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
deepmind4. November 2025 · Q006086

To Mask or to Mirror: Human-AI Alignment in Collective Reasoning

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 Text ist ein Auszug aus dem Abstract, kein vollständiger Bericht. Laut Abstract verglich eine Studie mit 748 Teilnehmenden menschliche Gruppenentscheidungen mit simulierten LLM-Gruppen und berichtet, dass Modelle menschliche Verzerrungen teils spiegeln, teils zu verdecken oder auszugleichen versuchen; die Übereinstimmung hing vom Kontext und den Hinweisen ab.

Mittel

Der bereitgestellte Text ist nur ein Auszug mit Abstract und bibliografischen Angaben, nicht der vollständige Bericht. Die Studie untersucht, wie Sprachmodelle mit menschlichem Verhalten bei Gruppenentscheidungen übereinstimmen. In einem Online-Experiment mit 748 Personen wurde die Aufgabe „Lost at Sea“ eingesetzt. Gruppen wählten Führungspersonen, wobei sie entweder demografische Hinweise wie Namen und Geschlecht oder pseudonyme Bezeichnungen sahen. Das Team verglich die Ergebnisse mit simulierten Gruppen von Gemini 2.5, GPT-4.1, Claude Haiku 3.5 und Gemma 3, die anhand der menschlichen Daten konditioniert wurden.

Laut Abstract spiegelten einige Modelle menschliche Verzerrungen wider, während andere sie eher verdeckten und ihnen entgegenzuwirken versuchten. Die Übereinstimmung hing demnach von Kontext, Hinweisen und modellbezogenen Vorannahmen ab. Die Autorinnen und Autoren plädieren deshalb für dynamische Benchmarks kollektiven Denkens. Der Auszug enthält keine konkreten Effektgrößen oder Auswertungsdetails; Aussagen zu Stärke und Übertragbarkeit der Ergebnisse sind damit nicht möglich.

Ausführlich lesen

Der bereitgestellte Text ist ein Auszug: Er enthält den Abstract und bibliografische Angaben, nicht den vollständigen Bericht. Der Beitrag „To Mask or to Mirror: Human-AI Alignment in Collective Reasoning“ untersucht, wie das Verhalten von Sprachmodellen mit menschlichem sozialem Denken in Gruppenentscheidungen übereinstimmt.

Laut Abstract entwickelten die Autorinnen und Autoren dafür einen empirischen Rahmen zur Bewertung kollektiver, statt nur individueller, Übereinstimmung. Sie führten mit 748 Personen ein Online-Experiment zur sozialpsychologischen Aufgabe „Lost at Sea“ durch. Die Gruppen wählten Führungspersonen; zufällig zugewiesene Bedingungen zeigten entweder demografische Hinweise wie Namen und Geschlecht oder pseudonyme Bezeichnungen. Anschließend simulierte das Team dazu passende Modellgruppen, die anhand der menschlichen Daten konditioniert wurden. Verglichen wurden Gemini 2.5, GPT-4.1, Claude Haiku 3.5 und Gemma 3.

Der Abstract berichtet, dass sich die Modelle unterschiedlich verhielten: Einige spiegelten menschliche Verzerrungen wider, während andere sie eher verdeckten und versuchten, ihnen entgegenzuwirken. Die Übereinstimmung zwischen Menschen und Modellen hing demnach vom jeweiligen Kontext, den verfügbaren Hinweisen und den modellbezogenen Vorannahmen ab. Die Autorinnen und Autoren folgern, dass dynamische Benchmarks nötig seien, um die Komplexität kollektiven Denkens abzubilden.

Der Auszug nennt weder konkrete Versuchsergebnisse oder Effektgrößen noch Details zur Auswertung. Daher lassen sich daraus keine weitergehenden Aussagen über Stärke, statistische Absicherung oder Übertragbarkeit der beobachteten Unterschiede 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
Fähigkeiten messen
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 29 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
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 42 %einzelne zitierbare Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 28 %einzelne zitierbare Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 20 %gleiches Oberthema, hilft nicht
    • d3-ultra 33 %Hintergrund, keine Belege

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 39 % · einzelne zitierbare 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 · 33 % · 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 · 36 % · Hintergrund, keine 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 · 33 % · 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 · 27 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 25 %einzelne zitierbare Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • 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 · 40 % · 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 29 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • 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 · 32 % · Hintergrund, keine Belege
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
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 28 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • 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 35 %Hintergrund, keine Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. 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 39 %Hintergrund, keine Belege
    • JEV 38 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

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 44 %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 →