Spektrum Iran

Abstrakt Fast fünf Jahrzehnte, nachdem Hubert Dreyfus die Bedeutung der Berücksichtigung des sozialen Charakters von Intelligenz bei der Entwicklung künstlicher Intelligenz betont hatte, und trotz der Konsolidierung von KI als aktant innerhalb der Nachrichtenmedien, haben sich praktische Implementierungen schneller entwickelt als die entsprechenden theoretischen Untersuchungen. Da die Fähigkeit zur Bedeutungsbildung innerhalb einer sozialen Institution die Sozialisierung eines kognitiven Systems voraussetzt, kann die Sozialisierung künstlicher Intelligenz entlang eines vergleichbaren Pfads wie die natürliche menschliche Intelligenz untersucht werden. Auf dieser Grundlage untersucht der vorliegende Artikel die Prozesse, durch die KI sozialisiert wird, um eine Rolle in der Bedeutungsproduktion innerhalb einer sozialen Institution wie den Nachrichtenmedien einzunehmen, und behandelt die zentrale Frage: Was ist sozialisierte künstliche Intelligenz? Zu diesem Zweck integriert die Studie das Modell der Dual-Räumlichkeitsbildung der Intelligenz mit der Repräsentationstheorie in einem sozio-organisationalen Rahmen und verwendet einen retroduktiven theoretischen Ansatz zur Beantwortung der Forschungsfrage. In dieser Analyse wird die soziale Ordnung als Funktion des Sozialisierungsprozesses von KI verstanden. Die Dual-Räumlichkeitsbildung der Welt führt folglich zu einer dual-räumlichen sozialen Ordnung. Die Ergebnisse zeigen, dass KI entweder so gestaltet werden kann, dass sie bestehende Wissensformen und verankerte soziale Stereotype ähnlich wie menschliche Kognition repliziert, oder dass sie sozial reguliert wird, um eine algorithmische Rationalität zu fördern, die auf das Gemeinwohl und die Verwirklichung einer nachhaltigen und gerechten sozialen Ordnung ausgerichtet ist. Eine solche Ordnung hängt von der Öffnung repräsentationaler Praktiken durch reflexives Engagement mit sozialen Stereotypen ab, wodurch Transformationen in der Repräsentation und eine größere Vielfalt von Identitäten unterstützt werden. Der Beitrag dieses Artikels liegt in der Vorschlag eines integrierten Modells zum Verständnis der Mechanismen der Sozialisierung von KI in bedeutungsproduzierenden sozialen Institutionen. Darüber hinaus bietet das Modell eine umfassende Perspektive auf die Sozialisierung sowohl natürlicher als auch künstlicher kognitiver Systeme innerhalb der sich entwickelnden Strukturen dual-räumlicher institutioneller sozialer Ordnungen.

Abstrakt Diese Studie untersucht, wie Sprache die Sentiment-Klassifikation in Ausgaben eines multilingualen großen Sprachmodells (LLM) namens Grok beeinflusst. Basierend auf Langdon Winners Theorie der technologischen Politik, die besagt, dass Technologien inhärent nicht neutral sind und strukturelle Verzerrungen einbetten, wird geprüft, ob Sentiment-Verteilungen auch bei einer vollständig harmonisierten Analysepipeline systematisch zwischen Sprachen variieren. Die Analyse basiert auf einem Korpus von 4.799 Beiträgen (Englisch: n = 2.399; Persisch: n = 2.400), die mit identischen Aufforderungen erzeugt wurden. Sentiment-Ausgaben wurden auf ein gemeinsames dreistufiges Schema (Negativ, Neutral, Positiv) abgebildet, wobei sowohl diskrete Klassenzuweisungen als auch kontinuierliche Wahrscheinlichkeitswerte berücksichtigt wurden. Strukturelle Merkmale wie Satz-, Wort- und Zeichenanzahl wurden berechnet und als Kontrollvariablen einbezogen, um oberflächliche textuelle Unterschiede zu berücksichtigen. Die Ergebnisse zeigen eine deutliche sprachübergreifende Divergenz in Sentiment-Mustern. Englische Ausgaben konzentrieren sich überwiegend auf Neutralität und weisen eine vergleichsweise geringere affektive Intensität auf, während persische Ausgaben eine starke Verschiebung hin zu positivem Sentiment und größere Streuung zeigen. Diese Unterschiede bleiben auch nach Kontrolle struktureller Merkmale statistisch signifikant, was nahelegt, dass die Sprachzugehörigkeit und nicht Textlänge oder Segmentierung der Hauptfaktor für die beobachteten Sentiment-Unterschiede ist. Auf Wahrscheinlichkeitsniveau zeigen englische Verteilungen eine engere Konzentration nahe Neutralität, während persische Verteilungen flacher und stärker positiv verzerrt sind, mit höheren Intensitätswerten. Diese Ergebnisse haben wichtige Implikationen für mehrsprachige Sentiment-Analysen und LLM-Audits. Ohne explizite Modellierung und Kalibrierung von Spracheffekten könnten vergleichende Analysen sprachliche Variation mit affektiver Absicht verwechseln, was zu verzerrten Schlussfolgerungen über Ton, Haltung oder emotionale Valenz führt. Die Studie betont die Bedeutung der Berichterstattung sowohl von Label- als auch Wahrscheinlichkeitsmetriken, die Anwendung sprachspezifischer Kalibrierungsprotokolle und die Berücksichtigung von Sprache als primäre Messdimension in der sprachübergreifenden Inhaltsanalyse.