Bewertung von Leseflüssigkeit (lautes Lesen) & mündlicher Sprachkompetenz

Lehrkräfte hören traditionell jedes Kind einzeln beim lauten Lesen zu, markieren Lesefehler von Hand und berechnen die richtig gelesenen Wörter pro Minute (WCPM). Das ist wertvoll, kostet aber Unterrichtszeit, die den meisten Lehrkräften fehlt. Für Kinderstimmen angepasste Spracherkennung bewertet heute eine Lesung in Minuten, erstellt Fehlerprotokolle und markiert Kinder mit Risiko für Leseschwierigkeiten. Dieselbe Technik bewertet den Sprechteil von Sprachzertifikaten und Einstufungstests nach GER-Niveaus (CEFR). Weil die Ergebnisse Einstufung, Förderung und Zugang steuern, handelt es sich um eine formale Bewertung, nicht um Übung, und in der EU ist sie nach der KI-Verordnung (AI Act) meist hochriskant.

Problem & Nutzen

• Heute: Screening und Fortschrittsmessung nutzen lehrplanbasierte Messverfahren wie einminütige Lesungen im Stil von DIBELS oder Lese-Protokolle (Running Records). Eine Lehrkraft prüft ein Kind nach dem anderen, sodass eine Klasse mit 25 Kindern pro Durchgang Stunden beansprucht. Die Bewertung schwankt zwischen den Bewertenden. Bei Sprechtests bewerten zertifizierte menschliche Bewerter die Aufnahmen, was teuer und im großen Maßstab langsam ist.
• KI-Nutzen: Bewertung der ganzen Klasse parallel (Kopfhörer, Tablets), einheitliche Bewertung, häufigere Fortschrittsmessung, frühere Hinweise auf Kinder, die eine Diagnostik durch Fachleute brauchen, sowie schnellere, günstigere erste Bewertung von Sprechtests.
• Belege: Anbieter veröffentlichen Validierungsstudien (z. B. Übereinstimmung zwischen automatischer und menschlicher WCPM), doch die Ergebnisse hängen von Alter der Kinder, Akzent, Sprache und Geräuschpegel ab. Betrachten Sie Genauigkeitsversprechen der Anbieter als Hypothesen, die an der eigenen Schülerschaft zu prüfen sind [1][2][3]. Übertragen Sie englischsprachige Studien nicht auf deutsche, französische oder mehrsprachige Klassen.

Varianten

• Bewertung der Leseflüssigkeit (Oral Reading Fluency, ORF): Die Schülerin oder der Schüler liest einen Text; Ergebnis sind WCPM, Genauigkeit und Lesefehler. Kernvariante.
• Lesecoach / Tutoring-Mischform: Echtzeit-Rückmeldung während des Lesens (siehe EDU-004, SPEECH-012). Hier ist das Bewertungsergebnis nachrangig; diese Datei behandelt die formale Bewertung.
• Screening auf Leserisiko (Legasthenie): Merkmale der Lesesprache plus Merkmale auf Textebene ergeben einen Risikohinweis. Ein Screening-Hinweis ist nie eine Diagnose; er löst eine Überweisung aus (siehe EDU-017).
• Screening per Eye-Tracking: Kamera oder Infrarot-Eye-Tracking zeichnet den Blickverlauf auf, während das Kind still liest; ML-Modelle klassifizieren Muster für Leserisiko (Lexplore Analytics ist ein schwedisches Beispiel). Anderer Sensor, gleicher Ablauf und gleiche Regulierung [4].
• Bewertung der Sprechkompetenz für Zertifizierung/Einstufung: automatisierte Bewertung vorgegebener Sprechaufgaben nach Aussprache, Flüssigkeit, Grammatik, Wortschatz und Kohärenz, abgebildet auf den GER (Duolingo English Test, ETS SpeechRater im TOEFL und anderen ETS-Tests, Pearson Versant, Cambridge/Linguaskill) [5][6].
• Einstufung am Arbeitsplatz / in Sprachschulen: Sprechprüfungen für Erwachsene bei Einstellung oder Kurseinstufung (der Einsatz im Personalwesen kann Anhang III Nr. 4 auslösen, siehe Risiken).

