LANUK Luftqualität NER — annotierter Datensatz, Modelle und Belegexemplar (Studienarbeit NLP)

Studienarbeit Natural Language Processing (FH Südwestfalen, Applied Artificial Intelligence M.Sc., 2026): Named Entity Recognition auf sechs Fachberichten des Landesamts für Natur, Umwelt und Klima NRW (LANUK, vormals LANUV) — automatische Extraktion domänenspezifischer Entitäten (u. a. Schadstoffe, Messstationen, Grenzwerte, Rechtsnormen). Enthalten sind: (1) der annotierte Datensatz — 450 Sätze mit 407 Spannen in sechs Klassen; Testsplit (80 Sätze) als doppelt annotierter, bis zur finalen Messung eingefrorener Goldstandard, Train/Dev als Silberstandard — samt Annotationsrichtlinien mit Entscheidungslog, Merkblatt, Übereinstimmungsberichten (IAA) und den Vorhersage- und Laufprotokolldateien von sechs Transformer-Läufen; (2) das spaCy-Domänenmodell mit Regel- und Gazetteer-Schicht inklusive Ladeskript; (3) das vollständig ausgeführte Notebook samt PDF als Belegexemplar (Wiederholungs- und Kaltstartnachweis, Prüfsummenprotokoll). Kernbefund des Systemvergleichs über neun Systeme (micro-F₁ auf Spannenebene, gepaarter Bootstrap): generisches NER 0,00 · nachtrainierte Transformer 0,66–0,79 · handgeschriebene Regelschicht 0,785 · Hybrid aus Regeln und Domänenmodell 0,844. Lizenzen: datensatz/ CC BY-NC 4.0, modell/ und belegexemplar/ CC BY 4.0 (siehe LIZENZ.md). Es werden keine Berichtsvolltexte gespiegelt; die Satzbeispiele mit Offsets entsprechen der vom LANUK am 21.08.2026 erteilten Freigabe (wissenschaftliche, nicht-kommerzielle Nutzung, vollständige Quellenangabe). Quellkorpus: LANUK-Fachberichte 126, 151, 159, 163, 165 und LANUV-Info 65, Open Data.