Erkennung gefälschter Bewertungen

Online-Bewertungen beeinflussen Kauf- und Buchungsentscheidungen, deshalb gibt es einen Markt für erfundenes Lob, bezahlte Fünf-Sterne-Kampagnen und die Sabotage von Wettbewerbern. Generative KI hat gefälschte Texte billig, flüssig und abwechslungsreich gemacht, was klassische Detektoren für den „Schreibstil“ schwächt. Aktuelle Abwehrmaßnahmen verbinden Textmodelle mit Nachweisen zu Konto, Verhalten, Zeitpunkt und Netzwerk, oft mit einem LLM für Erklärung und Vorsortierung, und überlassen die Entscheidung bei umstrittenen Löschungen einem Menschen. Plattformen schützen damit das Vertrauen; Unternehmen prüfen damit ihre eigenen Kanäle und dokumentieren Angriffe.

Problem & Nutzen

• Wer betroffen ist: Bewertungsplattformen (Trustpilot, Google Maps, Tripadvisor, Yelp-ähnliche Dienste), Marktplätze und Shops, Buchungsportale und App-Stores, aber auch KMU (Hotels, Praxen, Handwerksbetriebe, Restaurants), deren Bewertungen von Wettbewerbern angegriffen oder von beauftragten Agenturen aufgebessert werden. Aufsichtsbehörden und Verbraucherorganisationen sind eine weitere Nutzergruppe.
• Heute: regelbasierte Filter, Schlagwortlisten, Kennzeichen für verifizierte Käufe und manuelle Moderation, oft reaktiv und durch Beschwerden ausgelöst. Gefälschte Bewertungen kommen aus bezahlten Vermittlernetzwerken, Gruppen mit Anreizen und zunehmend von LLMs.
• Belege zum Ausmaß: Trustpilot berichtet, 2025 seien 7,8 Millionen Bewertungen als gefälscht erkannt und entfernt worden, und jede eingereichte Bewertung durchlaufe automatisierte Prüfungen auf Fälschungen [3]. Betrachten Sie Selbstangaben von Plattformen als Richtwert: Definitionen und Basisraten unterscheiden sich je Plattform.
• Rechtlicher Druck: Die US-Regel der FTC zu Verbraucherbewertungen und Testimonials gilt seit dem 21. Oktober 2024 und erfasst gefälschte Bewertungen einschließlich KI-generierter, bezahlte Bewertungen mit vorgegebener Stimmung, nicht offengelegte Insider-Bewertungen und die Unterdrückung von Bewertungen [1][2]. In der EU hat die Omnibus-Richtlinie 2019/2161 gefälschte Bewertungen in die Schwarze Liste unlauterer Geschäftspraktiken aufgenommen und verpflichtet Unternehmer, angemessene Schritte zu unternehmen, um zu prüfen, dass Bewertungen von echten Käufern stammen; der britische DMCC Act gibt der CMA seit April 2025 direkte Bußgeldbefugnisse (rechtlicher Hintergrund aus den Richtlinientexten, siehe Risiken).
• KI-Nutzen: einheitliche Prüfung aller eingehenden Bewertungen, Entdeckung koordinierter Kampagnen, die keine Einzelbewertung verrät, und Nachweispakete, die Löschungs- und Rechtsverfahren verkürzen.