So funktioniert es

1. pupil/candidate reads or speaks (browser/app, headset, noise check)
2. audio capture + quality gate (clipping, noise, wrong passage)
3. child- or L2-tuned ASR (word timestamps, confidence, disfluencies kept)
4. forced alignment to the reference text (reading) / rubric features (speaking)
5. miscue classification + WCPM/accuracy; prosody features (pausing, phrasing, pitch)
6. norm-referenced scoring (grade/benchmark tables) or CEFR mapping
7. score validity checks (off-task, silence, adult voice, fairness flags)
8. teacher/rater review queue for low-confidence and borderline cases
9. report, benchmark band, referral recommendation; audit log

• ASR: der schwierige Teil. Allgemeine ASR wird überwiegend mit Erwachsenensprache trainiert und normalisiert oder „repariert“ Fehler, wodurch Lesefehler verdeckt werden. Die Leseprüfung braucht wortgetreue, auf Kinder abgestimmte Erkennung mit Zeitstempeln auf Wortebene, damit Zögern, Wiederholungen und Selbstkorrekturen sichtbar bleiben.
• Abgleich und Bewertung: Die erkannte Wortfolge wird mit dem bekannten Text abgeglichen; WCPM = richtig gelesene Wörter pro gemessener Minute. Prosodie-Modelle bewerten Phrasierung und Ausdruck, meist mit einer trainierten Regression oder einem Klassifikator auf akustischen Merkmalen und menschlichen Bewertungen.
• Sprechtests: Merkmalsbasierte oder neuronale Bewertungsmodelle sagen die Bewertungen menschlicher Bewerter voraus; LLMs können anhand des Transkripts die Bewertung von Inhalt und Kohärenz ergänzen, doch das validierte akustische Modell bleibt der Anker.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Lehrkraft prüft markierte Lesungen (Audiowiedergabe mit hervorgehobenen Lesefehlern), bestätigt oder ändert Bewertungen und entscheidet über Überweisungen. Bei Tests mit hohen Folgen bewerten menschliche Bewerter eine Stichprobe sowie alle Grenzfälle und Antworten mit geringer Sicherheit.

Datenaufbereitung

Die Datenaufbereitung ist hier der größte Kostenblock. Benötigt werden Tonaufnahmen von Lernenden in verlässlicher Qualität, die Referenztexte oder Aufgabenstellungen sowie von Menschen bewertete Leseprotokolle oder Sprechbewertungen als Referenzwerte (Ground Truth). Sie liegen typischerweise auf Tablets und Schulgeräten, in Lernplattformen, auf Dateiablagen als Audiodateien und in den Papier-Bewertungsbögen der Lehrkräfte. Typische Lücken: verrauschte Aufnahmen aus dem Klassenraum, fehlende Einwilligung der Erziehungsberechtigten, keine wortgetreuen Transkripte, unterschiedliche Bewertung zwischen Lehrkräften und unterrepräsentierte Dialekte, Altersgruppen oder untypische Sprache.

Aufbereitungsschritte: in einem einheitlichen Aufbau aufnehmen, das Bewertungsraster festlegen und Bewertende schulen (PREP-019), einen Testsatz mit doppelt bewerteten Stichproben aufbauen und die Übereinstimmung messen (PREP-018), Labels aus vorhandenen Aufzeichnungen der Lehrkräfte sammeln, soweit rechtlich zulässig (PREP-020), Papier-Bewertungsbögen digitalisieren (PREP-008) und Audio sowie Metadaten pseudonymisieren (PREP-022). Zweck und Rechtsgrundlage vor der Weiterverwendung prüfen (PREP-025) und Audio so kurz wie möglich speichern. Werkzeuge für Transkription und Abgleich: Whisper-basierte Werkzeuge, WhisperX oder Montreal Forced Aligner; siehe SPEECH-001.

Grober Anteil am Aufwand: hoch, 50 Prozent oder mehr, weil die Validierung gegen menschliche Bewerter und Fairness-Prüfungen über Untergruppen Expertenzeit und Einwilligungsmanagement erfordern.

