Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

102 KAPITEL 5. EVALUATION
Precision ¥
¤
von ermittelt, aber auch dieser Wert ist zu niedrig. Man stelle sich folgende
Situation vor: Das Verfahren soll benutzt werden, um einem Benutzer die Möglichkeit zu
geben, schnell in einem Audio-Dokument zu navigieren. Die Sprungziele sollen dabei den Topic
Beginnings entsprechen. Betrachtet man nun die obigen Ergebnisse, so kann der Benutzer
¦
¢£¤
maximal der Topics überhaupt ansteuern. Dabei muß der Benutzer im Schnitt vier falsch
vorhergesagte Topic Beginnings hinnehmen bis er zu einem erwünschten Topic Beginning gelangt.
Dies ist dem Benutzer nicht zuzumuten.
Bezüglich der Fragestellung, inwiefern das Verfahren bestimmte Segment-Levels häufiger findet,
ergibt sich kein einheitliches Bild. Während es bei den Vorträgen 2 und 3 zu einem Totalausfall
auf den Levels 1 und 2 kam, war die Häufigkeitsverteilung bei den Vorträgen 1 und 4 gleichmäßiger
mit einer leichten Präferenz zum Segment-Level 4 hin.
Nun stellt sich die Frage, welche Gründe es für die schlechten Ergebnisse gibt. Die Idee, die
diesem Verfahren zugrunde liegt, ist zunächst einmal Betonungen des Sprechers zu finden. Da es
Untersuchungen gibt, die belegen, daß solche Betonungen gute Indikatoren für Topic Beginnings
sind, wird also versucht, mit Hilfe der gefundenen Betonungen auf diese zu
schließen [15][17][35]. Hier muß allerdings darauf hingewiesen werden, daß diese Untersuchungen
in der Regel auf einer anderen Art von Daten beruhen. Viele Untersuchungen zu den
Themen Story Segmentation/Topic Detection/Topic Tracking benutzen als Datenbasis Nachrichtensendungen
aus Radio und TV [7][11][18][32][36]. Diese Datenbasis hat gegenüber den
vorliegenden Sprachdateien folgende Vorteile:
1. Von Nachrichtensprechern ist zu erwarten, daß sie die einzelnen Topics (durch kurze
Pausen) klar trennen.
2. Die obengenannten disfluencies sollten nicht vorkommen.
3. Längere Pausen, wie sie zum Beispiel bei Aktionen am Whiteboard des öfteren vorkamen,
sollten bei Nachrichtensendungen nicht der Fall sein.
4. Es gibt keine Hintergrundgeräusche, sofern man von Filmbeiträgen in TV-Nachrichten
absieht.
5. Die Aufnahmequalität ist besser.
Die Punkte 4 und 5 betreffen die technische Natur der Daten. Diese Nachteile gelten aber nur
für die hier verwendete Datenbasis. Allerdings sollte das EDBS-Verfahren und mögliche Weiterentwicklungen
auch auf diesen Daten zu befriedigenden Ergebnissen führen. Die ersten zwei
Punkte sind klar sprecherabhängig und beeinflussen nicht nur die in dieser Arbeit untersuchten
Verfahren. Allerdings sollte man das Vorlesen von Nachrichten nicht mit dem freien Sprechen
gleichstellen. Eine TV-Nachrichtensendung dauert in der Regel maximal 30 Minuten. In dieser
Zeit werden außer den vom Nachrichtensprecher vorgetragenen Nachrichten auch Filmbeiträge
gesendet. In diesen Phasen hat der Nachrichtensprecher Zeit, sich auf die noch vorzutragenden
Nachrichten vorzubereiten. Zudem hat der Sprecher die Möglichkeit die Nachrichten vom Blatt