Speaker 1: Das Programm geht weiter. Bei mir hier auf dem Podium ist jetzt Alexa Kunz. Sie ist Leiterin des Methodenlabors am House of Competence und hat uns nun einen Vortrag oder hands-on mitgebracht zum Thema Transkription mit KI. Vielen Dank. Vielen Dank, Daniela. Ja, herzlich willkommen

Speaker 2: auch von meiner Seite. Wir haben es gerade eben schon gehört von dem Case sozusagen Programmieren oder auch vom Case DPA-Meldungen zu korrigieren, zum Beispiel mittels textgenerierender KI. Und ich habe heute den Case des Transkribierens mit KI dabei. Da ist nämlich auch so eine Diskussion, ist es jetzt eigentlich eine Bullshit-Tätigkeit, die man einfach machen muss in der wissenschaftlichen Arbeit? Wie zufrieden stellt die die Leute, wenn sie das tatsächlich machen müssen? Oder inwiefern ist es auch ein wichtiger Bestandteil des wissenschaftlichen Arbeitens oder auch des Arbeitens in, sage ich mal, Hochschulkontexten jenseits dem reinen Forschungskontext? Genau, ich habe ein kleines Programm mitgebracht, sodass Sie in den nächsten 30 Minuten hoffentlich einen groben Überblick über die Vielfalt von Transkriptionssoftware haben, die mit Large Language Models gestützt ist, einen Eindruck davon haben, was die Softwares aktuell leisten können und was nicht, welche Orientierungshilfen es gibt, um so eine Software auszuwählen, aber vielleicht auch eine Idee, von welchen Produkten Sie eher Abstand nehmen wollen und vielleicht sogar am Ende auch noch mal Lust bekommen, selbst wieder zur Tastatur zu greifen. Also das heißt, wenn Sie jetzt die Erwartungshaltung haben, ich gehe mit einem Programm raus und die Alexa, also die, die hier steht nicht, die Säule, die sagt mir jetzt irgendwie, welches Programm ich nutzen soll. So eher ein Jein, ich werde auch keine Werbung für Programme machen, obwohl wir natürlich selbst verschiedene Programme auch getestet haben, sondern ich werde eher gucken, dass Sie hoffentlich rausgehen mit was, wo Sie dann besser selber entscheiden können, A, will ich überhaupt eine Software einsetzen und B, wenn ja, welche und wovon lasse ich auch die Finger. Wenn Sie ein mobiles Endgerät da haben, dürfen Sie das gerne schon mal auspacken, weil wir eine kleine interaktive Übung auch mit dabei haben. Sie können auch zusätzlich noch gern Stift und Papier zur Hand nehmen, weil wir auch damit kurz arbeiten werden. Nochmal ganz kurz vorweg, über was reden wir eigentlich, wenn wir über das Transkribieren sprechen? Da gibt es nämlich tatsächlich verschiedene Bedeutungen. Was macht man als gute Geistes- und Sozialwissenschaftlerin? Guckt man sich erst mal die sprachliche Herkunft an, das kommt vom lateinischen transcribere, also trans über, hinüber und scribere schreiben, das heißt wir überschreiben oder übertragen etwas und die Unterschiede in den Disziplinen gibt es jetzt zum Beispiel bei der Übertragung von Gesprochener in geschriebene Sprache oder auch sowas wie die Übertragung von Handschrift in Maschinenschrift, um damit irgendwie weiter prozessiert arbeiten zu können, aber in der Biologie wird zum Beispiel unter Transkriptionen auch das Überschreiben einer DNA in eine RNA verstanden. Das heißt und ich finde bei der Biologie, bei dem Beispiel sieht man es besonders schön, es ist aber bei Sprache genau das Gleiche. Wir haben es immer auch mit Wesensveränderung zu tun, das ist ein Punkt auf den ich am Schluss noch eingehen werde, das heißt wenn ich aus einem Datum, aus einem Datensatz was anderes mache, ist eigentlich selbstverständlich, damit geht so eine Wesensveränderung einher, die bringt Vor- und Nachteile mit sich und wir müssen aber entscheiden, welche Wesensveränderung wir eigentlich wollen und da hängt zum Beispiel auch zusammen damit, will ich eigentlich eine AI einsetzen oder nicht. Das heißt wir gucken