Glossarautomatisierung braucht Entitätsauflösung statt Schlüsselwortabgleich

Schlüsselwörter zu erkennen, ist der einfache Teil

Die meisten Glossarautomatisierungen in LMS folgen einem einfachen Muster: Ein Begriff wird im Kurstext gefunden und anschließend mit einem Tooltip, einer Definition oder einem externen Link ergänzt. Die Erkennung ist nützlich, aber nicht die schwierige Entscheidung. Entscheidend ist, ob die gefundene Zeichenfolge dasselbe meint wie eine mögliche Definition.

Das ist ein Problem der Entitätsauflösung. Die Forschung zur Entitätsauflösung beschreibt diese Aufgabe als das Erkennen unterschiedlicher Beschreibungen, die sich auf dieselbe reale Entität beziehen. In Lerninhalten gehören dazu der Kurssatz, das Produkt, die Zielgruppe, der Markt, das Lernziel und die eigene Terminologie des Unternehmens. Ein Textabgleich erfasst von diesem Kontext fast nichts.

Ein Glossar für Produktschulungen kann nicht jeden großgeschriebenen Begriff oder jedes Akronym als öffentliches Vokabular behandeln. Im Fintech-Bereich kann eine dreibuchstabige Bezeichnung für eine interne Funktion, eine Zahlungsmethode, ein regulatorisches Konzept, eine Partnerintegration oder eine völlig andere öffentliche Entität stehen. Die Zeichenfolge kann identisch sein, ihre Bedeutung im Lernkontext aber nicht.

Mehrdeutige Akronyme führen zu überzeugend wirkenden Fehlern

Ein aktueller Vorfall im Live-Betrieb hat diesen Fehler deutlich gezeigt. Der Kursinhalt erklärte einen fachlichen Zahlungsbegriff korrekt. Eine automatisierte Ergänzungsschicht verlinkte den Begriff anschließend mit einem nicht verwandten öffentlichen Konzept, weil die genaue Entität aus dem Fachbereich in ihrer externen Quelle fehlte. Lernende sahen eine souverän wirkende Definition, die dem Lerninhalt widersprach – ohne sichtbaren Hinweis.

Das ist schädlicher als ein fehlender Glossarlink. Ein fehlender Link lässt den Kurs unverändert. Ein falscher Link verleiht einer falschen Information Autorität, unterbricht den Lernweg und lässt Lernende an der eigenen Erklärung des Produkts zweifeln. Durch das Entfernen der Ergänzung war das Problem für Lernende behoben, ohne den freigegebenen Kurstext zu ändern.

• Ein Textabgleich beantwortet, ob Bezeichnungen ähnlich aussehen.
• Die Entitätsauflösung beantwortet, ob die Bezeichnungen hier dasselbe meinen.
• Lerninfrastruktur muss auf die zweite Antwort optimieren.

Die Quellenhierarchie schützt die Richtigkeit der Inhalte

Das System braucht eine klare Autoritätshierarchie. Kursautorinnen und -autoren sowie das Unternehmen wissen bereits, welches Produkt, welchen Prozess oder welches Konzept die Lektion vermitteln soll. Diese Quelle darf nicht gegen eine breite öffentliche Wissensdatenbank verlieren, nur weil diese einen exakten Texttreffer liefert.

Für die semantische Anreicherung von Inhalten empfiehlt sich eine Reihenfolge, die sich einfach durchsetzen und prüfen lässt:

1. Internes Glossar und freigegebene Produktterminologie
2. Kuratierten Fachquellen für den jeweiligen Kursbereich
3. Öffentliche Wissensquellen nur, wenn der Kontext den Treffer stützt

So wird aus einem Glossar mehr als eine Suchergänzung: eine redaktionell gesteuerte Inhaltsebene. Das macht auch ein LMS mit Wissensgraphen praktikabel: Jeder Kursbegriff kann eine stabile interne Identität, freigegebene Synonyme, einen Markt- oder Produktbezug, eine Definition und zulässige externe Verweise haben. Das sichtbare Wort ist nur ein Merkmal der Entität.

Die Sicherheit muss den Rückfall steuern

Ein Resolver sollte mögliche Treffer nach mehr als nur lexikalischer Ähnlichkeit bewerten. Nützliche Signale sind das Thema der Lektion, benachbarte Begriffe, der Produktbereich, das Land oder der regulatorische Markt, die Inhaltssprache, die Autorität der Quelle und ob die mögliche Entität im Unternehmensglossar existiert. Bei hoher Bewertung kann das System automatisch ergänzen. Eine mittlere Bewertung kann in die Prüfung gehen. Bei niedriger Bewertung sollte es gar keinen Link geben.

Das ist eine Fail-Closed-Regel: Hilfreiche Automatisierung ist optional, die Richtigkeit der Inhalte nicht. Der Datensatz zur Ergänzung sollte außerdem den Entscheidungsweg festhalten: Quelle, Entitäts-ID, Sicherheitswert, Abgleichsignale, Modell- oder Regelversion und Datum. W3C PROV-O bietet ein weit verbreitetes Modell zur Darstellung von Provenienz, einschließlich Entitäten, Aktivitäten und Zuordnung.

Provenienzdaten geben Inhaltsteams eine praktische Steuerungsmöglichkeit. Ändert sich eine Quelle, wird eine Definition infrage gestellt oder ein Produktbegriff umbenannt, können sie betroffene Lektionen finden, die Ergänzung prüfen und entfernen – ohne freigegebenes Lernmaterial neu zu schreiben.

Automatisierung sollte dem Lernsystem dienen

Für Produktteams vermeidet dieser Ansatz einen falschen Gegensatz zwischen umfassender eingebetteter Wissensvermittlung und redaktioneller Kontrolle. App-Learning verbindet freigegebene Terminologie, quellenbewusste Inhaltsdaten und Lernpfade in der App, damit Nutzer genau dort Hilfe bekommen, wo sie nicht weiterkommen – ohne allgemeine Definitionen zu übernehmen, die nicht zum Produkt passen.

Die Umsetzung sollte mit den Begriffen beginnen, die Aktivierung, die Nutzung von Funktionen und das Supportaufkommen beeinflussen. Bauen Sie das interne Glossar zuerst um diese Konzepte auf. Ergänzen Sie externe Quellen nur dort, wo sie das Verständnis der Lernenden erweitern und dieselben Identitätsprüfungen bestehen. Messen Sie ungeklärte Erwähnungen, abgelehnte Kandidaten und überschriebenen Definitionen zusammen mit Abschluss- und Quiz-Ergebnissen.

Ein gutes Glossar verlinkt nicht die meisten Wörter. Es schützt die Bedeutung der Wörter, auf die es ankommt. Ist die Identität unsicher, ist Schweigen sicherer als eine überzeugend formulierte Erklärung für das Falsche.