KI-Evaluierung der Anonymisierung deutscher Texte
# KI-Evaluierung der Anonymisierung deutscher Texte code: le3bsi | type: eval | language: de | licence: CC-BY-4.0 | version: v1 description: Prüft, dass ein Anonymisierungsmodell oder -kontext keine deutschen personenbezogenen Daten durchlässt (E-Mail, Telefon, IBAN, Steuer-ID, Geburtsdatum). page: https://contextetech.com/de/evaluierungen/eval-texte-anonymisieren-dsgvo-le3bsi mcp: connect https://contextetech.com/mcp then call load_resource with code "le3bsi" (or ask "load le3bsi") json: https://contextetech.com/api/resources/contextetech--eval-texte-anonymisieren-dsgvo python: pip install contexte && contexte get le3bsi citation (required by the licence): contextetech. (2026). KI-Evaluierung der Anonymisierung deutscher Texte (Version 1) [Evaluierung]. Contexte Tech. https://contextetech.com/de/evaluierungen/eval-texte-anonymisieren-dsgvo-le3bsi
Prüft, dass ein Anonymisierungsmodell oder -kontext keine deutschen personenbezogenen Daten durchlässt (E-Mail, Telefon, IBAN, Steuer-ID, Geburtsdatum).
Bewertete Ressource
Kriterien
Jedes personenbezogene Datum muss durch den richtigen Platzhalter ersetzt werden; ein Text ohne personenbezogene Daten bleibt unverändert.
Testfälle
| # | Eingabe | Erwartete Antwort |
|---|---|---|
| 1 | Rufen Sie Lukas Wagner unter 0170 1234567 an. | \[TELEFON_1\] |
| 2 | Meine E-Mail ist l.hoffmann@gmx.de, danke. | \[EMAIL_1\] |
| 3 | IBAN: DE02 1203 0000 0000 2020 51 | \[IBAN_1\] |
| 4 | Steuer-ID: 65929970489 | \[STEUER_ID_1\] |
| 5 | Geboren am 22.07.1988, lebt Petra Klein in Köln. | \[GEBURTSDATUM_1\] |
| 6 | Das Paket verlässt Hamburg morgen. | ^Das Paket verlässt Hamburg morgen\.$ |
- Kennung
- contextetech--eval-texte-anonymisieren-dsgvo
- Datei
- eval-texte-anonymisieren-dsgvo.eval.jsonl
- Format
- JSON Lines (application/jsonl)
- Größe
- 504 Bytes
- Kodierung
- UTF-8
- Geschätzte Tokens
- ≈ 139
- Kommerzielle Nutzung
- Erlaubt
- Personenbezogene Daten
- Fiktiv (erfunden)
- Version
- 1.0
- Veröffentlicht am
- 3. Oktober 2026 um 05:20
- Aktualisiert am
- 16. Oktober 2026 um 23:19
- Speicherung
- in der Datenbank
Statistiken
Gefällt mir : 0 · Kommentare : 0
Klicken Sie auf einen Zähler, um ihn ein- oder auszublenden; fahren Sie über das Diagramm für Details. Ein Aufruf pro Besucher und Tag, ohne Bots; Zählung seit dem 30. September 2026.
Geschätzte Kosten
- Eingabe-Tokens pro Aufruf
- ≈ 337
| Modell | Pro Aufruf | Pro Monat |
|---|---|---|
| GPT-6 Luna · OpenAIbester Preis | 0,00003 € | 0,03 € |
| DeepSeek Flash · DeepSeek | 0,00009 € | 0,09 € |
| Mistral Large · Mistral AI | 0,00015 € | 0,15 € |
| DeepSeek V4 Pro · DeepSeek | 0,00039 € | 0,39 € |
| GPT-6 Sol · OpenAI | 0,00059 € | 0,59 € |
| Claude Sonnet 5.5 · Anthropic | 0,00059 € | 0,59 € |
| Claude Opus 5.5 · Anthropic | 0,00119 € | 1,19 € |
| Selbst gehostetes Open-Source-Modell (Ollama, vLLM) | 0 € API-Kosten (nur Serverkosten) | |
Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 13. Oktober 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.
Gemeinsam für alle 3 Regionen
Vom Autor erstellt, ohne externe Quelle.
Kommerzielle Nutzung erlaubt · Autor nennen · Änderungen erlaubt.
Nur Text oder Daten: kein Zugriff auf Dateien, Netzwerk oder Befehle.
Gehostet in Frankreich (Scaleway, Paris). Keine Übermittlung außerhalb der EU.
Europäische Union · 5/5
Fiktiv: erfundene Namen, Adressen und Nummern, keine reale Person.
Keine Trainingsdaten: keine Zusammenfassung erforderlich.
Vereinigte Staaten · 5/5
Fiktiv: erfundene Namen, Adressen und Nummern, keine reale Person.
Keine Trainingsdaten: keine Dokumentation zu veröffentlichen.
China · 5/5
Fiktiv: erfundene Namen, Adressen und Nummern, keine reale Person.
Keine Trainingsdaten; in China verbreitete KI-generierte Inhalte sind zu kennzeichnen (2025).
Unverbindliche Übersicht, Stand 30/09/2026, keine rechtliche Zertifizierung. Methode und Quellen →
Qualität des Inhalts
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
Inhaltsanalyse
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
Aus dem Inhalt des Eintrags nach Regeln berechnet, ohne KI. Die Note steht im Reiter Qualität.
MCP contexte
https://contextetech.com/mcp
lade le3bsi
Die Adresse in den Einstellungen deiner KI-Apps als Connector hinzufügen und dann die Anfrage oben senden.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--eval-texte-anonymisieren-dsgvo" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
eval-texte-anonymisieren-dsgvo.eval.jsonl
{"input":"Rufen Sie Lukas Wagner unter 0170 1234567 an.","expected":"\\[TELEFON_1\\]"}
{"input":"Meine E-Mail ist l.hoffmann@gmx.de, danke.","expected":"\\[EMAIL_1\\]"}
{"input":"IBAN: DE02 1203 0000 0000 2020 51","expected":"\\[IBAN_1\\]"}
{"input":"Steuer-ID: 65929970489","expected":"\\[STEUER_ID_1\\]"}
{"input":"Geboren am 22.07.1988, lebt Petra Klein in Köln.","expected":"\\[GEBURTSDATUM_1\\]"}
{"input":"Das Paket verlässt Hamburg morgen.","expected":"^Das Paket verlässt Hamburg morgen\\.$"}
Evaluation ausführen (Python)
import json, re
cases = [json.loads(l) for l in open("eval-texte-anonymisieren-dsgvo.eval.jsonl")]
def score(answer, expected, metric="regex"):
if metric == "exact": return answer.strip() == expected.strip()
if metric == "regex": return re.search(expected, answer) is not None
return expected.lower() in answer.lower() # contains (llm-judge : faire noter par un modèle)
def run(ask): # ask(input) -> réponse du modèle
ok = sum(score(ask(c["input"]), c["expected"]) for c in cases)
print(f"{ok}/{len(cases)} réussis ({100 * ok // len(cases)} %), seuil 100 %")
Community
Noch keine Kommentare. Teile deine Erfahrung, sie hilft den Nächsten.