Der Schwerpunkt liegt auf statistisch sauberen Auswertungen von Textdaten. Teilnehmende lernen, NLP in explizite Hypothesen, Variablen und Metriken zu übersetzen. Statistik-Grundlagen werden auf Textfeatures angewandt, etwa Schätzungen, Konfidenzintervalle und Signifikanztests. So lassen sich Modelle vergleichen, Effekte beurteilen und Entscheidungen begründen.

Inhaltsübersicht1. Variablenbildung - Text in Zahlen2. NLP - Stichproben, Tests, Intervalle3. Modellvergleich - Metriken und Fairness4. NLP - Reporting und Interpretation
1. Von Text zu Variablen
  • Dokumentlänge, Vokabulargröße, TF-IDF als erklärende Größen
  • Embeddings als numerische Repräsentationen einordnen
  • Skalierung, Regularisierung, Leakage vermeiden

2. NLP - Statistische Grundlagen
  • Stichprobenplanung, Kreuzvalidierung, Resampling
  • Konfidenzintervalle für F1/ROC-AUC interpretieren
  • Hypothesentests für Modellunterschiede (z. B. McNemar)

3. Evaluation, Bias, Fairness
  • Kennzahlen: Precision, Recall, F1, ROC-AUC präzise berichten
  • Klassenungleichgewicht adressieren (Gewichte, Schwellen)
  • Stabilität über Zeit und Domänen prüfen

4. NLP - Ergebnisaufbereitung
  • Tabellen und Diagramme konsistent erstellen
  • Effekte nachvollziehbar erläutern, Grenzen benennen
  • Reproduzierbare Berichte mit fixierten Seeds