Provenance
Direkte URLs, Prüfdaten, Autorität und unterstützte Aussagen für jede verwendete Quelle.
SciPy community
Negativ-Binomial zählt Fehler vor der festgelegten Erfolgszahl; PMF, Support, Mean-Dispersion-Parametrisierung und Plot mittels pmf. Die Anwendung auf Uploads ist ein eigenes synthetisches Lernbeispiel.
Direkt zur Quelle →SciPy community
Gamma-Dichte mit Shape und Rate; SciPy-Skala ist der Kehrwert der Rate, ganzzahlige Shape ergibt Erlang und Shape eins Exponential. Wartezeitbeispiel und konkrete Parameter sind synthetisch.
Direkt zur Quelle →KaTeX contributors
renderToString erzeugt mathematisches HTML beim Build. Ungültiges LaTeX kann den Build mit ParseError stoppen; dieser Katalog verwendet kein stilles Textfallback.
Direkt zur Quelle →KaTeX contributors
KaTeX-CSS und Fonts können lokal ausgeliefert werden; der fonts-Ordner muss relativ zum Stylesheet erreichbar bleiben. Die Plattform bündelt Version 0.16.22 und benötigt für die Formeln keinen CDN-Zugriff.
Direkt zur Quelle →Einladende des technischen Interviews
Vorstellung, Erfahrungen, technische und theoretische Grundlagen mit Fokus Statistik und ML, mögliche AI-Projekte bei der APKV, eigene Fragen und nächste Schritte.
Direkt zur Quelle →Allianz SE
Acht konzernweite RAI-Prinzipien, risikobasierte menschliche Kontrolle, Lifecycle-Monitoring und Governance.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
t-Konfidenzintervall für einen Mittelwert, Langfristinterpretation, Einfluss von Stichprobengröße und Streuung.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
p-Wert als Wahrscheinlichkeit mindestens so extremer Teststatistiken unter H0 und vorab festgelegtes Signifikanzniveau.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Bayes-Formel als Umkehrung bedingter Wahrscheinlichkeiten; Priorinformation und Daten führen im bayesianischen Modell zur Posteriorverteilung.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Stichprobenwerte sind nicht automatisch Populationswerte; Repräsentativität, Größe, Populationsvariabilität und gewünschte Präzision bestimmen die Eignung einer Stichprobe.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Wahrscheinlichkeitsverteilungen bilden eine Grundlage für Konfidenzintervalle, Testbereiche und Simulation; Verteilungsannahmen müssen für die Daten hinreichend plausibel sein.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Zufällige Auswahl unterstützt repräsentative Datenerhebung im wiederholten Sampling; statistische Modelle können nicht beliebige systematische Auswahlverzerrungen reparieren.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Bootstrap-Stichproben werden mit Zurücklegen gezogen; die Verteilung der erneut berechneten Statistik approximiert ihre Stichprobenverteilung. Das Verfahren ist nicht für jede Verteilung oder Statistik geeignet.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Fallzahlplanung für Mittelwerte erfordert vorab Annahmen zu Alpha, Beta beziehungsweise Power, relevanter Verschiebung und Streuung; bei unbekannter Streuung ist eine iterative t-basierte Planung nötig.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Teststärke ist die Wahrscheinlichkeit, eine falsche Nullhypothese zu verwerfen, und nur für eine konkrete Alternative bestimmbar; statistische und praktische Signifikanz sind zu trennen.
Direkt zur Quelle →Ramesh Johari, Stanford University
Schätzer und realisierte Schätzung sind zu trennen; Bias und Varianz beziehen sich auf die Stichprobenverteilung; für Parameterschätzer zerfällt MSE in Varianz plus quadrierten Bias.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Ein lineares Least-Squares-Modell ist linear in den unbekannten Koeffizienten; OLS passt die Koeffizienten durch Minimierung quadrierter Residuen an.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Ein hohes R² garantiert keinen passenden Modellfit. Residuen sind beobachtete minus vorhergesagte Werte; grafische Residualanalyse hilft, funktionale Missspezifikation, Abhängigkeit und nichtkonstante Streuung zu erkennen.
Direkt zur Quelle →scikit-learn developers
Die dokumentierten Implementierungen minimieren bei OLS die Residuenquadratsumme und modellieren bei logistischer Regression Wahrscheinlichkeiten über die Sigmoidfunktion und Log-Loss; L1, L2 und Elastic Net werden unterstützt, Regularisierung ist in LogisticRegression standardmäßig aktiv.
Direkt zur Quelle →Centers for Disease Control and Prevention (CDC)
Statistische Signifikanz allein belegt keine Kausalität. Confounding kann eine Exposition–Outcome-Assoziation durch einen dritten Faktor verzerren; logistische Regression kann Confounder und Interaktionsterme aufnehmen, beseitigt aber keine Design- oder Datenqualitätsprobleme.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Bei einem vollständig randomisierten Design werden Faktorstufen den experimentellen Einheiten zufällig zugewiesen; Balance verteilt gleich viele Replikationen auf die Stufen und unterstützt die Testempfindlichkeit.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Bonferroni kann für eine endliche vorab ausgewählte Familie von Vergleichen simultane Abdeckung von mindestens 1 minus Alpha sichern; kein Verfahren für multiple Vergleiche ist in allen Situationen einheitlich am besten.
Direkt zur Quelle →American Statistical Association (ASA)
Entscheidungen sollen nicht allein auf einer p-Wert-Schwelle beruhen; p-Werte messen weder Effektgröße noch Bedeutung, und valide Inferenz erfordert vollständige, transparente Berichterstattung.
Direkt zur Quelle →Sture Holm; Scandinavian Journal of Statistics
Das schrittweise Holm-Verfahren ordnet p-Werte, vergleicht sie sequenziell mit Alpha geteilt durch die verbleibende Hypothesenzahl und kontrolliert die Wahrscheinlichkeit, mindestens eine wahre Nullhypothese fälschlich zu verwerfen.
Direkt zur Quelle →SPIRIT–CONSORT Group
Die Leitlinie fordert unter anderem Randomisierungseinheit und Zuteilungsverhältnis, vorab definierte Outcomes und Analysepläne, Effektgrößen mit Präzision, Umgang mit Multiplizität sowie Transparenz darüber, wer in welcher randomisierten Gruppe analysiert wurde.
Direkt zur Quelle →scikit-learn developers
Data Leakage entsteht, wenn beim Modellbau Informationen genutzt werden, die zum Vorhersagezeitpunkt nicht verfügbar wären. Testdaten dürfen weder Modellwahl noch Fit von Preprocessing beeinflussen; Pipelines helfen, Transformationen innerhalb jedes Trainingsfolds zu lernen.
Direkt zur Quelle →scikit-learn developers
Testdaten bleiben für die finale Evaluation zurückgehalten. Abhängige Gruppen erfordern gruppenweise und zeitabhängige Prozesse zeitgerechte Splits; gewöhnliches zufälliges K-Fold setzt im Kern unabhängige, gleich verteilte Beobachtungen voraus.