Umsetzungswege

Welcher Weg für wen

• enterprise: B - Ed-Tech-Anbieter, Verlage und Testanbieter integrieren validierte ASR und Bewertung über APIs in ihre eigenen Produkte; sie tragen Validierungs- und Konformitätspflichten selbst.
• public: C - Schulen und Behörden verarbeiten Sprachdaten von Kindern in einem hochriskanten Einsatz; Open-Source-ASR auf eigener oder souveräner Infrastruktur (oder auf dem Gerät) hält die Rohaudiodaten unter Kontrolle, sofern ein validiertes Produkt oder eine Studie die Bewertung stützt.
• developer: C - offene CTC-Modelle und erzwungener Abgleich (Forced Alignment) mit dem Lesetext schlagen Black-Box-APIs bei Kindersprache und halten die Daten lokal.

Weg A — Kaufen (Standardsoftware) (eine gültige Option, wo ein validiertes Produkt Ihre Sprache unterstützt)

• Produkte zur Leseflüssigkeit: Microsoft Reading Progress und Reading Coach (in Microsoft Teams for Education / Learning Accelerators), Amira Learning (KI-Lesetutor mit Bewertung, in den USA über HMH erhältlich; 2024 mit Istation fusioniert), Lexplore (Eye-Tracking-Screening, Schweden/EU) sowie lehrplanbasierte Messsysteme, die eine Sprachbewertung ergänzt haben (z. B. Renaissance Star, Plattformen im Stil von Acadience).
• Sprechtests: Duolingo English Test, ETS (TOEFL, SpeechRater), Pearson Versant, Cambridge Linguaskill, digitale Angebote von Telc / TestDaF. Dies sind Testanbieter; Schulen kaufen den Test, nicht das Modell.
• Prüfen: Sprachabdeckung (viele Produkte sind nur englisch; Deutsch und andere EU-Sprachen sind dünn abgedeckt), veröffentlichte Belege zu Validität und Fairness für Lernende wie Ihre, EU-Hosting, Auftragsverarbeitungsvertrag (AVV), kein Training des Anbieters mit Schüleraudio ohne Rechtsgrundlage, eine menschliche Korrekturmöglichkeit und eine Konformitätserklärung nach AI Act.
• A wählen, wenn: Sie eine Schule, ein Schulamt oder ein Ministerium sind und die Sprache unterstützt wird. Bauen Sie für den formalen Einsatz keinen eigenen Bewerter, sofern Sie die Validierung nicht finanzieren können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ASR mit Wortzeitstempeln: Azure AI Speech (einschließlich Aussprachebewertung, EU-Regionen), Google Cloud Speech-to-Text (Chirp), AWS Transcribe (Frankfurt), Deepgram, AssemblyAI, Speechmatics (UK) sowie EU-basierte ASR-Anbieter. Prüfen Sie die Genauigkeit bei Kindersprache selbst; kein Anbieter garantiert sie.
• Azure-Aussprachebewertung liefert Genauigkeits-, Flüssigkeits- und Prosodie-Werte je Wort und Phonem und unterstützt lautes Lesen mit Referenztext, was für Prototypen passt [7]. Sie ist kein validiertes Instrument für Leserisiko.
• LLM-Schicht: Feedbacktexte für Lehrkräfte und Elternbriefe auf Basis des Transkripts; den numerischen Wert aus der deterministischen/validierten Pipeline übernehmen, nie aus einem frei formulierten LLM-Urteil.
• B wählen, wenn: Sie ein Ed-Tech-Anbieter oder eine Forschungsgruppe sind und ein Produkt bauen, das Sie selbst validieren und, falls nötig, selbst CE-dokumentieren.

Weg C — Selbst betreiben (Open Source)

• ASR: Whisper large-v3 / turbo und faster-whisper, NVIDIA Parakeet und Canary, wav2vec 2.0 / XLS-R und MMS-Feintunes, Kaldi/k2 für den Abgleich. Whisper erzeugt tendenziell flüssige Transkripte, die Kinderfehler stillschweigend korrigieren; bevorzugen Sie daher für die Leseprüfung CTC-Modelle (Stil wav2vec 2.0) oder erzwungenen Abgleich mit dem Text.
• Abgleich (Alignment): Montreal Forced Aligner, WhisperX, Forced Alignment mit torchaudio (CTC).
• Offene Kindersprachdaten: MyST (US-Englisch, naturwissenschaftliche Gespräche mit Kindern), CSLU Kids und sprachspezifische Korpora; Lizenzen und ethische Bedingungen prüfen.
• Hardware: HW1/HW2; eine einzelne 24-GB-GPU oder sogar CPU bewältigt die Stapelbewertung eines Schulbezirks. Inferenz auf dem Gerät (Tablets, HW1) hält die Rohaudiodaten auf dem Gerät, ein starkes Datenschutz-Design.

