Diese Arbeit präsentiert eine überzeugende Reihe von Ergebnissen zur Lösung geschlechtsspezifischer mehrdeutiger Pronomen im Rahmen der Shared Task „Gendered Ambiguous Pronouns“. Das vorgestellte Modell nutzt die Stärken modernster Sprach- und Coreference-Auflösungsmodelle und führt eine neuartige, evidenzbasierte Architektur auf der Grundlage tiefer Lernverfahren ein. Die Integration von Evidenz aus Coreference-Modellen ergänzt die Basisarchitektur effektiv, und Analysen zeigen, dass das Modell nicht durch deren Schwächen beeinträchtigt wird, insbesondere nicht durch Geschlechterbias. Die Modularität und Einfachheit der Architektur ermöglichen eine nahtlose Erweiterung zur weiteren Verbesserung sowie eine Anwendbarkeit auf andere Aufgaben im Bereich der natürlichen Sprachverarbeitung (NLP). Die Evaluation anhand der GAP-Testdaten erreicht eine state-of-the-art-Leistung mit einem F1-Score von 92,5 % (Geschlechterbias von 0,97), was der menschlichen Leistung von 96,6 % deutlich näherkommt. Die hier vorgestellte end-to-end-Lösung belegte den ersten Platz im Kaggle-Wettbewerb mit einem deutlichen Vorsprung.