Core Concepts
Durch den Einsatz von Large Language Models wie GPT-3.5 und GPT-4 kann der Prozess der Ontologie-Verfeinerung unter Verwendung der OntoClean-Methodik deutlich effizienter gestaltet werden.
Abstract
Dieser Artikel untersucht den Einsatz von Large Language Models (LLMs) wie GPT-3.5 und GPT-4 zur Unterstützung des Ontologie-Verfeinerungsprozesses, insbesondere mit Fokus auf die OntoClean-Methodik.
OntoClean ist eine etablierte Methode zur Bewertung der metaphysischen Qualität von Ontologien. Sie umfasst einen zweistufigen Prozess: Zunächst werden den Klassen der Ontologie vordefinierte Meta-Eigenschaften zugewiesen, anschließend werden die darauf basierenden Constraints überprüft. Die Zuordnung der Meta-Eigenschaften stellt dabei die Hauptherausforderung dar, da sie ein hohes Maß an philosophischer Expertise erfordert und unter Ontologen oft keine Einigkeit herrscht.
Die Studie zeigt, dass durch den Einsatz von LLMs mit zwei unterschiedlichen Prompt-Strategien (Zero-Shot und In-Context Learning) eine hohe Genauigkeit bei der Zuordnung der Meta-Eigenschaften erreicht werden kann. Die Ergebnisse deuten darauf hin, dass LLMs das Potenzial haben, den Ontologie-Verfeinerungsprozess deutlich zu verbessern. Daher wird vorgeschlagen, Plug-in-Software für gängige Ontologie-Tools zu entwickeln, um diese Integration zu erleichtern.
Stats
Keine relevanten Kennzahlen oder Statistiken im Artikel enthalten.
Quotes
Keine markanten Zitate im Artikel enthalten.