Praxisorientierte Tools für Gasthörende und Seniorenstudierende
Kritisch lesen: Eine Fähigkeit, der im KI-Zeitalter und im Zeitalter der Informationsflut eine hohe Bedeutung zu kommt. Es ist vielleicht wichtiger denn je, Texte, nicht nur solche die mit KI erzeugt wurden, auf systematische Verzerrungen (BIAS) zu prüfen
Transparenz
Text und Bild(er) mit KI-Unterstützung erarbeitet.
Texte auf Bias prüfen: Ein Prompt für kritische Textanalyse
Wer wissenschaftliche Artikel schreibt oder recherchiert, tut das selten neutral; auch die KI tut das nicht. Jeder Text ist aus einer Perspektive geschrieben, und jede Perspektive lässt andere aus. Das gilt für Journalartikel ebenso wie für Hochschulstudien, Forschungsberichte und KI-generierte Zusammenfassungen. Die Frage ist nicht, ob ein Text eine Perspektive hat, sondern welche – und welche fehlt.
KI-Systeme können dabei helfen, diese Frage systematisch zu stellen. Sie ersetzen das eigene Urteil nicht, aber sie beschleunigen den Prozess: Ein gezielt formulierter Prompt bringt Verzerrungen in Beiträgen oder Recherchen ans Licht, die beim ersten Lesen unsichtbar bleiben.
Kurz erklärt: Was ist Bias?
Der Begriff stammt aus der Statistik und bezeichnet eine systematische Verzerrung – also keine zufälligen Fehler, sondern strukturelle Einseitigkeiten. In wissenschaftlichen Texten entsteht Bias durch Auswahl: Welche Quellen wurden verwendet? Welche Perspektiven einbezogen? Welche Altersgruppen, Geschlechter oder Sprachräume repräsentieren die Studiendaten?
Bias bedeutet nicht Lüge und nicht Fehler. Er bedeutet: Dieser Text bildet einen Ausschnitt der Wirklichkeit ab. Wer den Ausschnitt kennt, kann den Text besser einordnen.
Sieben Bias-Typen, die im Studium relevant sind
Für die Arbeit mit wissenschaftlichen Texten sind sieben Verzerrungstypen besonders häufig:
Gender-Bias liegt vor, wenn Studien Daten nicht nach Geschlecht aufschlüsseln oder wenn Beispiele und Szenarien einseitig männlich oder weiblich geprägt sind. Techniknutzungs-Studien sind dafür bekannt: Sie messen häufig das Verhalten von Männern und generalisieren.
Age-Bias entsteht, wenn Forschungsergebnisse aus Studien mit jüngeren Teilnehmenden – oft 18- bis 40-Jährige – auf alle Altersgruppen übertragen werden. Gerade in der KI-Nutzungsforschung ist das die Regel, nicht die Ausnahme.
Language-Bias beschreibt die Dominanz englischsprachiger Quellen in internationalen Datenbanken. Was auf Englisch publiziert wird, findet mehr Zitationen – unabhängig von der inhaltlichen Qualität. Deutschsprachige oder DACH-spezifische Forschung bleibt dadurch oft unsichtbar.
Topic-Bias zeigt sich, wenn bestimmte Perspektiven eines Themas systematisch überrepräsentiert sind: etwa die technische Sicht auf KI ohne sozialwissenschaftliche Einordnung, oder Chancen-Darstellungen ohne Risikoanalyse.
Confirmation-Bias ist die Tendenz, Quellen zu bevorzugen, die die eigene Ausgangsthese stützen – und widersprechende Befunde zu übersehen. Er betrifft Forschende ebenso wie Lesende.
Representation-Bias entsteht, wenn bestimmte Gruppen in den Trainingsdaten eines KI-Modells oder in Studiensamples unter- oder überrepräsentiert sind. Die Ergebnisse spiegeln dann nicht die Realität wider, sondern die Zusammensetzung der Datengrundlage.