Weg D — Eigenes Training

• Nötig für unterversorgte Sprachen, Altersgruppen, Dialekte oder untypische Sprache. Erfordert Hunderte Stunden Kindersprache mit wortgetreuen Transkripten und von Menschen bewerteten Leseprotokollen, erhoben mit Einwilligung der Erziehungsberechtigten und einem Ethikverfahren. Planen Sie eine formale Validierungsstudie ein (Reliabilität, Übereinstimmungsvalidität gegenüber von Lehrkräften durchgeführten Messungen, Fairness über Untergruppen). Das ist der Kostentreiber, nicht die GPUs.

Stand der Technik (2026)

• ASR für Kindersprache bleibt deutlich schlechter als ASR für Erwachsene, mit Wortfehlerraten, die bei jüngeren Kindern sowie bei Nicht-Muttersprachlern oder Dialektsprechern stark steigen. Feintuning großer selbstüberwachter Modelle mit Kinderdaten verringert den Abstand, doch eine zum Anwendungsfeld passende Evaluation ist unerlässlich [8].
• Fehlerbewusste Bewertung: Moderne Systeme nutzen CTC/erzwungenen Abgleich mit dem Text und behalten Sprechunflüssigkeiten bei, statt sich auf ein Sprachmodell zu verlassen, das das gemeinte Wort errät.
• Prosodie-Bewertung verbessert sich durch selbstüberwachte Sprachmerkmale; die Übereinstimmung mit menschlichen Bewertern ist geringer als bei Genauigkeit und WCPM.
• Sprechtests: Automatisierte Bewertung ist in großen Tests etabliert; ETS und Duolingo dokumentieren in ihren technischen Berichten menschliche Kontrolle (Human-in-the-Loop), Beaufsichtigung (Proctoring) und Fairness-Analysen [5][6]. Multimodale LLMs für die Rubrikbewertung werden erprobt, sind aber in Tests mit hohen Folgen noch nicht als alleiniger Bewerter akzeptiert.
• Grenzen und Fehlerbilder: laute Klassenräume, geteilte Mikrofone, Akzente, Sprachbeeinträchtigungen und Stottern (siehe SPEECH-018), zweisprachige Kinder, erfundene Wörter in allgemeiner ASR, Verzerrungen (Bias) gegenüber Dialekten und zu starkes Vertrauen auf eine einzige Minute Lesen. Screening-Hinweise haben falsch-positive und falsch-negative Ergebnisse.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (asr + llm-general): SPEECH-001 Meeting-Transkription und SPEECH-012 Aussprachecoaching teilen sich ASR-Server und Werkzeuge für den erzwungenen Abgleich; EDU-011 Gesprächspartner für Sprachenlernen teilt Sprachmodelle für Zweitsprachen (L2).
• Kombinationen: EDU-004 (Tutor nutzt die Bewertung zur Textauswahl), EDU-005 (adaptive Lernpfade aus Flüssigkeitsstufen), EDU-007 (Lernanalytik und Frühwarnung), EDU-017 (Legasthenie-Screening und Überweisung zur Diagnose), EDU-003 (schriftliches Gegenstück), EDU-008 (Identitäts-/Integritätsprüfungen bei Sprechtests aus der Ferne).
• Datenpipeline: Audioaufnahme, Einwilligungsverwaltung, Pseudonymisierung und Aufbewahrung sind über alle Anwendungsfälle mit Schülerstimmen wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Pilot; Lizenzen pro Lernendem, plus 1-2 Schulungen für Lehrkräfte. Beschaffung und datenschutzrechtliche Prüfung dauern oft länger als der technische Rollout.
• Weg B: 3-6 Monate bis zum Prototyp; die Validierungsstudie ist der Hauptaufwand.
• Weg C: 3-6 Monate mit ML-Personal; die GPU-Kosten sind gering.
• Weg D: 6-18 Monate einschließlich Datenerhebung und Validierung.
• Kennzahlen: Übereinstimmung mit geschulten menschlichen Bewertern (z. B. Korrelation oder Intraklassenkorrelation für WCPM, quadratisch gewichtetes Kappa für Sprechbewertungen), Genauigkeit der Risikohinweise (Sensitivität/Spezifität gegenüber späterer Diagnose), Fehlerunterschiede zwischen Untergruppen, Anteil der Lesungen mit Prüfbedarf, eingesparte Zeit der Lehrkräfte pro Durchgang, Anteil gültiger Aufnahmen, Lernfortschritt der Lernenden im Zeitverlauf.

