← over dit platform

Validatie-rapportage

Vóór elke publicatieronde wordt een representatieve steekproef argumenten per onderwerp handmatig en door een tweede LLM (Gemini, onafhankelijk van het lokale extractiemodel) herbeoordeeld, zie "Transparantie & reproduceerbaarheid" op de Over-pagina. De resultaten (foutpercentage, systematische patronen per stage) komen hier per onderwerp te staan zodra die steekproefronde is afgerond.

Daarnaast draaien we het evalharnas (issue #62) periodiek tegen externe, publiek extern gelabelde referentiedatasets, om extractie- en tagkwaliteit onafhankelijk van onze eigen Kamerdebat-data te meten.

elecdebate60to16: studie vs. AI

Scoringen van dezelfde 318 sprekersbeurten tegen dezelfde gouden data, met hetzelfde model (Qwen/Qwen3.8-27B:ovhcloud) -- per tabel verschilt telkens maar één definitie (argumentherkenning of drogreden-tags). Zie docs/eval-elecdebate.md ("Experiment: definitie- vs. modelbeperking" resp. "Definitieverschil drogredenen") voor de volledige methodologie.

Argumentherkenning: vindt de AI dezelfde tekstspannen als de studie?

VergelijkingPrecisionRecallF1
Studie vs. AI (onze argumentdefinitie)25%66%37%
Studie vs. AI + argumentdefinitie van de studie zelf26%83%40%

Alleen door de brondataset-definitie gevonden (elecdebate60to16-guideline) -- Onze eigen definitie mist deze (fout-negatief), de brondataset-definitie vindt ze wel.

Door beide definities gemist (elecdebate60to16 en elecdebate60to16-guideline) -- Ook de lossere brondataset-definitie vindt deze niet -- wijst op een echte modelbeperking, geen definitieverschil.

Extra fout-positief bij de brondataset-definitie (elecdebate60to16-guideline) -- Door de brondataset-definitie ten onrechte als argument herkend.

Drogreden-tags: kent de AI dezelfde drogreden toe als de studie?

Losstaande vraag van argumentherkenning hierboven (vandaar een eigen tabel): dit classificeert de gouden drogreden-citaten van de studie zelf, met steeds dezelfde (strict) extractie -- alleen de tag-omschrijving verschilt.

VergelijkingPrecisionRecallF1
Studie vs. AI (onze tag-omschrijving)74%50%60%
Studie vs. AI + tag-omschrijving van de studie zelf72%64%68%

Alleen door de brondataset-definitie getagd (elecdebate60to16-tag-guideline) -- Onze eigen (engere) tag-omschrijving mist deze (fout-negatief), de brondataset-omschrijving vindt ze wel.

Door beide definities gemist (elecdebate60to16 en elecdebate60to16-tag-guideline) -- Ook de bredere brondataset-omschrijving tagt deze niet -- wijst op een echte modelbeperking, geen definitieverschil.

Extra fout-positief bij de brondataset-definitie (elecdebate60to16-tag-guideline) -- Door de bredere brondataset-omschrijving ten onrechte getagd.