uns jetzt vor allem die Übertragung von Gesprochene in geschriebene Sprache an. Vielleicht ganz kurz die Frage, welche Anwendungsfälle gibt es denn hier, die so bekannt sind, wer hat denn schon mal sowas genutzt oder generell transkribiert, egal ob mit oder ohne AI, gibt es da schon Anwendungsfälle? Ja? Also aus dem Publikum hier gerade die Antwort, dass eine Software genutzt wurde, um wahrscheinlich ein Interview, was geführt wurde zu transkribieren, also die Gesprochene in die Schriftsprache zu übersetzen. Genau, wir hatten noch eine Nennung, ja? Ja, zum Beispiel Untertitelung von Videos, Auswertung von Workshops, vielen Dank. Ich habe ganz sehr zugespitzt mal unterschieden in zwei Anwendungsfälle, mit denen wir es hier meistens zu tun haben in unseren Kontexten. Das erste wäre quasi, dass wir Transkription eigentlich auch als Forschungsinstrument nutzen, weil das ist es dann nämlich tatsächlich, wenn wir diese Technologie oder auch die händische Transkription einsetzen, dann machen wir das zum Teil unserer Forschung, unseres Forschungsprozesses, zum Beispiel bei Gesprächsdaten oder auch anderen Sprachdaten, wenn ich zum Beispiel was beobachte und mir Notizen einspreche und die dann zur weiteren Arbeit verwenden möchte und die transkribiere oder auch sowas wie Songs oder Filme. Wir haben ja hier auch Studiengänge, die sich mit Medienprodukten beschäftigen, also sowas zu transkribieren. Zweiter Anwendungsfall, den wir ja oft hier antreffen, das sind quasi Arbeitshilfen, wie sie jetzt auch schon angesprochen wurden, also Sitzungsprotokolle, Lehrveranstaltungen, Kolloquien, Tonspuren zur Untertitelung von Videos oder auch, ich kenne auch einige KollegInnen, die zum Verfassen von Briefen oder für Projektbeschreibungen erst mal ganz gerne einsprechen, weil sie sagen, das geht so schnell mit meinen Ideen in dem Kopf, so schnell komme ich gar nicht zum Schreiben, ich spreche die mal ein und lasse sie transkribieren. Dann bitte ich Sie jetzt mal die mobilen Endgeräte zur Hand zu nehmen und den Suchbegriff automatische Transkription einzugeben. Scrollen Sie mal kurz durch oder lesen Sie, was Ihnen entsprechende Assistenten so ausgeben. Was finden Sie denn? Gerne auch in den Chat schreiben. Also der große Nutzen, die Zeitersparnis, das ist das Versprechen und tatsächlich auch die Hoffnung, glaube ich, die allermeisten schon lange hegten. Also ich mache jetzt schon seit vielen Jahren auch Methodenkurse und Methodenberatungen. Es war ganz häufig die Frage, auch schon lange bevor wir so viel über AI gesprochen haben, gibt es nicht eine Software, die mir das abnehmen kann. Und wir haben bei uns im Methodenverleih zum Beispiel eine Software, die einen bei der händischen Transkription unterstützt und wir kriegen immer wieder E-Mails, in denen Enttäuschung zum Ausdruck kommt. Ach so, ich dachte, ich gebe da nur meinen Text rein oder die Audiodatei rein und kriege das Transkript raus. Also das ist in der Tat eine große Hoffnung und kann ich schon spoilern, schon auch was, was in weiten Teilen eingehalten wird, die Zeitersparnis. Genau. Haben Sie noch so einen Eindruck von Dingen, die Sie jetzt so auf die Schnelle gesehen haben? Ja? Mir wird vor allem eine Liste von Angeboten wiedergegeben. Es scheinen sehr viele Programme da schon zu sein. Genau, es gibt jede Menge kommerzieller Anbieter und es ist natürlich auch nicht verwunderlich, weil gerade diese Large Language Models, wir haben es hier mit Sprache zu tun, das ist so ein bisschen auch das Kerngeschäft dessen, was diese textgenerierende KI oder auch diese Mustererkennung, was AI wirklich gut kann. Also wundert es eigentlich nicht, dass da auch ein großes Anbieterspektrum über die Jahre entstanden ist. Genau, also wir gucken uns mal an, es gibt viele kommerzielle Anbieter, es gibt