Varianten

• Integrität auf Plattformseite: Bewertung jeder Einreichung im großen Maßstab mit Graphanalyse der Bewerternetzwerke und Erkennung von Vermittlern (zu gefälschten Konten siehe ANOM-004).
• Marktplatz-Sicht für Verkäufer/ASIN: Abgleich von Bewertung und Bestellung, „Review Hijacking“ (Bewertungen werden auf fremde Produkte verschoben), Erkennung von Bewertungen mit Anreiz.
• Selbstprüfung im Unternehmen (KMU): eigene Google-/Tripadvisor-/Trustpilot-Bewertungen regelmäßig auslesen oder exportieren, auffällige Schübe oder Wettbewerber-Sabotage erkennen und Löschanträge vorbereiten.
• Compliance-Prüfung der eigenen Praxis: sicherstellen, dass Aktionen zum Sammeln von Bewertungen Anreize nicht an positive Stimmung koppeln, dass Insider ihre Rolle offenlegen und keine negativen Bewertungen unterdrückt werden [2]. Mit LLM entworfene Antworten auf Bewertungen deckt LANG-038 ab.
• Verbraucherwerkzeug: Browser-Erweiterung oder App, die die Verlässlichkeit der Bewertungen einer Produktseite einschätzt; kommerzielle Verbraucherwerkzeuge kamen und gingen (Fakespot war ein bekanntes Beispiel, das Mozilla 2025 eingestellt hat), prüfen Sie daher die Verfügbarkeit.
• Überwachung durch Aufsichtsbehörden / Verbraucherorganisationen: Stichprobenstudien und Sweeps; beachten Sie, dass die Einstufung als „gefälscht“ für die Rechtsdurchsetzung eine menschliche Prüfung der Nachweise braucht.
• Aspekt KI-generierter Inhalte: Verweis auf ANOM-015 (Erkennung synthetischer Texte); Detektorwerte allein dürfen nie die einzige Grundlage für eine Löschung sein.

So funktioniert es

1. Einreichung / Abruf / Export von Bewertungen
2. Normalisierung, Spracherkennung, Dublettenprüfung (exakt + Beinahe-Dubletten über Embeddings)
3. Merkmalsextraktion: Text (Embeddings, Stilometrie, LLM-Einschätzung), Bewerterhistorie, Abgleich verifizierter Kauf, Zeit-/Schubmuster, Geräte-/IP-Signale, Abweichung der Bewertung
4. Modelle: Textklassifikator (feingetunter Encoder) + tabellarisches Gradient Boosting + Anomalieerkennung
5. Graph-Ebene: Graph Bewerter–Produkt–IP/Gerät, Community-Erkennung für Kampagnen
6. Risikowert + Begründungscodes (LLM entwirft eine kurze Begründung aus den Nachweisen)
7. Regel: veröffentlichen / verzögern / kennzeichnen / entfernen / an menschlichen Moderator eskalieren
8. Mitteilung an den Bewerter (Einspruchsweg), Nachweispaket, Rückmelde-Labels zurück ins Training

• Textsignal: feingetunte mehrsprachige Encoder (Klasse XLM-RoBERTa) zur Klassifikation von Bewertungen; das klassische akademische Ergebnis ist, dass N-Gramme plus psychologisch motivierte Merkmale auf einem Goldstandard-Datensatz täuschender Meinungen fast 90 % Genauigkeit erreichen [4]. Dieser Datensatz ist klein, synthetisch per Crowdsourcing erzeugt und alt; die Genauigkeit in der Praxis ist daher niedriger und driftet.
• Verhaltens- und Netzwerksignale (Alter des Kontos, Bewertungsschübe, gemeinsam genutzte Geräte oder IPs, Gruppen mit gegenseitigen Bewertungen) sind meist stärker als der Text, sobald LLMs den Text schreiben. Sie brauchen Daten der Plattformseite; ein externes Unternehmen hat nur öffentliche Daten.
• Rolle des LLM: Zero-/Few-Shot-Einschätzung verdächtiger Muster, Erklären von Entscheidungen, Clustern von Erzählmustern, Umgang mit mehreren Sprachen. LLMs sind als alleinige Detektoren maschinell geschriebener Texte schwach und liefern Fehlalarme bei Schreibenden, die nicht Muttersprachler sind.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Löschung einer umstrittenen Bewertung, rechtliche Schritte und jede Entscheidung gegen einen namentlich bekannten Bewerter oder ein Unternehmen trifft ein geschulter Moderator; Einsprüche müssen möglich sein.

Datenaufbereitung

Benötigt werden Bewertungstexte, Sternebewertungen und Zeitstempel, Metadaten der Bewerterkonten, Bestelldaten für den Abgleich verifizierter Käufe, technische Signale (IP, Gerät) und frühere Moderationsentscheidungen. In einem KMU-Shop liegen diese im Shopsystem (Shopify, Shopware, WooCommerce), im Bewertungs-Plug-in oder bei Drittplattformen, im ERP-/Bestellsystem und im Postfach oder in den Tabellen des Moderators. Typische Lücken: keine Verknüpfung zwischen Bewertung und Bestellung, auf mehrere Plattformen verteilte Bewertungen, keine Labels (frühere Löschungen wurden nie festgehalten), uneinheitliche Sprachen sowie Geräte- oder IP-Daten, die nicht gespeichert werden oder rechtlich nicht gespeichert werden dürfen.

