In den vergangenen zehn Jahren hat sich der Fokus des World Wide Web von primär statischen Webseiten hin zu kollaborativ erstellten Inhalten verlagert. Die wichtigsten Eigenschaften dieses neuen Paradigmas sind eine niedrige Veröffentlichungsschwelle und wenig oder gänzlich fehlende redaktionelle Kontrolle. Wenngleich dadurch die Vielfalt und Aktualität der verfügbaren Informationen verbessert wurde, fördert es zugleich auch die Heterogenität der Webinhalte hinsichtlich ihrer Qualität. Wikipedia ist das Paradebeispiel für eine große, erfolgreiche, kollaborativ erstellte Ressource, die den Geist freier Kollaboration widerspiegelt. Auch wenn jüngste Studien bestätigt haben, dass die Qualität von Wikipedia insgesamt hoch ist, ist es immer noch ein weiter Weg Wikipedia zu einer zuverlässigen und zitierbaren Quelle zu machen.

Eine wichtige Voraussetzung zur Erreichung dieses Ziels ist eine Qualitätsmanagementstrategie, die sowohl mit der Größe von Wikipedia und ihrer offenen, nahezu anarchischen Organisationsstruktur umgehen kann. Dies schließt eine effiziente Kommunikationsplattform für die Arbeitskoordination zwischen den Nutzern, sowie Techniken zur Überwachung von Qualitätsproblemen in der Enzyklopädie mit ein. Diese Dissertation zeigt auf, wie sprachtechnologische Methoden die bestehenden Ansätze zum Informationsqualitätsmanagement in Wikipedia effektiv unterstützen können.

Im ersten Teil der Dissertation führen wir die theoretischen Grundlagen für unsere Arbeit ein. Wir erörtern zunächst das relativ neue Konzept der freien Online-Kollaboration unter besonderer Berücksichtigung kollaborativen Schreibens. Vervollständigt wird diese Einführung durch eine ausführliche Diskussion der Wikipedia. Auf Basis dieser Grundlagen folgen die drei Hauptbeiträge der vorliegenden Arbeit.

Wenngleich es bereits Versuche gab, bestehende Frameworks zur Erfassung von Informationsqualität an die Bedürfnisse der Wikipedia anzupassen, hat bisher kein Modell die Text- und Schreibqualität als zentralen Faktor berücksichtigt. Da Wikipedia jedoch nicht nur eine Ansammlung von Fakten ist, sondern aus Volltextartikeln besteht, ist der Text und Schreibqualität dieser Artikel eine zentrale Rolle bei den Qualitätsbetrachtungen zuzuschreiben.

Als ersten zentralen Beitrag dieser Dissertation definieren wir daher ein umfassendes Artikelqualitätsmodell, welches sowohl die Text- und Schreibqualität als auch die spezifischen Qualitätskriterien der Wikipedia in einem einzigen Modell zusammenführt. Es umfasst insgesamt 23 Qualitätsdimensionen in den Kategorien intrinsische Qualität , kontextbezogene Qualität , Text- und Schreibqualität und strukturelle Qualität.

Im zweiten zentralen Beitrag dieser Arbeit, stellen wir einen Ansatz zur automatischen Erkennung von Qualitätsmängeln in Wikipedia-Artikeln vor. Auch wenn die Idee hierzu bereits in früheren Arbeiten beschrieben wurde, haben wir in unseren Experimenten herausgefunden, dass dieser Ansatz von Natur aus anfällig für ein Themenbias ist, welches zu unrealistisch hohen Werten in der Kreuzvalidierung der Klassifikationsmodelle führt. Die tatsächliche Leistung auf realen Daten liegt weit unter den Ergebnissen, die in früheren Arbeiten berichtet wurden. Wir lösen dieses Problem mit einem neuen Samplingverfahren basierend auf der Artikelrevisionsgeschichte. Dieser Ansatz vermag es nicht nur fehlerhafte Artikel zu identifizieren, sondern auch zuverlässige Gegenbeispiele zu finden, die nicht die entsprechenden Qualitätsmängel aufweisen. Zur automatischen Erkennung von Qualitätsmängeln haben wir FlawFinder entwickelt, ein modulares System für überwachte Textklassifikation. Wir evaluieren das System auf einem Korpus aus Wikipedia-Artikeln mit Qualitätsmängeln in den Bereichen Neutralität und Stilistik. Die gewonnenen Ergebnisse bestätigen unsere Ausgangshypothese, dass auf ausgeglichenen Daten trainierte Klassifikatoren zwar zu einer geringeren kreuzvalidierten Leistung neigen, jedoch die tatsächliche Leistung in realen Anwendungsszenarien realistischer widerspiegeln.

Als dritten zentralen Beitrag dieser Arbeit, stellen wir einen Ansatz für die automatische Segmentierung und Klassifikation von Nutzerbeiträgen in Artikeldiskussionsseiten vor. Es hat sich gezeigt, dass Nutzer der Wikipedia Probleme haben, sich auf diesen unstrukturierten Diskussionsseiten zurechtzufinden und archivierte Informationen mit der Zeit nur noch schwer auffindbar sind. Indem wir automatisch die Qualitätsprobleme und Lösungsvorschläge identifizieren, die in vergangenen Diskussionen erörtert wurden, können wir den Nutzern helfen, fundierte Entscheidungen in der Zukunft zu treffen. Der Beitrag unterteilt sich in folgende drei Teile: (i) Wir beschreiben einen neuen Algorithmus zur Segmentierung des unstrukturierten Dialogs auf Wikipedia-Diskussionsseiten mit Hilfe ihrer Revisionsgeschichte. (ii) Wir stellen ein neuartiges Annotationsschema für Beiträge in Artikeldiskussionen vor. Die darin definierten Dialogakte spiegeln wider, welche Kritik an einem Artikel geäußert wurde, wie zum Beispiel fehlende Informationen oder unangemessene Sprache, und welche Lösungen vorgeschlagen wurden. (iii) Basierend auf diesem Schema haben wir zwei automatisch segmentierte und manuell annotierte Korpora aus Artikeln der Simple English Wikipedia (SEWD) und der englischen Wikipedia (EWD) erstellt. Wir nutzen diese Korpora um Klassifikationsmodelle zu trainieren um die Dialogakte in unbekannten Diskussionsseiten identifizieren zu können. In unserer Evaluation erreichen wir auf dem SEWD Korpus eine Leistung von F1 = 0.82, während wir auf dem komplexeren EWD Korpus durchschnittlich F1 = 0.78 erreichen konnten.