Knowledge base – Redem® Knowledge base – Redem®
  • Gehe zu redem.io 
  • Dokumente 
  • Blog 
  • Kontakt 
Login
Knowledge base – Redem® Knowledge base – Redem®
Login
Knowledge base – Redem®
  • Gehe zu redem.io 
  • Dokumente 
  • Blog 
  • Kontakt 

Qualitätskriterien und Quality-Scores

  • folder icon closed folder iconRedem®-Score
  • folder icon closed folder iconPsychologische Qualitäts-Checks durch projektive Angaben
    • Antwort-Gewissheit bewerten
    • Oberflächlichkeit bewerten
    • Soziale Erwünschtheit bewerten (kein Bereinigungskriterium)
    • Informationsgehalt bewerten (kein Bereinigungskriterium)
  • folder icon closed folder iconInhaltliche Qualitäts-Checks
    • KI-Bewertung von Freitext (BETA)
  • folder icon closed folder iconFormale Qualitäts-Checks
    • Bewertung der Interview-Dauer
    • Antwortverhalten bei Item-Batterien
loading
  1. Home
  2. Docs
  3. Qualitätskriterien und Quality-Scores
  4. Inhaltliche Qualitäts-Checks
  5. KI-Bewertung von Freitext (BETA)
zuletzt aktualisiert am Mai 23, 2022

Qualitätskriterien und Quality-Scores

  • folder icon closed folder iconRedem®-Score
  • folder icon closed folder iconPsychologische Qualitäts-Checks durch projektive Angaben
    • Antwort-Gewissheit bewerten
    • Oberflächlichkeit bewerten
    • Soziale Erwünschtheit bewerten (kein Bereinigungskriterium)
    • Informationsgehalt bewerten (kein Bereinigungskriterium)
  • folder icon closed folder iconInhaltliche Qualitäts-Checks
    • KI-Bewertung von Freitext (BETA)
  • folder icon closed folder iconFormale Qualitäts-Checks
    • Bewertung der Interview-Dauer
    • Antwortverhalten bei Item-Batterien

KI-Bewertung von Freitext (BETA)

Estimated reading: 3 minutes
Der Open-Ended-Score bewertet die Freitextantworten der Befragten anhand von umfassenden Kriterien. Dafür werden verschiedene statistische Merkmale und ein Machine Learning Modell verwendet.

Machine Learning Modell powerded by GPT-3

Mithilfe eines durch über 40.000 Datensätze trainierten ML-Modells auf Basis von GPT-3 von OpenAI wird eine intelligente Analyse der Frage-Antwort Kombination durchgeführt. Diese bewertet, wie gut die Antwort inhaltlich zur Frage passt. 

Wörterbuch-Check

Es wird ein Wörterbuch verwendet, um zu überprüfen ob die Antwort vollständige Wörter enthält. Rechtschreibfehler werden dabei berücksichtigt und vor der Überprüfung korrigiert.

Länge der Angaben

Es wird außerdem überprüft, wie lange bzw. wie viele Zeichen eine Antwort beinhaltet. Die Länge der Antwort wird sowohl auf individueller Ebene als auch im Vergleich zu anderen Antworten bewertet.

Blacklist

Der OES verwendet zur Bewertung auch eine Blacklist, um Schimpfwörter und inhaltslose Antworten, wie »keine Angabe«, »Weiß nicht«, »?« oder Ähnliches zu erkennen.

Buchstabensalat (Gibberish)

Der OES prüft außerdem, ob sich Buchstabensalate wie »hdsfabkrjv« in den Antworten befinden.

Unterstützte Sprachen

Derzeit werden sowohl Deutsch als auch Englisch unterstützt. Weitere Sprachen folgen.

Beispiele

Previous
Next

Anwendungen und Einsatzgebiete

Der OES kann einerseits bei allen Befragungen mit Freitextantworten als auch für die allgemeine Analyse von Feedback und Kommentaren eingesetzt werden.
  • Tagged:
  • Open-Ended-Score
  • quality-scores

Was this page helpful? Yes No

Ähnliche Artikel

  • Antwortverhalten bei Item-Batterien
  • Informationsgehalt bewerten (kein Bereinigungskriterium)
  • Antwort-Gewissheit bewerten
  • Ansicht für Qualität der Rohdaten
  • Bewertung der Interview-Dauer
  • Redem®-Score
  • Ansicht für Qualität der bereinigten Daten
  • Detailansicht der Qualitätskriterien
  • Soziale Erwünschtheit bewerten (kein Bereinigungskriterium)
  • Oberflächlichkeit bewerten
CONTENTS

© 2022 Redem GmbH