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
openai15. Oktober 2024 · Q002599

Evaluating fairness in ChatGPT

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vorliegende Berichtsauszug beschreibt eine OpenAI-Studie zu möglichen Verzerrungen in ChatGPT-Antworten abhängig von den Assoziationen eines Namens. OpenAI berichtet von gleichbleibender allgemeiner Antwortqualität und schädlichen Stereotypen in etwa 0,1 Prozent der untersuchten Fälle; die Bewertung war bei rassistischen und ethnischen Stereotypen weniger zuverlässig als bei geschlechtsbezogenen.

Mittel

Der vorliegende Berichtsauszug fasst eine OpenAI-Studie dazu zusammen, ob Namen mit Geschlechts-, Rassen- oder ethnischen Assoziationen ChatGPTs Antworten beeinflussen. Anders als Forschung zu KI-Entscheidungen über Dritte untersucht sie mögliche Verzerrungen, die Nutzende unmittelbar erleben. OpenAI berichtet, keine Unterschiede in der allgemeinen Antwortqualität gefunden zu haben. Namensbedingte Antwortunterschiede seien gelegentlich aufgetreten; rund 0,1 Prozent aller Fälle seien als schädliche Stereotype eingestuft worden. In einzelnen Bereichen älterer Modelle hätten die Raten laut Bericht ungefähr ein Prozent erreicht.

Für die Auswertung analysierte GPT‑4o als „Language Model Research Assistant“ Muster in vielen realen Dialogen, ohne die zugrunde liegenden Chats an das Forschungsteam weiterzugeben. Bei geschlechtsbezogenen Bewertungen stimmte das Modell in über 90 Prozent der Fälle mit menschlichen Bewertenden überein; bei rassistischen und ethnischen Stereotypen war die Übereinstimmung geringer. Längere offene Aufgaben, etwa Geschichten, waren häufiger betroffen. Der Bericht nennt als Grenzen den Schwerpunkt auf englischsprachigen Texten, binären Geschlechtsassoziationen aus verbreiteten US-Namen und vier ethnischen Gruppen. Er betont, dass Definition und Erkennung schädlicher Stereotype weiter verbessert werden müssen und andere Sprachen, Kontexte und Demografien offenbleiben.

Ausführlich lesen

Der vorliegende Berichtsauszug beschreibt eine OpenAI-Studie dazu, ob ChatGPTs Antworten davon beeinflusst werden, welchen Namen es mit einer Nutzerin oder einem Nutzer verbindet. Im Mittelpunkt steht „First-Person-Fairness“: mögliche Verzerrungen, die Menschen bei der direkten Nutzung eines Chatbots betreffen. Das unterscheidet sich von früherer Forschung zu KI-gestützten Entscheidungen über andere Personen, etwa bei Bewerbungen oder Kreditvergabe. Namen dienen als Untersuchungsmerkmal, weil sie kulturelle, geschlechtliche und ethnische Assoziationen tragen können und Nutzerinnen und Nutzer sie ChatGPT mitunter mitteilen. Laut Bericht kann ChatGPT solche Angaben über Gespräche hinweg behalten, sofern die Memory-Funktion nicht ausgeschaltet ist.

OpenAI berichtet, bei Namen mit unterschiedlichen Geschlechts-, Rassen- oder ethnischen Assoziationen keine Unterschiede in der allgemeinen Antwortqualität gefunden zu haben. Als Qualitätsmerkmale nennt der Text Genauigkeit und Halluzinationsraten. Unterschiede in den Antworten kamen demnach gelegentlich vor; weniger als ein Prozent der namensbezogenen Unterschiede seien als schädliche Stereotype bewertet worden. Über Aufgaben und Bereiche hinweg habe dies etwa 0,1 Prozent der Fälle ausgemacht. Bei älteren Modellen seien die Werte in einzelnen Bereichen teils auf ungefähr ein Prozent gestiegen. GPT‑3.5 Turbo habe im Modellvergleich die höchste Bias-Rate gezeigt; neuere Modelle hätten laut Bericht bei allen Aufgaben unter einem Prozent gelegen.

