Bachelorarbeit: Kompressionsbasierte Autorschaftsverifikation mit Large Language Models

Wir verwenden Cookies, um Ihnen die bestmögliche Erfahrung mit der Website bieten zu können. Ihre Cookie-Einstellungen werden im lokalen Speicher Ihres Browsers gespeichert. Dazu gehören Cookies, die für die Website technisch notwendig sind. Darüber hinaus können Sie frei entscheiden, ob Sie Cookies akzeptieren, und dies jederzeit ändern. Sie können auch Cookies zur Verbesserung der Website-Leistung sowie Cookies zum Anzeigen von Inhalten, die auf Ihre Interessen zugeschnitten sind, ablehnen. Wenn Sie nicht alle Cookies akzeptieren, kann dies Auswirkungen auf Ihre Erfahrung auf der Site und die von uns angebotenen Services haben.

Cookie-Einstellungen ändern

Alle Cookies ablehnen Alle Cookies akzeptieren

Zum Hauptinhalt

KARRIERE

INSTITUTE UND EINRICHTUNGEN

DEU / ENG

Deutsch (Deutschland)

English (United States)

MEIN PROFIL / LOGIN

KARRIERE

INSTITUTE UND EINRICHTUNGEN

DEU / ENG

Deutsch (Deutschland)

English (United States)

MEIN PROFIL / LOGIN

KARRIERE

INSTITUTE UND EINRICHTUNGEN

STELLENÜBERSICHT

DEU / ENG

Deutsch (Deutschland)

English (United States)

MEIN PROFIL / LOGIN

Nach Stichwort/Studienfach/Jobcode suchen

Nach Standort suchen

> Weitere Suchoptionen

Laden...

Einstiegslevel

Tätigkeitsbereich

Promotionsabsicht

Bundesland

Institute und Einrichtungen

Sprache

Zurücksetzen

Wählen Sie aus, wie oft (in Tagen) Sie eine Benachrichtigung erhalten möchten:

Job-Newsletter erstellen

×

Wählen Sie aus, wie oft (in Tagen) Sie eine Benachrichtigung erhalten möchten:

Jetzt bewerben »

Ort: Darmstadt

Datum: 28.10.2026

Bachelorarbeit: Kompressionsbasierte Autorschaftsverifikation mit Large Language Models

Die Fraunhofer-Gesellschaft (www.fraunhofer.de) ist eine der weltweit führenden Organisationen für anwendungsorientierte Forschung. 74 Institute entwickeln wegweisende Technologien für unsere Wirtschaft und Gesellschaft – genauer: 30 000 Menschen aus Technik, Wissenschaft, Verwaltung und IT. Sie wissen: Wer zu Fraunhofer kommt, will und kann etwas verändern. Für sich, für uns und die Märkte von heute und morgen.

Hintergrund und Motivation

Die Autorschaftsverifikation (AV) befasst sich mit der Frage, ob zwei Texte vom selben Autor/Autorin verfasst wurden. Obwohl es sich dabei um ein vergleichsweise junges Forschungsgebiet handelt, wurden viele etablierte AV-Verfahren bereits vor dem Aufkommen großer Sprachmodelle (LLMs) entwickelt. In den vergangenen Jahren sind zahlreiche neue, auf LLMs basierende Ansätze zur Autorschaftsverifizierung entstanden. Dennoch zeigen klassische Verfahren, abhängig von Aufgabe und Korpus, weiterhin eine konkurrenzfähige Leistung. Bislang ist jedoch nur wenig untersucht, inwiefern sich bestehende klassische Verfahren durch den Einsatz von LLMs weiterentwickeln oder anpassen lassen. Besonders interessant sind hierbei kompressionsbasierte AV-Verfahren wie OCCAV (1), COAV (2) oder NNCD (3). Diese basieren auf statistischen Kompressionsmodellen, deren Funktionalität prinzipiell durch moderne LLMs ersetzt oder erweitert werden könnte.

Ziel

Ziel der Arbeit ist es, für mehrere klassische AV-Verfahren zu untersuchen, inwieweit zentrale Komponenten durch LLMs ersetzt oder ggf. ergänzt werden können. Ein besonderer Schwerpunkt liegt auf kompressionsbasierten Verfahren. Dabei sollen die von LLMs bereitgestellten Next-Token-Wahrscheinlichkeiten anstelle konventioneller Kompressionsmodelle verwendet und in bestehende AV-Methoden integriert werden. Darüber hinaus soll untersucht werden, welcher Zusammenhang zwischen der Modellierungs- bzw. Kompressionsqualität eines LLMs und der resultierenden Leistung des AV-Verfahrens besteht. Ergebnisse aus verwandten Aufgaben deuten darauf hin, dass dieser Zusammenhang nicht notwendigerweise monoton ist (4).

Erwartete Ergebnisse

Im Rahmen der Arbeit sollen mehrere klassische AV-Verfahren konzeptionell auf den Einsatz von Large Language Models übertragen und prototypisch implementiert werden. Die entwickelten Varianten sollen anschließend auf mehreren geeigneten AV-Korpora evaluiert und mit den jeweiligen klassischen Verfahren verglichen werden. Dabei sollen insbesondere die Auswirkungen unterschiedlicher LLMs und ihrer Modellierungsqualität auf die Verifikationsleistung analysiert werden.