wenig Freeware. Ist es gut, ist es schlecht? Weiß man nicht. Bei Freeware, wenn ich irgendwie meine Audiodaten hergebe, kann man auch eigentlich relativ schnell skeptisch werden, was passiert denn eigentlich mit meinen Daten. Also erstmal als reine Feststellung, tendenziell wenig Freeware, häufig kostenlose Probeversionen und Tutorials, also es ist ein ziemlich professionalisierter Bereich, auch mittlerweile. Und dann die ganze Vielfalt an Datenschutz und Datensicherheitspolicies und Maßnahmen, unterschiedlichste Firmensitze, wir haben auch gerade gehört, da sind ja auch bestimmte Serverkapazitäten notwendig und Serverorte zum Beispiel, was natürlich auch wieder große Implikationen hat für die Sicherheitsstandards, die damit verbunden sind. Es gibt Unterschiede bei der Nutzung der Daten als Trainingsdaten versus Nichtnutzung der eingespeisten Daten als Trainingsdaten, unterschiedlichste Szenarien, Anwendungsszenarien, die im Fokus sind und Tiles gibt es, das haben wir eben auch gerade schon mal gehört, viel ja der Name von dem Programm, etablierte Software auch, in die das schon integriert ist zum Beispiel, also wir haben hier Schnittstellen, es gibt auch viel an, gerade auch im außeruniversitären Bereich, die große Softwarelösungen haben, wo solche Tools einfach schon integriert sind. So, wenn wir uns jetzt mal angucken, was diese Software eigentlich leisten können, finde ich es ganz spannend, dass gar nicht vor allzu langer Zeit, nämlich Anfang dieses Jahres, ein Paper rauskam, was von Leuten am CISPA verfasst wurde und die haben selbst, weil sie eben viel mittlerweile zum Thema Cybersecurity arbeiten mit Interviews, haben sich selber mal angeguckt, wie gut sind denn eigentlich die Transkriptionssoftwares, die wir verwenden könnten, um Cybersecurity sozusagen über unsere Interviews da voranzubringen und siehe da, es kommt erst mal raus, das manuelle Transkribieren schlägt noch KI und sie haben verschiedene Softwares miteinander verglichen, da sind einige große Anbieter dabei, aber vielleicht auch welche, die noch nicht ganz so etabliert sind und was in dieser Studie, aber auch in anderen quasi rausgekommen ist, ist auf der nächsten Folie zusammengefasst. Schwer tut sich das Ding bei der Transkription von Fachtermini und Begriffen jenseits des allgemeinen Wortschatzes. Da haben wir auch schon sehr lustige Anekdoten gehabt, wenn dann irgendwie Begriffe wild verändert werden. Wenn man sein Material kennt, ist es ja gar kein Problem. Aber das Beispiel, was die Leute vom CISPA genannt haben, war, bei denen wurde Hashes in Ashes zum Beispiel verwandelt und wenn Leute irgendwie überhaupt nicht die Bedeutung kennen und den Ursprungstext nicht kennen, kriegt das alles eine ganz andere Bedeutung. Das heißt, da ist einfach die Zuverlässigkeit sozusagen nicht gegeben. Vielfache Sprecherinnen auseinanderhalten problematisch Sprachwechsel, zum Beispiel Englisch-Deutsch, also wenn wir jetzt eigentlich in der bilingualen Umgebung zum Beispiel unterwegs sein wollen, geht schwerlich im Moment noch Hintergrundgeräusche, das ist auch ein großes Problem und auch sowas wie komplexere Transkriptionsregeln zu befolgen, ist schwerlich möglich derzeit. Transkriptionsregel ist jetzt auch schon das Stichwort, dass Sie wieder tätig werden können, entweder mit dem mobilen Gerät oder auch gerne händisch. Ich werde Ihnen jetzt gleich einen Satz mehrmals vorsagen und bitte Sie, Sie können das auch gedanklich natürlich machen, wenn jetzt gerade beides nicht zur Hand ist, diesen Satz zu transkribieren. Okay, ich fange an. Ein besonders gutes Beispiel, das waren mal unsere Nachbarn. Ein besonders gutes Beispiel, das waren mal unsere Nachbarn. So, ich denke, der Satz ist nicht so komplex, also ein besonders gutes Beispiel, das waren mal unsere Nachbarn