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 Die rasche Verbreitung großer Sprachmodelle und textgenerierender Systeme hat nicht nur einen technologischen Wandel ausgelöst, sondern auch eine epistemische Umstrukturierung der Art und Weise, wie Bedeutung erzeugt und zirkuliert wird. Diese Arbeit diagnostiziert ein spezifisches Risiko für das Persische: die Abschwächung und potenzielle Verdrängung seines kulturell-semantischen Horizonts innerhalb globalisierter, vorwiegend englischsprachiger KI-Infrastrukturen. Ziel der Untersuchung ist analytisch und diagnostisch: die begrifflichen Grundlagen der „semantischen Souveränität“ herauszuarbeiten und die strukturellen Wege aufzuzeigen, auf denen zeitgenössische KI-Praktiken persische Bedeutungen, Metaphern und hermeneutische Traditionen gefährden. Die Studie verbindet begrifflich-philosophische Analyse (Sprachphilosophie, Hermeneutik, Phänomenologie) mit einer kritischen Lektüre aktueller KI-Trainingsregime und Datenökologien. Sie bedient sich einer analytischen Begriffssynthese statt empirischer Intervention: Die Untersuchung verfolgt theoretische Prämissen (Wittgensteins „Bedeutung als Gebrauch“, Gadamersche Horizonte, Davidsonsche Triangulation, Floridis Informationsethik) und kartiert sie auf die materiellen Praktiken der Datensatz-Kuration, des Modell-Trainings und der Plattform-Vermittlung. Die Arbeit identifiziert mehrere sich gegenseitig verstärkende Mechanismen, durch die KI-Systeme semantische Asymmetrie erzeugen: Korpus-Bias und Repräsentationsknappheit; algorithmische Übersetzung, die nicht-englische semantische Netze in englisch-dominante Vektorräume umstrukturiert; infrastrukturelle Vermittlung, die persische kulturelle Artefakte zu reinen Datenpunkten ohne ihren hermeneutischen Kontext degradiert; sowie epistemische Filterung durch Empfehlungs- und Retrieval-Systeme, die bestimmte Formen von Explizierbarkeit gegenüber Opazität und Singularität privilegieren. Insgesamt verkörpern diese Mechanismen, was ich als „phänomenologische Auslöschung“ der welterschließenden Kraft einer Sprache bezeichne. Das Phänomen, um das es geht, ist nicht bloßer lexikalischer Verlust, sondern eine ontologische Verarmung: eine Verengung der Fähigkeit des Persischen, eigentümliche Weisen des Seins zu erschließen. Die Anerkennung dieses Risikos verlangt begriffliche Klarheit über semantische Souveränität als diagnostische Kategorie. Die vorliegende Arbeit verzichtet bewusst auf die Formulierung remedierender Politiken; stattdessen zielt sie darauf ab, eine strenge philosophische Inszenierung des Problems zu bieten, damit nachfolgende Forschung und öffentliche Diskurse die Tiefe, Modalitäten und Einsätze der semantischen Gefährdung des Persischen angemessen einschätzen können.

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.

Abstrakt Das öffentliche Vertrauen in Medien ist ein zentraler Bestandteil des Sozialkapitals und der kommunikativen Legitimität, wird jedoch zunehmend durch die schnelle Integration von Künstlicher Intelligenz und synthetischen Medien in die Nachrichtenproduktion und -verbreitung herausgefordert. Diese Studie untersucht alternative Zukünfte des öffentlichen Vertrauens in Medien im Zeitalter der KI und entwickelt szenariobasierte Erkenntnisse für den Iran bis zum Jahr 2036. Unter Verwendung eines Zukunftsstudien-Ansatzes kombiniert die Forschung Environmental Scanning und eine systematische Überprüfung akademischer und politischer Quellen (2018–2025) mit einer zweirundigen Delphi-Befragung von fünfzehn Expert:innen aus Medien, KI und Governance. Eine Strukturanalyse mittels der MICMAC-Methode untersuchte Einfluss–Abhängigkeits-Beziehungen zwischen Schlüsselvariablen und identifizierte Medien-Transparenz und die Qualität der KI-Regulierung als zwei kritische Unsicherheiten, die die zukünftigen Vertrauensverläufe prägen. Auf Basis dieser Achsen wurden vier alternative Szenarien entwickelt: Smart Trust, Total Distrust, Islands of Trust und Imposed Trust, die jeweils unterschiedliche Konfigurationen von Governance-Entscheidungen, Technologieeinsatz und Reaktionen des Publikums darstellen. Die Ergebnisse zeigen, dass zukünftige Muster des öffentlichen Vertrauens nicht technologisch deterministisch sind, sondern hauptsächlich durch institutionelle Transparenz, regulatorische Maßnahmen und Governance-Entscheidungen bestimmt werden. Die Studie schließt mit der Empfehlung, verantwortliche KI-Governance zu stärken, Medien-Transparenz zu erhöhen und in Medienkompetenz der Bevölkerung zu investieren, um das Mediensystem des Iran in eine nachhaltige und vertrauensbasierte Zukunft zu steuern.