Hier sorgst Du für Veränderung

Forschen und Implementieren von neuartigen Machine Learning Ansätzen

Selbstkritische Evaluierung der gefundenen Ergebnisse

Präsentieren der Ergebnisse

Anfertigen eines Projektberichts in Form einer Bachelorarbeit

Hiermit bringst Du Dich ein

Sehr gute Studienleistungen mit einer Durchschnittsnote von maximal 2,2

Kenntnisse im Bereich Machine Learning, NLP, Kompression/Kodierung

Gute Python Kenntnisse sind zwingend erforderlich und werden im Interview geprüft

Wissenschaftliches Interesse und Interesse an aktuellen Forschungsprojekten

Was wir für Dich bereithalten

Selbstständige Arbeitszeiteinteilung

Einblicke in das Schnittfeld von akademischer Forschung und industrieller Anwendung.

Quellen:

(1) Halvani, O., Graner, L., Vogel, I. (2018). Authorship Verification in the Absence of Explicit Features and Thresholds. In: Pasi, G., Piwowarski, B., Azzopardi, L., Hanbury, A. (eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science(), vol 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_34

(2) Halvani, Oren, Christian Winter, and Lukas Graner. “On the usefulness of compression models for authorship verification.” Proceedings of the 12th international conference on availability, reliability and security. 2017.

(3) Veenman, C.J., Li, Z.: Authorship Verification with Compression Features. In: Working Notes for CLEF 2013 Conference , Valencia, Spain, September 23–26, 2013 (2013)

(4) Hurwitz J, Nicholas C, Raff E. Large language models and normalized compression distance: better compression yet worse accuracy. In: ECAI 2025: 28th European Conference on Artificial Intelligence 25-30

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Bereit für Veränderung? Dann bewirb Dich jetzt, und mach einen Unterschied! Nach Eingang Deiner Online-Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht.

Fraunhofer-Institut für Sichere Informationstechnologie SIT www.sit.fraunhofer.de

Kennziffer: 86067 Bewerbungsfrist:

Stellensegment: Computer Science, Technology

Jetzt bewerben »

Ähnliche Stellen suchen:

DATENSCHUTZERKLÄRUNG

IMPRESSUM

MANAGER FÜR COOKIE-EINSTELLUNGEN

Wird auf einer neuen Registerkarte geöffnet.

Wird auf einer neuen Registerkarte geöffnet.

Wird auf einer neuen Registerkarte geöffnet.

Wird auf einer neuen Registerkarte geöffnet.

Wird auf einer neuen Registerkarte geöffnet.

© 2026

×

Manager für Cookie-Einwilligungen

Wenn Sie eine Website besuchen, kann diese Informationen zu Ihrem Browser - meistens in Form von Cookies - speichern und abrufen. Da wir Ihr Recht auf Privatsphäre respektieren, können Sie bestimmte Cookies ablehnen. Wenn Sie jedoch bestimmte Cookies blockieren, kann sich dies negativ auf Ihre Erfahrung auf der Site und die von uns angebotenen Services auswirken.

Notwendige Cookies

Diese Cookies sind für die Verwendung dieser Website erforderlich und können nicht deaktiviert werden.

Notwendige Cookies

Mehr Details anzeigen

Notwendige Cookies

Anbieter

Beschreibung

Aktiviert

SAP as service provider

Wir verwenden die folgenden Sitzungs-Cookies, die alle für die Funktionsfähigkeit der Website erforderlich sind:

"route" wird für Sitzungs-Stickiness verwendet

"careerSiteCompanyId" wird verwendet, um die Anforderung an das richtige Rechenzentrum zu senden

"JSESSIONID" wird während der Sitzung auf dem Gerät des Besuchers abgelegt, damit der Server den Besucher identifizieren kann

"Load balancer cookie" (tatsächlicher Cookie-Name kann abweichen) verhindert, dass ein Besucher von einer Instanz zu einer anderen springt

Cookies vom Anbieter SAPasserviceprovider sind notwendig und können nicht deaktiviert werden.

Funktionale Cookies

Diese Cookies sorgen für eine bessere Kundenerfahrung auf dieser Site. So können Anmeldedetails gespeichert werden, und die Videoleistung kann optimiert werden. Sie liefern uns Informationen darüber, wie unsere Site verwendet wird. Sie können diese Cookies jederzeit akzeptieren oder ablehnen. Beachten Sie, dass bestimmte Funktionen, die diese Drittanbieter zu Verfügung stellen, beeinträchtigt werden können, wenn Sie diese Cookies nicht akzeptieren.

Einwilligung für alle Funktionale Cookies

Mehr Details anzeigen

Funktionale Cookies

Anbieter

Beschreibung

Aktiviert

Vimeo

Vimeo ist eine Serviceplattform zur Bereitstellung und zum Teilen von Videos. Wenn Sie die Vimeo-Cookies ablehnen, können Sie keine Vimeo-Videos anschauen und nicht damit interagieren.

Cookie-Richtlinie

Datenschutzrichtlinie

Nutzungsbedingungen

Einwilligung für Cookies vom Anbieter Vimeo

Werbe-Cookies

Mit diesen Cookies werden Anzeigen bereitgestellt, die für Ihre Interessen relevant sind. Sie können jederzeit frei wählen, ob Sie diese Cookies akzeptieren oder ablehnen. Beachten Sie, dass bestimmte Funktionen, die diese Drittanbieter zur Verfügung stellen, beeinträchtigt werden können, wenn Sie diese Cookies nicht akzeptieren.

Einwilligung für alle Werbe-Cookies

Mehr Details anzeigen

Werbe-Cookies

Anbieter

Beschreibung

Aktiviert

AddThis

Google Analytics ist ein Webanalysedienst, der von Google angeboten wird und der den Verkehr auf der Website nachverfolgt und meldet.

Cookie-Informationen

Datenschutzrichtlinie

Nutzungsbedingungen

Einwilligung für Cookies vom Anbieter AddThis

Meine Auswahl bestätigen

Alle Cookies ablehnen Alle Cookies akzeptieren