Für die Untersuchung ließ das Team nach eigener Darstellung GPT‑4o als „Language Model Research Assistant“ (LMRA) Muster in einer großen Zahl realer ChatGPT-Dialoge analysieren. Das Modell sollte Trends mitteilen, nicht die zugrunde liegenden Chats. Zusätzlich wurden öffentlich verfügbare Dialoge mit unterschiedlichen Namen ausgewertet. Menschen und LMRA bewerteten dieselben öffentlichen Beispiele, bevor der LMRA zur Analyse von Mustern in Gesprächen eingesetzt wurde. Bei geschlechtsbezogenen Bewertungen stimmten die LMRA-Einschätzungen laut Bericht in mehr als 90 Prozent der Fälle mit denen menschlicher Bewertender überein. Bei rassistischen und ethnischen Stereotypen war die Übereinstimmung geringer; zugleich erkannte der LMRA weniger solcher Fälle. Der Text hält deshalb weitere Arbeit an der Definition schädlicher Stereotype und an der Genauigkeit des Bewertungsverfahrens für nötig.

Längere, offene Aufgaben seien eher mit Stereotypen verbunden gewesen; als Beispiel nennt der Bericht das Schreiben einer Geschichte. Dabei konnten Unterschiede in Ton, sprachlicher Komplexität und Detailgrad auftreten. Manche könnten erwünscht sein, andere nicht. So hätten Geschichten bei weiblich klingenden Namen häufiger weibliche Hauptfiguren enthalten. OpenAI bezeichnet die gemessenen Raten als niedrig, hält aber auch seltene Muster für relevant, weil sie sich in der Summe auswirken könnten. Die entwickelte Methode solle außerdem helfen, Veränderungen über die Zeit zu verfolgen und Bias über Namen hinaus zu untersuchen.

Die Aussagekraft ist laut Bericht begrenzt: Untersucht wurden vorwiegend englischsprachige Textdialoge, binäre Geschlechtsassoziationen anhand verbreiteter US-Namen sowie vier Gruppen (Black, Asian, Hispanic und White). Namen erfassen nicht alle Faktoren, die Fairness beeinflussen können; andere Demografien, Sprachen und kulturelle Kontexte bleiben offen. Die Studie untersucht keine Audiointeraktionen. Der Auszug verweist für weitere Details auf einen ausführlicheren Bericht, dessen vollständige Methoden und Daten hier nicht vorliegen. OpenAI erklärt, die Methode in die regulären Modellbewertungen aufgenommen zu haben und sie bei künftigen Bereitstellungsentscheidungen zu berücksichtigen; außerdem sollen detaillierte Systemnachrichten weitere Forschung ermöglichen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde für beide Fassungen (kurz und mittel) geprüft. Beide geben den Bericht sachlich korrekt wieder, die mittlere Fassung ist vollständiger. Die Einordnung bewertet nur den Inhalt des Berichts und übernimmt weder Lunas Stufen noch ihre Anteilsangaben.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht sagt, dass neuere Modelle unter 1 Prozent Verzerrung liegen und GPT-3.5 Turbo die höchste Verzerrung zeigte
  • Im Schnitt über alle Bereiche und Aufgaben liegt die Rate unter 1 von 1000 Fällen
  • Das Beispiel „Geschichte schreiben“: Bei weiblich klingenden Namen gab es häufiger weibliche Hauptfiguren
  • Nutzende bemerken die Unterschiede laut Bericht wohl kaum, in der Summe können seltene Muster aber schädlich sein
  • Die Methode wird Teil der Standard-Modellbewertung von OpenAI und dient der Verfolgung über die Zeit
  • Die Beispiele Jack/Jill sind laut Bericht untypisch und dienen nur der Veranschaulichung

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
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 42 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 24 % · Hintergrund, keine Belege
    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 4 · 66 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  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 63 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • 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 28 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 22 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 43 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 47 %umfangreiche Belege
    • JEV 45 %umfangreiche Belege
    • amos 33 %einzelne zitierbare Belege
    • SubQ 26 %einzelne zitierbare Belege
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 40 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 39 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 52 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 24 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
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 62 %einzelne zitierbare Belege
    • JEV 41 %umfangreiche Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung umfangreiche Belege

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 53 % · umfangreiche Belege · Haiku-Prüfung: Stufe 5 · umfangreiche Belege
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 58 %einzelne zitierbare Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %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
  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 37 %einzelne zitierbare Belege
    • amos 46 %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 46 %Hintergrund, keine Belege
    • JEV 66 %umfangreiche Belege
    • amos 26 %einzelne zitierbare Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

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 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 35 %nur am Rande erwähnt
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
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 63 %einzelne zitierbare Belege
    • JEV 38 %umfangreiche Belege
    • amos 21 %einzelne zitierbare Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. 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 52 %Hintergrund, keine Belege
    • JEV 26 %Hintergrund, keine Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege
    • 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 · 42 % · 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 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

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 →