LLMs meistern fehlende Daten: Benchmark zeigt starke Leistung

In einer umfassenden Benchmark-Studie wurden fünf führende Large Language Models (LLMs) gegen sechs moderne Imputationsmethoden getestet, um fehlende Werte in tabellarischen Daten zu rekonstruieren. Durch eine Zero‑Shot‑Prompt‑Engineering‑Strategie konnten die LLMs ohne zusätzliche Feinabstimmung auf 29 Datensätzen – darunter neun synthetische – angewendet werden, die unter den Mechanismen MCAR, MAR und MNAR mit bis zu 20 % fehlenden Daten evaluiert wurden.

Die Ergebnisse zeigen, dass insbesondere Gemini 3.0 Flash und Claude 4.5 Sonnet bei realen Open‑Source‑Datensätzen die Leistung traditioneller Verfahren übertreffen. Dieser Vorteil scheint eng mit dem Vorwissen der Modelle verknüpft zu sein, das sie während des Pre‑Trainings auf internet‑weiten Textkorpora erworben haben und dadurch domänenspezifische Muster erkennen können.

Auf synthetischen Datensätzen hingegen schneiden klassische Verfahren wie MICE besser ab, was darauf hindeutet, dass die Stärke der LLMs eher auf semantischem Kontext beruht als auf rein statistischen Mustern. Die Studie unterstreicht damit die Notwendigkeit, die Einsatzbedingungen von LLM‑basierten Imputationsansätzen sorgfältig zu prüfen und die jeweiligen Stärken der Modelle gezielt zu nutzen.