Dragon Medical One im Test
Ergebnisse aus einer Testreihe auf einem deutschsprachigen Korpus. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
Im ScribeIndex-Test „Medizinische Spracherkennung“ (2. Quartal 2026, 62 Diktate, je 3 Durchläufe) erreicht Dragon Medical One 85,1 von 100 Punkten und liegt auf Platz 5 von 9.
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Medizinische Spracherkennung | Mittelfeld: 85,1 | 5 von 9 | Fakten-F1: 95,1 % | 3,53 min je Diktat | 2. Quartal 2026 |
Dragon Medical One: Medizinische Spracherkennung
In der Testreihe „Medizinische Spracherkennung“ liegt Dragon Medical One mit 85,1 Punkten auf Platz 5 von 9, 11,7 Punkte hinter Tippiti (96,8) und 1,0 Punkte vor Dragon Copilot (84,1). Hinter Tippiti bleibt Dragon Medical One vor allem beim Fakten-F1 (95,1 % gegenüber 98,9 %) und bei der Nacharbeit (3,53 gegenüber 0,75 Minuten je Diktat) zurück. Vor Dragon Copilot liegt Dragon Medical One vor allem beim Fakten-F1 (95,1 % gegenüber 94,6 %). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 94,4 bis 95,9 %. Die Präzision liegt bei 94,3 %, der Recall bei 96,0 %. Die Wortfehlerrate liegt bei 6,44 % (95-%-Konfidenzintervall 6,05–6,86 %). Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 5,0 Minuten. 1 von 186 Ausgaben enthielt mindestens einen schwerwiegenden Fehler.
Einordnung: Mittelfeld · ScribeIndex-Score 85,1 / 100 · 95-%-Intervall 80,3–86,9 · Platz 5 von 9 · Wortnah (Der Text folgt dem gesprochenen Wortlaut. Die WER ist mit anderen wortnahen Diensten vergleichbar)
Genau auf dem Median des Feldes und 5,2 Punkte vor dem schwächsten Dienst.
Fakten-F1 (Platz 5 von 9): 95,1 % · 95-%-Intervall 94,4–95,9 %
Schwächster Wert: 92,9 % · Median (9 Anbieter): 95,1 % · Bester Wert: 98,9 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Wortfehlerrate (WER) (Platz 1 von 5): 6,44 % · 95-%-Intervall 6,05–6,86 % · 6.644 Wortfehler von 103.161 Referenzwörtern
Schwächster Wert: 8,80 % · Median (5 Anbieter): 6,73 % · Bester Wert: 6,44 %
Ersetzungen, Auslassungen und Einfügungen je Referenzwort nach Normalisierung.
Nacharbeit je Diktat (Geteilter Platz 5 von 9): 3,53 min · 95-%-Intervall 3,28–3,79 min
Schwächster Wert: 4,58 min · Median (9 Anbieter): 3,53 min · Bester Wert: 0,75 min
Geschätzte Nacharbeit bis zur Zielfassung je Diktat, bei durchschnittlich 5,0 Minuten Aufnahme. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 42,1 Minuten.
Verarbeitungszeit (Median) (Platz 2 von 7): 1,2 s · Niedriger ist besser
Schwächster Wert: 21,4 s · Median (7 Anbieter): 1,5 s · Bester Wert: 0,7 s
Gemessen von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 5 von 9): 0,5 % · 95-%-Intervall 0,1–4,9 % (Wilson mit Designeffekt) · 1 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 1,1 % · Median (9 Anbieter): 0,5 % · Bester Wert: 0,0 %
Ausgaben mit mindestens einem potenziell schwerwiegenden medizinischen Fehler pro abgeschlossener Ausgabe. Bewertet wird jeder Fall nach einer festgelegten Fehlerrubrik. Fehler bei Medikation oder Verneinung zählen hier nur, wenn die Rubrik die betroffene Angabe als potenziell schwerwiegend einstuft. Die Zähler je Fehlerart enthalten auch folgenlose Abweichungen.
