Diese Dissertation untersucht die Variabilität menschlicher Annotationen („Human Label Variation“) im Legal NLP. Konkret werden Uneinigkeiten unter Experten bei Annotationen gemessen, geteilte Richterstimmen bei Rechtsentscheidungen modelliert und politische Verzerrungen in Sprachmodellen und ihren Trainingsdaten analysiert. Die Studie betont die Notwendigkeit verantwortungsvoller Datenkuratierung und robuster Evaluationsmethoden zur Sicherstellung der Mensch-KI-Abstimmung, besonders im Legal NLP, wo natürliche Meinungsvielfalt erhebliche Herausforderungen darstellt.     «

Diese Dissertation untersucht die Variabilität menschlicher Annotationen („Human Label Variation“) im Legal NLP. Konkret werden Uneinigkeiten unter Experten bei Annotationen gemessen, geteilte Richterstimmen bei Rechtsentscheidungen modelliert und politische Verzerrungen in Sprachmodellen und ihren Trainingsdaten analysiert. Die Studie betont die Notwendigkeit verantwortungsvoller Datenkuratierung und robuster Evaluationsmethoden zur Sicherstellung der Mensch-KI-Abstimmung, besonders im Legal NL...     »