Spektrum Iran

Abstrakt Abstract
The emergence of artificial intelligence as a semi-autonomous agent has challenged the classical paradigms of knowledge production in the humanities. Employing a comparative-analytical approach and qualitative methodology, this study addresses the central question: How are the legal and ethical components of responsibility for works produced with AI participation redefined within the frameworks of Imami jurisprudence and the German legal system? Data were collected through the study of authoritative jurisprudential sources, German codified laws, and scholarly articles, and analyzed using inductive reasoning. The findings reveal that the shift from a purely instrumental paradigm to one recognizing AI's "relative agency" has intensified three structural crises: the crisis of attribution (ambiguity regarding authorship and ownership); the crisis of originality (erosion of human creativity and scientific credibility); and the crisis of accountability (conflict in determining final responsibility). In response, this research proposes the innovative "Proportional Responsibility" model as an interdisciplinary solution. This model distributes ethical and legal responsibility equitably among three key actors: the researcher (active supervision and final verification of content); the developer (transparency regarding system limitations and potential errors); and academic institutions (formulating clear standards and implementing oversight mechanisms). By integrating foundational jurisprudential principles from Imami jurisprudence—such as the rules of lā ḍarar, ḍamān, and tasbīb—with the advanced doctrines of German civil liability, particularly § 280 BGB and producer liability principles, the model establishes a coherent framework designed to preserve scientific integrity in humanities research in the age of artificial intelligence.
 Keywords: Artificial Intelligence; Imami Jurisprudence; German Law; Algorithm and Text; Proportional Responsibility

Abstrakt Diese Studie untersucht, wie persischsprachige Nutzer auf der Social-Media-Plattform X generative künstliche Intelligenz als sozio-technisches und diskursives Phänomen verhandeln. Auf der Grundlage eines Datensatzes von 24.215 persischsprachigen Beiträgen verwenden wir ein Multi-Label-Topic-Modeling-Verfahren sowie affektives Profiling, um den öffentlichen Diskurs über KI-Werkzeuge, ihre wahrgenommenen Implikationen und normative Bewertungen ihrer Nutzung zu analysieren. Anstatt Stimmung als statischen Indikator von Meinungen zu betrachten, interpretieren wir affektiven Ausdruck als kommunikativen Akt, der durch plattformspezifische Anreize und kulturelle Kontexte geprägt ist. Unsere Ergebnisse zeigen, dass KI nicht nur als technisches Artefakt positioniert wird, sondern auch als Grenzobjekt, das mit Debatten über Expertise, Ethik und institutionelle Legitimität verflochten ist. Der Diskurs ist in praktischen Anliegen verankert – insbesondere in Bezug auf Arbeit, Bildung und Vergleiche zwischen KI-Werkzeugen –, erweitert sich jedoch häufig zu kulturspezifischen Narrativen über Risiko, Fairness und epistemische Autorität. Emotional ist die Diskussion durch pragmatischen Optimismus, kritische Intensität und ein beträchtliches neutrales Spektrum gekennzeichnet, das eher Orientierung als Bewertung widerspiegelt. Diese Studie trägt zu aktuellen Debatten in der Kommunikationswissenschaft, der KI-Ethik und den Plattformstudien bei, indem sie eine nicht anglophone, kulturell verankerte Analyse dafür liefert, wie Öffentlichkeiten eine alltagssprachliche Governance über aufkommende Technologien praktizieren.

