Dashboard: Median-Default, Ära-Entzerrung, Label-Reihenfolge, Versions-Delta (closes #36)

[TillQuandel]

Setzt die vier priorisierten Punkte aus #36 um. Wichtiger Befund vorab: Drei der vier Punkte waren bereits durch frühere PRs (#38, #59) im Live-Render-Pfad erledigt — Issue #36 blieb aber offen, weil Punkt 4 (Übersicht-Insight) fehlte. Dieser PR ergänzt Punkt 4 und verifiziert alle vier frisch mit echten Daten (eigener Server auf Port 8060, read-only).

Variant-H-Layout + Pastell-Palette unverändert (kein Redesign); quality_history.jsonl/runs//DB nur gelesen, nie geschrieben.

1. ch4 entspaghettieren — bereits erledigt (PR #38), frisch verifiziert

internal/dashboard/eval_dashboard.html Zeilen 1434–1478: bei >3 PDFs (SPAGHETTI_LIMIT) zeigt ch4 standardmäßig eine Median-Linie über alle PDFs; sobald der PDF-Filter aktiv ist, schrumpft d.long.datasets auf 1 Eintrag und die Per-PDF-Einzellinie erscheint.

• Vorher/Nachher: kein Code-Unterschied in diesem PR — nur Beweis erbracht.
• Screenshot: a_ch4_median_default.png (Default, 26 PDFs → "Median über 26 PDFs — Einzel-Linien per PDF-Filter"), b_ch4_pdf_filter.png (Filter auf Porst-2014-Auszug-S1-40 → Einzel-Linie über 19 Versionspunkte).

2. Trade-off-Scaling entzerren — bereits erledigt (PR #59 P2), frisch verifiziert

Gewählte Variante (dokumentiert wie gefordert): ältere Punkte dimmen statt hartem Versions-Cutoff — mark_scaling_recency() (generative/eval_dashboard.py) markiert alle bis auf die jüngsten 10 Versionen als recent=False; ch3-JS reduziert für diese Punkte Deckkraft und Radius. Begründung (aus PR #59 übernommen): kommt ohne neuen UI-Filter aus, verwirft alte Versionen nicht komplett aus der Darstellung (bleiben als Kontext sichtbar, nur zurückgenommen).

• Screenshot: in a_ch4_median_default.png links sichtbar (Panel "Skaliert die Pipeline mit der PDF-Länge?", Hinweistext "Ältere Versionen gedimmt").

3. Kalibrierungs-Tabelle mit Arbeits-Reihenfolge — bereits erledigt (PR #59), frisch verifiziert

Server sortiert calibration.rows nach LLM-Fehlerquote absteigend (ungelabelt zuerst); Client markiert die ersten 3 ungelabelten Zeilen mit "Als Nächstes labeln" (renderCalibration(), Zeilen 1683–1694).

• Screenshot: c_calib_table.png — reale Daten (356 evaluierte Notes, 0 gelabelt), Top-Zeilen bei 100 % Fehlerquote, erste 3 Zeilen mit Badge.

4. Übersicht-Insight um Version-über-Version-Delta — NEU in diesem PR

Vorher: ins-overview zeigte nur den Stand der neuesten Version ("Pipeline v0.3.142: Fehlerquote 9,0 %, Belegrate 79,2 % über 10 evaluierte Notes.").

Nachher: ergänzt um vs. <Vorversion>: Y % (n=B), inkl. N-Guard: ist eine der beiden Versionen n<20, erscheint statt einer Besser/Schlechter-Wertung nur (n<20 — nicht belastbar). Nutzt ausschließlich bereits vorhandene, per TDD getestete Serverdaten (version_delta() + kpi_trend["deltas"]/["n"], generative/eval_dashboard.py / eval_dashboard_server.py) — keine neue Python-Logik, reines JS-Wiring in renderInsights().

Real erzeugter Satz (Screenshot d_overview_delta.png):

Pipeline v0.3.142: Fehlerquote 9,0 %, Belegrate 79,2 % über 10 evaluierte Notes. (n=10 — zu klein für Zielvergleich) vs. v0.3.141: 1,1 % (n=7) (n<20 — nicht belastbar)

(Realer Datensatz liefert zufällig einen n<20-Fall auf beiden Seiten — N-Guard greift sichtbar.)

Qualität

• Suite: python -m pytest generative → 1350 passed, 2 skipped, 4 deselected (Baseline unverändert, keine Python-Logik geändert).
• uvx ruff format --check .: 214 files already formatted.
• Beweis: eigener Server python C:/tmp/dash36/start_server.py (Port 8060, echte Daten, read-only) + Playwright-Screenshots. Server danach per PID beendet. Der Server auf Port 8051 (Tills Tab) war während der gesamten Session unangetastet (hatte zum Zeitpunkt der Prüfung ohnehin keinen Listener — unabhängig von dieser Arbeit).

closes #36