Aufbereitungsschritte: Bewertungen aus allen Kanälen in eine Tabelle exportieren; über Kunden- oder Bestell-ID mit den Bestellungen verknüpfen (PREP-005); Labels aus früheren Moderationsentscheidungen und Löschungen gewinnen (PREP-020); einen kleinen Testsatz aus 200–500 von Mitarbeitern markierten Bewertungen bauen (PREP-018); entscheiden, welche technischen Signale nach DSGVO und wie lange gespeichert werden dürfen (PREP-025); Bewerterdaten für die Analyse pseudonymisieren (PREP-022). Werkzeuge: Tabellenkalkulation oder SQL, Export oder API der Plattform, n8n für geplante Abrufe. Rechnen Sie mit etwa 25–35 % des Aufwands für die Datenarbeit. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil Plug-ins für Shops und Bewertungsplattformen sowie Moderationsdienste ausgereift, in der EU hostbar und für ein Standardproblem günstig sind.
• Großunternehmen: Weg B, weil große Bewertungsmengen und eigene Konto-, Bestell- und Gerätesignale eine maßgeschneiderte Scoring-Pipeline gegenüber Produkten mit Lizenz je Nutzer begünstigen.
• Entwickler: Weg C, weil offene mehrsprachige Textmodelle sowie Graph- und Schubanalyse auf HW2 gut laufen und API-Kosten je Bewertung vermeiden.
• Öffentlicher Sektor: Weg C, weil öffentlich betriebene Bewertungs- oder Rückmeldeportale souveränes Hosting und transparente, prüfbare Regeln brauchen.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Bewertungsplattformen mit integrierter Integritätsprüfung: Trustpilot (Kopenhagen, EU), Trusted Shops (Köln, EU), eKomi (Berlin, EU), Kiyoh (NL, EU), Bazaarvoice, Yotpo, Reviews.io; sie prüfen Rechnungen/Bestellungen und betreiben eine eigene Erkennung. Eine Plattform mit verifizierten Käuferbewertungen zu wählen, ist die günstigste Abwehr.
• Schutz vor Bots und Missbrauch: Cloudflare, DataDome, Anbieter im Stil von hCaptcha sowie Betrugswerkzeuge (z. B. Sift, Arkose Labs) für die Kontoebene, die ANOM-004 speist.
• Dienste zur Reputationsüberwachung, die bei Bewertungssprüngen warnen und beim Stellen von Löschanträgen helfen.
• Wählen Sie A, wenn: Sie Bewertungen in Ihrem Shop hosten und verifiziertes Einholen brauchen oder ein Unternehmen sind, das vor allem Überwachung und Unterstützung bei Löschungen braucht. Prüfen Sie EU-Hosting, Auftragsverarbeitungsvertrag und ob der Anbieter seine Moderationskriterien erklärt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM-Vorsortierung: Spitzenmodelle über EU-Regionen (Mistral AI, Azure OpenAI EU, Google Vertex EU, Anthropic über AWS Bedrock/Vertex EU), um markierte Bewertungen mit strukturierten Ausgaben zu klassifizieren, zu clustern und zu erklären. Nutzen Sie günstige kleine Modelle für den Massendurchlauf und ein stärkeres Modell nur für markierte Fälle.
• Embeddings (Mistral Embed, Cohere Embed, OpenAI-/Google-Embeddings) zur Erkennung von Beinahe-Dubletten und Textvorlagen.
• Gradient Boosting (LightGBM/XGBoost) auf Merkmalen in Ihrem Data Warehouse (BigQuery, Snowflake, Azure) ist in der Regel das Kernstück der Bewertung; das LLM ist eine Ergänzung.
• Orchestrierung: n8n / Power Automate / eigener Dienst; Fallwarteschlange im vorhandenen Ticketsystem.
• Wählen Sie B, wenn: Sie einen Shop oder Marktplatz betreiben und Bestell- und Kontodaten zum Verknüpfen haben.

