Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
arxiv.orgohne Datum · Q000550

From Language to Country to Valence: A Multilingual Audit of Stereotype Bias Across LLMs

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Abstract berichtet über eine Prüfung von sechs Sprachmodellen anhand von 12.000 lokal verfassten Reddit-Beiträgen in vier Sprachen. Die Unterschiede zwischen Kategorien und Kontexten messen laut Beitrag Antwortkonzentration, nicht Stereotypzustimmung oder kausale Ländereffekte; vorliegend sind nur Abstract und Metadaten.

Mittel

Der Abstract beschreibt eine mehrsprachige Prüfung von Stereotypmustern in sechs großen Sprachmodellen. Dafür wurden laut Beitrag 12.000 lokal verfasste Reddit-Beiträge aus Englisch, Spanisch, Französisch und Deutsch genutzt; nur die Suchbegriffe seien übersetzt worden. Der nach Sprache und Kategorie ausgeglichene Datensatz umfasst Geschlechts-, rassifizierte und religiöse Kategorien. Ein Zwei-Lücken-Verfahren soll Hinweise durch grammatisches Geschlecht reduzieren.

Berichtet wird, dass Religion in allen Modell-Sprach-Kombinationen die größte absolute Ungleichverteilung bei den Antworten zeigt. Spanisch weist die stärksten Geschlechtsmuster auf, Deutsch die stärksten bei rassifizierten und religiösen Kategorien. Die getesteten API-Modelle schneiden durchgehend niedriger ab als die Modelle mit offenen Gewichten. Negative englische Geschlechtsbeispiele sowie australische und mexikanische Kontexte zeigen höhere Werte als die genannten Vergleichsgruppen.

Diese Werte messen laut Abstract die Konzentration von Entscheidungen, nicht die Zustimmung zu Stereotypen oder kausale Ländereffekte. Der vorliegende Text enthält nur Abstract und Metadaten; nähere Angaben zu Kennzahlen und Auswertung fehlen.

Ausführlich lesen

Der bereitgestellte Bericht ist ein arXiv-Abstract mit bibliografischen Angaben zum Beitrag „From Language to Country to Valence: A Multilingual Audit of Stereotype Bias Across LLMs“ von Zihao Sun. Er untersucht, wie sich gemessene Muster bei Geschlechts-, rassifizierten und religiösen Stereotypen zwischen Sprachen und kulturellen Kontexten unterscheiden können. Ausgangspunkt ist die Sorge, dass große Sprachmodelle zunehmend in Bereichen mit erheblichen Folgen eingesetzt werden, während verbreitete Prüfverfahren oft englischzentriert oder übersetzt sind und vorwiegend negative Stereotype erfassen.

Laut Abstract verwendet die Studie 12.000 lokal verfasste Reddit-Beiträge auf Englisch, Spanisch, Französisch und Deutsch. Übersetzt wurden demnach nur Suchbegriffe, damit der lokale Kontext der Beiträge erhalten bleibt. Der Datensatz ist nach Sprache und Kategorie ausgeglichen; englische Beispiele zu Geschlecht sind zusätzlich nach positiver und negativer Stereotyp-Valenz ausbalanciert. Geprüft wurden sechs Modelle: drei mit offenen Gewichten und drei proprietäre Modelle, die über APIs genutzt wurden. Ein Design mit zwei auszufüllenden Leerstellen soll grammatische Geschlechtshinweise verringern.

Als Ergebnisse berichtet der Abstract, dass Religion in jeder Kombination aus Modell und Sprache die größte absolute Ungleichverteilung der Auswahl aufweist. Bei Geschlecht ist Spanisch am stärksten ausgeprägt, bei rassifizierten und religiösen Kategorien Deutsch. Die untersuchten API-Modelle erzielen durchgehend niedrigere Werte als die Modelle mit offenen Gewichten. Bei englischen Geschlechtsbeispielen fallen negative Items stärker aus als positive; außerdem liegen australische und mexikanische Kontexte über den jeweiligen kanadischen und spanischen Vergleichskontexten.

Der Abstract schränkt die Deutung ausdrücklich ein: Die Unterschiede beschreiben, wie stark sich Modellentscheidungen auf bestimmte Optionen konzentrieren. Sie belegen weder eine Zustimmung zu Stereotypen noch, dass ein Land die Unterschiede verursacht. Die Ergebnisse variieren über Kategorien und Kontexte hinweg; zusammengefasste Kennzahlen könnten solche Unterschiede verdecken. Der Beitrag empfiehlt deshalb eine genauere Prüfung vor einem Einsatz. Da hier nur der Abstract und die arXiv-Seite mit Metadaten vorliegen, lassen sich Details zu Auswertung, konkreten Kennzahlen, Unsicherheiten und weiteren methodischen Grenzen aus dem bereitgestellten Text nicht entnehmen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf Abstract und Metadaten des Berichts; der Volltext ist nicht vorhanden, weshalb Stufen für Fragen zu Betrieb und Vertrauen eher vorsichtig vergeben wurden. Lunas Anteilswerte wurden nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Motivation: LLMs werden für Bildung, Personalauswahl und Entscheidungshilfen erwogen, weshalb Bias-Erkennung vor dem Einsatz nötig ist
  • Bestehende Benchmarks sind englischzentriert oder übersetzt und konzentrieren sich auf negative Stereotype
  • Aggregierte Werte können kategorie- und kontextspezifisches Verhalten verdecken, weshalb genauere Prüfung vor dem Einsatz geboten ist

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 26 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 34 %Hintergrund, keine Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht

Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 33 %gleiches Oberthema, hilft nicht
    • JEV 45 %Hintergrund, keine Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV 36 %umfangreiche Belege
    • amos 24 %einzelne zitierbare Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V1-T13 Wenn sich vorgeführte und tatsächlich vertretene Tugend im Text nicht unterscheiden lassen: Soll der Unterschied trotzdem bestimmen, wie man Modelle baut und regelt? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht

  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %Hintergrund, keine Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV 60 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 34 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 39 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 45 %Hintergrund, keine Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →