计算语言学应如何处理由此产生的“合格”、不确定的数据基础尚未定义。然而，已经很清楚的是，在这种情况下，叙事学方面的准备工作不足以应用现成的解决方案。在机器学习领域，矛盾数据被视为可以通过适当的过滤方法解决的问题——通过删除矛盾的数据并且不再考虑它们。因此必须开发一种处理噪声数据的新方法。计划对建模概念进行参数化，其中还包括对隐含假设的叙述学发现。接下来是反馈驱动的机器学习，其中注释者会调整已识别的参数。这样，它们就可以集成到开发的模型中。
这种方法也将反映在为 CATMA 环境开发的数字启发式方法中：在那里，自动注释建议应该取决于个人用户对某些基本假设的先前选择。这种即时反馈概念在很大程度上揭示了模块中实施的方法论假设。因此，该模块不再是一个功能和方法隐藏的黑匣子，并且用户还可以使用它来检查他们自己的叙事学假设以及其应用中的一致性。
因此，上述解决跨学科工作中出现的问题的措施将为各个科学领 巴林电报数据 域带来意想不到的积极影响：专业的科学教条几乎不可避免地会通过跨学科方法得到重新审视，理论和实践上的缺陷也会得到弥补。此外，这两个学科之间还存在积极的学科内效应。我们已经概述了 NLP 访问在这方面的潜力。在下一节中，我们将更详细地介绍跨学科工作所激发的叙事学概念形成的一些方面。