Weg C — Selbst betreiben (Open Source)

• Modelle: mehrsprachige Encoder (XLM-RoBERTa, mDeBERTa, deutsche BERT-Varianten) mit Hugging Face Transformers feintunen [5]; sentence-transformers für Embeddings; Open-Weight-LLMs der Klasse 7–32B (z. B. Qwen3, Mistral Small, Llama-Familie), mit vLLM oder Ollama für Begründungen betrieben.
• Graph- und Anomalie-Stack: NetworkX / igraph, Neo4j oder Memgraph, PyOD oder scikit-learn Isolation Forest, LightGBM.
• Crawling für Selbstprüfungen: nur dort, wo Nutzungsbedingungen der Quelle und Recht es erlauben; bevorzugen Sie offizielle APIs (Google Business Profile API).
• Hardware: HW2 genügt (eine GPU mit 24–32 GB); die Encoder- und Graph-Teile laufen auf der CPU. Nötig, wenn Bewertungstexte und Bewerterdaten das Haus nicht verlassen dürfen.

Weg D — Eigenes Training

Lohnt sich für Plattformen mit großen Mengen und eigenen Moderations-Labels. Daten: zehntausende von Moderatoren markierte Bewertungen je Sprache, mit Konto- und Netzwerkmerkmalen, plus kontrafaktische KI-generierte Fälschungen, die für Training und Red-Teaming erzeugt werden. Trainieren Sie regelmäßig nach, weil sich Angreifer anpassen; halten Sie einen zeitlich getrennten Testsatz zurück. KMU sollten nicht von Grund auf trainieren.

Stand der Technik (2026)

• Verschiebung vom Text zum Kontext: Bei LLM-geschriebenen Fälschungen stützt sich die Erkennung auf Herkunft (verifizierter Kauf, Bestellverknüpfung), Verhalten und Netzwerknachweise. Reine Textdetektoren verlieren gegen umformulierte KI-Texte an Genauigkeit.
• Industrielle Praxis: Plattformen kombinieren die automatische Bewertung jeder Rezension mit menschlichen Ermittlungsteams und rechtlichen Schritten gegen Vermittler; Trustpilot gibt an, dass alle Bewertungen automatisierte Prüfungen durchlaufen [3].
• Benchmarks: Öffentliche Datensätze (Korpus täuschender Meinungen von Ott et al. [4], von Yelp gefilterte Daten) sind klein und veraltet; dort berichtete Genauigkeiten überschätzen die reale Leistung. Es gibt 2026 keinen allgemein anerkannten Benchmark für die Erkennung LLM-generierter Bewertungen; bewerten Sie anhand Ihrer eigenen markierten Stichprobe.
• Regulatorische Verschiebung: Die FTC-Regel eröffnet erstmals in den USA zivilrechtliche Strafen je Verstoß und behandelt KI-generierte gefälschte Bewertungen ausdrücklich, nimmt aber reine Bewertungshoster von einer Pflicht zur Untersuchung aus [1][2]. EU- und UK-Regeln legen Unternehmern und Plattformen mehr Pflichten auf.
• Grenzen und Fehlerbilder: Fehlalarme bei echten begeisterten oder nicht muttersprachlichen Bewertern; Angreifer lassen Konten altern und mischen echte Käufe darunter („Review Farming mit Rückerstattung“); unterschiedliche Definitionen von „gefälscht“ (mit Anreiz vs. erfunden); Drift zwischen Sprachen; Nachweise allein aus öffentlichen Daten reichen selten für rechtliche Schritte. Die Präzision bei Ihrer Basisrate ist unbekannt: messen Sie immer mit manuellen Prüfstichproben.

