6 Prompts für KI-gestützte Tools

Für die beiden großen, multimodalen Sprachmodelle ChatGPT und Gemini wurde ein ausführlicher, inhaltlich fast identischer Prompt formuliert, der die Anforderungen an die Konvertierung definiert und festlegt, welche Strukturmerkmale und Inhalte im Zielformat erhalten bleiben sollen. Die bereitgestellten Prompts unterscheiden sich lediglich hinsichtlich der beiden Konvertierungsstrecken „PDF-zu-Markdown“ und „PDF-zu-XML“. So enthält die XML-Variante reichere semantische Elemente und zusätzliche Verknüpfungsanforderungen für Literaturverzeichnisse und Referenzen im Text.

In den Prompts wurde zu Beginn festgelegt, dass das PDF vollständig nach Markdown oder DocBook-5-XML konvertiert werden soll. Außerdem wurde definiert, wie Überschriften, Seitenumbrüche, mehrspaltige Layouts, Fließtext, Bilder, Tabellen, Fußnoten, Sonderzeichen, Formeln, Listen und mehrsprachige Inhalte zu behandeln sind.

Die Verwendung eines detaillierten Prompts für ChatGPT und Gemini war erforderlich, um den Konvertierungsprozess für beide Sprachmodelle möglichst einheitlich zu gestalten und eine möglichst vergleichbare Aufgabenbeschreibung zu definieren. Da große Sprachmodelle ihre Ausgaben auf Grundlage der bereitgestellten Anweisungen erzeugen, können bereits kleine Unterschiede in der Aufgabenbeschreibung zu abweichenden Ergebnissen führen.

Die Prompts wurden bewusst sehr detailliert formuliert, um die komplexen Anforderungen einer PDF-Konvertierung abzudecken. Bereits zu Beginn wurde festgelegt, dass das bereitgestellte PDF vollständig in das jeweilige Zielformat konvertiert werden soll. Gleichzeitig wurden mehrere Qualitätsziele definiert, darunter die „maximale strukturelle Treue zum Originaldokument“, die „vollständige und exakte Übertragung jedes einzelnen Zeichens“ sowie die „höchste Korrektheit von Text, Struktur und Inhalt“. Dadurch wurde das Modell nicht nur zur Extraktion des Textes angewiesen, sondern zur möglichst originalgetreuen Rekonstruktion des gesamten Dokuments.

Ein wesentlicher Bestandteil der Prompts betrifft die Rekonstruktion der Dokumentstruktur. So wurde beispielsweise gefordert, die Überschriftenhierarchie anhand der inhaltlichen Struktur und nicht ausschließlich anhand von Nummerierungen zu erkennen. Im Markdown-Prompt sollte dies durch die Auszeichnung von Überschriftenebenen mit Doppelkreuzen in der Form „#“, „##“ und „###“ erfolgen. Im XML-Prompt wurde dagegen die Verwendung geeigneter DocBook-Elemente wie „chapter“, „section“ und „para“ vorgeschrieben. Damit sollte verhindert werden, dass ein Modell lediglich sichtbare Formatierungen übernimmt, ohne die tatsächliche semantische Struktur des Dokuments zu berücksichtigen.

Ein weiteres Beispiel ist die Behandlung von Seitenumbrüchen. Beide Prompts verlangten, dass Seitenwechsel explizit gekennzeichnet werden. Der Markdown-Prompt gab dafür die Markierung „<!-- PAGE BREAK: Seite X -->“ vor, während im XML-Prompt die Processing Instruction „<?pagebreak Seite="X"?>“ verwendet werden sollte. Gleichzeitig wurde festgelegt, dass Seitenzahlen aus dem Fließtext entfernt werden müssen, um nachgelagerte Verarbeitungsschritte nicht durch Layout-Artefakte zu beeinträchtigen.

