From d49d272ceb371b50612e66ff32c31649001b0120fa997e42e99b8023366fc39e Mon Sep 17 00:00:00 2001
From: Marcel Weschke <marcel.weschke@directbox.de>
Date: Fri, 30 May 2025 21:43:56 +0200
Subject: [PATCH] Update README.md

---
 README.md | 9 +++++++--
 1 file changed, 7 insertions(+), 2 deletions(-)

diff --git a/README.md b/README.md
index 581c1c7..7369b0c 100644
--- a/README.md
+++ b/README.md
@@ -47,8 +47,9 @@ Die Arbeit entstand im Kontext eines laufenden Forschungsprojekts unter der Betr
 - 🔗 GPT-4 (Closed Source; Ergebnisse über Forschungskooperation verfügbar)
 
 ## Ergebnisse
-
-![Modellergebnisse](results/green_pledges_LLM-results.png)
+<p align="left">
+    <img src="results/green_pledges_LLM-results.png" alt="Description" width="500">
+</p>
 
 | Modell             | Accuracy | Precision | Recall | F1-Score |
 |-------------------|----------|-----------|--------|----------|
@@ -69,6 +70,10 @@ Die Arbeit entstand im Kontext eines laufenden Forschungsprojekts unter der Betr
 
 - Ein wesentlicher praktischer Befund dieser Arbeit ist, dass **die Laufzeit des Klassifikationsprozesses bei Gemma 2 und Llama 3.1 ohne angepasste Prompts um den Faktor 1,5 höher lag**. Grund dafür war, dass die Modelle ohne gezielte Prompt-Instruktion häufig ganze generative Textausgaben anstelle der erwarteten **binären Klassifikationen („yes“ / „no“)** zurücklieferten. Erst durch die Einbettung von vier präzisen Klassifikationsbeispielen im Prompt gelang eine stabile Ausgabeform, die zugleich die **semantische Kontexttreue und Modellpräzision erheblich verbesserte**. Besonders deutlich zeigte sich dies bei Gemma 2, das ohne diese Anpassung keinerlei verwertbare Klassifikationsergebnisse lieferte.
 
+<p align="left">
+    <img src="results/Gemma2_Llama3.1_Ergebnisvergleich.png" alt="Description" width="1100">
+</p>
+
 ## Zielgruppen & Anwendungsfälle
 
 - **Data Scientists & Machine Learning Engineers**, die LLMs im wirtschaftlichen Kontext einsetzen möchten