Wie wir rechnen — die Bewertung, tatsächlich erklärt.

Sie ordnen die Kriterien nach Wichtigkeit. Das oberste bekommt das höchste Gewicht, das unterste das niedrigste — gleichmäßig abgestuft, zusammen immer 100 %. Verschieben Sie ein Kriterium nach oben, steigt sein Gewicht sofort sichtbar als Prozentwert an der Zeile.

Formel (linear fallende Rang-Gewichte): wᵢ = (n − i + 1) / Σ(1..n) — 1-indiziert, i = Rangplatz, n = Anzahl der Kriterien. Invariante: Σwᵢ = 1.

Nachrechenbares Beispiel — drei bewertete Kriterien (Σ(1..3) = 6, also Gewichte 3/6, 2/6, 1/6), Werte auf der Skala 1–5:

Bleiben Kriterien unbewertet, werden sie aus der Rechnung genommen und die Gewichte der bewerteten Kriterien neu auf 100 % verteilt — leere Felder verzerren das Ergebnis nicht. Sind alle Positionen gleich gewichtet, fällt die Formel auf den arithmetischen Durchschnitt zurück.

Die Momentaufnahme aus § 1 ist die Basis. Darüber legt das Produkt weitere Stufen — Loops (über die Zeit und über die Inhalte) und eine Glättung. Jede Stufe braucht eine bestimmte Datenlage, um zuverlässig zu greifen. Deshalb ist das Produkt mehrstufig: Sie aktivieren, was Ihre Daten tragen — was sich nicht verlässlich erfassen lässt, lassen Sie weg.

„Braucht" ist der Auswahl-Schlüssel: eine Einzelbewertung braucht nur die Gewichtung; ein Aggregat erlaubt Meta-Loop und Glättung; Zeitstempel erlauben den zeitlichen Loop; eine Bewerter-Historie die rekursive Autorität. Die Formel selbst ändert sich nie — nur, welche Stufen davor und danach laufen.

Eine Reputation, die für immer eingefroren bleibt, führt in die Irre — ein Tool von 2019 ist nicht das Tool von heute. Der zeitliche Loop hält den Wert lebendig:

• Recency-Decay: ältere Signale verlieren an Gewicht (über eine Halbwertszeit), jüngere zählen mehr — der Wert folgt dem aktuellen Stand statt dem historischen Mittel.
• Cooldown & Re-Rating-Fenster: nach einer Bewertung eine Sperrfrist, dann — typisch nach drei Monaten — die Möglichkeit, neu zu bewerten. So bleibt der Wert lebendig, ohne dass ihn Schnellklick-Runden verzerren.

Diese Stufe braucht Zeitstempel je Bewertung; ohne sie lässt man sie weg. Wie sie wirkt, sehen Sie gleich unten im Live-Beispiel (§ 5).

Zwei Rückkopplungen halten die Methodik ehrlich, statt sie als fixes Regelwerk zu setzen:

(a) Meta-Loop — die Methodik wird bewertet. Nutzer bewerten nicht nur Tools, sondern die Bewertung selbst: Sind die vorgeschlagenen Gewichte fair? Ist die Methodik klar? Ist der Loop stabil? Fällt das Fairness-Signal niedrig aus, rückt das am schwächsten gewichtete Kriterium probeweise eine Position nach oben — die Standard-Reihenfolge korrigiert sich datengetrieben. Sie sehen ihn auf der Selbst-Bewertung. Wie stark eine Runde wirken darf, begrenzt die Glättung (§ 5).

(b) Einwand- und Disput-Weg — nichts wird still gelöscht. Wer von einer Bewertung betroffen ist, kann sie beanstanden: Einwände erreichen uns über den Kontaktweg und werden dokumentiert geprüft. Bewertungen werden dabei nicht wegen niedriger Werte entfernt — entfernt werden ausschließlich rechtswidrige Inhalte, und jede Entfernung wird mit Grund protokolliert. Eine strittige Bewertung wird nicht überschrieben, sondern zu einem dokumentierten Disput-Vorgang (mit Zeitverlauf, ohne Hard-Delete).

