hessen-themen-klassifikator

Hessen-Themen-Klassifikator

TL;DR (English)

A small SetFit classifier that assigns one of 10 official EU DCAT themes to German open-data catalog entries (title + description). Trained on the hand-labeled catalog of the German state of Hesse (sven-wehser/hessen-datenschrank).

What makes it worth publishing is not the accuracy but the auditable chain: harvest → link audit → hand labeling → blind label audit → dataset → training → blind evaluation → transfer test, every link quantified — including the numbers that hurt:

• In-domain (Hesse): 94.2 % on a held-out test set; against a blind human judgment it reaches 66 % — more than the training labels themselves (58 %), because unsystematic label noise partly averages out in training.
• Transfer (Schleswig-Holstein, blind-judged sample): 41 %. The hardest question — did it learn themes or memorize Hesse? — has an honest answer: too much Hesse. The failure is concentrated: one label ("Regionen und Städte") acts as a catch-all drawer for unfamiliar text.
• This is therefore, declared honestly, a Hesse catalog navigator — not a general German open-data classifier.

The model and the full card below are in German — as is everything it reads.

---

Ein kleiner SetFit-Klassifikator: Titel + Beschreibung eines Katalogeintrags → eines von 10 amtlichen EU-DCAT-Themen. Trainiert auf den 1377 handgetauften Einträgen des hessischen Landesportals (sven-wehser/hessen-datenschrank, Spalte thema, Version v1.1). Basis: intfloat/multilingual-e5-small, kontrastiv feingetunt, logistische Regression als Kopf.

Dieses Modell ist das Schlussstück einer belegbaren Kette — Ernte → Link-Audit → Taufe → blindes Etiketten-Audit → Dataset → Training → blinde Evaluation → Transfer-Test. Jedes Glied ist beziffert, auch die Zahlen, die wehtun.

Die Zahlen — alle, nicht nur die schönen

Lesehilfe: Die 94,2 % messen, wie gut das Modell die Taufe imitiert — einschließlich ihrer Fehler. Die 66 % messen es gegen einen unabhängigen blinden Blick: mehr als die Etiketten selbst (58 %), weil sich unsystematisches Etiketten-Rauschen im Training teilweise herausmittelt. Die 41 % messen die härteste Frage: Themen gelernt oder Hessen auswendig? Antwort: zu viel Hessen auswendig.

Die ehrliche Deklaration: ein Hessen-Katalog-Navigator

Der Transfer-Fehler ist konzentriert, nicht diffus: 38 der 51 blinden Fehlurteile in Schleswig-Holstein sind dieselbe Verwechslung — das Modell sagt „Regionen und Städte" (13 346 von 32 636 Einträgen), wo Menschen Umwelt, Bildung oder Wirtschaft sehen. In Hessen sammelte dieses Thema die Geo- und Verwaltungs-Boilerplate; das Modell hat dort Stil gelernt, wo es Inhalt hätte lernen sollen, und auf fremdem Boden wird die Schublade zum Auffangbecken. Außerhalb dieser Schublade trifft es auch in Schleswig-Holstein ordentlich (gegen die dortigen Amts-Etiketten: Umwelt 90 %, Landwirtschaft 96 %, Energie 91 %, Bildung 80 %).

Nutze das Modell also für das, was es belegt kann: hessische Katalogeinträge einsortieren und durchsuchbar machen — nicht als länderübergreifenden Themen-Klassifikator.

Verwendung

from setfit import SetFitModel

modell = SetFitModel.from_pretrained("sven-wehser/hessen-themen-klassifikator")
modell.predict(["passage: Empfänger nach Geschlecht, Nationalität und Altersgruppen"])
# → ['Bevoelkerung und Gesellschaft']

Eingabe-Vertrag: passage: + Titel (+ . + Beschreibung, sinnvoll bei ~600 Zeichen gekappt). Das Präfix stammt vom E5-Basismodell — ohne es sinkt die Qualität. Ausgabe ist immer genau eines von 10 Themen (ASCII-Schreibweise, z. B. Bevoelkerung und Gesellschaft); ein „weiß nicht" gibt es nicht (siehe Grenzen). Stand Juli 2026: setfit 1.1.3 braucht unter transformers 5 zwei kleine Handgriffe — siehe training.py im Projekt.

Grenzen

• Kein Enthalten. Die 122 Hessen-Einträge „bewusst ohne Thema" blieben beim Training draußen; das Modell rät immer ein Thema. Im blinden SH-Durchgang hätte der Mensch 13 von 100 Einträgen gar kein Thema gegeben.
• Nur 10 der 13 DCAT-Themen. „Internationale Themen", „Justiz" und „Wissenschaft und Technologie" kamen in Hessen nicht vor — das Modell kann sie nicht vergeben.
• Die Etiketten-Verlässlichkeit (58 %) ist die Messgrenze. Präziser als seine Taufe kann kein Nachfolger beziffert werden.
• DCAT kennt keine Perspektiven, nur Gegenstände. Ein Datensatz kann zugleich Verkehr und eine Gender-Auswertung sein; das eindimensionale Schubladen-Vokabular — und damit dieses Modell — hat dafür keinen Platz. Das ist eine Lücke der Norm, die das Modell erbt.
• Bei Ein-Wort-Metadaten sagt es wenig Belastbares (Titel „Gasverbrauch", Beschreibung „Gasverbrauch") — genau dort, wo ein Portal Hilfe am nötigsten hätte. Befund: Das Portal benennt, es beschreibt nicht.
• Trainiert auf formelbereinigtem Text: In Hessen wurden bekannte Serienformeln (GENESIS, Regionalatlas, Geodienste) vor Training und Taufe abgeschnitten; die Regexe sind auf Hessen geeicht. Der Transfer-Test lief ehrlicherweise auf ungeschnittenem Text.

Training & Reproduzierbarkeit

SetFit auf intfloat/multilingual-e5-small (118 M Parameter, davon der Großteil mehrsprachiges Vokabular): kontrastives Feintuning (Batch 16, 1 Epoche, ~22 000 Paare, Saat 0), Kopf logistische Regression. 1101 Trainings- / 276 Halteset-Einträge, stratifiziert. Trainiert in 1 h 50 auf einem MacBook — ohne GPU-Cloud, ohne API, ohne Kosten.

Alle Werkzeuge der Kette sind kleine, lesbare Python-Skripte im Projekt-Repo: harvest.py (Ernte), probe.py (Link-Audit), taufe.py (Taufe + blinde Audits), build_dataset.py (Dataset), training.py (dieses Modell), transfer_ernte.py/transfer_test.py (Transfer-Test). Alle Stichproben deterministisch (Saaten 0, 8, 4). Trainingsdaten: Dataset-Revision v1.1.

Bonus-Befund aus dem Transfer-Test

Mit derselben Elle (blindes 100er-Urteil) gemessen, erreichen die amtlichen Etiketten Schleswig-Holsteins 69 % — Hessens Handtaufe kam auf 58 %, und Hessens amtliche Themen waren als Serienstempel unbrauchbar. Das nördliche Portal pflegt nicht nur die Themen-Abdeckung besser (99,6 % der 32 636 Einträge tragen ein DCAT-Thema, in Hessen fehlten 289 komplett), sondern etikettiert auch inhaltlich besser, als dieses Projekt es Hessen beibringen konnte. Gute Katalogpflege ist möglich — sie findet nur nicht überall statt.

Erstellt als privates Data-Journalism-Projekt, Juli 2026. Schwesterstück: das Dataset sven-wehser/hessen-datenschrank mit Link-Audit, Embeddings und beiden Etiketten-Lagen.