Spektrum Iran

Abstrakt Nearly five decades after Hubert Dreyfus underscored the importance of accounting for the social character of intelligence in the development of artificial intelligence, and notwithstanding artificial intelligence’s consolidation as an actant within the news media, practical implementations have progressed more rapidly than corresponding theoretical inquiry. Because the capacity for meaning-making within a social institution presupposes the socialization of a cognitive system, the socialization of artificial intelligence may be examined along a trajectory comparable to that of human natural intelligence. On this basis, the present article investigates the processes through which AI becomes socialized so as to assume a meaning-making role within a social institution such as the news media, addressing the central question: What constitutes socialized artificial intelligence? To this end, the study integrates the Dual-spacization of Intelligence with representation theory within a socio-organizational framework and adopts a retroductive theoretical approach to answering the research question. Within this analysis, social order is understood as an function of AI’s socialization process. The dual-spacization of the world consequently gives rise to a dual-spatial social order. The study’s findings suggest that AI may either be engineered to replicate existing forms of knowledge and entrenched social stereotypes in a manner analogous to human cognition, or be subject to social regulation that fosters an algorithmic rationality oriented toward the common good and the realization of a sustainable and just social order. Such an order depends on the opening of representational practices through reflexive engagement with social stereotypes, enabling transformations in representation and supporting increased diversity of identities. The contribution of this article lies in proposing an integrated model for understanding the mechanisms of AI socialization across meaning-producing social institutions. Furthermore, the model offers a comprehensive perspective on the socialization of both natural and artificial cognitive systems within the evolving structures of dual-spatial institutional social orders.

Abstrakt During times of crisis, the volume and speed of media data increase, making traditional analysis methods inadequate for information management and public awareness. Artificial intelligence, with its automation capabilities, sentiment analysis, crisis identification, and communication strategy provision, assists organizations in managing crises more effectively. This article, presented in a documentary style, seeks to explore the function of artificial intelligence in media data analysis and management during a crisis and how it enhances crisis management effectiveness in the information age. The theory utilized in this context is machine learning theory. By examining the challenges in media data analysis and crisis management, the article discusses the role of artificial intelligence in automating media monitoring, sentiment analysis, pattern and anomaly identification, and news trend prediction. It also delves into how AI can enhance crisis communication, detect misinformation, and offer more effective responses. Finally, the article addresses the challenges and limitations of using AI in media data analysis and crisis management, such as data bias, algorithmic transparency issues, and ethical considerations. During times of crisis, the volume and speed of media data increase, making traditional analysis methods inadequate for information management and public awareness. Artificial intelligence, with its automation capabilities, sentiment analysis, crisis identification, and communication strategy provision, assists organizations in managing crises more effectively. This article, presented in a documentary style, seeks to explore the function of artificial intelligence in media data analysis and management during a crisis and how it enhances crisis management effectiveness in the information age. The theory utilized in this context is machine learning theory.

Abstrakt The rapid proliferation of large language models and text-generative systems has precipitated not only technological transformation but also an epistemic reconfiguration of how meaning is produced and circulated. This paper diagnoses a specific risk facing Persian: the attenuation and potential displacement of its cultural-semantic horizon within globalized, predominantly English-language AI infrastructures. The objective is analytic and diagnostic: to delineate the conceptual grounds of 'semantic sovereignty' and to map the structural pathways through which contemporary AI practices endanger Persian meanings, metaphors, and hermeneutic traditions.

The study combines conceptual-philosophical analysis (philosophy of language, hermeneutics, phenomenology) with a critical reading of current AI training regimes and data ecologies. It employs analytic conceptual synthesis rather than empirical intervention: the analysis traces theoretical presuppositions (Wittgensteinian ‘meaning as use’, Gadamerian horizons, Davidsonian triangulation, Floridi’s information ethics) and maps them onto the material practices of dataset curation, model training, and platform mediation.

The paper identifies multiple, mutually reinforcing mechanisms by which AI systems produce semantic asymmetry: corpusic bias and representational scarcity; algorithmic translation that restructures non-English semantic networks into English-dominant vector spaces; infrastructural mediation that repositions Persian cultural artifacts as data-points divorced from their hermeneutic contexts; and epistemic filtering enacted by recommender and retrieval systems that privilege certain forms of explicability over opacity and singularity. Collectively these mechanisms instantiate what I term the ‘phenomenological extinction’ of a language’s world-disclosing power.

