Die entscheidende Frage ist auch:
Liegt zusammen, was fachlich zusammengehört?
Genau dabei hilft uns die Vektorkarte.
Ein Vektor ist in diesem Zusammenhang ein Bedeutungsprofil eines Textes.
Dieses Profil wird durch ein Embedding-Modell erzeugt. Es besteht aus vielen Zahlenwerten und beschreibt Muster von Bedeutung, Kontext und Verwendung.
Texte, die fachlich ähnlich sind, bekommen ähnliche Bedeutungsprofile.
Texte, die wenig miteinander zu tun haben, liegen im Bedeutungsraum weiter auseinander.
Die Vektorkarte macht diese Nähe und Distanz sichtbar.
Nicht als Inhaltsverzeichnis.
Nicht als Kapitelbaum.
Nicht als klassische Suche.
Sondern als Karte semantischer Beziehungen.
Für das inside Kompendium war das sehr aufschlussreich.
Wir konnten sehen:
Welche Inhalte bilden Cluster?
Welche Semantic Groups überlagern sich?
Welche Kapitel sind klar verortet?
Welche Einträge stehen isoliert?
Wichtig ist:
Die Vektorkarte ist keine absolute Wahrheit.
Sie ist eine Projektion eines komplexen Bedeutungsraums in eine sichtbare Ansicht.
Aber genau diese Ansicht hilft, Fragen an die Qualität des Kompendiums zu stellen.
Wenn ein Inhalt isoliert liegt, kann das verschiedene Gründe haben:
Er beschreibt tatsächlich ein besonderes Thema.
Er ist zu allgemein formuliert.
Er vermischt mehrere Gedanken.
Ihm fehlen verbindende Begriffe.
Oder im Kompendium fehlt noch ein erklärender Zwischenschritt.
So wurde die Vektorkarte für uns zu einem redaktionellen Werkzeug.
Sie zeigt nicht nur, was die KI findet.
Sie zeigt auch, wie gut unser Wissen miteinander verbunden ist.
Unsere wichtigste Erkenntnis:
Eine gute Wissensbasis entsteht nicht durch mehr Inhalte.
Sie entsteht durch klarere Verortung, bessere Zusammenhänge und präzisere Bedeutungen.