Was ist technologiegestützte Dokumentenprüfung (TAR)?

TAR entstand als Reaktion auf Dokumentenvolumen, die eine lineare, dokumentenweise Überprüfung unpraktisch machten. Anstatt jedes Dokument zu lesen, trainiert ein Team ein Modell anhand einer Reihe von menschlichen Kodierungsentscheidungen und nutzt dieses, um den verbleibenden Datenbestand zu klassifizieren oder zu priorisieren.

Es werden im Wesentlichen zwei Ansätze unterschieden.

TAR 1.0 trainiert ein Modell auf Basis eines Kontrollsets, das von einem erfahrenen Prüfer kodiert wurde, wendet dieses einmal auf den gesamten Datenbestand an und prüft anschließend die Dokumente, die als wahrscheinlich relevant eingestuft werden. Das Training findet vorab statt und wird dann abgeschlossen.

TAR 2.0 (auch bekannt als Continuous Active Learning) lernt kontinuierlich während der laufenden Prüfung durch die Reviewer. Jede neue Kodierungsentscheidung verfeinert die Priorisierung, sodass die am wahrscheinlichsten relevanten Dokumente immer weiter nach oben rücken. Dies ist mittlerweile der gängigere Ansatz.

TAR blickt auf eine fundierte Historie richterlicher Anerkennung in den USA und anderen Ländern zurück. Die Akzeptanz basiert in der Regel darauf, dass das angewandte Verfahren angemessen und dokumentiert war, und nicht auf der Zulassung eines bestimmten Tools. Die Gerichte konzentrieren sich meist auf die Validierung: Welche Trefferquote (Recall) wurde erzielt, wie wurde sie gemessen und wurde das Protokoll der Gegenseite offengelegt?

Die Haupteinschränkung besteht darin, dass TAR durch Beispiele und nicht durch Anweisungen lernt. Es benötigt eine ausreichende Anzahl kodierter Dokumente, um effektiv zu arbeiten. Ändert sich die Definition von Relevanz im Laufe der Prüfung, muss das Modell neu trainiert werden.

Neuere Ansätze auf Basis von Sprachmodellen gehen den umgekehrten Weg: Die Kriterien werden in natürlicher Sprache formuliert und direkt auf jedes Dokument angewendet, ergänzt durch einen Beleg der entsprechenden Textstelle für jede Entscheidung. Dadurch entfällt die Notwendigkeit eines Trainingssets, und die einzelnen Entscheidungen werden transparent und nachvollziehbar.

Weiterführende Literatur: Sedona Canada und die neue Realität der technologiegestützten Überprüfung (TAR) im Jahr 2026.

Claira arbeitet nach diesem Prinzip. Sie können den Unterschied anhand Ihrer eigenen Daten erleben.