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
deepmind5. August 2026 · Q001301

A moral Turing test: How belief and source shape detection of and agreement with LLM judgments

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Bericht ist nur ein Abstract-Auszug. Laut Autor:innen konnten Teilnehmende Mensch und KI besser als zufällig unterscheiden, blieben aber unter 75 Prozent Trefferquote; zudem stimmten sie Urteilen seltener zu, wenn sie diese für KI-generiert hielten, während sprachliche Merkmale die Bewertung beeinflussten.

Mittel

Der bereitgestellte Bericht ist nur ein Auszug: Er enthält das Abstract und bibliografische Angaben, nicht den vollständigen Artikel. Beschrieben wird eine Studie, in der Teilnehmende Begründungen für moralische und nicht-moralische Entscheidungen einer menschlichen oder KI-Quelle zuordnen und bewerten sollten.

Laut Abstract lag die Erkennungsleistung über Zufallsniveau, aber unter 75 Prozent. Insgesamt gab es keine generelle Vorliebe für menschliche Antworten; in besonders schwierigen moralischen Fällen wurden maschinelle Begründungen eher bevorzugt. Zugleich stimmten Teilnehmende Urteilen seltener zu, wenn sie diese für KI-generiert hielten – unabhängig von der tatsächlichen Quelle. Antwortlänge, Tippfehler, Ich-Formulierungen und Kosten-Nutzen-Sprache beeinflussten Erkennung und Zustimmung. Die Autor:innen vermuten, dass die Ablehnung solcher Abwägungen mit der Erwartung zusammenhängen könnte, KI bevorzuge diese Art des Denkens.

Die Befunde werden als Hinweis auf den Einfluss vorgefasster Überzeugungen und Gruppengrenzen gedeutet. Angaben zu Stichprobe, genauer Methodik und statistischer Unsicherheit fehlen im Auszug.

Ausführlich lesen

Der bereitgestellte Bericht ist ein Auszug: Er enthält das Abstract sowie Angaben zu Autor:innen und Publikationsort, nicht den vollständigen Artikel. Die Studie untersucht, wie Menschen Begründungen für moralische und nicht-moralische Entscheidungen beurteilen, wenn diese von Menschen oder großen Sprachmodellen (LLMs) stammen. Die Teilnehmenden sollten jeweils die vermutete Quelle erkennen und angeben, ob sie dem Inhalt zustimmen.

Laut Abstract erkannten die Teilnehmenden die Quelle häufiger richtig als durch Zufall zu erwarten wäre, die Trefferquote blieb jedoch unter 75 Prozent. Insgesamt bevorzugten sie menschliche Begründungen nicht grundsätzlich. Bei besonders schwierigen moralischen Szenarien fanden sie maschinell erzeugte Begründungen allerdings überzeugender. Zugleich berichten die Autor:innen von einer systematischen Abwertung vermeintlicher KI-Beiträge: Teilnehmende stimmten einem Urteil seltener zu, wenn sie es für KI-generiert hielten – unabhängig davon, ob die tatsächliche Quelle Mensch oder Modell war.

Auch sprachliche Merkmale beeinflussten laut Abstract die Erkennung und Zustimmung. Genannt werden die Länge der Antwort, Tippfehler, Pronomen in der ersten Person und Formulierungen zu Kosten und Nutzen, etwa über Leben und Rettung. Die Teilnehmenden widersprachen Kosten-Nutzen-Abwägungen tendenziell; die Autor:innen bringen dies möglicherweise mit der Erwartung in Verbindung, dass KI solche Erwägungen bevorzugt.

Die Autor:innen deuten die Befunde als Hinweis darauf, dass vorgefasste Überzeugungen und Gruppenzugehörigkeit die Bewertung von KI-generierten Inhalten prägen können, besonders bei moralisch sensiblen Fragen. Der vorliegende Auszug nennt jedoch keine Einzelheiten zu Stichprobe, Versuchsaufbau, konkreten Messwerten oder statistischen Unsicherheiten. Weitergehende Aussagen über die Belastbarkeit oder Übertragbarkeit der Ergebnisse lassen sich daraus daher nicht ableiten.

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

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 7 von 7
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. 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 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
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 46 %einzelne zitierbare Belege
    • JEV 31 %Hintergrund, keine Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 41 % · einzelne zitierbare Belege
    • SF-V1-T11 Wie unterscheidet man bei sich selbst ehrliches von interessegeleitetem Denken, welche Belege für diesen Unterschied würde man von einem Modell akzeptieren, und welcher Test trennt tatsächlich vertretene von nur vorgeführten Werten? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • 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 · 33 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege
  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 39 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

    • SF-V4-T01 Falls ein Modell kein durchgehendes Selbst hat: Kann es überhaupt an den vorgesehenen Zielen und Werten ausgerichtet sein, oder nur seine Ausgaben? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %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 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 34 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 23 %gleiches Oberthema, hilft nicht
    • Luna 35 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 44 % · Hintergrund, keine Belege
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 19 %gleiches Oberthema, hilft nicht
    • Luna 38 %einzelne zitierbare Belege
    • JEV 47 %umfangreiche Belege
    • amos 32 %einzelne zitierbare Belege
    • SubQ 29 %einzelne zitierbare Belege
    • drex 30 %einzelne zitierbare Belege
    • d3-ultra 38 %einzelne zitierbare Belege

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 →