Wir schlagen eine neue Textbearbeitungsaufgabe vor, die als \textit{faktbasierte Textbearbeitung} bezeichnet wird. Dabei besteht das Ziel darin, ein gegebenes Dokument so zu überarbeiten, dass es die Fakten in einer Wissensdatenbank (z.B. mehrere Tripel) besser beschreibt. Diese Aufgabe ist in der Praxis von großer Bedeutung, da die Wahrheitwidrigkeit eine häufige Anforderung bei der Textbearbeitung ist. Zunächst schlagen wir eine Methode zur automatischen Generierung eines Datensatzes für die Forschung zur faktbasierten Textbearbeitung vor, bei der jedes Beispiel aus einem Entwurfstext, einem überarbeiteten Text und mehreren in Tripeln dargestellten Fakten besteht. Wir wenden diese Methode auf zwei öffentliche Tabellen-zu-Text-Datensätze an und erhalten dadurch zwei neue Datensätze mit jeweils 233.000 und 37.000 Beispielen. Als Nächstes schlagen wir eine neue neuronale Netzwerkarchitektur für die faktbasierte Textbearbeitung vor, die \textsc{FactEditor} genannt wird. Dieser bearbeitet einen Entwurfstext unter Verwendung eines Puffers, eines Streams und eines Speichers durch Bezugnahme auf gegebene Fakten. Ein direkter Ansatz zur Lösung des Problems wäre die Verwendung eines Encoder-Decoder-Modells. Unsere experimentellen Ergebnisse auf den beiden Datensätzen zeigen, dass \textsc{FactEditor} im Vergleich zum Encoder-Decoder-Ansatz sowohl hinsichtlich der Treue den Fakten als auch der Flüssigkeit des Textes überlegen ist. Die Ergebnisse belegen zudem, dass \textsc{FactEditor} schneller inferiert als das Encoder-Decoder-Modell.