Natural Language Processing (NLP)

Natural Language Processing (deutsch Computerlinguistik oder maschinelle Sprachverarbeitung) ist das Fachgebiet, das sich mit der maschinellen Verarbeitung natürlicher Sprache befasst. Es umfasst Verstehen, Erzeugen und Übersetzen von Text und gesprochener Sprache und liegt zwischen Informatik, Sprachwissenschaft und künstlicher Intelligenz.

Zusammenfassung

Die Geschichte des Fachs lässt sich in vier Epochen gliedern, die einander jeweils weitgehend ablösten statt sich zu ergänzen.

Bis in die 1980er Jahre wurde Sprache als Regelsystem behandelt: Grammatiken, Wörterbücher, Analysebäume. Ab etwa 1990 setzte sich die statistische Wende durch – gelernt wurde aus Korpora, was zuvor von Hand beschrieben worden war.

Ab 2013 verdrängten neuronale Verfahren die klassischen statistischen Modelle. Seit 2018 dominieren vortrainierte Sprachmodelle, die eine Aufgabe nach der anderen aus dem Fach herausgelöst haben.

Diese letzte Ablösung geht weiter als die vorigen. Sie hat nicht nur die Verfahren ersetzt, sondern die Aufteilung des Fachs in Teilaufgaben – und damit die Frage aufgeworfen, was von ihm als eigenständiger Disziplin bleibt.

Begriffsgeschichte

Der Ausgangspunkt liegt in der maschinellen Übersetzung der Nachkriegszeit. Das Georgetown-IBM-Experiment von 1954 übersetzte sechzig russische Sätze ins Englische und weckte Erwartungen, die sich nicht erfüllten.

Der ALPAC-Bericht von 1966 stellte fest, dass die maschinelle Übersetzung teurer und schlechter sei als die menschliche. Die Folge war ein Einbruch der Förderung, der als erster KI-Winter in die Fachgeschichte einging.

In den folgenden Jahrzehnten arbeitete das Fach überwiegend regelbasiert. Systeme wie ELIZA (1966) und SHRDLU (1970) zeigten in engen Ausschnitten beeindruckendes Verhalten, ließen sich aber nicht verallgemeinern.

Die statistische Wende ab 1990 kam aus der Spracherkennung und der Übersetzung. Anlass war die Verfügbarkeit großer zweisprachiger Textbestände – und die Einsicht, dass Häufigkeiten mehr leisteten als Regeln.

Die neuronale Wende begann 2013 mit den Wortvektoren, beschleunigte sich 2017 mit der Transformer-Architektur und wurde 2018 mit den ersten vortrainierten Modellen zum vorherrschenden Ansatz.

Methodische Grundlagen

Die klassische Aufgabenteilung. Das Fach zerlegte Sprache in Ebenen: Wortformen, Wortarten, Satzbau, Bedeutung, Verwendungszusammenhang. Für jede Ebene gab es eigene Verfahren, eigene Datensätze und eigene Fachgemeinschaften.

Aufgaben als Prüfsteine. Wortartenerkennung, Eigennamenerkennung, Bezugsauflösung, Satzzerlegung, Textklassifikation – diese Aufgaben strukturierten Forschung und Lehre. Für jede existierten Datensätze, an denen sich Fortschritt messen ließ.

Der Bruch mit der Zerlegung. Vortrainierte Sprachmodelle lösen die meisten dieser Aufgaben, ohne sie zu unterscheiden. Wer die Aufgabe als Anweisung formuliert, erhält eine Antwort – ohne Zerlegungsschritt, ohne aufgabenspezifisches Training.

Sprachliches Vorwissen als Nebensache. Wo früher Wörterbücher, Grammatiken und annotierte Korpora nötig waren, genügt heute unbeschrifteter Text. Das Vorwissen ist nicht verschwunden, sondern in die Daten gewandert.

Bewertung als offenes Problem. Die klassischen Maße setzen eine richtige Antwort voraus. Bei erzeugtem Text gibt es sie meist nicht – die Bewertung ist damit vom gelösten zum ungelösten Teil des Fachs geworden.

Anwendungsfelder

Übersetzung. Der älteste Anwendungsfall und derjenige, an dem sich jede Epoche des Fachs gemessen hat.

Suche und Erschließung. Von der Stichwortsuche zur Bedeutungssuche – ein Weg, der über die Darstellung von Bedeutung als Lage im Raum führt und heute jedes Embedding-Modell trägt.

Extraktion aus Fachtexten. Medizinische Befunde, Verträge, Verwaltungsakten: Strukturierte Information aus unstrukturiertem Text zu gewinnen, ist ein Anwendungsfeld, das von der Ablösung wenig berührt wurde.