und wir gucken uns auf der nächsten Folie mal an, wie man das transkribieren kann. Sie können es vergleichen mit dem, wie Sie es jetzt gedanklich oder tatsächlich gemacht haben. Wahrscheinlich eher ein bisschen wie dieses inhaltlich-semantische Transkript. Das ist auch in der Regel das, was vielfach verwendet wird. Wir haben aber auch sowas wie ein GATT-Transkript. GATT steht für gesprächsanalytisches Transkript. Da geht man drauf, wirklich die kleinen, die Feinheiten von Sprechweisen, Sprechakten und so weiter zu betonen und ich habe Ihnen quasi das vorgelesen, wie es jetzt hier transkribiert ist. Gutes, die Stimme geht hoch, Beispiel, das waren mal unsere Nachbarn, mit Betonungen und so weiter. Wer den nächsten Klick, genau, das eine geht mit LLM ziemlich gut, wie gesagt, es ist ja auch ein Stück weit das Kerngeschäft dessen, das andere geht nicht. Und wenn ich jetzt nochmal auf diese CISPA-Studie zurückkommen kann, die sagen natürlich gleich einschränkend, Achtung, Achtung, wir publizieren es zwar gerade jetzt, aber wir haben hier Daten von 2022, die wir verglichen haben, möglicherweise hat sich da ganz, ganz viel schon getan. Alles, was ich aktuell aus Tests und so kenne, hat sich noch nicht genug getan, um das relativieren zu können, was dort berichtet wurde und man sieht es auch schön auf der nächsten Folie, die dezidiert keine Werbung ist, aber ich finde es einfach so ein, ist quasi wie so ein Artefakt aus diesem Feld. Ich habe hier von einer Website die Gegenüberstellung, die bieten nämlich beides an, von AI-gestützten Transkriptionen oder rein AI-Transkripten und Profi-TranskripteurInnen. Und man hat die Zeitersparnis auf der einen Seite, vollständige Transkriptionen binnen Minuten, leistbar für kleine Projekte und man kann aber auch das Transkript nachbearbeiten, kann, Schrägstrich muss es auch in der Regel nachbearbeiten und bis zu 85% akkurat und so weiter, Sie können das ja alles selber lesen und dem gegenübergestellt, aber den Menschen, der garantiert mittlerweile auch mit AI-Unterstützung arbeitet hier bei den Profis, verlässlicher Text, dem Sie vertrauen können, 100% akkurat und das sind natürlich genau diese Dinge, also wir können nicht bis zum Gehtnichtmehr maximieren, das haben wir eben auch schon gehört, also mit irgendeinem Verlust geht sozusagen auch diese Optimierung dann einher. Und damit Sie jetzt besser entscheiden können, was kann ich eigentlich mir an Software oder sollte ich mir überhaupt eine Software anschaffen, zulegen, nutzen, habe ich ein paar Fragen mitgebracht und zwar die allerwichtigste dürfte für Sie wahrscheinlich in den Kontexten hier in der Hochschule sein, welche Standards lege ich eigentlich in Sachen Datenschutz und Datensicherheit an. Machen die Anbieter den Umgang mit den Daten transparent und vielleicht müssen die Daten auch bei mir bleiben, weil sie zu sensibel sind. Ich selbst komme aus der qualitativen Forschung, da haben wir es oft mit hochsensiblen privaten Daten zu tun, da ist es rausgeben auf Servern, selbst wenn die in den Niederlanden stehen oder auch in Deutschland, kann man sich schon fragen, ist es eigentlich verantwortbar. Auch die ganzen Aspekte, die im Vortrag vorher kamen, sogar mal außen vor gelassen, also das, was wir an gesellschaftlichem Impact eigentlich damit haben. Zweite Frage, welche Informationen müssen verschriftlicht werden, wie genau brauche ich es zum Beispiel und was muss meine Software da eigentlich können, wenn sie bestimmte Sachen können muss, fällt auch einiges schlichtweg schon raus und wo bin ich bereit gegebenenfalls nachzuarbeiten. Dritte Frage, wie ist die Ausgangsqualität meiner Daten, eignen die sich überhaupt dafür? Ich vermute schon, dass sich in vielen Kontexten hier auch die Daten dafür eignen und dass die Anforderungen gar