Abstrakt Diese Studie untersucht, wie persischsprachige Nutzer auf X das von China entwickelte große Sprachmodell DeepSeek interpretieren und emotional darauf reagieren. Auf der Grundlage eines kuratierten Korpus von 1.112 Beiträgen iranischer Nutzer verwendet die Forschung einen Mixed-Methods-Ansatz, der Sentiment-Analyse, Themenmodellierung und Co-Occurrence-Netzwerkanalyse kombiniert. Die Ergebnisse zeigen eine geschichtete diskursive Landschaft, in der DeepSeek nicht nur als technisches Produkt fungiert, sondern als symbolischer Ort zur Aushandlung geopolitischer Ausrichtungen, epistemischen Vertrauens und technologischer Ambitionen dient. Sechs zentrale affektive Ausrichtungen – Neutralität, Skepsis, Hoffnung, Stolz, Angst und Ablehnung – strukturieren das Engagement der Nutzer mit dem Modell und spiegeln ambivalente, jedoch politisch informierte Reaktionen wider. Die thematische Analyse identifizierte acht wiederkehrende Themen, darunter Leistungsbewertungen, chinesische Souveränität, KI-Ethik und kulturelle Identität, die oft in komplexen rhetorischen Konfigurationen gemeinsam auftreten. Diese Ergebnisse deuten darauf hin, dass iranische Nutzer DeepSeek als Stellvertreter einsetzen, um über inländische technologische Einschränkungen, Plattformpolitik und die sich verschiebenden Konturen der globalen KI-Hegemonie nachzudenken.

Abstrakt Der vorliegende Beitrag untersucht das komplexe Wechselverhältnis zwischen Datenbias, algorithmischer Ethik und den gesellschaftlichen Konsequenzen digitaler Hermeneutik. Mit der zunehmenden Präsenz künstlicher Intelligenz in interpretativen Praxisfeldern insbesondere in der Auslegung religiöser und philosophischer Texte, geraten die Annahmen von Datenneutralität und algorithmischer Objektivität zunehmend in die Kritik. In einem analytisch-erklärenden Zugriff zeigt die Studie, dass Trainingsdaten keineswegs neutrale Träger von Information darstellen, sondern vielmehr kulturelle Vorverständnisse, Wertsetzungen und implizite Annahmen in sich tragen, die in algorithmischen Prozessen fortgeschrieben und reproduziert werden. Diese Reproduktion kann zu semantischer Verengung, zur Marginalisierung interpretativer Pluralität und in bestimmten Fällen sogar zur Verzeichnung heiliger Texte führen. Aus hermeneutischer Perspektive betont der Beitrag die Notwendigkeit, strikt zwischen menschlichem Vorverständnis und maschineller Datenverarbeitung zu unterscheiden. Es wird argumentiert, dass das Fehlen von Bewusstsein, kritischer Selbstreflexion und gelebter Erfahrung in algorithmischen Systemen die Möglichkeit eines eigentlichen Verstehens grundsätzlich ausschließt. Die gesellschaftlichen Implikationen dieser Begrenzung reichen weit über den Bereich der Textinterpretation hinaus und umfassen Gefährdungen der Privatsphäre, die Verstärkung sozialer Ungleichheiten sowie eine schleichende Erosion kultureller Vielfalt. Abschließend wird die These vertreten, dass digitale Hermeneutik nur dann ein konstruktives Potenzial entfalten kann, wenn die technischen Leistungsfähigkeiten künstlicher Intelligenz in einen Rahmen ethischer Governance, religiöser Reflexionsinstanzen und einer kontinuierlichen Rückbindung an etablierte hermeneutische Traditionen eingebettet werden.