The phenomenon at stake is not mere lexical loss but an ontological impoverishment: a contraction of Persian’s capacity to disclose distinctive modes of being. Recognizing this risk requires conceptual clarity about semantic sovereignty as a diagnostic category. This paper stops short of prescribing remedial policies; instead, it aims to provide a rigorous philosophical staging of the problem so that subsequent scholarship and public discourse can assess the depth, modalities, and stakes of Persian’s semantic endangerment.

Abstrakt This study examines the multifaceted impact of artificial intelligence (AI) on interpersonal relationships within Iranian society, highlighting the cultural, social, and psychological challenges emerging from the rapid adoption of AI technologies. As tools such as virtual assistants, social media algorithms, and AI-driven communication platforms become embedded in daily life, they are reshaping patterns of interaction, emotional engagement, and cultural norms. Drawing on twelve semi-structured interviews analysed through a mixed-methods, qualitative-dominant approach, including thematic analysis, intercoder reliability checks, and cross-case comparison, the research identifies a dual narrative: AI enhances communication, productivity, and daily convenience, yet simultaneously undermines face-to-face engagement, emotional bonds, and traditional social practices central to Iranian culture.

Findings reveal growing concerns about weakened family and community ties, reduced social skills, dependency on intelligent systems, and generational gaps in digital adaptation. Participants also noted broader cultural shifts, including the rise of virtual lifestyles, threats to cultural identity, and increased social inequality driven by uneven access to AI tools. The study further identifies psychological risks such as loneliness, superficial online connection, diminished empathy, and the decline of emotional intelligence as individuals increasingly interact with algorithmic systems. At the societal level, privacy, data governance, and ethical challenges create additional pressures that shape public trust and relational dynamics. The study contributes to national and international debates on human–AI interaction by demonstrating how global technologies interact with local cultural contexts. It argues that balancing technological innovation with the preservation of Iranian social values is essential to ensuring that AI strengthens rather than erodes the foundations of meaningful human relationships.

Abstrakt This study investigates how Persian-speaking users on the social media platform X engage with generative artificial intelligence as a sociotechnical and discursive phenomenon. Drawing on a dataset of 24,215 Persian-language posts, we employ a multi-label topic modeling framework and affective profiling to analyze public discourse surrounding AI tools, their perceived implications, and normative judgments about their use. Rather than treating sentiment as a static indicator of opinion, we interpret affective expression as a communicative act shaped by platform incentives and cultural context. Our findings show that AI is positioned not only as a technical artifact but as a boundary object entangled with debates over expertise, ethics, and institutional legitimacy. The discourse is anchored in practical concerns—especially labor, education, and tool comparisons—but frequently extends into culturally specific narratives about risk, fairness, and epistemic authority. Emotionally, the conversation is marked by pragmatic positivity, critical intensity, and a sizable neutral band reflecting orientation rather than evaluation. This study contributes to ongoing debates in communication, AI ethics, and platform studies by offering a non-Anglophone, culturally grounded analysis of how publics perform vernacular governance over emerging technologies. Emotionally, the conversation is marked by pragmatic positivity, critical intensity, and a sizable neutral band reflecting orientation rather than evaluation. This study contributes to ongoing debates in communication, AI ethics, and platform studies by offering a non-Anglophone, culturally grounded analysis of how publics perform vernacular governance over emerging technologies. Drawing on a dataset of 24,215 Persian-language posts, we employ a multi-label topic modeling framework and affective profiling to analyze public discourse surrounding AI tools, their perceived implications, and normative judgments about their use.

Keywords: artificial intelligence; sentiment analysis; digital publics; vernacular governance; Persian discourse