Direkt zur Quelle →scikit-learn developers
Precision ist TP/(TP+FP), Recall TP/(TP+FN); Klassifikationsmetriken verwenden je nach Zweck harte Vorhersagen, Scores oder Wahrscheinlichkeiten. Der Brier Score verbindet Kalibrierung und Diskriminationsanteile und ist allein kein reines Kalibrierungsmaß.
Direkt zur Quelle →scikit-learn developers
Bei einem kalibrierten binären Klassifikator entspricht eine vorhergesagte Wahrscheinlichkeit von ungefähr 0,8 langfristig ungefähr 80 Prozent positiven Fällen in dieser Score-Region. Reliability-Diagramme vergleichen mittlere Vorhersage und beobachteten Anteil je Bin; Kalibrierung benötigt Daten, die nicht zum Fit des Basismodells dienten.
Direkt zur Quelle →scikit-learn developers
Klassifikations- und Regressionsbäume lernen rekursive, greedy gewählte Merkmals-Schwellen. Tiefe, Mindestblattgröße und Pruning kontrollieren Komplexität; einzelne Bäume können instabil sein, überfitten und außerhalb des beobachteten Wertebereichs schlecht extrapolieren.
Direkt zur Quelle →scikit-learn developers
Random Forests kombinieren Bootstrap-Stichproben und zufällige Merkmalsauswahl, um die Varianz einzelner Bäume zu senken. Boosting baut Bäume sequenziell zur Fehlerkorrektur; Rechenkosten und Güte müssen auf dem konkreten Problem verglichen werden.
Direkt zur Quelle →scikit-learn developers
k-NN speichert Trainingsinstanzen und entscheidet über die Nachbarschaft einer neuen Beobachtung. Größeres k glättet Rauschen, aber verwischt Grenzen; Metrik, Skalierung, Dichte und hohe Dimensionen bestimmen Verhalten und Abfragekosten.
Direkt zur Quelle →scikit-learn developers
SVMs lernen eine durch Support-Vektoren bestimmte Entscheidungsfläche; Kernel erlauben nichtlineare Grenzen. Skalierung ist nötig, C und gamma steuern den Komplexitäts-Trade-off, und Wahrscheinlichkeiten entstehen nicht direkt aus dem SVM-Score.
Direkt zur Quelle →scikit-learn developers
K-Means minimiert die Summe quadrierter Abstände zu Zentroiden und passt vor allem zu konvexen, isotropen Clustern. Clusteralgorithmen unterscheiden sich in Geometrie, Skalierbarkeit und darin, ob sie neue Beobachtungen zuordnen können.
Direkt zur Quelle →scikit-learn developers
Outlier Detection passt trotz verunreinigter Trainingsdaten einen Normalbereich an; Novelty Detection trainiert auf als normal angenommenen Daten und bewertet neue Beobachtungen. Schwelle, Kontaminationsannahme und Einsatz auf Train versus neuen Daten sind methodisch verschieden.
Direkt zur Quelle →scikit-learn developers
PCA lernt orthogonale Komponenten mit maximal erklärter Varianz und projiziert neue Daten darauf. Die Implementierung zentriert, skaliert Merkmale aber nicht automatisch; Dimensionsreduktion verliert Information und ist innerhalb der Validierungsgrenze zu fitten.
Direkt zur Quelle →scikit-learn developers
MLPs lernen nichtlineare Funktionen durch Backpropagation und gradientenbasierte Optimierung. Nichtkonvexe Verluste, Initialisierung, Architektur, Regularisierung, Lernrate, Iterationen und Feature-Skalierung beeinflussen Güte, Rechenkosten und Reproduzierbarkeit.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
AI-Risikomanagement soll kontinuierlich über den Lifecycle erfolgen; Govern, Map, Measure und Manage verbinden Deployment-Kontext, dokumentierte Messung, Rückmeldungen betroffener Akteure und Reaktionen auf Leistungsabfall.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Post-Deployment-Monitoring umfasst unter anderem Performance-Degradation, Drift, verteilte Logs und Human-AI-Feedback-Loops; geeignete Metriken, Kadenz und risikobasierte Ausgestaltung sind kontextabhängig und teils offene Forschungsfragen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Generative Systeme können überzeugend falsche oder inkonsistente Inhalte erzeugen; Risiken und Wirkungen sollen im konkreten Nutzungskontext über den Lifecycle gemessen, dokumentiert und gesteuert werden.
Direkt zur Quelle →OWASP GenAI Security Project
Direkte und indirekte Prompt Injection können beabsichtigtes Modellverhalten verändern; RAG und Fine-Tuning beseitigen dieses Risiko nicht vollständig. Berechtigungen, Output-Validierung, minimale Agency und Tests bleiben Systemaufgaben.
Direkt zur Quelle →Bundesministerium für Gesundheit (BMG)
Das BMG beschreibt die PKV als privatrechtliche Absicherung gegen Krankheitskosten. Prämien hängen unter anderem von Eintrittsalter, vorvertraglicher Risikoeinschätzung und Leistungsumfang ab; Alterungsrückstellungen sollen höhere Krankheitskosten im Alter mitfinanzieren. Der gesetzlich definierte Basistarif muss angeboten werden und ist in Art, Umfang und Höhe grundsätzlich mit GKV-Pflichtleistungen vergleichbar.
Direkt zur Quelle →European Parliament and Council of the European Union · EUR-Lex
Artikel 5 nennt unter anderem Rechtmäßigkeit, Fairness, Transparenz, Zweckbindung und Datenminimierung. Artikel 9 behandelt Gesundheitsdaten als besondere Kategorie personenbezogener Daten, deren Verarbeitung grundsätzlich untersagt ist, sofern keine einschlägige Ausnahme mit weiteren Voraussetzungen und Schutzmaßnahmen greift.
Direkt zur Quelle →European Parliament and Council of the European Union · EUR-Lex
Anhang III nennt AI-Systeme zur Risiko- und Preisbewertung natürlicher Personen in Lebens- und Krankenversicherung als Hochrisiko-Anwendungsfall im Sinne von Artikel 6 Absatz 2. Artikel 6 enthält eng begrenzte Ausnahmen für Systeme ohne signifikantes Risiko und verlangt die Dokumentation einer entsprechenden Einstufung; Profiling natürlicher Personen bleibt dabei besonders erfasst.
Direkt zur Quelle →U.S. Office of Personnel Management (OPM)
Der Leitfaden trennt vergangenheitsbezogene Verhaltensfragen von hypothetischen Situationsfragen. Verhaltensfragen sollen konkrete Situation beziehungsweise Aufgabe, persönliche Handlung und deren Wirkung erheben; vorab definierte Nachfragen und verhaltensverankerte Rubriken unterstützen konsistente Beurteilung.
Direkt zur Quelle →National Careers Service, UK Government
STAR strukturiert Beispiele über Situation, Task, Action und Result. Die Beratung empfiehlt kurze, gesprächsfähige Beispiele aus echter Erfahrung und Vorbereitung auf Nachfragen statt auswendig gelernter Monologe.