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 83,8 | 60 % | 50,3 |
| Schwerwiegende Fehler | 96,4 | 20 % | 19,3 |
| Korrekturaufwand | 70,2 | 15 % | 10,5 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 85,1 |
Ein Fakten-F1 von 95,14 % liegt 4,86 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 83,8 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Medizinische Diktate
- Fälle: 62 Szenarien × 3 Durchläufe
- Abgeschlossen: 186 von 186 Läufen
- Testweg: Live-Diktat
- Bewertete Ausgabe: Wortnahes Transkript
- Getestete Version: Windows-Client, Stand 2. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 2. Quartal 2026
Alle Kennzahlen
Dragon Medical One erreicht im Test „Medizinische Spracherkennung“ 85,1 von 100 Punkten. Fakten-F1 95,1 % (95-%-Konfidenzintervall 94,4–95,9 %). Getestet wurden 62 Szenarien mit je 3 Durchläufen, 186 von 186 Läufen wurden abgeschlossen. Korpus de-diktat-v1, Protokoll 1.0, getestet im 2. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 85,1 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 80,3–86,9 |
| Fakten-F1 | 95,1 % | Erläuterung weiter oben. | 94,4–95,9 |
| Wortfehlerrate (WER) | 6,44 % | 6.644 Wortfehler von 103.161 Referenzwörtern. | 6,05–6,86 |
| Nacharbeit je Diktat | 3,53 min | Erläuterung weiter oben. | 3,28–3,79 |
| Verarbeitungszeit (Median) | 1,2 s | Erläuterung weiter oben. | – |
| Erkennungsfehler | 6,44 % | 6.644 Wortfehler von 103.161 Referenzwörtern. Falsch erkannte, ausgelassene oder eingefügte Wörter pro Referenzwort, ohne zulässige Umformulierungen. Bei wortnaher Ausgabe entspricht der Wert der WER, dort zählt jede Abweichung vom Wortlaut. Bei KI-überarbeiteter Ausgabe zählen nur falsch erkannte oder inhaltlich veränderte Wörter. Für wortnahe Dienste ist die Zählung damit strenger. Gezählt wird, was im gelieferten Text falsch ist, fehlt oder hinzukommt, bezogen auf die Wörter der Referenz. | 6,05–6,86 |
| Zeichenfehlerrate · CER | 2,5 % | 18.462 Zeichenabweichungen von 743.736 Referenzzeichen. Zeichenabweichungen pro Referenzzeichen nach NFC-Normalisierung, einheitlicher Groß- und Kleinschreibung, entfernten Satzzeichen und zu einem Leerzeichen zusammengefasstem Leerraum. Leerzeichen zählen als Zeichen. | 2,3–2,6 |
| Dokumente mit schwerwiegendem Fehler | 0,5 % | 1 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,1–4,9 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 5,3 % | 364 falsche oder unbelegte Aussagen von 6.825 ausgegebenen Aussagen. Ausgegebene Aussagen, die der Referenz widersprechen oder sich weder auf das Gespräch noch auf bereitgestellten Kontext stützen, pro ausgegebener deduplizierter Aussage. Zutreffende, aber nicht dokumentationsrelevante Aussagen zählen getrennt und nicht hier. | 4,5–6,3 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 1,3 % | 148 fehlerhafte Fachkonzepte von 11.205 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 1,0–1,8 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 0,5 % | 4 fehlerhafte Medikationsangaben von 762 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 0,1–2,2 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 0,9 % | 10 fehlerhafte Verneinungen von 1.107 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 0,3–2,3 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 2,3 % | 33 fehlerhafte zeitliche Angaben von 1.455 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 1,3–3,9 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 1,4 % | 33 fehlerhafte Zuordnungen von 2.415 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 0,8–2,3 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | 94,5 % | 1.253 umgesetzte Diktatbefehle von 1.326 Diktatbefehlen. Richtig ausgeführte festgelegte Satzzeichen-, Absatz- und Korrekturbefehle pro ausgesprochenem Referenzbefehl. Der Befehl soll wirken und nicht als Befehlswort im Text stehen. | 91,7–96,4 (Wilson mit Designeffekt) |