Temporal-Bias bezeichnet die Verzerrung durch veraltete Daten. KI-Modelle haben ein Trainings-Cutoff-Datum; Studien bilden den Stand zum Zeitpunkt ihrer Erhebung ab. In einem Feld, das sich so schnell entwickelt wie KI, kann ein zwei Jahre alter Artikel bereits überholt sein.
Prompting: Bias-Check
Der folgende Prompt ist für alle gängigen LLM-Systeme. Der Text des zu prüfenden Artikels wird entweder direkt eingefügt oder bei längeren Texten als Dokument hochgeladen.
Prompt: Bias-Check für wissenschaftliche Texte
Analysiere den folgenden Text systematisch auf Verzerrungen (Bias). Prüfe dabei:
- Gender-Bias: Werden Daten nach Geschlecht aufgeschlüsselt? Sind Beispiele und Szenarien ausgewogen?
- Age-Bias: Welche Altersgruppen wurden untersucht? Werden Ergebnisse auf andere Altersgruppen übertragen, ohne das zu begründen?
- Language-Bias: Dominieren englischsprachige Quellen? Werden nicht-englische Forschungstraditionen berücksichtigt?
- Topic-Bias: Welche Perspektiven (technisch, sozial, ethisch, kritisch) sind über- oder unterrepräsentiert?
- Confirmation-Bias: Werden widersprechende Befunde zitiert und diskutiert, oder dominiert eine Richtung?
- Representation-Bias: Welche Gruppen sind in den Studiendaten repräsentiert – und welche fehlen?
- Temporal-Bias: Wie aktuell sind die zitierten Quellen? Gibt es Hinweise auf überholte Daten?
Formuliere für jeden Punkt eine kurze Einschätzung (2–3 Sätze). Schließe mit einer Gesamtbewertung: Welche Verzerrungen sind für die Interpretation dieses Textes am bedeutsamsten?
Hier ist der Text: [Text einfügen]
Drei Testbeispiele aus der Praxis
Der Prompt funktioniert mit jedem wissenschaftlichen Text. Besonders aufschlussreich sind drei Artikeltypen, die im Seniorenstudium häufig begegnen:
Ein Artikel, der KI als gesellschaftliche Glaubensfrage behandelt, wird den Topic-Bias deutlich zeigen: Solche Texte pendeln oft zwischen technikeuphoren und technikpessimistischen Lagern, ohne empirische Mitte.
Ein Artikel zur Smartphone-Nutzung im Alter eignet sich als Age-Bias-Test: Die meisten Studien in diesem Feld basieren auf Teilnehmenden zwischen 65 und 75 Jahren – ob die Ergebnisse für 80-Jährige gelten, bleibt meist offen.
Eine Digitalbarometer-Erhebung bietet einen guten Representation- und Language-Bias-Test: Wer wurde befragt, wer nicht? Welche Regionen und Bildungsgruppen sind im Sample vertreten?
Was der Prompt leistet – und was nicht
Das Ergebnis des Bias-Checks ist ein strukturierter Ausgangspunkt, keine endgültige Bewertung. KI-Systeme erkennen Muster in Texten zuverlässig – sie können aber nicht beurteilen, ob ein festgestellter Bias die Schlussfolgerungen des Artikels tatsächlich invalidiert. Diese Einschätzung bleibt Aufgabe der Lesenden.
Außerdem gilt: KI-Systeme haben selbst einen Temporal-Bias. Sie kennen keine Studien, die nach ihrem Trainings-Cutoff erschienen sind. Wer aktuelle Forschung prüfen will, kombiniert den Prompt-basierten Check sinnvoll mit einer manuellen Überprüfung in Perplexity oder ORKG Ask (AcademicCloud, demnächst verfügbar).
Eine letzte Einschränkung: Bei sehr langen Texten – vollständige Monografien, umfangreiche Berichte – liefert der Prompt bessere Ergebnisse, wenn er abschnittsweise angewendet wird. Die Qualität der Analyse sinkt, sobald der Text das Kontextfenster des jeweiligen Modells überschreitet.