Direkt zur Quelle →U.S. Office of Personnel Management (OPM)
OPM empfiehlt jobbezogene, kompetenzgebundene, offene, klare und jargonarme Fragen. STAR-Fragen sollen Kontext, konkrete Handlung und deren Folge hervorrufen; lautes Gegenlesen und Erproben hilft, Fragen verständlich zu machen.
Direkt zur Quelle →U.S. Office of Personnel Management (OPM)
OPM beschreibt strukturierte Interviews als systematische, kompetenzbezogene Befragung zu vergangenem Verhalten oder hypothetischen Situationen mit vorab festgelegter Reihenfolge und einheitlichen Bewertungsstandards. Das Lernprodukt übernimmt nur die allgemeine Übungsstruktur und leitet daraus keine Aussage zum APKV-Format oder -Scoring ab.
Direkt zur Quelle →W3C Web Accessibility Initiative (WAI)
Zeitbegrenzte Interaktionen sollen ausreichend Zeit und Nutzerkontrolle bieten. Wo Timing nicht wesentlich ist, sind Abschalten, Anpassen oder pausierbares Fortsetzen geeignete Mechanismen; unerwartete automatische Kontextwechsel sind zu vermeiden.
Direkt zur Quelle →WHATWG
localStorage stellt einen origin-gebundenen lokalen Speicherbereich bereit, kann durch Browserrichtlinien blockiert oder gelöscht werden und ist deshalb ein hilfreicher Komfortspeicher, aber kein garantierter oder geräteübergreifender Datenspeicher.
Direkt zur Quelle →Allianz Careers Deutschland
Allianz ermutigt Bewerbende, sich aktiv am Gespräch zu beteiligen, für sie wichtige Fragen zu stellen, offene Fragen vorab zu notieren sowie Interessen und Wünsche klar und authentisch zu formulieren. Die Seite empfiehlt außerdem, Rolle und Verantwortlichkeiten vorab zu recherchieren; sie beschreibt keine konkreten APKV-Interviewfragen oder Bewertungsmaßstäbe.
Direkt zur Quelle →Bundesagentur für Arbeit · meinBERUF
Die Bundesagentur beschreibt eigene Fragen als regulären Gesprächsabschnitt und empfiehlt, Fragen zur Stelle, zum Unternehmen und zu Organisatorischem vorzubereiten, sie mitzunehmen, Antworten zu notieren und am Schluss ungeklärte nächste Schritte zu erfragen. Die allgemeinen Hinweise belegen weder Ablauf noch Bewertung des konkreten APKV-Interviews.
Direkt zur Quelle →UK Cabinet Office · GOV.UK
Die Leitlinie unterscheidet beobachtbares Verhalten, technische Tätigkeit und Erfahrung. Beispiele können aus Arbeit, Studium, Ehrenamt oder anderen tatsächlich erlebten Kontexten stammen; relevante Verhaltensfelder umfassen evidenzbasierte Entscheidungen, Zusammenarbeit, Kommunikation, Lernen und verantwortete Lieferung. Das Lernprodukt nutzt diese Felder nur als allgemeine Übungskategorien und nicht als behauptete APKV-Kompetenzen oder Bewertungsmaßstäbe.
Direkt zur Quelle →UK Civil Service Careers · HM Revenue & Customs
Die Interviewhilfe empfiehlt reale Beispiele, eine klare Trennung der persönlichen Handlung vom Team, die Benennung von Hindernissen, Ergebnis und Lernen sowie Zahlen nur, wenn sie tatsächlich quantifizierbar sind. Sie warnt vor generierten Antworten und empfiehlt kurze Notizen statt eines abgelesenen Skripts. Diese Hinweise belegen keine Struktur oder Bewertung des APKV-Interviews.
Direkt zur Quelle →European Insurance and Occupational Pensions Authority (EIOPA)
Die am 6. August 2025 veröffentlichte Stellungnahme beschreibt für nicht verbotene und nicht als Hochrisiko eingestufte Versicherungs-AI einen risikobasierten, proportionalen und lifecycle-weiten Governance-Ansatz. Als miteinander verbundene Felder nennt sie Fairness/Ethik, Data Governance, Dokumentation, Transparenz/Erklärbarkeit, Human Oversight sowie Genauigkeit, Robustheit und Cybersecurity. Die konkrete Ausgestaltung soll sich unter anderem an Kundenauswirkung, Sensitivität und Umfang der Daten, Autonomie, betroffenen beziehungsweise vulnerablen Personen und Geschäftskritikalität orientieren; die Stellungnahme schafft keine neuen Anforderungen und deckt AI-Act-Hochrisikosysteme ausdrücklich nicht ab.
Direkt zur Quelle →Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin)
BaFin beschreibt risikoadäquate Initial- und laufende Validierung von Algorithmen, unabhängige Begutachtung, dokumentierte Ad-hoc-Auslöser für erneute Validierung sowie relevante und repräsentative Kalibrierungs- und Validierungsdaten einschließlich relevanter Untergruppen. Auswahl und Zusammensetzung sollen so dokumentiert werden, dass interne Kontrolle, Qualitätssicherung und Revision während des Einsatzes möglich bleiben. Das Papier ist eine allgemeine Aufsichtsperspektive und keine Aussage über einen konkreten APKV-Prozess.
Direkt zur Quelle →Die Bundesbeauftragte für den Datenschutz und die Informationsfreiheit (BfDI)
Die BfDI-Handreichung vom 22. Dezember 2025 betont für KI-Projekte die frühe Klärung von Zweck und Rechtsgrundlage, Datenschutz durch Technikgestaltung, Datenminimierung und risikoadäquate Schutzmaßnahmen. Gesundheitsdaten gehören zu den besonderen Kategorien personenbezogener Daten und ihre Verarbeitung erfordert einen einschlägigen Erlaubnistatbestand; die Handreichung ist für die Bundesverwaltung verfasst und belegt weder eine Rechtsgrundlage noch eine konkrete Gestaltung für einen privaten Krankenversicherer.
Direkt zur Quelle →European Insurance and Occupational Pensions Authority (EIOPA)
EIOPAs 2026 veröffentlichter Marktbericht wertet eine Erhebung europäischer Versicherungsunternehmen mit Stand Q2 2025 aus. Gemeldete GenAI-Fälle lagen überwiegend im Backoffice und vielfach noch im Proof-of-Concept; genannt werden unter anderem interne Wissenssuche, Dokument- und medizinische Berichtszusammenfassung, Extraktion, Schreib- und Coding-Unterstützung sowie Chat- und Voicebots. Die gemeldete Nutzung war überwiegend assistiert oder teilautonom mit menschlicher Kontrolle. Die Befunde beschreiben den europäischen Versicherungssektor aggregiert und sind kein Nachweis für Projekte, Daten oder Reifegrad der APKV.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
NIST beschreibt TEVV als kontextspezifische Evidenzgewinnung dazu, ob AI-Systeme Organisationsziele wirksam erfüllen und negative Auswirkungen begrenzen. Der Entwurf ist anpassbar für statistisches ML, LLMs, multimodale und agentische Systeme; er befindet sich bis 6. Oktober 2026 in öffentlicher Kommentierung und ist kein endgültiger Standard.