Menschen & Veränderung

Beziehen Sie zuerst die Leitung und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, denn der Einsatz verarbeitet Sprachdaten von Kindern und ist nach der KI-Verordnung (AI Act) wahrscheinlich hochriskant, wenn er den Zugang zu Bildung beeinflusst oder Lernergebnisse bewertet (die Pflichten nach Anhang III gelten ab dem 2. Dezember 2027; GUIDE-014). Eine Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO ist sehr wahrscheinlich, mit einem AVV für jeden Auftragsverarbeiter (GUIDE-005). Ergänzen Sie die Schul- oder Produktleitung als Prozessverantwortliche, Lehrkräfte als tägliche Nutzer, IT und Informationssicherheit für Geräte und Speicherung, Recht für die Haftung sowie Eltern oder Lernende als Betroffene, die klare Informationen und eine Einwilligung brauchen.

Betriebsrat: nein für die Bewertung von Schülerinnen und Schülern, weil diese keine Beschäftigten sind. Relevant wird er, wenn die Nutzung oder die Bewertungsarbeitslast der Lehrkräfte protokolliert oder ausgewertet wird: dann gilt in Unternehmen § 87 Abs. 1 Nr. 6 BetrVG und in öffentlichen Schulen der Personalrat (GUIDE-004). § 90 Abs. 1 Nr. 3 verlangt dennoch eine Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden.

KI-Kompetenz nach KI-Verordnung (AI Act) Art. 4: Unterstützen Sie Lehrkräfte mit Schulungen dazu, was die Werte bedeuten, wie groß die Fehlermargen sind und welche Verzerrungen es bei Akzenten und Sprachbeeinträchtigungen gibt (GUIDE-006). Pilotieren Sie mit ein bis zwei Klassen, vergleichen Sie mit den Bewertungen der Lehrkräfte und behalten Sie den Menschen die Kontrolle: Die Lehrkraft kann jeden Wert jederzeit ändern, und keine Entscheidung über die Einstufung einer Schülerin oder eines Schülers hängt allein vom Werkzeug ab (GUIDE-009). Typische Bedenken sind Fairness, Überwachung und Datenmissbrauch; begegnen Sie ihnen mit offener Dokumentation, Elterninformation und kurzer Aufbewahrung von Audio.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 3 nennt KI-Systeme, die zur Bestimmung von Zugang oder Zulassung, zur Bewertung von Lernergebnissen, zur Beurteilung des angemessenen Bildungsniveaus und zur Steuerung des Lernprozesses sowie zur Überwachung von Verhalten bei Prüfungen eingesetzt werden. Lese- und Sprechbewertungen, die Einstufung, Noten, Zertifizierung oder Zuteilung von Förderung bestimmen, sind daher hochriskant: Risikomanagement, Daten-Governance und Repräsentativität, Protokollierung, Transparenz gegenüber Betreibern, menschliche Aufsicht, Genauigkeit/Robustheit und Konformitätsbewertung gelten, mit Pflichten ab dem 2. Dezember 2027 (Digital Omnibus zur KI, Verordnung (EU) 2026/1744) [9].
• Verbot nach Art. 5: Das Ableiten von Emotionen von Schülerinnen und Schülern (z. B. Stress oder Engagement aus Stimme oder Gesicht) in der Bildung ist verboten, außer aus medizinischen oder Sicherheitsgründen. Ergänzen Sie in einer Leseprüfung keine „Emotions“- oder „Aufmerksamkeits“-Werte [9][10]. Auch die biometrische Kategorisierung, die aus Stimme oder Blick sensible Merkmale ableitet, ist verboten.
• Nur formativer Einsatz: Ein Übungswerkzeug mit unbewertetem Feedback kann außerhalb von Anhang III liegen, doch sobald Werte in Einstufung oder Berichte einfließen, ist von Hochrisiko auszugehen.
• Beschäftigung: Sprechtests zur Vorauswahl von Bewerbern fallen unter Anhang III Nr. 4.
• Grenze zu Medizinprodukten: Wenn ein Produkt behauptet, Legasthenie zu diagnostizieren, können die Vorschriften für Medizinprodukte (MDR) gelten. Ordnen Sie das Ergebnis als Screening und Überweisung ein.
• DSGVO: Die Stimme von Lernenden sind personenbezogene Daten von Kindern; Eye-Tracking- und Stimmmerkmale können biometrische Daten werden, wenn sie zur Identifizierung genutzt werden (Art. 9). Verwenden Sie eine klare Rechtsgrundlage (meist öffentliche Aufgabe bei Schulen; darüber hinaus Einwilligung bei Ed-Tech), eine DSFA, Datenminimierung (Werte und kurze Ausschnitte speichern, Rohaudio schnell löschen), keine Zweitnutzung zum Modelltraining ohne Rechtsgrundlage, einen Auftragsverarbeitungsvertrag, EU-Hosting sowie Kinderrechte und Elterninformation. Deutsche Länder haben schulspezifische Datenschutzregeln und Zulassungslisten für Werkzeuge.
• Fairness: an Dialekten, mehrsprachigen Lernenden und Kindern mit Sprachunterschieden testen; einen alternativen Weg (durch Lehrkräfte durchgeführt) anbieten.
• Gegenmaßnahmen: menschliche Prüfung, keine automatisierten Entscheidungen über die Einstufung, Widerspruchsverfahren, dokumentierte Validierung, regelmäßige Prüfungen auf Drift.

