Logische Regeln sind eine weit verbreitete Wissensdarstellungsform in vielen Bereichen, die Hintergrundwissen darstellen und Informationen in kompakter Form kodieren, die aus gegebenen Fakten abgeleitet werden können. Die Formulierung von Regeln ist jedoch ein komplexer Prozess, der tiefgehende Fachkenntnisse erfordert und durch die heutigen oft großen, heterogenen und unvollständigen Wissensgraphen weiter herausgefordert wird. Im Laufe der Zeit wurden verschiedene Ansätze zur automatischen Lernung von Regeln vorgeschlagen, wobei neuerdings auch neuronale Systeme eingesetzt werden. Dennoch fehlen der Forschungsbereich angemessene Datensätze und Evaluationsmethoden: bestehende Datensätze ähneln oft Spielzeugbeispielen, die weder die verschiedenen Abhängigkeiten zwischen den Regeln abdecken noch eine Skalierbarkeitstestung ermöglichen. Wir präsentieren ein Werkzeug zur Generierung verschiedener Arten von Datensätzen und zur Bewertung von Regel-Lernsystemen, einschließlich neuer Leistungsmetriken.