Direkt zur Quelle →Google for Developers · Martin Zinkevich
Der Leitfaden empfiehlt messbare Ziele, einfache Baselines und eine verlässliche End-to-end-Pipeline vor zusätzlicher Modellkomplexität. Infrastruktur soll unabhängig getestet, stille Datenfehler überwacht und eine Launch-Entscheidung an System- und Produktmetriken statt nur am optimierten Modellziel ausgerichtet werden.
Direkt zur Quelle →Mitchell et al. · FAT* 2019
Model Cards dokumentieren vorgesehenen Einsatz, Evaluationsbedingungen, Leistungsmerkmale und relevante Grenzen eines Modells. Die Arbeit empfiehlt kontextrelevante Auswertung über Bedingungen und Subgruppen, damit ungeeignete Übertragungen erkennbar werden.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
NIST beschreibt gemeinsame Terminologie als Hilfe für wirksame interdisziplinäre Kommunikation zu Trustworthy und Responsible AI. Der Bericht ist nicht sektorspezifisch und macht die Kontextabhängigkeit mehrdeutiger Begriffe sichtbar; das Plattformglossar formuliert deshalb eigene deutsche Kurzdefinitionen und nennt Grenzen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Das Hypertextglossar sammelt ausgewählte Begriffe aus Engineering Statistics, darunter Population, Stichprobe, Stichprobenverteilung, Standardfehler, Bias, Interaktion, Korrelation und Cross-Validation. Einzelne Formulierungen sind historisch oder kontextspezifisch; die Plattform übernimmt sie nicht wörtlich, sondern prüft Begriffe gegen die Fachmodule.
Direkt zur Quelle →scikit-learn developers
Die Dokumentation grenzt zentrale API- und ML-Begriffe wie Estimator, Transformer, Fit, Predict, Pipeline, Cross-Validation und Feature ab. API-spezifische Bedeutungen werden im Lernprodukt als solche markiert und nicht als universelle statistische Definition ausgegeben.
Direkt zur Quelle →Python Software Foundation
Das sqlite3-Modul stellt eine DB-API-2.0-konforme SQL-Schnittstelle bereit und kann mit :memory: eine nur im Arbeitsspeicher existierende SQLite-Datenbank öffnen. execute, executemany und Ergebnis-Cursor erlauben reproduzierbare kleine SQL-Experimente; Werte sollen über Platzhalter statt Stringformatierung gebunden werden. API- und Transaktionsdetails sind versionsabhängig, und SQLite-spezifische Semantik ist nicht ungeprüft auf andere Datenbanksysteme zu übertragen.
Direkt zur Quelle →SQLite Project
SELECT fragt eine Datenbank ab und liefert null oder mehr Ergebniszeilen mit fester Spaltenzahl, ohne die Datenbank zu verändern. Die Referenz dokumentiert FROM-/Join-, WHERE-, Aggregations-, DISTINCT- und ORDER-BY-Verarbeitung, weist aber darauf hin, dass die beschriebene Verarbeitung illustrativ und nicht als vorgeschriebener physischer Ausführungsplan zu lesen ist. SQLite-Erweiterungen und Abweichungen vom Standard-SQL bleiben produktspezifisch.
Direkt zur Quelle →Python Software Foundation
Das statistics-Modul berechnet elementare Statistiken für reellwertige Daten und ist ausdrücklich kein Ersatz für vollständige professionelle Statistikpakete. Die Dokumentation unterscheidet Populations- und Stichprobenvarianz, warnt vor überraschendem Verhalten von sortierbasierten Funktionen bei NaN und beschreibt den Median als robuster gegenüber Ausreißern als den Mittelwert. Diese Softwareeigenschaften ersetzen weder Estimandwahl noch Missingness- oder Stichprobendesign.
Direkt zur Quelle →Python Software Foundation
Das Python-Glossar grenzt sprach- und implementationsspezifische Begriffe wie Argument, Coroutine, CPython, Iterator, Modul, Paket, Standardbibliothek und statische Typprüfung ab. Diese Bedeutungen gelten im Python-Kontext; sie sind keine allgemeinen Definitionen von Datenpipelines oder ML-Systemen und können sich zwischen Sprachversionen weiterentwickeln.
Direkt zur Quelle →Internet Engineering Task Force (IETF) / RFC Editor
RFC 9110 definiert HTTP als zustandsloses Request/Response-Protokoll auf Anwendungsebene und grenzt Ressource, Repräsentation, Client, Server, Request-Methode, Statuscode sowie sichere und idempotente Methodensemantik ab. Das Protokoll beschreibt die beobachtbare Schnittstelle, nicht die interne Implementierung eines Dienstes; API-Qualität, Authentisierung und fachliche Korrektheit folgen nicht allein aus HTTP-Konformität.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Das CSRC-Glossar aggregiert Begriffe aus NIST- und CNSS-Publikationen und warnt ausdrücklich davor, seine Einträge ohne das jeweilige Quelldokument als universell bevorzugte Definitionen zu behandeln. Mehrere Definitionen desselben Begriffs können verschiedene Kontexte spiegeln; das Lernprodukt formuliert deshalb eigene knappe Arbeitsdefinitionen, benennt die Einsatzgrenze und verlinkt fachliche Vertiefungen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Das Binomialmodell beschreibt die Zahl der Erfolge in einer festen Zahl von Versuchen mit zwei disjunkten Ausgängen und konstanter Erfolgswahrscheinlichkeit p; die Seite gibt Wahrscheinlichkeitsfunktion, Erwartungswert np, Standardabweichung √(np(1−p)) und den Schätzer x/n an. Das Lernprodukt ergänzt als Einsatzgrenze, dass Abhängigkeit oder heterogenes p diese Modellannahmen verletzen können.
Direkt zur Quelle →scikit-learn developers
Die Dokumentation beschreibt Varianzfilter, univariate, rekursive, modellbasierte und sequenzielle Feature Selection, nennt unterschiedliche Voraussetzungen und Rechenkosten und empfiehlt Feature Selection als Bestandteil einer Pipeline. Sie stützt API- und Verfahrensmechanik, nicht die kausale Relevanz ausgewählter Features oder eine universelle Modellverbesserung.
Direkt zur Quelle →scikit-learn developers
ColumnTransformer wendet getrennte Transformer auf ausgewählte Spalten an und verbindet deren Ausgaben zu einem Feature-Raum; nicht spezifizierte Spalten werden standardmäßig verworfen, sofern remainder nicht anders gesetzt ist. Die Quelle stützt reproduzierbare spaltenspezifische Verarbeitung, ersetzt aber weder Datenvertrag, Leakage-Prüfung noch fachliche Feature-Semantik.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Verteilungen werden über Lage, Streuung und Form charakterisiert. Als numerische und grafische Werkzeuge nennt die Seite insbesondere Mittelwert, Median, Varianz, Spannweite, Interquartilsabstand, Schiefe, Kurtosis, Boxplot, Histogramm und Wahrscheinlichkeitsplot. Der Prozesskontext ist nicht ungeprüft auf Personen- oder Versicherungsdaten zu übertragen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Der Kruskal-Wallis-Test kombiniert unabhängige Stichproben, ersetzt Werte durch gemeinsame Ränge und vergleicht gruppenweise Rangsummen. Die Chi-Quadrat-Näherung der H-Statistik benötigt hinreichende Gruppengrößen. Ein signifikanter Omnibustest lokalisiert noch keine einzelne abweichende Gruppe; eine reine Medianinterpretation braucht zusätzliche Formannahmen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Der Ein-Stichproben-Kolmogorov-Smirnov-Test vergleicht die empirische Verteilungsfunktion mit einer vollständig spezifizierten kontinuierlichen CDF über deren maximale Distanz. Die dokumentierten Standardkritischen Werte gelten nicht unverändert, wenn Parameter aus derselben Stichprobe geschätzt werden; der Test ist zudem relativ weniger tailsensitiv.
