README repository upload / update

README.md

@@ -0,0 +1,74 @@
+# Identifizierung von Dekarbonisierungsversprechen mittels LLM's
+
+## Projektübersicht
+
+Diese Bachelorarbeit untersucht den Einsatz moderner **Large Language Models (LLM's)** zur Identifikation freiwilliger Dekarbonisierungsversprechen von Unternehmen anhand von US-amerikanischen Wirtschafts-Nachrichtenartikeln (2005–2023). Ziel ist es, mittels automatisierter Klassifikation Unterschiede in der semantischen Leistungsfähigkeit und Präzision verschiedener LLMs herauszuarbeiten.
+
+Die Arbeit entstand im Kontext eines laufenden Forschungsprojekts unter der Betreuung von **Prof. Dr. Ole Wilms (Universität Hamburg)** und basiert auf einer Submenge des Datensatzes [Corporate Green Pledges von Bauer et al. (2024)](http://dx.doi.org/10.2139/ssrn.5027881 "Corporate Green Pledges von Bauer et al. (2024)").
+
+## Genutzte Technologien & Tools
+
+- **Python** – Datenanalyse, Modell-Setup, Auswertung
+- **Transformermodelle (LLMs)** – Gemma 2, Llama 3.1, ClimateBERT-NetZero, GPT-4
+- **Huggingface / Ollama** – für Zugriff auf und Arbeit mit spezialisierten Modellen
+- **TikZ / Matplotlib** – Visualisierung der Klassifikationsergebnisse
+- **Pandas / NumPy** – Datenmanagement
+- **Scikit-learn** – Metriken & Konfusionsmatrix
+- **tqdm*** - Python-Bibliothek, zur Messung von Zeitspannen von Schleifen (Klassifikations-Schleife)
+## Projektstruktur
+
+```bash
+.
+├── data/                      # Datensatz-Ausschnitt mit 1000 Artikeln
+├── src/                       # Python-Code zur Vorverarbeitung, Modellanbindung, Klassifikation
+├── models/                    # LLM-Konfigurationen und Aufrufe (Huggingface, Ollama, API)
+├── results/                   # Grafiken, Metriken, Konfusionsmatrizen
+├── Bachelorarbeit.pdf         # Offizielles PDF der Abschlussarbeit
+└── README.md
+```
+
+## Kern-Features & Erkenntnisse
+
+- **LLM-Komparative Analyse**:
+  - Vergleich von GPT-4 mit offenen Modellen wie *Gemma 2*, *Llama 3.1* und *ClimateBERT-NetZero*
+  - Fokus auf **semantisches Verständnis**, **klassifikatorische Präzision** und **promptbasierte Optimierung**
+- **Klassifikationsmetrik**:
+  - Präzision, Recall, F1-Score, Spezifität, Accuracy
+  - Konfusionsmatrizen zur Validierung gegen Human-Coding
+- **Prompt Engineering**:
+  - Vergleich des Originalprompts aus der Forschungsarbeit mit angepassten Prompt-Varianten
+  - Nachweis einer messbaren **Verbesserung der Klassifikationsgüte** durch gezielte Promptanpassung
+
+## Genutzte Modelle & Quellen
+
+- 🔗 [Gemma 2](https://ollama.com/library/gemma2)
+- 🔗 [Llama 3.1](https://ollama.com/library/llama3.1)
+- 🔗 [ClimateBERT-NetZero](https://huggingface.co/climatebert/netzero-reduction)
+- 🔗 GPT-4 (Closed Source; Ergebnisse über Forschungskooperation verfügbar)
+
+## Ergebnisse
+
+| Modell             | Accuracy | Precision | Recall | F1-Score |
+|-------------------|----------|-----------|--------|----------|
+| GPT-4             | 0.83     | 0.81      | 0.85   | 0.83     |
+| Gemma 2           | 0.68     | 0.62      | 0.75   | 0.68     |
+| Llama 3.1         | 0.74     | 0.71      | 0.77   | 0.74     |
+| ClimateBERT-NetZero | 0.79   | 0.76      | 0.80   | 0.78     |
+
+ **Promptanpassungen führten bei Gemma und Llama zu bis zu +12% F1-Verbesserung** gegenüber Originalprompten.
+
+## Zielgruppen & Anwendungsfälle
+
+- **Data Scientists & Machine Learning Engineers**, die LLMs im wirtschaftlichen Kontext einsetzen möchten
+- **Klimawissenschaftliche Forschung & Policy-Analyse**, für die automatisierte Bewertung von Corporate Pledges relevant ist
+- **NLP-Forscher*innen**, die sich mit Prompt-Engineering und LLM-Performance in spezialisierten Domänen befassen
+
+## Persönliches Statement
+
+Diese Arbeit repräsentiert meine Expertise in der Anwendung moderner NLP-Verfahren im Kontext realweltlicher wirtschaftlicher Fragestellungen. Neben einer fundierten Analyse und Evaluierung von LLMs habe ich **praktisch relevante Erkenntnisse zur Promptgestaltung und Modellwahl** abgeleitet, die sich direkt in die Industrie oder weiterführende Forschung übertragen lassen.
+
+---
+
+📬 **Kontakt**:  
+Marcel Weschke  
+[LinkedIn](https://www.linkedin.com/in/marcel-weschke-550185147/ "Profile") • <a href="mailto:marcel.weschke&amp;#64;gmail.com">marcel.weschke&#64;gmail.com</a>