Gemeinsame Bausteine & Kombinationen

• ANOM-004 (gefälschte Konten, Bots): gleicher Geräte-/IP-Graph, gleicher Risikobewertungsdienst und gleiche Streaming-Merkmale; das Bewerterrisiko speist das Kontorisiko und umgekehrt.
• ANOM-015 (Kennzeichnung und Erkennung KI-generierter Inhalte) und ANOM-025/ANOM-028 (verwandter Missbrauch bei Integrität sowie Fälschungen/Marktplätzen): gemeinsame Infrastruktur für Textklassifikator und Embeddings, gleicher Löschungs-Workflow.
• LANG-013 (Stimmungs- und Feedbackanalyse): nur auf den bereinigten Bewertungen ausführen, sonst verzerren gefälschte Bewertungen die Erkenntnisse. LANG-038 (Bewertungsantworten): teilt sich die Pipeline zum Einlesen der Bewertungen.
• ANOM-014 (Dokumentenfälschung & Lebenderkennung): Identitätsprüfungen für Bewertungsvermittler oder verifizierte Bewerter, wo eingesetzt.
• Gemeinsame Bausteine: mehrsprachiger Encoder + Embedding-Dienst (HW2), Gradient-Boosting-Scorer, Graphspeicher, Workflow-Engine für Moderationswarteschlangen und Einsprüche; ein selbst betriebener LLM-Server kann außerdem Begründungen, Entwürfe für Löschanträge und Fallzusammenfassungen liefern.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen (Verifizierung, Alarme einrichten); abonnementbasiert.
• Weg B: 1–3 Monate für die Scoring-Pipeline mit Moderationswarteschlange; Kosten durch Datenengineering und Moderatorenzeit, die API-Kosten für markierte Fälle sind gering, wenn der Massendurchlauf günstige Modelle nutzt.
• Weg C: 2–4 Monate, ein GPU-Server (HW2) plus MLOps-Aufwand.
• Weg D: 4–9 Monate inklusive Labeling-Programm; nur im Plattformmaßstab.
• Kennzahlen: Präzision der entfernten Bewertungen (aus der Prüfstichprobe), geschätzter Anteil verbleibender Fälschungen, Zeit bis zur Entfernung, Anteil der vor Veröffentlichung erkannten Kampagnen, Quote erfolgreicher Einsprüche, Moderatorenminuten je Fall, Wirkung auf das Vertrauen in Bewertungen (Anteil verifizierter Bewertungen).

Menschen & Veränderung

Binden Sie die Geschäftsführung für die Haltung zu Bewertungen ein (was wird entfernt, was nur gekennzeichnet), die Marketing- oder E-Commerce-Leitung als Prozessverantwortliche, die IT für die Anbindung von Shop und Plattformen und die Rechtsabteilung für die Regeln zum Entfernen von Bewertungen und die verbraucherrechtlichen Pflichten zur Echtheit von Bewertungen. Die/der Datenschutzbeauftragte sollte einbezogen werden, weil Bewerterkonten, IP- und Gerätedaten personenbezogene Daten sind: Prüfen Sie Rechtsgrundlage, Aufbewahrung und den AVV mit jedem Anbieter (Art. 28 DSGVO). Eine Datenschutz-Folgenabschätzung (DSFA) ist bei Textprüfung im kleinen Maßstab meist nicht nötig, wird aber bei großflächiger Profilbildung von Bewertern wahrscheinlich.

Betriebsrat: abhängig vom Einzelfall. Analysiert das Werkzeug nur Kundenbewertungen, findet keine Mitarbeiterüberwachung statt, und § 87 Abs. 1 Nr. 6 BetrVG greift nicht; er greift, wenn die Arbeit der Moderatoren protokolliert und ausgewertet wird oder wenn von Beschäftigten geschriebene Bewertungen geprüft werden. Informieren Sie den Betriebsrat dennoch nach § 90 Abs. 1 Nr. 3, wenn sich der Prozess ändert.