nicht allzu hoch sind. Dann ist vor allem die Frage wichtig, welche Ressourcen habe ich denn, wie viel kostet mich die Software, das ist die nächste Frage und ich glaube, wir brauchen uns nichts vormachen, wir bezahlen immer. Bezahle ich lieber in Zeit, die ich selber reinstecke oder bezahle ich mit Geld, was ich irgendwie in die Hand nehmen muss und oder bezahle ich mit Daten, die ich irgendwo hingebe. Also umsonst gibt es das nicht und wir müssen uns quasi entscheiden, auch unter ethischen Aspekten, was bin ich denn bereit zu zahlen und wie, in welcher Währung sozusagen will ich bezahlen und last but not least, wie sollen die Transkripte weiterverwendet werden, sind da Schnittstellen geplant, macht natürlich möglicherweise Sinn, wenn ich mit einem Auswertungsprogramm weiterarbeiten möchte, meine Daten gar nicht so sensibel sind und die Software, das kann, auch dann diese zu nutzen, um eine Transkription zu erstellen. Ich habe eben gesagt, das Wichtigste hier in dem Kontext dürfte häufig die Frage Datenschutz und Datensicherheit sein und jetzt kommt was, wer bisher aufmerksam auf die Folien geguckt hat, hat gesehen, es gab natürlich AI generierte Bilder. Ich bin jetzt viel Fahrrad gefahren und kein Auto und habe gedacht, okay für heute gönnst du tatsächlich dir mal diese Umweltverpestungsmaschine anzuschmeißen und habe dann noch die Bilder rausgenommen, von denen ich dachte, ja mit denen kann ich am ehesten leben und die waren ja alle relativ ähnlich. Bei dieser Sache hat mich tatsächlich Co-Pilot beziehungsweise Dali überrascht. Ich habe den gleichen Prompt reingegeben wie immer und wollte irgendwas, also habe das beschrieben mit Icon mit Daumen hoch und jetzt kommt plötzlich dieser wunderbare Smiley mit Baseball Cap, den wollte ich aber nicht vorenthalten, das sind die Momente, da überrascht einen dann das Ding irgendwie besonders. Also besonders zu begrüßen ist natürlich der lokale Betrieb auf dem eigenen Rechner und das ist jetzt auch die einzige Software, die ich hier nennen werde, weil sie selbst aus der Wissenschaftscommunity kommt, weil sie frei zugänglich ist, weil wirklich gut dokumentiert ist, welche Schritte wann gemacht wurden mit dieser Software, die heißt NoScribe, die kann man sich auf jeden Fall mal angucken. Das ist nicht hübsch und intuitiv und so weiter, aber es ist ganz transparent gemacht, was das Ding kann und man muss keine Daten rausgeben. Also das ist ein Kollege aus der in der Schweiz und in Frankfurt, arbeitet im Institut für Sozialforschung da und der hat eben dieses NoScribe entwickelt. Das kann man sich tatsächlich mal anschauen, wo einfach ein Ausschlusskriterium ist, wenn der Serverstandort schon mit zwei, drei Klicks irgendwie nicht mehr rauszufinden ist bei einer Software, wenn gar nichts zum Thema DSGVO steht und auch wenn die Daten als Trainingsdaten genutzt werden oder das alles so irgendwie im Unklaren bleibt. Also da kann man dann einfach sagen, okay, wenn das nicht gewährleistet ist, brauche ich mir das eigentlich gar nicht näher anzugucken. Ganz praktisch würde ich empfehlen, dann genau, der Angry auch noch, ganz praktisch würde ich folgendes Vorgehen empfehlen, nämlich mal ein eigenes Audio-Dokument anzufertigen, ganz unverfänglich, ohne sensible Informationen, auch kurz ein, zwei Minuten, was die Merkmale erfüllen soll, die eigentlich die späteren Daten auch haben. Also sowas wie Sprecherwechsel oder wenn ich zum Beispiel Transkribieren möchte, also solche Fülllaute, dann sollte das da auch enthalten sein. Dann gucke ich, was sind die Mindestanforderungen für meine Software, zum Beispiel Server, DSGVO und so weiter, recherchiere entsprechende Softwares und wir haben ja gesehen, es gibt einfach eine große Zahl an denen, die sehr schnell zugänglich sind oder die sehr schnell