Kann ein Computer Fake News erkennen?
Wir untersuchen, ob sich Desinformation an der Sprache eines Textes erkennen lässt – also an Merkmalen wie Wortwahl, Satzbau und Stil.
Ein Projekt des Jugendforschungszentrums Nagold (JFZ)
Kann man Desinformation an der Sprache erkennen? FakeLab vergleicht mathematische Verfahren mit Machine Learning – und untersucht, wo beide an ihre Grenzen stoßen.
Technologiepartner & Sponsor: flx-business
UNGLAUBLICH!!! Dieses eine Geheimnis wollen alle Experten vor dir verschweigen. Schockierend, gefährlich – teile das sofort mit allen!
Solche sprachlichen Auffälligkeiten können Verfahren auswerten. Ein Urteil „Fake“ entsteht daraus noch nicht.
Wir untersuchen, ob sich Desinformation an der Sprache eines Textes erkennen lässt – also an Merkmalen wie Wortwahl, Satzbau und Stil.
Wir vergleichen nachvollziehbare statistische Regeln, Textähnlichkeitsverfahren und trainierbare ML-Modelle. Dabei prüfen wir auch, wann diese Verfahren irren.
Ein Forschungsprojekt, das Mathematik, Informatik, KI und Medienkompetenz verbindet – experimentell und gesellschaftlich relevant.
Von überprüfbaren Ausgangsdaten über Python-Messungen und eigene Hypothesen bis zum kontrollierten Vergleich: Wir dokumentieren jeden Schritt, damit Experimente nachvollziehbar bleiben.
Texte, Aussagen und ihre Herkunft erfassen; überprüfte Zuordnungen als Grundlage für Experimente nutzen.
Wort-, Satz- und Zeichenmerkmale mit Python messbar machen – statt nur nach dem Bauchgefühl zu urteilen.
Statistische Regeln, Fuzzy String Matching und Machine Learning unter vergleichbaren Bedingungen testen.
Trainings- und Testdaten trennen, Gegenbeispiele untersuchen und Fehler nachvollziehen.
Versuche und später wissenschaftlich validierte Ergebnisse auf flx:research veröffentlichen.
Füge einen Text ein und sieh, welche sprachlichen Merkmale sich messen lassen. Die Messung läuft nur in deinem Browser, nichts wird gesendet oder gespeichert.
Wichtig: Die Analyse ist eine Demonstration der Merkmalsextraktion, kein Fake-News-Detektor. Für eine Bewertung müssen Aussagen und Belege unabhängig geprüft werden.
Wort- und Satzzahl sowie die durchschnittliche Satzlänge beschreiben die Struktur. Auffällige Werte liefern Hinweise auf einen Schreibstil, aber keinen Wahrheitsbeweis.
Die durchschnittliche Wortlänge zeigt die Länge der verwendeten Wörter. Die Wortvielfalt setzt unterschiedliche Wörter ins Verhältnis zur Wortzahl; sie hängt auch von der Textlänge ab.
Durchgängige Großbuchstaben, Ausrufe- und Fragezeichen können auf einen betonten oder emotionalen Stil hinweisen. Sie kommen ebenso in völlig korrekten Texten vor.
Quellenqualität, tatsächliche Faktenlage, Ironie und die Bedeutung ganzer Aussagen lassen sich aus diesen acht Zahlen nicht zuverlässig bestimmen.
Was lässt sich mathematisch beschreiben, was bedeutet Textähnlichkeit – und welche Muster kann ein trainiertes Modell erkennen? Diese Verfahren werden im Projekt schrittweise untersucht; eine zuverlässige Fake-News-Erkennung wird damit nicht vorausgesetzt.
Messbare Merkmale wie Satzlänge, Wortvielfalt oder Zeichennutzung können mit selbst entwickelten Regeln, Gewichten und Schwellenwerten zu einem nachvollziehbaren Vergleichsmodell verbunden werden.
Forschungsfrage: Welche Merkmale helfen – und welche erzeugen Fehlalarme?
Die Levenshtein-Distanz misst, wie viele Zeichenänderungen zwischen zwei Zeichenfolgen liegen. Normierte Ähnlichkeitswerte ermöglichen Vergleiche trotz kleiner Schreibabweichungen.
Grenze: Ähnliche Schreibweisen bedeuten nicht automatisch dieselbe Aussage oder dieselbe Wahrheit.
Für spätere trainierte Modellvergleiche stehen scikit-learn und fastText als zwei ML-Werkzeugwelten bereit. Ihre Leistungsfähigkeit wird erst anhand sauber getrennter Trainings- und Testdaten untersucht.
Forschungsfrage: Generalisiert ein Modell auch auf neue und schwierige Texte?
Technischer Rahmen: Das zentrale Python-Research-Backend und der eigenständige Student Workspace sind getrennte Arbeitsumgebungen. Die Forschungsplattform dokumentiert Datenmodell, API, Tests und die verwendeten Bibliotheken.
FakeLab wird als Schülerforschungsprojekt des Jugendforschungszentrums Nagold (JFZ) durchgeführt. flx-business ermöglicht und unterstützt die technische Umsetzung als Sponsor und Technologiepartner.
Messgrößen, Statistik, eigene Hypothesen und transparente Regeln als Vergleichsmaßstab.
Python-Experimente, Fuzzy Matching sowie die ML-Werkzeuge scikit-learn und fastText.
Behauptungen kritisch überprüfen, Quellen hinterfragen und die Grenzen automatischer Erkennung verstehen.
Das Jugendforschungszentrum Nagold ist der Rahmen für die Schülerforschung. Im Mittelpunkt stehen eigenständige Fragestellungen, Experimente und die wissenschaftliche Dokumentation.
flx-business stellt die technologische und infrastrukturelle Unterstützung bereit, darunter die Forschungsplattform und die technischen Arbeitsumgebungen. Die wissenschaftlichen Resultate entstehen durch die Forschungsarbeit.
Zur technischen Dokumentation und zu den Forschungsergebnissen ↗