KI-Kompetenz: Schulen Sie Moderatoren zu Fehlalarmen (echte begeisterte oder sehr verärgerte Kunden) und zum Umgang mit Einsprüchen (Art. 4 KI-Verordnung unterstützt das). Starten Sie mit einer Produktkategorie oder Plattform im reinen Markierungsmodus. Lassen Sie Moderatoren jede Entscheidung zur Löschung treffen und geben Sie Bewertern eine Möglichkeit zum Einspruch. Leitfäden: GUIDE-005, GUIDE-009, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; es ist weder ein Anwendungsfall nach Anhang III noch eine Praxis nach Art. 5. Stufen Sie neu ein, wenn Werte für Beschäftigungs- oder Kreditentscheidungen über Bewerter genutzt werden, was nicht der vorgesehene Einsatz ist. Art. 4 (KI-Kompetenz) gilt. Wenn Sie synthetischen Text erzeugen oder kennzeichnen, kann in anderen Anwendungsfällen die Transparenz nach Art. 50 greifen (ANOM-015).
• DSGVO: Bewerterdaten sind personenbezogene Daten (Konto-IDs, IP, Gerät, Bewertungshistorie); berechtigtes Interesse (Art. 6 Abs. 1 lit. f) mit Interessenabwägung, Datenminimierung und Löschfristen; eine automatische Entfernung mit rechtlicher oder ähnlich erheblicher Wirkung sollte vermieden und die Garantien nach Art. 22 (menschliche Prüfung, Erklärung, Einspruch) eingebaut werden. Durchsuchen und profilieren Sie Privatpersonen nicht über das Nötige hinaus.
• Verbraucherrecht: Die EU-Richtlinie 2019/2161 (Omnibus) verbietet das Einreichen oder Beauftragen gefälschter Bewertungen und verlangt Angaben dazu, ob und wie ein Unternehmer sicherstellt, dass Bewertungen von echten Verbrauchern stammen; in Deutschland umgesetzt in UWG und PAngV. Der britische DMCC Act (seit April 2025 in Kraft) und die US-FTC-Regel [1][2] fügen Sanktionen hinzu. Der EU Digital Services Act ergänzt für Marktplätze Melde- und Abhilfeverfahren sowie Pflichten zur Rückverfolgbarkeit von Händlern; sehr große Plattformen haben Pflichten zu systemischen Risiken.
• Risiken: zu Unrecht entfernte echte Kritik (Vorwürfe der Verleumdung und Zensur, Vertrauensverlust), Beschuldigung eines Wettbewerbers auf dünner Beweislage, Benachteiligung nicht muttersprachlicher Schreibender, Anpassung der Angreifer. Gegenmaßnahmen: mehrere Arten von Nachweisen, Schwellen, die an Menschen weiterleiten, transparente Richtlinie, Einspruchsweg, dokumentierte Prüfungen.

Erste Schritte

1. Definieren Sie „gefälscht“ für Ihren Kontext (erfunden, mit Anreiz, Insider, Sabotage durch Wettbewerber) und markieren Sie 500–1.000 Bewertungen manuell als Ausgangsbasis.
2. Sammeln Sie Verknüpfungen zu verifizierten Käufen und Bewerter-Metadaten; ergänzen Sie einfache Merkmale zu Schüben, Dubletten und Kontoalter und messen Sie eine LightGBM-Basislinie.
3. Ergänzen Sie eine Beinahe-Dublettenprüfung auf Basis von Embeddings und einen LLM-Vorsortierungsdurchlauf nur für markierte Fälle; halten Sie Begründungen kurz und prüfbar.
4. Legen Sie den Moderations-Workflow fest: Schwellen, menschliche Prüfung, Text für Mitteilung und Einspruch, Vorlage für Löschnachweise.
5. Prüfen Sie Ihre eigene Praxis beim Einholen von Bewertungen an den Regeln von FTC/Omnibus [1][2] und kontrollieren Sie die Präzision monatlich mit einer Prüfstichprobe.

Quellen

Accessed 2026-10. Search tools were limited during research, so only the following were opened directly; legal statements on the EU Omnibus Directive, UK DMCC Act and DSA come from the official texts known to the author and should be re-verified on EUR-Lex and gov.uk before publication. 1. FTC — Trade Regulation Rule on the Use of Consumer Reviews and Testimonials (final rule, Federal Register, 22 Aug 2024) — https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials 2. FTC — 16 CFR Part 465, Consumer Reviews and Testimonials (eCFR) — https://www.ecfr.gov/current/title-16/chapter-I/subchapter-D/part-465 3. Trustpilot — Trust and transparency (fake review detection statistics) — https://corporate.trustpilot.com/trust 4. Ott, Choi, Cardie, Hancock — Finding Deceptive Opinion Spam by Any Stretch of the Imagination — https://arxiv.org/abs/1107.4557 5. Hugging Face Transformers — https://github.com/huggingface/transformers 6. European Commission — Unfair Commercial Practices Directive and guidance (incl. consumer reviews) — https://commission.europa.eu/law/law-topic/consumer-protection-law/unfair-commercial-practices-law/unfair-commercial-practices-directive_en