Abstrakt Künstliche Intelligenz (KI) wird zunehmend als zentrales Werkzeug zur Neudefinition von digitalem Branding und Kundenbindung eingesetzt. Sie umfasst Techniken und Methoden, mit denen Unternehmen Markenwert schaffen, die Effektivität von Kundeninteraktionen erhöhen und Marketingstrategien verbessern. Die Analyse von Experteninterviews zeigt, dass KI-Anwendungen—durch Datenanalyse, fortgeschrittene Algorithmen, Modellierung und andere Techniken—erhebliche Veränderungen in digitalen Branding-Prozessen bewirken und gleichzeitig spezifische Chancen und Herausforderungen bieten. Diese Studie konzentriert sich darauf, KI-Techniken, überzeugende Effekte, Transformationen und Herausforderungen im Zusammenhang mit der Implementierung von KI im digitalen Marketing und der Kundenbindung zu identifizieren. Zur Beantwortung der Forschungsfragen wurde ein qualitativer, feldbasierter Ansatz verwendet. Siebzehn Experten im Bereich KI und digitales Branding wurden gezielt ausgewählt und mittels halbstrukturierter Interviews untersucht, wobei Expertise, Berufserfahrung und praktische Vertrautheit mit KI-Anwendungen im digitalen Branding berücksichtigt wurden. Die Interviews untersuchten die Erfahrungen, Wahrnehmungen und Einsichten der Experten bezüglich der Rolle und Funktionen von KI in Branding-Prozessen. Die Daten wurden mittels thematischer Analyse ausgewertet. Zunächst wurden Codes aus den Interviewtranskripten extrahiert, anschließend kategorisiert und zusammengeführt, um Unterthemen und schließlich die Hauptforschungsthemen zu identifizieren. Die Ergebnisse zeigen, dass die wichtigsten KI-Techniken im digitalen Branding skalierbare Rechenalgorithmen, maschinelles Lernen, Reinforcement-Learning-Algorithmen, Suchalgorithmen, operative Automatisierung, Empfehlungsalgorithmen, Dateninterpretation und -verarbeitung, Mensch-Computer-Interaktionsalgorithmen und KI-basierte Plattformen umfassen. Hinsichtlich der KI-getriebenen Transformationen wurden Themen wie dynamisches digitales Marketing, Veränderungen in Vertriebskanälen, personalisierte Markenkommunikation, dynamische Preisgestaltung, adaptive Geschäftsstrategien, verbesserte Cybersicherheit, Entwicklung interner und externer Datenbanken, verbesserte Kundenerfahrung, gestärkte Markenpositionierung, Entwicklung organisatorischer Prozesse und Systeme, erhöhte Entscheidungsqualität, Globalisierung der Marke, Bildung digitaler Geschäftsmodelle und Wertschöpfung identifiziert. Diese Forschung gehört zu den ersten Studien, die Funktionen und Ergebnisse von KI im digitalen Branding qualitativ auf Basis der Erfahrungen von Experten untersuchen und tiefgehende, praxisnahe Einblicke für Forscher und Praktiker liefern.