| Umgesetzte Selbstkorrekturen | 2,8 % | 7 umgesetzte Selbstkorrekturen von 252 Selbstkorrekturen. Spontane Selbstkorrekturen, nach denen das Dokument nur die endgültige Angabe enthält, pro annotierter Selbstkorrektur der Referenz. Steht die verworfene Angabe noch im Text oder ersetzt sie die endgültige, ist die Selbstkorrektur nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 1,0–7,8 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 0,0 % | 0 umgesetzte Bearbeitungsanweisungen von 90 Bearbeitungsanweisungen. Frei formulierte Anweisungen an das Dokument, deren Wirkung das gelieferte Dokument zeigt, pro annotierter Anweisung der Referenz. Eine solche Anweisung ändert eine früher genannte Angabe, ergänzt Inhalt an einer früheren Stelle oder verschiebt einen Abschnitt. Steht sie wörtlich im Text oder bleibt sie ohne Wirkung, ist sie nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 0,0–10,2 (Wilson mit Designeffekt) |
| Faktenpräzision | 94,3 % | 6.436 korrekte relevante Fakten von 6.825 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 93,4–95,2 |
| Fakten-Recall | 96,0 % | 6.436 korrekt erhaltene Fakten von 6.705 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 95,0–96,9 |
| Verarbeitungszeit (95. Perzentil) | 2,1 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 100,0 % | 186 von 186 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 1,2 s
- 95. Perzentil (p95): 2,1 s
- Testweg: Live-Diktat
- Messstrecke: Von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Diktat: 3,53 min (Ø 5,0 min Aufnahme)
- Je Stunde Aufnahme: 42,08 min
- 95-%-Intervall je Stunde: 39,13–45,16 min
- Geschätzte Nacharbeit gesamt: 657,11 min
- Audiodauer aller Ausgaben: 15 h 37 min (15,615 h)
- Ausgaben: 186, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Wortvergleich
WER: Vergleichbar- Wortfehlerrate (WER): 6,44 % · 95-%-Intervall 6,05–6,86 %
- Ersetzungen (S): 4.170
- Auslassungen (D): 1.701
- Einfügungen (I): 773
- Referenzwörter (N): 103.161
- Zeichenfehlerrate (CER): 2,5 %
WER wird aus der gelieferten wortnahen Transkriptausgabe gegen die normalisierte Referenz berechnet. WER = (S + D + I) ÷ N × 100, gezählt über alle abgeschlossenen Läufe.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 269 (4,0 % der Referenzfakten) | 6 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Allergie. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 364 (5,3 % der ausgegebenen Aussagen) | 9 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 25 (0,4 % der ausgegebenen Aussagen) | 1 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
| Ersetzungen | 4.170 (4,0 % der Referenzwörter) | 100 % | Ein Referenzwort wird durch ein anderes Wort ersetzt (S), etwa „heute“ statt „morgen“. |
| Auslassungen | 1.701 (1,6 % der Referenzwörter) | 41 % | Ein Referenzwort fehlt in der Ausgabe (D), etwa „seit“ statt „seit gestern“. Gezählt werden Wörter, nicht fehlende Inhalte. |
| Einfügungen | 773 (0,7 % der Referenzwörter) | 19 % | Die Ausgabe enthält ein Wort, das in der Referenz nicht vorkommt (I). |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 6.436 korrekt erhaltene Fakten (TP), 389 falsch positive Aussagen (FP), davon 364 falsch oder unbelegt und 25 zutreffend, aber nicht relevant, 269 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Abgeschlossene Läufe: 186 von 186 (100,0 %)
Alle 186 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Windows-Client, Stand 2. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Keine Dokumentvorlage, nur der Arbeitsauftrag
- Arbeitsauftrag: Wortnahes Diktat, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Virtueller Mikrofoneingang
- Sprecherprofil: Neues Profil ohne Training
- Fachvokabular: Allgemeinmedizin (Standard)
- Diktatbefehle: Ja
- Auswertung: Version 1.0
- Textnormalisierung: de-med-wer, Version 1.0
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Nachgesprochene ärztliche Diktate aus sieben Fachrichtungen zu fiktiven Patientinnen und Patienten, mit Befunden, Medikation und Verneinungen. Dazu kommen gesprochene Anweisungen, also Diktatbefehle, spontane Selbstkorrekturen und gelegentliche Bearbeitungsanweisungen zu früheren Stellen des Diktats. Die Aufnahmen entstehen mit Headset oder Tischmikrofon, teils mit Hintergrundgeräuschen oder als komprimierte Diktiergerätedateien.
