German4All – Ein Datensatz und Modell für lesbarkeitsgesteuerte Paraphrasierung im Deutschen
German4All - A Dataset and Model for Readability-Controlled Paraphrasing in German
August 25, 2025
papers.authors: Miriam Anschütz, Thanh Mai Pham, Eslam Nasrallah, Maximilian Müller, Cristian-George Craciun, Georg Groh
cs.AI
papers.abstract
Die Fähigkeit, Texte auf verschiedenen Komplexitätsstufen zu paraphrasieren, ist entscheidend für die Erstellung zugänglicher Texte, die auf unterschiedliche Lesergruppen abgestimmt werden können. Daher stellen wir German4All vor, den ersten umfangreichen deutschen Datensatz mit ausgerichteten, lesbarkeitskontrollierten Paraphrasen auf Absatzebene. Der Datensatz umfasst fünf Lesbarkeitsstufen und besteht aus über 25.000 Beispielen. Er wird automatisch mit GPT-4 synthetisiert und sowohl durch menschliche als auch durch LLM-basierte Bewertungen rigoros evaluiert. Mit German4All trainieren wir ein quelloffenes, lesbarkeitskontrolliertes Paraphrasierungsmodell, das Spitzenleistungen in der deutschen Textvereinfachung erzielt und somit feinere und leserspezifische Anpassungen ermöglicht. Sowohl der Datensatz als auch das Modell werden als Open Source veröffentlicht, um weitere Forschung im Bereich der mehrstufigen Paraphrasierung zu fördern.
English
The ability to paraphrase texts across different complexity levels is
essential for creating accessible texts that can be tailored toward diverse
reader groups. Thus, we introduce German4All, the first large-scale German
dataset of aligned readability-controlled, paragraph-level paraphrases. It
spans five readability levels and comprises over 25,000 samples. The dataset is
automatically synthesized using GPT-4 and rigorously evaluated through both
human and LLM-based judgments. Using German4All, we train an open-source,
readability-controlled paraphrasing model that achieves state-of-the-art
performance in German text simplification, enabling more nuanced and
reader-specific adaptations. We opensource both the dataset and the model to
encourage further research on multi-level paraphrasing