Modell Card: German Edu Score

Modell Details

Verwendungszweck

• Bewertung der pädagogischen Eignung von Texten.
• Filterung von Texten für Bildungszwecke von Sprachmodellen.
• Unterstützung bei der Erstellung von Lehrmaterialien für KI Anwendungen.

• Das Modell ist nicht für die automatische Bewertung von Schülerleistungen oder die Benotung von Klausuren vorgesehen.
• Es sollte nicht als alleinige Grundlage für Entscheidungen über die Eignung von Lehrmaterialien verwendet werden, sondern als unterstützendes Werkzeug.

Bewertungskategorien (German Edu Score)

• 0 Punkte: Der Inhalt ist nicht organisiert und schwer zu lesen. Der Text enthält Werbung oder irrelevante Informationen zum Lehren von Inhalten. Der Text ist nicht neutral, sondern enthält persönliche Sichtweisen. Beispiel: Tweets, Chatnachrichten oder Forenbeiträge.
• 1 Punkt: Der Text ist für den privaten Gebrauch bestimmt und enthält Werbung oder irrelevante Informationen. Der Text ist nicht neutral und spiegelt zum Teil persönliche Sichtweisen wider. Beispiel: Ein Blogbeitrag, der hauptsächlich auf persönliche Erfahrungen eingeht und nur gelegentlich nützliche Informationen bietet.
• 2 Punkte: Der Text ist neutral geschrieben, aber enthält Werbung oder irrelevante Informationen. Die enthaltenen Informationen können zeitlich vergänglich sein. Beispiel: Ein Artikel oder Nachrichtenbeitrag.
• 3 Punkte: Der Text enthält viele Informationen und ist leicht verständlich. Der Text ist neutral geschrieben und enthält keine Werbung oder irrelevante Informationen. Beispiel: Ein Wikipedia-Artikel.
• 4 Punkte: Der Text ist neutral geschrieben und enthält keine Werbung oder irrelevante Informationen. Der Text enthält tiefergehendes Wissen und ist für den Unterricht von der Grundschule bis zur Universität nützlich. Beispiel: Ein wissenschaftlicher Artikel oder ein Lehrbuch.
• 5 Punkte: Der Text beinhaltet tiefergehendes Wissen, ist dabei aber dennoch leicht verständlich, sodass jeder daraus lernen und sich neue Fähigkeiten aneignen kann. Beispiel: Schritt-für-Schritt-Anleitungen, Erklärungen oder Definitionen.

Trainingsdaten

Einschränkungen und Verzerrungen (Bias)

• Das Modell wurde auf einem spezifischen Datensatz trainiert und kann daher auf anderen Datensätzen oder Textsorten möglicherweise weniger gut performen.
• Es wird empfohlen, die Modellvorhersagen kritisch zu überprüfen und mit menschlicher Expertise zu kombinieren.
• Die Bewertung mit niedrigen Punktzahlen kann durch die Destillation häufiger auftreten.

Ethische Überlegungen

• Es ist wichtig, die Ergebnisse des Modells verantwortungsvoll zu verwenden und die oben genannten Einschränkungen zu berücksichtigen.
• Das Modell sollte nicht verwendet werden, um Entscheidungen zu treffen, die erhebliche Auswirkungen auf Einzelpersonen haben, ohne menschliche Überprüfung.