Direkt zur Quelle →Stan Development Team
Die posterior-prädiktive Verteilung für neue Daten integriert die bedingte Datenverteilung über die Posteriorverteilung der Parameter. Posterior-prädiktive Simulation überträgt damit Parameterunsicherheit auf Vorhersagen; sie setzt weiterhin ein passend spezifiziertes Modell und geeignete Diagnostik voraus.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Die Seite definiert Dichte und CDF der Normalverteilung, grenzt die Standardnormalverteilung mit μ=0 und σ=1 ab und dokumentiert Mittelwert, Median, Modus, Skala und den Bezug des zentralen Grenzwertsatzes zur Stichprobenverteilung des Mittels. Der Katalog ergänzt, dass der CLT weder Rohdaten normal macht noch Sampling- und Abhängigkeitsprobleme behebt.
Direkt zur Quelle →SciPy Community
Die Dokumentation trennt diskrete und stetige Zufallsvariablen, beschreibt Support, PMF/PDF, CDF, Quantile, Momente, Location/Scale, Zufallszahlenerzeugung und Parameterschätzung und illustriert unter anderem Normal-, Exponential-, Uniform-, Gamma-, t- und hypergeometrische Verteilungen. Sie warnt vor numerischen und Fit-Grenzen; Softwareausgabe ersetzt keine fachliche Modellprüfung.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Die Seite definiert Mittelwert, Median und Modus als unterschiedliche Lagemaße und zeigt, dass Schiefe und schwere Tails ihre Interpretation auseinanderziehen können. Sie beschreibt getrimmte und winsorisierte Mittel als robuste Alternativen. Die Wahl bleibt an das fachliche Estimand gebunden; der Produktionsprozess-Kontext ist keine Aussage über APKV-Daten.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Die Seite grenzt Varianz, Standardabweichung, Spannweite, mittlere absolute Abweichung, MAD und IQR ab. Varianz quadriert die Einheit, Standardabweichung stellt sie wieder her; Range reagiert nur auf Extreme, IQR auf die mittleren 50 Prozent, und MAD/IQR können bei schweren Tails stabiler als die Standardabweichung sein.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Histogramme fassen Lage, Streuung, Schiefe, Ausreißer und mögliche Multimodalität grafisch zusammen. Bins können durch Nutzende oder Regeln festgelegt werden; relative Häufigkeit und Dichtenormalisierung haben unterschiedliche Nenner beziehungsweise Flächeninterpretationen. Ein Histogramm allein beweist kein Verteilungsmodell.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Scatterplots zeigen lineare und nichtlineare Assoziation, veränderliche Streuung und Ausreißer zwischen zwei Variablen. Die Seite trennt Assoziation ausdrücklich von Kausalität und empfiehlt bedingte Darstellungen, wenn eine dritte Variable die gemeinsame Struktur beeinflusst.
Direkt zur Quelle →U.S. Census Bureau
Für CPS-Populationsschätzungen repräsentieren Gewichte Auswahlprozess, Nonresponse und Undercoverage. Gewichtete Summen und Mittel entstehen aus gewichteten Totals; ungewichtete Counts können für Populationsaussagen irreführend sein. Diese survey-spezifische Quelle begründet keine universelle Repräsentativität beliebiger Gewichte.
Direkt zur Quelle →U.S. Census Bureau
Der Standard verlangt für Census-Produkte transparente Datenquellen, Fehlerquellen, Annahmen, Limitationen und geeignete Unsicherheitsmaße. Er fordert, fehlende oder ungültige Werte in Tabulationen zu berücksichtigen und gewichtete Ergebnisse sowie relevante Metadaten nachvollziehbar zu machen. Er ist kein allgemeines deutsches Rechts- oder Reportingmandat.
Direkt zur Quelle →Stan Development Team
Prior-prädiktive Checks simulieren Daten ohne Konditionierung auf Beobachtungen und machen unplausible Priorimplikationen sichtbar. Posterior-prädiktive Checks vergleichen entscheidungsrelevante Statistiken beobachteter und replizierter Daten; sie diagnostizieren Modellmismatch, beweisen aber kein wahres Modell. Gemischte Replikation unterscheidet in hierarchischen Modellen Vorhersagen für bestehende von neuen Gruppen.
Direkt zur Quelle →Stan Development Team
MCMC-Ziehungen können autokorreliert sein und nähern den Posterior nur numerisch an. Rank-normalisiertes split-R-hat hilft Nichtstationarität und Skalenprobleme zu erkennen; Bulk- und Tail-ESS betreffen unterschiedliche Posteriorbereiche. Der Monte-Carlo-Standardfehler eines Mittelwerts skaliert mit Posterior-SD geteilt durch die Wurzel der effektiven Stichprobengröße.
Direkt zur Quelle →Stan Development Team
Hierarchische Regression liegt zwischen vollständigem Pooling und getrennten Gruppenmodellen. Der Grad gemeinsamer Schätzung folgt den Daten und einer hierarchischen Priorverteilung; ähnliche Gruppen implizieren stärkeres, unähnliche schwächeres Pooling. Hyperpriors sind besonders bei wenigen Gruppen auf Properness sowie statistische und rechnerische Sensitivität zu prüfen.
Direkt zur Quelle →National Institute of Standards and Technology (NIST) / SEMATECH
Gepaarte Daten besitzen eine sachliche Eins-zu-eins-Zuordnung. Der gepaarte t-Test analysiert die innerhalb der Paare gebildeten Differenzen; seine Teststatistik teilt deren Mittelwert durch den geschätzten Standardfehler. Die Quelle stützt keine nachträgliche Paarbildung ohne Designbezug.
Direkt zur Quelle →SciPy Community
Die API berechnet die tie-korrigierte Kruskal-Wallis-H-Statistik für mindestens zwei unabhängige Stichproben und verwendet eine Chi-Quadrat-Näherung. Eine Zurückweisung lokalisiert keine abweichende Gruppe; dafür sind geplante Post-hoc-Vergleiche erforderlich. Kleine Gruppen und Ties beeinflussen die Referenznäherung.
Direkt zur Quelle →SciPy Community
Der Ein-Stichproben-KS-Test vergleicht eine Stichprobenverteilung mit einer angegebenen kontinuierlichen CDF; der Zwei-Stichproben-Fall vergleicht zwei unabhängige kontinuierliche Grundverteilungen. Die API trennt ein- und zweiseitige Alternativen sowie exakte und asymptotische p-Wert-Verfahren.
