Startseite

Herzlich willkommen

Wir sind eine Gruppe von Wissenschaftlern, Entwicklern und Anwendern aus ganz unterschiedlichen Fachgebieten und mit unterschiedlichen Hintergründen.

Aus unseren jeweiligen Perspektiven tuaschen wir uns über das Thema Ontologie aus. Was uns zusammenbringt ist die Neugier, voneinander zu lernen, Dinge aus anderen Perspektiven zu begreifen und uns davon zu neuen Ideen inspirieren zu lassen.

In über uns erfahren Sie ausführlicher wer wir sind und was wir machen.

Wir bleiben vorerst online

Die Impfungen schreiten voran und die Infektionszahlen sinken. Andererseits hat das Online-Format den Vorteil, das die Anreise entfällt. An den Kolloquien nehmen Interessenten teil, die hunderte von Kilometern entfernt wohnen.

Bis auf Weiteres werden wir deshalb dabei bleiben, unsere Kolloquien als Video-Konferenzen zu organisieren.

TAVeer: Ein robustes und themenagnostisches Verfahren zur Verifikation von Schreibstilen

Ein zentrales Problem, das seit vielen Jahren im Bereich der digitalen Textforensik erforscht wird, ist die Frage, ob zwei Dokumente vom selben Autor verfasst wurden. Die Autorenschaftsverifikation (AV) ist ein Forschungszweig in diesem Bereich, der sich mit dieser Frage beschäftigt.

Im Laufe der Jahre haben die Forschungsaktivitäten im Zusammenhang mit AV stetig zugenommen, welche zu einer Vielzahl von Ansätzen geführt haben, die versuchen, dieses Problem zu lösen. Viele dieser Ansätze nutzen jedoch Merkmale, die mit dem Thema der Dokumente zusammenhängen oder davon beeinflusst sind. Daher kann es versehentlich passieren, dass ihre Verifikationsergebnisse nicht auf dem Schreibstil (dem eigentlichen Fokus von AV), sondern auf dem Thema der Dokumente basieren.

Um dieses Problem zu adressieren, schlagen wir einen alternativen AV-Ansatz vor, der nur themenunabhängige Merkmale in seiner Klassifikationsentscheidung berücksichtigt.

Zusätzlich stellen wir eine Post-hoc-Interpretationsmethode vor, die es erlaubt zu verstehen, welche besonderen Merkmale zur Vorhersage der vorgeschlagenen AV-Methode beigetragen haben.

Um die Leistungsfähigkeit unserer AV-Methode zu evaluieren, haben wir sie mit acht konkurrierenden Baselines (einschließlich dem aktuellen Stand der Technik) auf vier anspruchsvollen Datensätzen verglichen. Die Ergebnisse zeigen, dass unser Ansatz in zwei Fällen alle Baselines übertrifft (mit einer maximalen Genauigkeit von 84 %), während er in den anderen beiden Fällen genauso gut abschneidet wie die stärkste Baseline.