AIX Lab auf der LREC 2026: Zwei Beiträge zu ressourcenarmen Wissensgraphen und zur Annotation narrativer Graphen angenommen
10.03.2026
Wir freuen uns, Ihnen mitteilen zu können, dass zwei Beiträge des AIX Lab für die LREC 2026 in Palma de Mallorca, Spanien, angenommen wurden.
Der erste Beitrag mit dem Titel „Amharic DBpedia Chapter: A Knowledge Graph for a Low-Resource Language” (Amharisches DBpedia-Kapitel: Ein Wissensgraph für eine ressourcenarme Sprache) stellt die ersten Schritte zur Erstellung eines amharischen DBpedia-Kapitels vor, indem das DBpedia Extraction Framework um amharische Funktionen erweitert wird. Zu unseren technischen Beiträgen gehören ein neuer Parser für Ge’ez, ein Konverter für den gregorianischen und äthiopischen Kalender, Tools zur Umwandlung von Ge’ez-Zahlen und amharische spezifische Template-Mappings. Da manuelles Mapping sehr zeitaufwendig ist, haben wir auch Automatisierungsmöglichkeiten in zwei Richtungen untersucht. Für das Template-Mapping haben wir Zero-Shot-Übersetzung mit dem NLLB-200-Modell verwendet, um die Namen der Amharic-Infobox-Eigenschaften zu übersetzen. Für die Ontologie-Ausrichtung haben wir AfroXLM-R Base, XLM-R Base und mBERT (fein abgestimmt auf Amharisch) über 58 DBpedia-Klassen hinweg verglichen. Während die Zero-Shot-Leistung begrenzt war, führten die Umformulierung der Aufgabe als natürliche Sprachinferenz und die Feinabstimmung der Modelle zu erheblichen Verbesserungen, was darauf hindeutet, dass eine automatisierte Ontologie-Ausrichtung für Amharisch auch unter Bedingungen mit geringen Ressourcen sowohl machbar als auch effektiv ist. Diese Arbeit wurde gemeinsam mit Kollegen der Leuphana Universität (Tilahun Abedissa Taffa & Ricardo Usbeck), Mitwirkenden des Google Summer of Code (Meti Bayissa & Andargachew Asfaw) und Mitarbeitern von DICE Research (Hizkiel Mitiku Alemayehu, Hamada Zahera & Axel Ngonga) verfasst.
Unser zweiter akzeptierter Beitrag trägt den Titel „From Variance to Invariance: Qualitative Content Analysis for Narrative Graph Annotation” (Von Varianz zu Invarianz: Qualitative Inhaltsanalyse für narrative Graphannotationen). Diese Arbeit stellt interdisziplinäre Forschungsmethoden aus den Sozialwissenschaften und der Informatik gegenüber, um Nachrichtennarrative als gerichtete azyklische Graphen (DAGs) zu annotieren. Darüber hinaus bietet sie eine strenge Methodik zur Bewertung von Annotationen, um verschiedene Zuverlässigkeitsmaße zu liefern. Sie enthält ein Python-Paket zur Berechnung des Krippendorff-Alpha-Werts für Graphen. Es stellt die Frage: Wie können wir angesichts der Subjektivität unterschiedlicher Lesarten derselben Nachrichtenerzählung narrative Graphannotationen erstellen und bewerten, die die strukturellen und semantischen Informationen des Textes sowie unsere vielfältigen plausiblen Bedeutungsinterpretationen erfassen?
Vorschau: http://arxiv.org/abs/2603.01930