Abstrakt Abstract: Große Sprachmodelle (Large Language Models-LLMs) werden üblicherweise als neutrale technologische Fortschritte betrachtet. In den kritischen Digitalstudien wird jedoch zunehmend die Notwendigkeit empfunden und hervorgehoben, ihr Potenzial zur Aufrechterhaltung kolonialer Machtstrukturen im Cyberspace zu hinterfragen. Dieser Artikel argumentiert, dass LLMs als wirkmächtige Apparate des digitalen Neokolonialismus fungieren. Ziel ist es, dieses Phänomen im Bereich der literarischen KI zu diagnostizieren und einen dekolonialen Rahmen für deren zukünftige Entwicklung vorzuschlagen. Die Studie zeigt auf, wie die Protokolle der Datenextraktion und -verarbeitung systematisch westliche Epistemologien privilegieren. Anschließend entwickelt sie einen konzeptionellen Rahmen für die Praxis dekolonialer KI, der auf den Prinzipien der Reziprozität und epistemischen Gerechtigkeit basiert. Die Analyse hat ergeben, dass die extraktivistische Datensammlung, die von dominierenden LLMs genutzt wird, kulturelle und sprachliche Daten als ein Territorium der Aneignung behandelt, was den westlichen Literaturkanon privilegiert und marginalisierte Sprachen und Traditionen auslöscht. Dies hat zu sprachlicher Homogenisierung und epistemischer Ungerechtigkeit sowie zur Auferlegung ästhetischer Standards des globalen Westens geführt. Als Antwort darauf erzwingt der vorgeschlagene dekoloniale Rahmen einen Paradigmenwechsel von der Extraktion hin zur Reziprozität, der eine von Gemeinschaften geführte Datengovernance beinhaltet. Zudem muss KI von literarischen Autoren und Forschern als kollaboratives, ko-kreatives Werkzeug genutzt werden. Als weiteren dekolonialen Schritt müssen die eurozentrischen Bewertungskriterien in diesem Bereich konkret reformiert werden. Der dekoloniale Ansatz, der in diesem Papier vertreten wird, zielt darauf ab, die literarische KI grundlegend neu zu positionieren. Das ultimative Ziel dieser Neupositionierung ist die Förderung eines pluriversalen ästhetischen und epistemischen Regimes.

Abstrakt Menschen anthropomorphisieren computerisierte Entitäten wie die Generative Künstliche Intelligenz (GAI), indem sie ihnen menschenähnliche physische Merkmale, mentale Zustände oder soziale Eigenschaften zuschreiben, einschließlich Geschlecht. GAI reflektierte als soziotechnischer Akteur sowohl die Gesellschaft, die sie hervorbrachte, als auch formte diese. Entsprechend waren die Schnittstellen von GAI und Geschlecht wechselseitig ko-konstitutiv. Geschlecht war in KI-Technologien eingebettet, wurde reproduziert, vollzogen, materialisiert und verkörpert. Die vorliegende Studie untersuchte Anthropomorphisierung und die Vergeschlechtlichung von GAI aus einer sozialkonstruktivistischen Perspektive und analysierte, wie Individuen bei der Anthropomorphisierung von GAI (un)bewusst stereotype geschlechtliche Erwartungen übernahmen. In dieser Studie wurde ein eingebettetes Mixed-Methods-Design eingesetzt, bei dem quantitative Daten in einen überwiegend qualitativ ausgerichteten Forschungsansatz integriert wurden. Qualitative und quantitative Daten wurden simultan mittels gezielter Gelegenheitsstichprobe erhoben; 67 iranische Teilnehmende füllten den Online-Fragebogen aus. Die Studie begann mit einer autoethnografischen Vignette. Der quantitative Teil folgte der Logik der Q-Methodologie, wobei Teilnehmende als Variablen behandelt wurden, um unterscheidende Items zu identifizieren. Die qualitativen Daten wurden mithilfe der thematischen Analyse ausgewertet. Mehr als die Hälfte der Teilnehmenden wies GAI weder ein Geschlecht noch einen Namen zu, während etwa die Hälfte der verbleibenden Teilnehmenden ein variables Geschlecht (männlich, weiblich oder geschlechtslos) zuwies und die übrigen Teilnehmenden ein festes, überwiegend männliches Geschlecht attribuierten. Viele Teilnehmende anthropomorphisierten GAI nicht und betonten seinen maschinellen Charakter, während die Antworten anderer Teilnehmender zeigten, dass menschenähnliche Bindungen, Geschlechtszuschreibungen, Benennungspraktiken sowie die Art und Weise, wie diese anthropomorphen Praktiken durch die Nutzung von GAI geprägt wurden, breitere kulturelle Normen widerspiegelten. Dies deutete darauf hin, dass wahrgenommenes Geschlecht in GAI sozial hervorgebracht und nicht intrinsisch war. Da emotionale Bindungen zu zunehmend humanisierten GAI-Chatbots sowohl negative als auch positive Folgen haben können, ist eine Förderung der GAI-Kompetenz erforderlich. Es wird empfohlen, dass politische Entscheidungsträger und Bildungseinrichtungen Maßnahmen zur Stärkung der GAI-Kompetenz entwickeln und dass GAI-Unternehmen Formen der Selbstregulierung einführen, um Nutzer zu schützen.