Direkt zur Quelle →SciPy Community
Der Zwei-Stichproben-KS-Test misst die maximale gerichtete oder absolute Distanz zweier empirischer Verteilungsfunktionen für unabhängige kontinuierliche Stichproben. Statistikort und Vorzeichen helfen, die Abweichung zu lokalisieren; das Verfahren testet die ganze Verteilung und nicht nur Mittelwert oder Median.
Direkt zur Quelle →W3C Web Accessibility Initiative
Ergebnis-, Fortschritts- und Fehlermeldungen, die keinen Kontextwechsel auslösen, sollen für assistive Technologien programmatisch bestimmbar sein. role=status ist eine ausreichende Technik für viele Ergebnis- und Zustandsmeldungen; wichtige zeitkritische Fehler können andere Live-Region-Mechanismen benötigen.
Direkt zur Quelle →W3C Web Applications Working Group
Die File API definiert programmatisch ausgewählte File- und Blob-Objekte sowie asynchrones Lesen. Blob.text() liest Bytes und dekodiert sie als UTF-8. Der Stand ist ein Working Draft und kann sich ändern; Dateilesen validiert weder JSON-Schema noch Anwendungssemantik automatisch.
Direkt zur Quelle →WHATWG
Das download-Attribut kennzeichnet eine verlinkte Ressource zur späteren lokalen Nutzung statt zur unmittelbaren Anzeige. Der Browser kontrolliert Download, Dateinamen und Sicherheitsbehandlung; ein ausgelöster Download garantiert deshalb keinen erfolgreichen Dateischreibvorgang.
Direkt zur Quelle →W3C Web Accessibility Initiative
Wiederkehrende Inhaltsblöcke wie Navigation sollen überspringbar sein, damit Tastatur- und Screenreader-Nutzende den Hauptinhalt direkt erreichen. Ein Skip-Link oder semantische Landmarken sind dokumentierte ausreichende Techniken; die Understanding-Seite ist erläuternd und keine alleinige Konformitätszertifizierung.
Direkt zur Quelle →W3C Web Accessibility Initiative
Tastaturbedienbare Komponenten benötigen einen Modus mit sichtbarem Fokusindikator, damit erkennbar bleibt, welches Element Eingaben erhält. Ein eigener sichtbarer Rahmen beziehungsweise :focus-visible ist eine dokumentierte Technik; statische CSS-Prüfung ersetzt keine vollständige Konformitäts- oder Nutzungsevaluation.
Direkt zur Quelle →WHATWG
Ein id-Attributwert muss im Elementbaum eindeutig, nicht leer und frei von ASCII-Whitespace sein. IDs dienen unter anderem als Fragmentziele, Scriptreferenzen und CSS-Anker; der Living Standard kann fortlaufend aktualisiert werden.
Direkt zur Quelle →UK Government Data Quality Hub
Datenqualität ist zweckbezogene Eignung und darf nicht allein mit Vollständigkeit gleichgesetzt werden. Der Rahmen empfiehlt proaktive, evidenzbasierte und gezielte Qualitätssicherung, dokumentierte Regeln sowie fortlaufendes Monitoring; Vollständigkeit, Eindeutigkeit, Konsistenz, Aktualität, Validität und Genauigkeit sind getrennte Dimensionen. Die Plattform überträgt dieses Prinzip vorsichtig auf Inhaltsmetadaten, nicht auf die fachliche Wahrheit jeder Lernantwort.
Direkt zur Quelle →U.S. Department of Education, Institute of Education Sciences / What Works Clearinghouse
Der Guide empfiehlt unter anderem zeitlich verteiltes Lernen, das Verschachteln ausgearbeiteter Beispiele mit Problemlösen und aktiven Abruf durch Quizzing. Die Plattform nutzt dies als allgemeine Lernbegründung für Praxisitems und Review, nicht als Beleg für eine bestimmte 0/1/3/7/21-Tage-Heuristik oder für Interviewerfolg.
Direkt zur Quelle →UK Government Analysis Function / Government Actuary's Department / Office for National Statistics
Qualitätssicherung soll proportional zu beabsichtigter Nutzung, Komplexität und möglichen finanziellen, rechtlichen, operativen oder öffentlichen Folgen sein. Verifikation prüft die Umsetzung gegen Spezifikation, Validierung die Eignung für Zweck und Einsatzumgebung; unabhängige Prüfung, dokumentierte Annahmen, Unsicherheit und verbleibende Grenzen gehören zur Assurance. Der Leitfaden ist allgemeine QA-Methodik und keine deutsche Rechts- oder APKV-Vorgabe.
Direkt zur Quelle →European Data Protection Board (EDPB)
Die Leitlinie behandelt Profiling und ausschließlich automatisierte Einzelentscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung. Sie erläutert, dass wirksame menschliche Beteiligung tatsächliche Autorität und eine echte Bewertung aller relevanten Daten erfordert. Die Einordnung hängt vom konkreten Zweck, Entscheidungsprozess und Effekt ab; die Quelle verbietet nicht pauschal jedes Modell und ersetzt keine fallspezifische Rechtsprüfung.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Evaluationsaussagen sollen Beobachtungen, Inferenzen, Vorhersagen und normative Aussagen unterscheiden sowie Annahmen und Evidenz für die Übertragbarkeit vom Benchmark auf den beabsichtigten Messgegenstand dokumentieren. Der Text ist ein Entwurf für automatisierte Sprachmodell-Benchmarks; die Plattform überträgt nur das Prinzip begrenzter Claims, nicht konkrete Benchmarkvorgaben auf alle Lerninhalte.
Direkt zur Quelle →scikit-learn developers
GroupKFold erzeugt Folds mit nicht überlappenden Gruppen; jede Gruppe erscheint über alle Folds genau einmal im Testset. Die Dokumentation garantiert weder zeitliche Kausalordnung noch Klassenbalance, Transportabilität oder eine fachlich richtige Gruppendefinition; diese folgen aus dem vorgesehenen Einsatz und Datenerzeugungsprozess.
Direkt zur Quelle →scikit-learn developers
Bei cross-validierter Kalibrierung wird der Basisschätzer auf Trainingsdaten fitten und der Kalibrator auf den jeweiligen Testfalten lernen; die finale Vorhersage kann ein Ensemble dieser Paare sein. Kleine Kalibrierungsstichproben können insbesondere isotone Kalibrierung überfitten. Die API validiert keine fachliche Splitlogik, zeitliche Transportabilität oder Deployment-Schwelle.
Direkt zur Quelle →Stan Development Team
Posterior-prädiktive Checks simulieren Replikationen aus der Posterior-Predictive-Verteilung und vergleichen entscheidungsrelevante Statistiken mit den beobachteten Daten. Sie können Modellmismatch diagnostizieren; ein unauffälliger Vergleich beweist weder Modellwahrheit noch externe Vorhersagegüte und hängt von den gewählten Prüfstatistiken ab.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
NIST integriert Vorbereitung, Erkennung, Reaktion und Wiederherstellung in das laufende Cybersecurity-Risikomanagement und betont, dass Incident Response nicht erst mit einem Alarm beginnt. Die Publikation ist ein allgemeiner CSF-2.0-Community-Profile-Referenzrahmen; sie spezifiziert weder ein ML-spezifisches Runbook noch universelle Schweregrade oder APKV-Prozesse.