(c) Rekursive Autorität. Wer selbst verlässlich bewertet wird, dessen Bewertungen zählen etwas mehr — Autorität vererbt sich einen Schritt weit. Diese Stufe braucht eine Bewerter-Historie und wird als Konfigurations-Stufe vorgehalten (§ 8).

(a) Loop-Dämpfung. Der Meta-Loop (§ 4) darf die Standard-Reihenfolge nicht bei jeder unruhigen Runde umwerfen. Ein Stabilitäts-Signal dämpft, wie stark eine einzelne Bewertungsrunde wirken darf; unterhalb einer Mindest-Stabilität bewegt sie die Reihenfolge gar nicht. Und die Korrektur ist bewusst konservativ — eine Runde verschiebt ein Kriterium um höchstens eine Position, nicht sprunghaft.

(b) Neutraler Vorwert (Bayes/Beta). Für Aggregate mit wenigen Stimmen gibt es einen neutralen Startwert mit festem Eigengewicht — S = (Σw·wert + S₀·W) / (Σw + W). In Alltagssprache: die ersten Stimmen ziehen den Wert nur ein Stück von der Mitte weg; erst viele echte Bewertungen verdrängen den Vorwert ganz. Ein einzelner Ausreißer oder eine kleine, koordinierte Gruppe kann einen Wert so nicht kapern.

(c) Polarisierung nicht verwischen. Ein einzelner Mittelwert vernichtet Information: „zehnmal mittel" und „fünfmal schlecht + fünfmal exzellent" ergeben denselben Punktwert, obwohl sie das Gegenteil bedeuten. Die Methodik hält deshalb die Verteilung über die Stufen fest, statt nur einen Punkt zu berichten.

Engine und Widget sind ein Bauteil. Eine zweite Ausspielung — anderes Szenario, andere Marke, anderer Wortlaut, andere aktive Stufen — entsteht über eine Konfiguration, nicht über einen Code-Fork. Konfigurierbar sind: Vorschlags- Kriterien, Formel-Variante, aktive Loops/Glättung, Wortlaut, Theme (nur sanktionierte Design-Tokens) und Ziel-/Attributionsrouten.

• Tool-Feedback: die fünf Standard-Signale als App-Bewertung — das schlanke Widget-Szenario.
• Love Check: der Consumer-Ableger mit frei benannten Kriterien — anwalttools.de/love-check. Zeigt, wie weit sich die Kriterien-Ebene öffnen lässt.
• Ausbaustufen: vom eingebetteten Widget über eine API bis zur Enterprise-Integration — dieselbe Engine, wachsende Stufen.

Braucht jemand die Engine für seine Anwendung, lässt sie sich so liefern — mit genau den Stufen, die seine Daten tragen.

Die Engine trennt zwei Dinge strikt: die Rechen-Engine (Gewichtung, Rechenweg, Schwärzung — für alle gleich) und die Policy — die konfigurierbare Regelschicht, die je Objekt-Typ (App, Artikel, Produkt, Person, …) festlegt, welche Kriterien zulässig sind, was gesperrt ist und was veröffentlicht werden darf.

Unsere Referenz-Policy — so setzen wir die Engine auf den ra.de-Plattformen ein:

• Keine Qualitäts- oder Erfolgs-Scores über Richter und Gerichte.
• Keine Vorhersage von Prozessausgängen (Legal Prediction).
• Keine öffentlichen Personen-Rankings.
• Personen-Bewertungen werden nur veröffentlicht, wenn die bewertete Person ausdrücklich zustimmt (Opt-in) — das gilt auch für abgeleitete Bewertungen; die Zustimmung ist jederzeit widerrufbar. Ohne Zustimmung bleibt eine Bewertung intern.
• Kein bezahlter Einfluss auf Scores (Commercial Boost gesperrt).

Diese Sperren sitzen für die kuratierten Signal-Typen in der Rechenschicht, nicht in der Oberfläche — sie lassen sich dort nicht aushebeln. Frei hinzugefügte Kriterien sind Ihre lokalen Kriterien: sie werden auf unseren Flächen weder veröffentlicht noch aggregiert, und Freitexte werden geschwärzt (§ 10). Die Sperren sind unsere bewusste Konfiguration — nicht die Grenze der Engine. Der rechtskonforme Default bleibt dabei gesetzt (Personen-Publikation nur mit Opt-in); ein Abweichen davon ist eine ausdrückliche, dokumentierte Betreiber-Entscheidung.