Sprachtechnologie im Alltag. Rechtschreibprüfung, Vorschlagssysteme, Sprachsteuerung – Anwendungen, die so selbstverständlich geworden sind, dass ihre Herkunft aus dem Fach nicht mehr wahrgenommen wird.

Kontroversen und Kritik

Was bleibt vom Fach? Der grundlegende Streit betrifft die Eigenständigkeit. Wenn ein einziges Modell die meisten Teilaufgaben löst, verliert die Aufteilung ihren Sinn – und mit ihr ein Teil der Fachidentität.

Vertreter der Gegenposition verweisen darauf, dass die neuen Modelle Fragen aufwerfen, die sprachwissenschaftliche Kompetenz verlangen: Was messen wir eigentlich, wenn wir Verstehen prüfen? Welche Sprachen bilden wir ab und welche nicht?

Ungleichgewicht der Sprachen. Die Fortschritte konzentrieren sich auf wenige ressourcenreiche Sprachen. Für die Mehrzahl der etwa siebentausend Sprachen existieren weder Korpora noch Prüfsammlungen – eine Lücke, die sich mit der Verlagerung auf datenhungrige Verfahren vergrößert hat.

Verstehen oder Musterreproduktion. Die Frage, ob Sprachmodelle Bedeutung erfassen, wird im Fach seit der Stochastic-Parrots-Kritik von 2021 kontrovers geführt und berührt die Grundlagen.

Verlust an Nachvollziehbarkeit. Ein regelbasiertes System ließ sich lesen. Ein statistisches Modell ließ sich zumindest in seinen Merkmalen prüfen. Bei den heutigen Modellen ist die Nachvollziehbarkeit Gegenstand eigener Forschung geworden.

Abhängigkeit von wenigen Anbietern. Vortraining großer Modelle übersteigt die Mittel der meisten Hochschulen. Damit hat sich das Verhältnis zwischen akademischer und industrieller Forschung umgekehrt.

Das Fach, das seinen Gegenstand verlor

Der Umbruch der letzten Jahre ist in der Fachgeschichte ohne Vorbild, weil er nicht die Methode betraf, sondern die Gliederung.

Die statistische Wende ersetzte Regeln durch Häufigkeiten, ließ die Aufgaben aber unangetastet: Wortartenerkennung blieb Wortartenerkennung, nur anders gelöst. Die Verfahren wechselten, das Fach behielt seine Karte.

Die Sprachmodelle haben diese Karte eingezogen. Wer heute Eigennamen erkennen will, trainiert kein Verfahren, sondern formuliert eine Anweisung. Die Teilaufgabe existiert weiter als Anwendungsfall, aber nicht mehr als Forschungsgegenstand.

Was daraus für das Fach folgt, ist offen. Eine Lesart sieht es in der KI-Forschung aufgehen. Eine andere verweist darauf, dass die schwierigen Fragen – Messung, Mehrsprachigkeit, Bedeutung – gerade jetzt sprachwissenschaftliche Kompetenz verlangen, und zwar dringender als in der Zeit, als das Fach seine Karte noch hatte.

Verwandte Begriffe

• Transformer – Architektur, die die letzte Wende auslöste
• Large Language Models – Modellklasse, die das Fach umgestaltete
• Word Embeddings – Beginn der neuronalen Epoche
• Embedding-Modell – heutige Form der Bedeutungsdarstellung
• Tokenisierung – erster Schritt jeder Verarbeitung
• Stochastic Parrots – zentrale Kritik aus dem Fach heraus
• Benchmarking – ungelöstes Bewertungsproblem
• KI-Winter – Folge des ALPAC-Berichts von 1966

Quellenangaben

1. Bender, Emily M. / Gebru, Timnit / McMillan-Major, Angelina / Shmitchell, Shmargaret, 2021. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2021), S. 610–623. DOI: 10.1145/3442188.3445922.
2. Jurafsky, Daniel / Martin, James H. (2025): Speech and Language Processing. 3. Auflage. Online-Ausgabe.
3. National Research Council, Automatic Language Processing Advisory Committee (1966): Language and Machines: Computers in Translation and Linguistics.
4. Vaswani, Ashish / Shazeer, Noam / Parmar, Niki / Uszkoreit, Jakob / Jones, Llion / Gomez, Aidan N. / Kaiser, Łukasz / Polosukhin, Illia, 2017. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30 (NeurIPS 2017), S. 5998–6008. arXiv: 1706.03762.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.