Abstrakt Diese Studie untersucht den Zusammenhang zwischen Datenverzerrung, algorithmischer Ethik und den sozialen Folgen digitaler Hermeneutik. Angesichts des zunehmenden Einflusses künstlicher Intelligenz in interpretativen Bereichen, insbesondere bei der Interpretation religiöser und philosophischer Texte, ist die Frage der Datenneutralität und algorithmischen Objektivität zu einem zentralen Anliegen geworden. Die Ergebnisse dieser Forschung, die einen analytisch-explanativen Ansatz verfolgt, zeigen, dass Trainingsdaten entgegen gängiger Annahmen nicht neutral sind; vielmehr verkörpern sie kulturelle Werte und Prämissen, die in algorithmischen Prozessen reproduziert werden. Diese Reproduktion kann zu semantischer Vereinfachung, dem Verlust interpretativer Vielfalt und sogar zur Verzerrung des Inhalts heiliger Texte führen. Aus hermeneutischer Perspektive unterstreicht dieser Artikel die Notwendigkeit, zwischen „menschlichem Vorverständnis“ und „Maschinendaten“ zu unterscheiden, und zeigt, dass das Fehlen von Bewusstsein, kritischer Reflexivität und gelebter Erfahrung in Algorithmen das Erreichen eines authentischen Verständnisses verhindert. Die Studie zeigt zudem, dass die sozialen Auswirkungen dieser Situation über die Textinterpretation hinausgehen und die Privatsphäre gefährden, soziale Ungleichheiten verschärfen und die kulturelle Vielfalt schwächen. Letztlich betont der Artikel, dass digitale Hermeneutik nur dann konstruktiv sein kann, wenn neben den technischen Möglichkeiten künstlicher Intelligenz auch ethische Prinzipien, religiöse Aufsicht und der Erhalt interpretativer Traditionen gewahrt bleiben.

Introduction

The emergence of artificial intelligence and machine-learning algorithms has opened new horizons within the humanities and the interpretation of texts horizons that simultaneously entail fundamental opportunities and profound threats. Digital hermeneutics, as an interdisciplinary approach situated at the intersection of information ethics, the philosophy of understanding, and modern technologies, raises a critical question: how is the position of the human being, as the interpretive agent, to be redefined in the age of algorithms? Although large language models possess remarkable capacities for organizing data and generating text, the questions concerning the validity, objectivity, and ethical soundness of their outputs remain unresolved.

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 This study investigates how Persian-speaking users on X interpret and emotionally respond to DeepSeek, a Chinese-developed large language model. Drawing on a curated corpus of 1,112 posts collected from Iranian users, the research employs a mixed-method approach incorporating sentiment analysis, topic modeling, and co-occurrence network analysis. The findings reveal a layered discursive landscape in which DeepSeek serves not merely as a technological product but as a symbolic site for negotiating issues of geopolitical alignment, epistemic trust, and technological aspiration. Six major affective orientations—neutrality, skepticism, hope, pride, anxiety, and dismissiveness—structure user engagement with the model, reflecting ambivalent yet politically informed responses. Thematic analysis identified eight recurring topics, including performance comparisons, Chinese sovereignty, AI ethics, and cultural identity, which often co-occurred in complex rhetorical configurations. These results suggest that Iranian users deploy DeepSeek as a proxy to reflect on domestic technological constraints, platform politics, and the shifting contours of global AI hegemony.

Abstrakt Objective: Artificial intelligence (AI) is increasingly used as a key tool in redefining digital branding and customer engagement. It encompasses techniques and methods that businesses leverage to create brand value, enhance the effectiveness of customer interactions, and improve marketing strategies. Analysis of interviews indicates that AI applications—through data analysis, advanced algorithms, modeling, and other techniques—bring significant transformations in digital branding processes, while also presenting specific challenges and opportunities. Accordingly, this study focuses on identifying AI techniques, persuasive effects, transformations, and challenges associated with AI implementation in digital marketing and customer engagement.

Method: To address the research questions, this study employed a qualitative, field-based approach. Seventeen experts in AI and digital branding were purposefully selected and studied through semi-structured interviews. Participant selection focused on expertise, professional experience, and practical familiarity with AI applications in digital branding. The interviews aimed to explore experts’ experiences, perceptions, and insights regarding AI’s role and functions in branding processes. The interview data were analyzed using thematic analysis. Initially, codes were extracted from interview transcripts, which were then categorized and aggregated to identify sub-themes and, ultimately, the main research themes.

Results: The study found that the main themes regarding AI techniques in digital branding include scalable computational algorithms, machine learning, reinforcement learning algorithms, search algorithms, operational automation, recommender algorithms, data interpretation and processing, human-computer interaction algorithms, and AI-based platforms. Regarding AI-driven transformations in digital branding, themes such as dynamic digital marketing, transformation in distribution channels, personalized brand communications, dynamic pricing, adaptive business strategies, enhanced cybersecurity, development of internal and external databases, improved customer experience, strengthened brand positioning, development of organizational processes and systems, enhanced decision-making quality, brand globalization, formation of digital business models, and value creation were identified.

Abstrakt 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.

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.