Earlychildhoodeducation/Data-Centric-AI-Demo-Dataset

📖 UNDER CONSTRUCTION!!!

🧩 EleMo-SFT-Playground: Data-Centric AI Demo Dataset

Hinweis: Dies ist ein didaktischer Sandbox-Datensatz (Demo). Er enthält eine stark limitierte, handverlesene Auswahl an Trainingsdaten, um den Prozess des Supervised Fine-Tunings (SFT) für das Elementarpädagogische Modell (EleMo) transparent und nachvollziehbar zu machen.

📖 Dataset Summary

Dieser Datensatz dient als Lernwerkzeug, um zu demonstrieren, wie unstrukturierte pädagogische Fachinformationen in hochqualitative Trainingsdaten übersetzt werden. Er ist die direkte Ergänzung zum [Link zu deinem GitHub-Repo] und ermöglicht es Entwicklern, Pädagogen und Interessierten, den Data-Centric-AI-Workflow lokal nachzuvollziehen.

Das Ziel ist es, Transparenz in der KI-Entwicklung zu schaffen und zu zeigen, wie durch sorgfältige Datenkuration digitale Bildungssouveränität gefördert werden kann.

🧱 Dataset Structure

Der Datensatz liegt im JSONL-Format vor. Jedes Paar ist darauf optimiert, einem Basismodell spezifisches Domänenwissen und den professionellen Tonfall der frühen Bildung beizubringen.

• system: Die übergeordnete Rolle und Verhaltensanweisung für die KI.
• instruction: Die Eingabe oder Aufgabe an das Modell (z.B. eine Frage aus dem Kita-Alltag).
• output: Die erwartete, fachlich korrekte und pädagogisch wertschätzende Antwort des Modells.

🔍 Beispiel-Eintrag

{
  "instruction": "Erkläre kurz den pädagogischen Wert des Freispiels für die kognitive Entwicklung im Kindergarten.",
  "output": "Das Freispiel ist ein zentrales Element der frühkindlichen Bildung. In dieser unstrukturierten Zeit wählen Kinder ihre Aktivitäten, Spielpartner und Materialien selbst. Dies fördert die kognitive Entwicklung intensiv, da Kinder im selbstgesteuerten Spiel Problemlösungsstrategien entwickeln, ihre Frustrationstoleranz trainieren und durch Versuch und Irrtum physikalische und soziale Gesetzmäßigkeiten verinnerlichen."
}

### 📖 Nutzung: Den Datensatz in Python laden
Du kannst den fertigen Datensatz direkt über die Hugging Face datasets Bibliothek in deine lokale Umgebung (z.B. nach PyCharm) laden, um eigene kleine LoRA-Adapter zu trainieren:

from datasets import load_dataset

# Lade den EleMo Practice Datensatz
dataset = load_dataset("Earlychildhoodeducation/Data-Centric-AI-Demo-Dataset", data_files="elemo_practice.jsonl")

# Zeige das erste Trainingspaar an
print(dataset['train'][0])

### ⚠️ Einschränkungen (Limitations)
Dies ist ein didaktisches Demo-Set. Es enthält absichtlich nur eine sehr kleine, handverlesene Auswahl an Beispieldaten, um die technische Pipeline und die Qualitätsansprüche an die Kuration zu veranschaulichen.
Um ein Basismodell für den tatsächlichen produktiven Einsatz im Kita-Alltag rechtssicher und fachlich tiefgehend feinzutunen, bedarf es zehntausender solcher kuratierter Paare. Diese vollständigen Datensätze bilden die Grundlage der geschlossenen EleMo-Modellfamilie (siehe die Stable-Releases in der Haupt-Collection).