White-Label: Betreiber konfigurieren die für ihre Plattform geltende Policy selbst und sind als datenschutzrechtlich Verantwortliche für deren Rechtmäßigkeit verantwortlich — insbesondere bei der Bewertung von Personen. trust-on.net liefert die Engine mit rechtskonformen Voreinstellungen (Personen-Bewertungen standardmäßig nur mit Opt-in); abweichende Konfigurationen liegen im Rahmen des für den Betreiber geltenden Rechts in dessen Verantwortung. Verantwortungsabgrenzung und Freistellung werden je Projekt vertraglich vereinbart.

Die Engine führt Signal-Gruppen wie „bestätigter Mandant“ und „fachliche Referenz“ (z. B. eine Anwältin bewertet einen Fachartikel) — eigene, höher vertrauenswürdige Signal-Klassen. Ihre Höher-Gewichtung ist eine Stufe des Modells (§ 2). Die rekursive Autorität (wer selbst verlässlich bewertet wird, dessen Bewertungen zählen etwas mehr) braucht eine Bewerter-Historie und ist als Konfigurations-Stufe vorgehalten — siehe § 4 (c).

Die Berechnungsschicht ist deterministisch — gleiche Eingaben ergeben dasselbe Ergebnis, kein KI-Nachjustieren. Verschiebungen der Standard-Reihenfolge sind konservativ begrenzt und werden von der Stabilitäts-Dämpfung gedämpft (§ 5). Der neutrale Vorwert (§ 5 b) verhindert, dass wenige Stimmen einen frischen Wert kapern; eine Tiefengrenze begrenzt Rückkopplungs-Neuberechnungen. Auf dieser Site existiert zudem kein öffentliches Bewertungs- Aggregat (§ 12) — die Demos rechnen lokal, es gibt dort nichts zu kapern.

Freitext-Felder (Begründungen, Hinweise) werden vor der Anzeige automatisch geschwärzt: E-Mail-Adressen, Telefonnummern und namensähnliche Angaben werden durch „[geschwärzt]“ ersetzt. Besteht ein Text nur aus solchen Angaben, wird er ganz verworfen.

Der Digital Services Act (Art. 27 DSA) und die P2B-Verordnung verlangen von Plattformen, die Hauptparameter ihrer Empfehlungs- und Ranking-Systeme offenzulegen. Wir wenden diesen Maßstab auf uns an — unabhängig davon, ob er uns formal trifft: Formel, Gewichtung, Loops, Glättung, Regeln, Schutzmechanismen und Grenzen stehen auf dieser Seite offen und dauerhaft. Für uns ist das keine Auflage, sondern das Produktprinzip — eine Bewertung, deren Zustandekommen man nicht prüfen kann, ist keine Vertrauens-Basis.

• Die Engine misst Prioritäten und Einschätzungen, keine objektive Wahrheit: die Zahl ist so gut wie die Kriterien und die Ehrlichkeit der Bewertenden — deshalb legen wir den Rechenweg offen, statt Objektivität zu behaupten.
• Die Demos auf dieser Site rechnen lokal in Ihrem Browser; es gibt hier kein serverseitiges Bewertungs-Aggregat — was Sie sehen, ist Ihre eigene Eingabe. Die Aggregat-Stufen (Loops, Glättung) sind deshalb hier am Beispiel gezeigt, nicht an echten Fremd-Daten.
• Konfiguration je Projekt: welche Stufen aktiv sind, welche Kriterien und welche Policy gelten, wird pro Einsatz vereinbart — mehrstufig und anpassbar.

Ihre Eingaben in den Demos auf dieser Website bleiben lokal in Ihrem Browser; nichts wird übertragen oder gespeichert. ra.de Bewertungen ist eine strukturierte Orientierungshilfe — keine verbindliche Bewertung und kein Rechtsrat.