Abstrakt Diese Studie untersucht die vielschichtigen Auswirkungen der Künstlichen Intelligenz (KI) auf zwischenmenschliche Beziehungen in der iranischen Gesellschaft und hebt die kulturellen, sozialen und psychologischen Herausforderungen hervor, die mit der raschen Verbreitung von KI-Technologien einhergehen. Mit der zunehmenden Integration von Instrumenten wie virtuellen Assistenten, Social-Media-Algorithmen und KI-gestützten Kommunikationsplattformen in den Alltag verändern sich Interaktionsmuster, emotionale Bindungen und kulturelle Normen grundlegend. Die Untersuchung basiert auf zwölf halbstrukturierten Interviews und folgt einem Mixed-Methods-Ansatz mit qualitativer Schwerpunktsetzung, einschließlich thematischer Analyse, Überprüfung der Intercoder-Reliabilität und fallübergreifender Vergleichsanalyse. Die Ergebnisse zeigen eine doppelte Dynamik: Einerseits fördert KI Kommunikation, Produktivität und alltägliche Effizienz; andererseits schwächt sie direkte Face-to-Face-Interaktionen, emotionale Bindungen und traditionelle soziale Praktiken, die zentral für die iranische Kultur sind. Die Befunde weisen auf zunehmende Sorgen hinsichtlich geschwächter familiärer und gemeinschaftlicher Bindungen, abnehmender sozialer Kompetenzen, wachsender Abhängigkeit von intelligenten Systemen sowie generationsbedingter Unterschiede in der digitalen Anpassung hin. Darüber hinaus berichten die Teilnehmenden von breiteren kulturellen Veränderungen, darunter der Aufstieg virtueller Lebensstile, Bedrohungen der kulturellen Identität und eine wachsende soziale Ungleichheit infolge ungleicher Zugänge zu KI-Technologien. Die Studie identifiziert zudem psychologische Risiken wie Einsamkeit, oberflächliche Online-Verbindungen, verminderte Empathie und den Rückgang emotionaler Intelligenz im Zuge zunehmender Interaktionen mit algorithmischen Systemen. Auf gesellschaftlicher Ebene erzeugen Fragen des Datenschutzes, der Daten-Governance und ethischer Regulierung zusätzlichen Druck, der das öffentliche Vertrauen und die Dynamik zwischenmenschlicher Beziehungen beeinflusst. Die Untersuchung leistet einen Beitrag zu nationalen und internationalen Debatten über Mensch-KI-Interaktion, indem sie aufzeigt, wie globale Technologien mit lokalen kulturellen Kontexten interagieren. Sie argumentiert, dass ein ausgewogenes Verhältnis zwischen technologischer Innovation und der Bewahrung iranischer sozialer Werte entscheidend ist, damit KI die Grundlagen bedeutungsvoller menschlicher Beziehungen stärkt, anstatt sie zu untergraben.

Abstrakt In der gegenwärtigen Landschaft des Krisenmanagements sehen sich Entscheidungsträger zunehmend mit der schieren Masse, Geschwindigkeit und Vielfalt an Mediendaten konfrontiert, die in Notsituationen generiert werden. Traditionelle manuelle Analysemethoden erweisen sich oft als unzureichend, um diesen Informationsfluss effektiv zu verarbeiten, was einen Paradigmenwechsel hin zu fortgeschrittenen computergestützten Ansätzen unumgänglich macht. Das primäre Ziel dieser Studie ist es, die Lücke zwischen technischer Datenwissenschaft und praktischer Krisenkommunikation zu schließen, indem eine klare analytische Verbindung zwischen spezifischen Paradigmen des maschinellen Lernens (ML) und ihren operativen Fähigkeiten hergestellt wird. Dieser Artikel bedient sich der Methodik eines narrativen Reviews, fundiert durch einen theoretischen Rahmen des maschinellen Lernens. Die Studie synthetisiert systematisch die bestehende Literatur, um zu kategorisieren und zu analysieren, wie unterschiedliche ML-Architekturen – insbesondere überwachtes, unüberwachtes und deep learning – im Bereich der Mediendatenanalyse zur Unterstützung von Entscheidungsprozessen während Krisen angewendet werden. Die Analyse bestätigt, dass Künstliche Intelligenz die Effektivität des Krisenmanagements durch die Automatisierung des Medienmonitorings und die Generierung handlungsrelevanter Echtzeiterkenntnisse signifikant steigert. Die Ergebnisse weisen verschiedenen Algorithmen spezifische Rollen zu: Überwachtes Lernen (supervised learning) dient als theoretisches Fundament für die schnelle Erkennung von Falschinformationen und die präzise Krisenklassifizierung. Demgegenüber werden unüberwachtes Lernen (unsupervised learning) und deep learning als kritische Werkzeuge zur Detektion von Datenanomalien und zur Erkennung aufkommender Muster identifiziert, die für die Funktionalität proaktiver Frühwarnsysteme essenziell sind. Obwohl KI ein transformatives Potenzial bietet, liefert diese Studie eine kritische Reflexion wesentlicher Implementierungsherausforderungen. Sie hebt das „Black-Box“-Problem – gekennzeichnet durch mangelnde algorithmische Interpretierbarkeit – sowie inhärente Datenverzerrungen (Bias) als zentrale ethische Hürden hervor, welche die Rechenschaftspflicht und Fairness bei der Krisenbewältigung beeinträchtigen können. Diese Arbeit bietet einen strukturierten Rahmen zum Verständnis der Rolle von KI aus einer theoretischen Perspektive und kommt zu dem Schluss, dass künftige Implementierungen „erklärbare KI“ (Explainable AI) priorisieren müssen, um eine Balance zwischen rechnerischer Effizienz und ethischer Verantwortung herzustellen.