Erste Schritte

1. Festlegen, welche Entscheidung der Wert unterstützen soll (Screening, Fortschrittsmessung, Einstufung), und sie vor der Produktsuche nach der KI-Verordnung einordnen.
2. 2-3 Produkte in die engere Wahl nehmen, die Ihre Unterrichtssprache unterstützen, und Nachweise zu Validität und Fairness anfordern.
3. Einen Pilot mit einer Klassenstufe durchführen: 50-100 Lernende aufnehmen, dieselben Lesungen von geschulten Lehrkräften bewerten lassen und WCPM, Lesefehler und Hinweise vergleichen, einschließlich mehrsprachiger Lernender.
4. Eine DSFA abschließen, die Aufbewahrung von Audio festlegen (z. B. Rohaudio nach der Bewertung löschen) und Lehrkräfte zu Korrektur- und Überweisungsregeln schulen.
5. Schwellenwerte für Überweisungen festlegen und die Leistung für Untergruppen jedes Halbjahr überwachen.

Quellen

1. Microsoft — Learning Accelerators product guide (Reading Progress, Reading Coach) — https://learn.microsoft.com/en-us/training/educator-center/product-guides/learning-accelerators
2. Microsoft Support — Pair Reading Progress assignments with Reading Coach — https://support.microsoft.com/en-us/education/learning-accelerators/pair-reading-progress-assignments-with-reading-coach
3. Amira Learning — research and efficacy — https://www.amiralearning.com/research
4. Lexplore — eye-tracking reading assessment — https://www.lexplore.com/
5. ETS — SpeechRater automated speech scoring (used for TOEFL speaking with human raters) — https://www.ets.org/speechrater.html
6. Duolingo English Test — technical manual — https://englishtest.duolingo.com/research
7. Microsoft — Azure AI Speech pronunciation assessment — https://learn.microsoft.com/azure/ai-services/speech-service/how-to-pronunciation-assessment
8. Fan et al. — Benchmarking children's ASR with supervised and self-supervised speech foundation models (Interspeech 2024) — https://arxiv.org/abs/2406.10507
9. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. European Commission — Guidelines on prohibited AI practices — https://digital-strategy.ec.europa.eu/en/library/commission-guidelines-prohibited-artificial-intelligence-practices-established-ai-act