Direkt zur Quelle →Google Site Reliability Engineering Workbook
Ein Canary ist ein partielles, zeitlich begrenztes Deployment mit Vergleich und Releaseentscheidung. Aussagekräftige Signale müssen nach Version getrennt, repräsentativ und der Änderung zurechenbar sein; Vorher-nachher-Vergleiche, geteilte Failure Domains und unpassende Dauer können irreführen. Canarying ergänzt Tests, ist aber keine Garantie und muss Stop- oder Rollbackreaktionen ermöglichen.
Direkt zur Quelle →Google Site Reliability Engineering Book
Monitoring dient Trendanalyse, Vergleich, Alerting und Diagnose. Paging braucht hohe Signalqualität und geringe Störlast; ein unspezifisches Anomaliesignal ist noch kein sinnvoller Alarm. Der Text behandelt Googles SRE-Erfahrung und allgemeine Systemsignale, nicht die fachliche Güte, Fairness oder Rechtmäßigkeit eines konkreten ML-Workflows.
Direkt zur Quelle →Google Site Reliability Engineering Book
Dokumentierte Vorfälle zeigen, dass ein Canary seltene Konfigurationskombinationen verfehlen, Alarmfluten die Reaktion behindern und ungeprüfte Rollbackverfahren die Wiederherstellung verlängern können. Die Fallberichte belegen konkrete Google-Erfahrungen; sie liefern keine Ausfallwahrscheinlichkeit und werden hier als Gegenbeispiele statt als universelle Architekturvorgabe verwendet.
Direkt zur Quelle →Keep a Changelog project
Die Projektdokumentation empfiehlt einen menschenlesbaren Änderungsverlauf mit einem Eintrag je Version und Kategorien wie Added, Changed, Deprecated, Removed, Fixed und Security statt eines ungefilterten Commit-Logs. Die Plattform übernimmt die menschen- und kategorienorientierte Struktur, nicht jede Kategorie und keine Behauptung über einen Industriestandard oder Produktreife.
Direkt zur Quelle →Semantic Versioning project; ursprünglich Tom Preston-Werner
SemVer definiert MAJOR.MINOR.PATCH erst auf Basis einer deklarierten öffentlichen API und ordnet inkompatible Änderungen, rückwärtskompatible Funktionserweiterungen und Bugfixes verschiedenen Inkrementen zu. Diese Lernplattform veröffentlicht derzeit Iterationsmeilensteine statt SemVer-Kompatibilitätsversprechen, weil sie keine stabile öffentliche API deklariert.
Direkt zur Quelle →Bundesagentur für Arbeit
Die Bundesagentur empfiehlt, eine kurze Selbstvorstellung zuhause einzuüben und eigene Fragen vorzubereiten. Für Video-Interviews nennt sie einen ungestörten Ort sowie die rechtzeitige Prüfung von Internetverbindung und Mikrofon. Das sind allgemeine Vorbereitungshinweise; die Seite belegt weder Ablauf noch Bewertungsmaßstab des technischen APKV-Interviews.
Direkt zur Quelle →Bundesagentur für Arbeit
Die Checkliste umfasst die Klärung von Gesprächsart, Datum, Uhrzeit, Ort und Kontakt, die Planung des Zugangs, einen Techniktest bei Online-Gesprächen, bereitgelegte Unterlagen sowie zwei bis drei eigene Fragen. Sie richtet sich allgemein und teils an junge Menschen; die Plattform adaptiert nur organisatorische Punkte und leitet daraus keine APKV-spezifischen Formatannahmen ab.
Direkt zur Quelle →WHATWG
localStorage stellt einen origin-gebundenen lokalen Speicherbereich bereit, der Sitzungen überdauern kann; Speicherzugriff kann durch Browserpolitik blockiert werden oder wegen Quota scheitern. getItem, setItem und removeItem arbeiten je Schlüssel, clear entfernt dagegen alle Einträge des Origin. Die Spezifikation definiert keine anwendungsweite Transaktion oder Sperre zwischen Fenstern. Die Plattform leitet daraus den expliziten Origin-Hinweis, Fehlerpfade, die Bereichsregistry und den produktpräfixbegrenzten Gesamtreset ab; die Quelle garantiert weder Persistenzdauer noch Backupqualität.
Direkt zur Quelle →European Data Protection Board (EDPB)
Der EDPB nennt Rechtmäßigkeit, Fairness und Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit sowie Rechenschaftspflicht als Grundprinzipien der DSGVO. Die Plattform nutzt Transparenz und Datenminimierung als vorsichtige Gestaltungsprinzipien für verständliches Inventar und explizite Löschkontrollen. Die Seite entscheidet nicht, welche konkrete lokale Lernnotiz personenbezogen ist, und ersetzt keine rechtliche Prüfung.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
NIST empfiehlt, menschliche Rollen und Verantwortlichkeiten in Human-AI-Konfigurationen klar zu trennen, kognitive und systemische Verzerrungen mitzudenken und Human-AI-Leistung kontextbezogen zu evaluieren. Override-Häufigkeit und -Begründung können nützliche Signale sein, sind für sich allein aber kein Wirksamkeitsnachweis. Das AI RMF 1.0 wird derzeit überarbeitet und ist weder sektorspezifisches Recht noch ein APKV-Prozessbeleg.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
Das Playbook schlägt vor, menschliche Aufsicht durch dokumentierte Rollen, Overrides, Fehler oder Beschwerden, Reaktionszeiten, Adjudikation, Ausnahmen, Eskalationen und verantwortete Go-/No-Go-Entscheidungen beobachtbar zu machen. Die Vorschläge sind auswählbare Praktiken, keine universellen Schwellenwerte, Rechtsvorgaben oder Garantie wirksamer Aufsicht.
Direkt zur Quelle →National Institute of Standards and Technology (NIST)
NIST AI 800-4 ordnet Post-Deployment-Monitoring als notwendige Ergänzung kontrollierter Pre-Deployment-Evaluation ein und beschreibt weiterhin unreife, verteilte Methoden. Die Publikation behandelt fehlende, teure oder verzögerte Ground-Truth-Labels, langfristige Beobachtungsfenster, Human-AI-Feedback-Loops und die Skalierung menschlicher Überwachung als offene Monitoringprobleme. Das Lern-Lab leitet daraus die Pflicht ab, Label-Coverage und Reifemechanismus neben der beobachteten Qualitätsrate auszuweisen; NIST liefert keine universelle Coverage-, Fehler- oder Stoppschwelle.
Direkt zur Quelle →Health and Safety Executive (HSE), United Kingdom
Die HSE beschreibt begrenzte menschliche Informationsverarbeitung und mögliche langsamere Leistung beziehungsweise Fehler bei Überlast. Sie empfiehlt, Workload bei neuen Aufgaben, Systemen oder Rollenänderungen zu prüfen, Normal- und Ausnahmelast, Teamverteilung, Kompetenz, Staffing und konkrete Task-Anforderungen einzubeziehen. Das Lern-Lab nutzt dies als allgemeine Human-Factors-Begründung für eine explizite Eskalationsqueue und Kapazitätsprüfung; die Quelle ist weder AI-, Versicherungs- noch APKV-spezifisch und setzt keine universelle Queue-Grenze.
