent NLP-Arbeiten und negativem Wachstum im letzten betrachteten Jahr; ein mathematisches Cluster mit mehr als 70 Prozent NLP-Anteil; sowie ein sozialwissenschaftliches Cluster, das sich unter anderem mit Gebärdensprachen befasst und im Vorjahr um 47 Prozent wuchs. Als zentrale Arbeiten führt der Bericht jeweils die innerhalb eines Clusters stark zitierten Publikationen an.

Die Zahlen beziehen sich auf die damalige Clusterbildung. CSET aktualisierte die Map im August 2021 und vergab neue IDs. Außerdem widerspricht sich der Bericht beim Mathematik-Beispiel: Im Text steht Cluster 26223, die Überschrift der Kernarbeiten nennt 26221.

Ausführlich lesen

Der Bericht untersucht, wie sich Forschung zu natürlicher Sprachverarbeitung (Natural Language Processing, NLP) auf Forschungscluster in der „Map of Science“ verteilt. Grundlage ist eine Momentaufnahme vom 29. Juli 2021. Als NLP-Cluster gelten 397 Cluster mit mindestens 25 Prozent KI-bezogenen Arbeiten und mindestens 25 Prozent NLP-Arbeiten, wobei der NLP-Anteil höher ist als der Anteil zu Computer Vision oder Robotik. Der Bericht beschreibt damit eine anhand dieser Schwellenwerte gebildete Auswahl, nicht sämtliche Forschung, die NLP nutzt.

Die Zuordnung zu breiten Forschungsgebieten zeigt eine starke Konzentration in der Informatik: 352 Cluster beziehungsweise 89 Prozent der NLP-Cluster liegen dort. 39 Cluster (10 Prozent) entfallen auf Sozialwissenschaften; Geisteswissenschaften, Mathematik und Medizin stellen zusammen sechs Cluster und jeweils weniger als ein Prozent. Zugleich unterscheiden sich die Cluster darin, wie stark sie auf NLP ausgerichtet sind: Bei 98 von 397 liegt der NLP-Anteil über 75 Prozent, bei 144 zwischen 50 und 75 Prozent, bei 150 zwischen 25 und 50 Prozent. Fünf Cluster liegen im Bereich über 10 bis einschließlich 25 Prozent. Der Bericht deutet den hohen Anteil in etwa einem Viertel der Cluster als Hinweis darauf, dass NLP dort Schwerpunkt und nicht bloß ergänzende Methode ist.

Zur Veranschaulichung betrachtet der Bericht vier Cluster und nennt jeweils zentrale Arbeiten. Als solche „Kernarbeiten“ gelten Veröffentlichungen mit starken Zitierverbindungen innerhalb des jeweiligen Clusters. Das Cluster 60531 umfasst laut Bericht 727 Arbeiten, von denen 95 Prozent NLP-bezogen sind. Inhaltlich geht es unter anderem um maschinelle Übersetzung, Worteinbettungen, Spracherkennung und NLP-Methoden. Für dieses Informatik-Cluster wird extremes Wachstum prognostiziert, definiert als durchschnittliches erwartetes Wachstum von mindestens acht Prozent in den folgenden drei Jahren. Drei Viertel der Arbeiten hatten Länderangaben; unter den Arbeiten mit verfügbaren Länderangaben entfielen zwei Fünftel auf die USA und weniger als ein Viertel auf China.

Das Informatik-Cluster 47196 weist laut Bericht bei 670 Arbeiten einen NLP-Anteil von knapp über 25 Prozent auf und behandelt unter anderem Data Mining, Wissensextraktion und linguistische Analyse. Weniger als ein Drittel seiner Arbeiten sei zugleich KI-bezogen. Das Cluster werde von Indien angeführt und habe im letzten betrachteten Jahr weniger neue Arbeiten als im Vorjahr veröffentlicht. Als Beispiel aus einem nicht-informatischen MINT-Fach beschreibt der Bericht das Mathematik-Cluster 26223: Mehr als 70 Prozent seiner 1.507 Arbeiten seien NLP-bezogen. Das 14 Jahre alte Cluster werde von den USA dominiert, sei im Vorjahr um etwa vier Prozent gewachsen und es werde kein extremes Wachstum prognostiziert. Ein sozialwissenschaftliches Beispiel ist Cluster 3916 mit 4.749 Arbeiten, von denen mehr als die Hälfte NLP-Arbeiten seien. Es umfasse Psychologie, Kommunikation und Syntax mit einem erkennbaren Schwerpunkt auf Gebärdensprachenforschung; das Wachstum im Vorjahr betrage 47 Prozent, die USA führten das Cluster an.

Die Ergebnisse sind an die damalige Clusterbildung und den Stichtag gebunden. Der Bericht weist darauf hin, dass CSET die Map of Science im August 2021 aktualisierte und dabei stabilere Cluster sowie neue IDs einführte; die hier genannten Cluster-IDs stimmen deshalb nicht mit denen der aktualisierten Oberfläche überein. Zudem nennt der Abschnitt zum Mathematik-Beispiel Cluster 26223, während die Überschrift der zugehörigen Liste von Kernarbeiten „RC 26221“ angibt. Der Bericht klärt diese interne Abweichung nicht auf. Die Beispiele und Zahlen erlauben daher keine sichere Zuordnung dieser IDs zur heutigen Clusterkarte.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung betrifft nur die drei angegebenen Sammelfragen; Teilfragen wurden keine genannt. Lunas Stufen- und Anteilsangaben wurden nicht übernommen, weil das Schema sie nicht vorsieht. Die Zusammenfassung ist inhaltlich korrekt, auch die Hinweise auf die Cluster-ID-Abweichung (26223 im Text, 26221 in der Überschrift) und die Aktualisierung der Map im August 2021.

Im Bericht, aber nicht in der Zusammenfassung

  • Bots auf Social Media als Beispiel für NLP-Anwendungen und ihre mögliche Rolle bei Desinformation und Trolling
  • Die Methodenbeispiele Sentiment-Analyse und Topic Modelling
  • Länderverteilung der Kernarbeiten im Cluster mit dem höchsten NLP-Anteil (USA etwa zwei Fünftel, China unter einem Viertel)

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
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV 45 %gleiches Oberthema, hilft nicht
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 69 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
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 68 %Hintergrund, keine Belege
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 43 %nur am Rande erwähnt
    • amos 36 %nur am Rande erwähnt
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

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 →