auch da aufpoppen und dann mit den kostenlosen Probeversionen mal dieses ganz unsensible Audio-Dokument tatsächlich selber zu testen. Und dann kommt der nächste Schritt, nämlich auch selber mal ein händisches Transkript anzufertigen, so wie man es hinterher gern hätte und dann die Ergebnisse untereinander zu vergleichen. Das lohnt sich jetzt, wenn ich nur eine halbe Seite Audionotiz mir transkribieren lassen will, lohnt sich das vielleicht nicht, aber wenn ich das öfter machen will oder wenn ich es im Rahmen einer Abschlussarbeit mir überlege, wie ich wirklich meine Daten aufbereite, dann sind das, lasst es sechs, sieben Stunden sein, die man investiert und dann weiß man aber auch, passt diese Software zu dem, was ich will und kann ich das auch verantworten. Und bei aller Automatisierung auch immer die Nachbearbeitungszeit wirklich einzuplanen, weil sie transkribieren alle nicht perfekt. Den Literaturtipp, die Kollegen haben sich damit auch nochmal tiefergehend auseinandergesetzt, habe ich auch noch auf die Folien gepackt, also wer sich damit mit solchen Tests auch nochmal intensiver beschäftigen möchte, kann das nachlesen und last but not least habe ich ja dafür geworben, am Anfang schon, dass man vielleicht auch Lust bekommt, immer mal wieder selbst zur Tastatur zu greifen und da möchte ich einfach auch the power of humane und zwar ich sage wirklich nicht human, sondern humane, also auch menschlich im doppelten Sinne, Intelligenz aufmerksam machen, weil wir beim Transkribieren und das hatten wir eben zum Thema Programmieren genauso, beim Transkribieren, beim Händischen passiert natürlich vieles neben der reinen Signalverarbeitung, neben der reinen Zeichenübertragung. Wir machen uns nämlich mit dem Material vertraut, wir kriegen anderen Zugang dazu, wenn wir die Stimmen hören, wenn wir unsere Interviewstimme hören, wenn wir die Stimmen der Leute hören. Uns fallen Dinge auf, gerade durch die Entschleunigung, das was es vielleicht erstmal so zäh macht, dass man die Tonspur langsamer hört und das dann alles abtippt. Uns fallen Dinge auf, die uns beim schnellen Hören im Gespräch oder auch beim Lesen von so einem fertigen Transkript einfach verborgen bleiben. Also die Entschleunigung ist eigentlich auch ein Schatz, den wir da haben und bei Interviews, besonders bei denen, die wir selbst geführt haben, lernen wir einfach auch viel über Kommunikation an sich und über unsere Kommunikationsmuster. Das kann auch sehr erhellend sein, gerade wenn ich mich dann mit dem Auswerten auch von kommunikativen Handlungen beschäftige. Wir treffen Entscheidungen über die Wesensveränderung, die mit der Transkription einhergeht und damit auch Analysemöglichkeiten und Ergebnisse. Meine Erfahrung ist eigentlich immer, wenn man transkribiert, man geht vielleicht sogar mit Regeln ran, stellt die aber mindestens nochmal in Frage und sagt, vielleicht muss ich doch mehr die Fülllaute oder die Pausenlänge mit transkribieren, weil das so auffällig ist. Der macht immer wieder ganz lange Pausen, die muss ich irgendwie mitdeuten zum Beispiel und wir lernen überhaupt erst, das einzuschätzen, was die Technologie uns liefert oder nicht, um dann Entscheidungen, um das dann einschätzen zu können. Also gleiches Plädoyer wie eben, man muss das auch mal gelernt haben, um überhaupt souverän damit umzugehen und es wäre letzter Punkt schade bis fahrlässig, wenn wir uns dessen vollständig berauben. Also selbst immer mal wieder wirklich in die Tastatur hauen. Sie haben jetzt hoffentlich einen Überblick über das alles und in diesem Sinne kann ich dann nur noch Happy Trans irgendwas wünschen, das ist nämlich das, was mir die AI ausgespuckt hat, als ich was mit Happy Transcribing wollte. Nachbereitungszeit muss man offensichtlich auch da immer mit einplanen. Dankeschön.