Direkt zur Quelle →W3C Web Applications Working Group
Die Web Locks API erlaubt Skripten, eine benannte Ressource originweit exklusiv zu sperren, sodass andere Fenster oder Worker mit demselben Ressourcennamen warten. Die Spezifikation nennt die Koordination eines in zwei Tabs geöffneten Dokumenteditors als motivierenden Anwendungsfall und gibt Sperren bei Ende des haltenden Tasks beziehungsweise Dokumentkontexts frei. Die Plattform nutzt dies eng für genau einen schreibenden Tab je Lerndatenbereich. Der Stand ist ein Working Draft, `navigator.locks` ist ein Secure-Context-Feature und Verfügbarkeit oder fehlerfreie Persistenz werden dadurch nicht garantiert.
Direkt zur Quelle →MDN Web Docs
Das `storage`-Ereignis wird in anderen Dokumenten desselben Origins ausgelöst, wenn ein gemeinsamer `localStorage`-Bereich geändert wird; im Dokument, das die Änderung auslöst, feuert es nicht. Die Plattform nutzt das Ereignis nur als Invalidierungssignal: Ein wartender Tab lädt vor Übernahme des Schreibzugriffs neu. Das Ereignis ist weder Transaktion noch Konfliktlösung und beweist keine Persistenz.
Direkt zur Quelle →W3C Web Application Security Working Group
Die Spezifikation definiert Secure Contexts und die Laufzeitabfrage `isSecureContext`. Loopback-Adressen und normgerecht aufgelöstes localhost gelten als potenziell vertrauenswürdig; `file:` soll als potenziell vertrauenswürdig behandelt werden, darf von User Agents aber strenger ausgeschlossen werden. Die Plattform empfiehlt deshalb den dokumentierten lokalen HTTP-Server, prüft die konkrete API-Verfügbarkeit zur Laufzeit und verspricht für direkt geöffnete Dateien keine einheitliche Web-Lock-Unterstützung. Der Entwurf ist ein Arbeitsstand, keine Browser-Verfügbarkeitsgarantie.
Direkt zur Quelle →MDN Web Docs
MDN beschreibt `navigator.locks` als Zugang zum LockManager, kennzeichnet die Eigenschaft als Secure-Context-Feature und dokumentiert breite Verfügbarkeit seit März 2022. Breite Verfügbarkeit ist keine Garantie für jeden Browser, Einbettungsmodus oder lokalen Dateikontext; die Plattform behält deshalb Feature Detection und einen schreibblockierenden Stale-State-Fallback bei.
Direkt zur Quelle →WHATWG
Der Standard ordnet sessionStorage einer Window-/Origin-bezogenen Session Storage Area zu und erlaubt SecurityError bei undurchsichtigem Origin oder browserseitig verweigerter Persistenz. Seine Web-Storage-Einführung trennt fensterbezogene Sessiondaten von fensterübergreifendem localStorage und warnt ausdrücklich, dass Autoren für gemeinsam genutzten Local-Storage-Zustand keine Sperrmechanik voraussetzen sollen. Die Plattform nutzt sessionStorage deshalb nur als begrenzte, tabnahe Konfliktspur und nicht als Backup-, Merge- oder Persistenzgarantie.
Direkt zur Quelle →MDN Web Docs
MDN beschreibt sessionStorage als nach Origin und Top-Level-Browsing-Context partitioniert. Eine Page Session überlebt Reload und Restore, endet aber beim Schließen des Tabs oder Fensters; ein neuer Tab besitzt grundsätzlich eine eigene Session, wobei ein Opener anfangs eine Kopie weitergeben kann. Speicherzugriff kann durch Origin- oder Browserpolitik scheitern. Das Recovery-Panel nennt deshalb Reload-Nutzen, Tab-Schließen-Grenze und die Notwendigkeit eines expliziten Downloads.
Direkt zur Quelle →W3C Web Accessibility Initiative
Die Technik erläutert, dass role=status dynamische Statusänderungen assistiven Technologien ohne Fokuswechsel zugänglich machen kann und empfiehlt für vollständige Meldungen zusätzlich aria-atomic=true. Techniken sind mögliche Erfüllungswege, keine alleinige Konformitätsgarantie. Konfliktsperre, Downloadbestätigung und Verwerfbestätigung nutzen deshalb vorab vorhandene beziehungsweise klar ausgezeichnete Statuscontainer mit atomarer Ansage.
Direkt zur Quelle →WHATWG
Der Standard beschreibt Usage und Quota als implementierungsabhängige grobe beziehungsweise konservative Schätzungen; ein Storage-Endpunkt kann fehlschlagen, wenn für den Umgebungskontext kein Speicher verfügbar ist. Best-effort-Buckets können unter Speicherdruck gelöscht werden, während Session-Buckets spätestens beim Schließen des zugehörigen Browsing-Kontexts enden. Die Plattform leitet daraus keine feste Browserquote ab, sondern begrenzt Paketgrößen explizit, versucht bei einem Konflikt zunächst eine vollständige und danach eine kompakte Recovery-Spur und hält jeden Fehlschlag sichtbar.
Direkt zur Quelle →W3C Web Accessibility Initiative
Automatisch erkannte ungültige Eingaben sollen in Text so beschrieben werden, dass Art und betroffener Gegenstand des Fehlers erkennbar sind; bekannte Korrekturmöglichkeiten können zugleich genannt werden. Die Erläuterung schreibt kein bestimmtes visuelles Muster vor und ist keine Konformitätszertifizierung. Das Recovery-Panel benennt deshalb Bereich, Lesbarkeits- oder Größenproblem und die sicheren Aktionen Rohdownload oder gezieltes Verwerfen, statt beschädigte Sessiondaten still auszublenden.
Direkt zur Quelle →WHATWG
Der Standard definiert Encodings als Abbildung zwischen Unicode-Skalarwertfolgen und Bytefolgen und verlangt für neue Austauschformate UTF-8. Die Recovery-Logik vergleicht deshalb die UTF-8-Bytegröße des tatsächlich serialisierten Pakets statt JavaScript-Zeichen zu zählen. Der Standard setzt weder das produktspezifische 5-MB-Limit noch eine Browser-Speicherquote oder erfolgreiche Sicherung.
Direkt zur Quelle →MDN Web Docs
Blob-URLs stellen In-Memory-Ressourcen als undurchsichtige URLs bereit und können lokale Downloads auslösen. Jede mit createObjectURL erzeugte URL hält ihre Ressource bis zur Freigabe; MDN warnt vor zu früher Freigabe während möglicher Nutzerinteraktion. Die Plattform widerruft den temporären Link nach dem ausgelösten Klicktask, behauptet aber weder garantierte Ablage noch dauerhafte Wiederherstellbarkeit.
Direkt zur Quelle →