NER4all oder: Context is all you need
Wie kontextuelles Prompting mit LLMs Named Entity Recognition auf historischen Texten um 7–22 Prozentpunkte F1 verbessert — und warum Few-Shot nicht hilft.
Nicole Dresselhaus 
Named Entity Recognition ist für die Geschichtswissenschaft zentral — und mit klassischen NLP-Werkzeugen auf historischen Quellen teuer und ungenau. Der Preprint zeigt, dass handelsübliche LLMs mit kontextuellem Prompting die beiden Referenz-Frameworks spaCy und flair um 7 bis 22 Prozentpunkte F1 schlagen.
Zwei Befunde daraus sind für die Praxis wichtiger als die Zahlen: Historischer Kontext plus ein wenig Persona-Modellierung bringen den Großteil der Verbesserung (nicht die reine Linguistik), und mehr Few-Shot-Beispiele helfen unterhalb von 16 Shots überhaupt nicht. Unterm Strich: NER wird für Historiker*innen ohne Skripting-Kenntnisse zugänglich.
- Preprint: arXiv:2502.04351
- Praktische Umsetzung: Case Study: Local LLM-Based NER
- Framework: annotations4all