Problemstellung

Dadurch, dass die Anwendung von Keilschrift durch das Eindrücken bestimmter Symbole auf Tontafeln angewandt wurde, gibt es noch heute viele Objekte, welche gut erhalten sind und erforscht werden können. Damit einhergehen allerdings auch Probleme der Art und Weise einer solchen Forschung. Diese setzt Expertenwissen in diversen Feldern voraus, welches über die reine inhaltliche Erschließung hinaus geht und primär dem Fach der Assyrologie zuzuordnen ist. Durch die Diversität der Inhalte der Keilschrifttafeln bieten diese jedoch auch Möglichkeiten für weitere wissenschaftliche Disziplinen. Diese sehen sich allerdings zunächst der Herausforderung gegenübergestellt, eine Tafel mit dem richtigen Inhalt für ein spezielles Projekt zu finden. Um damit überhaupt beginnen zu können, müssen folglich unzählige Tafeln nach ihrem Inhalt sortiert und dazu grob übersetzt werden. Die hier vorgestellte Arbeit soll einen ersten Schritt für die Erstellung eines Modells ermöglichen, welches in der Lage ist, eine solche Vorauswahl zu treffen. Sie trägt primär zum Fach der Digital Humanities bei, indem sie Verfahren des maschinellen Lernens anwendet, um den zeitaufwendigen Prozess der Übersetzung und Klassifizierung von Keilschrift zu beschleunigen. Die Forschung zielt darauf ab, den Prozess der Identifizierung relevanter Tafeln für spezifische Studien zu beschleunigen, indem eine automatisierte Klassifizierung von Zeichen entwickelt werden soll. Dies würde nicht nur die Auswahl an Texten für Forschende vereinfachen, sondern auch die interdisziplinäre Arbeit in Bereichen wie Geschichte, Religion, Archäologie und Anthropologie effizienter gestalten.

Bild des Zeichens 1(asz)

Bild des Zeichens 1(ban2)

Es wird sich auf die Anwendung und Analyse spezifischer Algorithmen zur Klassifizierung von Keilschriftzeichen konzentriert und untergeordneter Wert auf die zugrundeliegende Mathematik gelegt. Ziel ist es, die Vor- und Nachteile der angewandten Algorithmen zu finden und deren Potenzial für verbesserte Forschungsmethoden in den Geisteswissenschaften zu erkunden. Zusätzlich zu dem Experimentieren anhand der Algorithmen, wird ebenfalls getestet, in welcher Form die Datengrundlage eine vielversprechende Möglichkeit für eine Klassifizierung bildet. Wie erwähnt, bilden Bilder von Keilschriftzeichen die Datengrundlage. Zwei Beispiele solcher Bilder sind in den oben dargestellten Abbildungen zu sehen. Diese bieten diverse Möglichkeiten zur Verabeitung und der Erhebung unterschiedlicher Eigenschaften, welche für die Klassifizierung genutzt werden können.

Das Problem, das die Arbeit zu lösen beabsichtigt, ist die Klassifizierung einzelner Keilschriftzeichen mittels maschinellem Lernen. Basierend auf dem vorliegenden Datensatz und dem Ansatz von Pedro Domingos (Domingos 2012), wurde ein Zyklus aus Evaluation und Optimierung der Algorithmen angewandt. Verschiedene Algorithmen wurden getestet, um den geeignetsten für die Aufgabe zu ermitteln. Die Ergebnisse wurden präzise analysiert, wobei Metriken wie Accuracy, Precision, Recall und der F1-Score zum Einsatz kamen. Diese Metriken erlauben Einschätzungen über die Funktionsweise der Klassifizierung und dienen als Basis für weitere Optimierungen und Forschungen in diesem Bereich.

Die Forschungsergebnisse werden mit dem Ziel veröffentlicht, anderen Wissenschaftler:innen eine Grundlage für weitere Arbeiten zu bieten und damit einen Beitrag zur interdisziplinären Forschung zu leisten, der die Grenzen zwischen Geisteswissenschaften und Informatik überbrückt.