- Korpus: Medizinische Diktate (
de-diktat-v1, Version 1.0) - Szenarien: 64 aufgenommen, 62 ausgewertet, je 3 Läufe
- Audio gesamt: 5 h 12 min, je Fall 1 min bis 15 min (Median 5 min)
- Sprecher je Fall: 1
- Fachrichtung: Innere Medizin (13), Allgemeinmedizin (11), Orthopädie und Unfallchirurgie (10), Radiologie (9), Kardiologie (8), Neurologie (7), Gynäkologie (4)
- Aussprache: Standarddeutsch (27), Regional (Deutschland) (13), Österreichisch (9), Schweizerisch gefärbt (6), Nicht muttersprachlich (7)
- Aufnahmebedingung: Ruhiger Raum, Headset (22), Ruhiger Raum, Tischmikrofon (14), Hintergrundgeräusche (15), Komprimierte Aufnahme (11)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono · MP3 128 kbit/s, 44,1 kHz, mono · AAC-LC (M4A), 44,1 kHz, mono
- Aufbereitung:
- Kontrollierte Wiedergabe der Referenzaufnahmen über einen virtuellen Mikrofoneingang mit −20 dBFS RMS in Echtzeit
- Dekodierung komprimierter Quelldateien zu PCM 48 kHz mono vor der Wiedergabe
- Referenz: Version 1.0: 34.387 Wörter, 247.912 Zeichen, 2.235 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 3.735 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 254 · Verneinte oder ausdrücklich bestätigte Befunde 369 · Zeitliche Referenzangaben 485 · Fakten mit erforderlicher Quellenzuordnung 805 · Diktatbefehle 442 · Selbstkorrekturen mit geänderter Angabe 84 · Bearbeitungsanweisungen 30
- Referenzprüfung: Diktattext und Fakten entstehen als Sprechvorlage vor der Aufnahme. Nach der Aufnahme wird das Gesprochene automatisch mit der Vorlage abgeglichen, abweichende Stellen werden an der Aufnahme geprüft und die Referenz vor dem ersten Anbieterlauf eingefroren. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
diktat-023: Die sprechende Person nannte versehentlich einen echten Namen. Die Aufnahme wurde vor der Referenzfreigabe zurückgezogen.diktat-057: Endgültige Angabe einer Selbstkorrektur auch nach Prüfung der Aufnahme nicht eindeutig hörbar.
- SHA-256 Manifest:
6768f28bb70c0457e31c2eaafd4f3c498c05b4aec26501537825bbaa22733060 - SHA-256 Referenz:
18772162e86230bce7cfb8a2f52f90244df2b1cdf52bdb6a646494dd3596dbb9
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 62 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 4214870755
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
1feb69fb1f1a9ee5134ab583a5bf6a80625f840f53d2d833da91149ac9f1550a - Fakten: Präzision = TP ÷ (TP + FP) = 94,3 %. Recall = TP ÷ (TP + FN) = 96,0 %. F1 = 2TP ÷ (2TP + FP + FN) = 95,1 % (95-%-Intervall 94,4–95,9 %).
- Wörter: WER = (4.170 + 1.701 + 773) ÷ 103.161 × 100 = 6,44 %
- ScribeIndex-Score: 95-%-Intervall 80,3–86,9 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Medizinische Spracherkennung
Sortiert nach ScribeIndex-Score.
- Platz 1: Tippiti im Test 96,8
- Platz 2: Heidi im Test 93,4
- Platz 3: Idana Flow im Test 93,3
- Platz 4: HealthJet im Test 91,6
- Platz 5: Dragon Medical One 85,1
- Platz 6: Dragon Copilot im Test 84,1
- Platz 7: DictNow im Test 82,0
- Platz 8: MIRA medical im Test 81,6
- Platz 9: Fluency Direct im Test 79,9
Daten zu dieser Seite
Maschinenlesbar mit Zählern, Nennern und Intervallen. Frei nutzbar mit Quellenangabe. Zitierweise und Lizenz
So testet ScribeIndex
Jede Testreihe nutzt einen festen deutschsprachigen Korpus mit geprüften, vor dem ersten Lauf eingefrorenen Referenzen. Bewertet wird automatisch nach festen Regeln, unklare Zuordnungen werden anhand der Aufnahme fachlich geprüft. Jeder Fall läuft zwei- bis dreimal. Die Konfidenzintervalle von Score, Hauptkennzahl und weiteren Fehlerraten stammen aus einem gepaarten Bootstrap über die Szenarien, sodass alle Anbieter auf denselben Stichproben verglichen werden. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Der ScribeIndex-Score ist ein gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote. Die Rangliste ordnet nach diesem Punktwert.
Für das Score-Intervall wird in jeder Bootstrap-Stichprobe der vollständige Score mit den Gewichten des Bewertungsmodells neu berechnet. Weil alle Dienste einer Testreihe dieselben Stichproben nutzen, lassen sich auch Scoredifferenzen gepaart auswerten. In Testreihen, deren Score schwerwiegende Fehler enthält, gilt das für den Teilwert „Schwerwiegende Fehler“ nicht. Der Anteil schwerwiegender Fehler wird je Dienst unabhängig aus einer Beta-Verteilung mit effektivem Stichprobenumfang gezogen, weil der Bootstrap bei null oder wenigen Ereignissen kaum streut. Der gemeinsame Einfluss schwieriger Aufnahmen hebt sich in den gepaarten Scoredifferenzen deshalb nicht auf, die Differenzintervalle werden breiter. Bei null oder wenigen schwerwiegenden Fehlern reicht das Score-Intervall vor allem nach unten, weil eine Stichprobe dieser Größe seltene Fehler übersehen haben kann.