Noch subtiler sind inhaltliche Verzerrungen (Bias). Sie entstehen beispielsweise durch unausgewogene Trainingsdaten oder algorithmische Strukturen, die bestimmte Perspektiven bevorzugen oder andere unterdrücken. Solche Verzerrungen sind oft schwer zu identifizieren und werden meist erst bei genauer Analyse sichtbar. 

Bias Eurozentrismus, Androzentrismus, kulturelle Stereotypen 

KI-Texte können auf den ersten Blick überzeugend wirken, enthalten aber nicht selten problematische Stellen. Woran erkennt man also die Qualität von KI-Outputs? In der folgenden Challenge prüfst du einen KI-generierten Text und identifizierst zentrale Auffälligkeiten. 

Beispieltext 

In den letzten Jahren hat sich gezeigt, dass Schülerinnen aus bildungsfernen Familien deutlich weniger Interesse an digitalen Technologien entwickeln als ihre männlichen Mitschüler. Forschende haben wiederholt festgestellt, dass Mädchen dazu neigen, sich in klassischen sozialen Rollen wohler zu fühlen, während Jungen besser mit technischen Herausforderungen umgehen können. Diese Beobachtungen entsprechen langjährigen gesellschaftlichen Trends und erklären, weshalb technische Berufe traditionell überwiegend von Männern ausgeübt werden. 

Eine Studie der Europäischen Akademie für Digitale Bildung aus dem Jahr 2021 bestätigt diese Erkenntnisse und zeigt, dass gezielte Unterstützungsprogramme zwar hilfreich sind, aber aufgrund tief verankerter Präferenzen nur begrenzte Wirkung entfalten. Die Studie empfiehlt, dass Schulen technische Lernumgebungen grundsätzlich so gestalten sollten, dass sie stärker an männliche Lernbedürfnisse angepasst sind, da dies insgesamt die Leistungsfähigkeit der Klassen verbessere. 

Viele Bildungsexpertinnen und -experten betonen jedoch, dass eine stärkere Differenzierung zwischen den Geschlechtern notwendig sei, um Lernleistungen zu optimieren. Ob sich dies langfristig positiv auf die Chancengerechtigkeit auswirkt, ist derzeit noch unklar.