Besondere Aufmerksamkeit wurde außerdem auf die Verarbeitung komplexer Layouts gelegt. Viele wissenschaftliche PDF-Dokumente enthalten mehrspaltige Textbereiche, bei denen eine reine Textextraktion häufig zu einer falschen Lesereihenfolge führt. Deshalb enthalten beide Prompts die Anweisung, mehrspaltige Layouts in der korrekten Lesereihenfolge zusammenzuführen, harte Zeilenumbrüche innerhalb von Absätzen zu entfernen und vollständige Sätze wiederherzustellen. Ebenso sollen Trennstriche, die durch Zeilenumbrüche entstehen, entfernt werden, damit Wörter korrekt rekonstruiert werden.

Auch die Behandlung nicht-textueller Inhalte wurde detailliert vorgegeben. Für Bilder forderte der Markdown-Prompt beispielsweise die Integration im Format „“, wobei zusätzlich eine kontextbezogene Bildbeschreibung erzeugt werden sollte. Der XML-Prompt gab stattdessen DocBook-Elemente wie „mediaobject“, „imageobject“ und „imagedata“ vor. Zudem sollte die Position von Grafiken im Dokument erhalten bleiben und Verweise auf die extrahierten Bilddateien erzeugt werden.

Bei Tabellen wurde in beiden Prompts gefordert, die vollständige Tabellenstruktur zu rekonstruieren und auch über mehrere Seiten hinweg fortgesetzte Tabellen korrekt zusammenzuführen. Während hierfür im Markdown-Prompt Markdown-Tabellen verwendet wurden, schrieb die XML-Version die Nutzung spezifischer DocBook-Elemente wie „table“, „tgroup“, „thead“, „tbody“, „row“ und „entry“ vor. Dadurch sollte die semantische Struktur der Tabellen möglichst vollständig erhalten bleiben.

Ein weiterer wichtiger Bestandteil betrifft Fußnoten und wissenschaftliche Referenzen. Die Prompts wiesen die Modelle an, Fußnotenmarker wie „¹“, „²“, „ⁱ“ oder „ⁱⁱ“ zu erkennen und korrekt zuzuordnen. In Markdown sollten diese als Markdown-Fußnoten im Format „[^1]“ dargestellt werden. Im XML-Prompt wurden dafür „footnote“-Elemente verwendet. Zusätzlich enthält die XML-Version weitergehende Vorgaben für Literaturverzeichnisse. Diese sollten als „bibliography“ oder „bibliolist“ strukturiert werden, wobei einzelne Literaturangaben als „biblioentry“ erfasst und gegebenenfalls über „xref“ oder „biblioref“ mit Verweisen im Text verknüpft werden.

Darüber hinaus enthielten beide Prompts Anweisungen zur Verarbeitung mathematischer Formeln und Sonderzeichen. Während im Markdown-Prompt Formeln als LaTeX oder Inline-Code dargestellt werden sollten, sah die XML-Variante die Verwendung von „inlineequation“, „informalequation“ und die Nutzung von MathML oder eingebettetem LaTeX vor. Gleichzeitig wurde gefordert, alle Sonderzeichen unverändert zu erhalten, um Informationsverluste zu vermeiden.

Abschließend enthielten beide Prompts Anweisungen zur Artefaktbereinigung. Dazu gehören das Entfernen von OCR-Fehlern, die Beseitigung doppelt erkannter Textpassagen sowie die Korrektur von Kodierungsfehlern. Zudem wurde ausdrücklich festgelegt, dass im Zweifelsfall Inhalte „strukturell sinnvoll statt wörtlich fehlerhaft“ rekonstruiert werden sollen. Dadurch wurde den Modellen ein gewisser Interpretationsspielraum eingeräumt, um typische Fehler automatisierter PDF-Extraktionen zu korrigieren.

Insgesamt unterscheiden sich die Markdown- und XML-Prompts nur in der jeweiligen Zielsyntax und den dafür erforderlichen Strukturelementen. Die grundlegenden Anforderungen an Vollständigkeit, Strukturtreue und semantische Rekonstruktion sind in beiden Varianten nahezu identisch. Dadurch sollte der Einfluss unterschiedlicher Aufgabenformulierungen reduziert werden.