Bayes'sche Glättung (Stabilisierung)

Kleine Kurse neigen zu extremen Bewertungen (positiv wie negativ). Um dies auszugleichen, nutzt TeachIndex eine Bayes-Glättung ("Prior"). Ergebnisse mit wenigen Teilnehmern werden mathematisch leicht in Richtung des neutralen Mittels gezogen. Erst mit steigender "Gewichteter Konfidenz" ($N_{conf}$) dominiert die tatsächliche Rohbewertung.

Das Ergebnis: Ein Seminar mit 8 Teilnehmern und 5.0 Bewertung hat einen niedrigeren validierten Score als eine Vorlesung mit 200 Teilnehmern und 4.9.

Novizen-Bias & Studienfortschritt

Nicht jede Stimme wiegt gleich schwer, wenn es um die Verlässlichkeit der Daten geht. Studienanfänger neigen statistisch zu euphorischeren oder diffuseren Bewertungen. Unser Algorithmus gewichtet die "Konfidenz" einer Stimme basierend auf dem Studienfortschritt:

• Studienanfänger (1.-2. Semester): Geringere Gewichtung für die Stabilisierung.
• Fortgeschrittene / Master: Volle Gewichtung für die Stabilisierung.

Hinweis: Dies beeinflusst nur, wie schnell eine Note als "stabil" gilt, nicht das Wachstumspotenzial des Index.

Kontext-Sensitivität & Fairness

Es ist leichter, in einem kleinen Wahlpflichtseminar Begeisterung zu wecken als in einer Pflichtvorlesung mit 500 Studierenden. Der TeachIndex berechnet eine "Erwartete Reichweite" ($N_{ref}$) basierend auf Format und Kursgröße. Ein Fairness-Faktor stellt sicher, dass große Vorlesungen real mehr Stimmen liefern müssen, um denselben Impact zu erzielen, aber gleichzeitig nicht benachteiligt werden, wenn die relative Quote stimmt.