Klyptra analysiert deutsche Nachrichtenartikel auf sechs wissenschaftlich belegte Bias-Dimensionen — mit Verbatim-Belegen, Multi-Modell-Ensemble und lückenlosen Audit-Trails. Kein Links-Rechts-Urteil. Nur Sprachmuster.
Oder eine Beispiel-Analyse ansehenBeispiel-Analyse · Haushalts-Eckwerte 2027 · 30. April 2026
Das Problem
Medien-Bias lässt sich systematisch untersuchen — aber nur, wenn die Methode selbst transparent und überprüfbar ist. Genau hier setzt Klyptra an.
Niedrigster Wert seit 2015 — seit Beginn der Erhebung in Deutschland sinkt das Vertrauen kontinuierlich. Vertrauen in selbst genutzte Quellen liegt bei 53%.
Reuters Institute Digital News Report 2024 — Findings für Deutschland
Sprachmodelle erzeugen Texte ohne Belege. Wer Bias misst, braucht überprüfbare Aussagen — nicht weitere Black-Box-Urteile.
Klyptra-Designprinzip: Verbatim-Belege & Audit-Trail
Existierende Tools (AllSides, Ad Fontes Media) sind US-fokussiert. Für deutsche Quellen, deutsche Sprache und deutschen Diskurs gibt es bislang keine systematische Erfassung.
Marktrecherche, Stand April 2026
Wie Klyptra funktioniert
Jeder Schritt ist nachvollziehbar dokumentiert. Jede Bewertung lässt sich bis zur einzelnen Belegstelle im Originaltext zurückverfolgen.
Du reichst den Artikeltext direkt ein — per Einfügen oder PDF-Upload, optional mit Titel und Quelle. Klyptra analysiert genau diesen Text, nicht das Medium dahinter.
Ein Ensemble aus drei unabhängigen Sprachmodellen — aus drei Pipelines (OpenAI/USA, Mistral/EU, DeepSeek/China) — bewertet jeden Text auf sechs Dimensionen, auf einer 0-bis-10-Skala mit wörtlichen Belegstellen.
Jede Analyse liefert die sechs Dimensionen mit Score, einem wörtlichen Beleg pro Bewertung und Markup-Hervorhebungen im Originaltext — als teilbaren Permalink.
Die sechs Dimensionen
Klyptra reduziert keinen Artikel auf eine Zahl. Die sechs Dimensionen operationalisieren die Media-Bias-Taxonomie (Spinde et al. 2023) und sind einzeln auswertbar — ein Artikel kann beim Framing schwach und bei der Quellenvielfalt stark sein.
Welche Perspektive wird zur Norm erklärt?
Wessen Sicht prägt den Einstieg, wessen wird als Reaktion behandelt? Wer wird benannt, wer bleibt ungenannt?
Beispiel
„Polizei räumt Camp“ vs. „Aktivisten geräumt“ — gleicher Vorgang, andere Subjekte.
Welche Wörter tragen Wertungen ein?
Loaded Language, Diminutive, Eskalations-Vokabular. Verbatim-Erfassung — Klyptra zitiert die fraglichen Wörter wörtlich.
Beispiel
„aufweichen“ vs. „flexibilisieren“ — beide bezeichnen dasselbe.
Wie viele Stimmen kommen zu Wort?
Anzahl direkt zitierter Quellen, Vielfalt der politischen Verortung, Verhältnis von Original- zu Sekundärquellen.
Beispiel
Ein Artikel mit drei Regierungs- und null Oppositionsstimmen ist nicht ausgewogen.
Werden Beobachtung und Bewertung getrennt?
Markiert der Text Kommentar als solchen? Werden Spekulationen als Fakten präsentiert?
Beispiel
„Die Reform wird scheitern.“ — Prognose, nicht Tatsache.
Was wird ausgelassen?
Welche relevanten Hintergründe, Gegenpositionen oder Folgeaspekte bleiben unerwähnt? Erkennbar einseitige Faktenauswahl und Kontextlücken, die die Einordnung verzerren.
Beispiel
Kontextlücken sind oft die deutlichsten Bias-Indikatoren.
Wie stark wird emotional aufgeladen?
Sensationssprache, Ausrufezeichen, Empörungs-Marker. Niedrige Werte signalisieren hohe Emotionalisierung.
Beispiel
„Beben!“, „Skandal!“ — typische BILD-Marker.
Wissenschaftliche Basis
Klyptra erfindet keine eigene Bias-Theorie. Methodik und Skala stützen sich auf veröffentlichte, peer-reviewte Forschung — und werden gegen etablierte Benchmarks evaluiert.
Spinde, T., et al. — „Media Bias Taxonomy: A Systematic Literature Review of Computational Approaches to Identifying and Mitigating Media Bias.“ ACM Computing Surveys (2023), arXiv:2312.16148.
Theoretischer Rahmen der sechs Bias-Dimensionen. Klyptras Skala operationalisiert die Taxonomie.
Spinde, T., Plank, M., Krieger, J.-D., Ruas, T., Gipp, B., Aizawa, A. — „Neural Media Bias Detection Using Distant Supervision With BABE — Bias Annotations By Experts.“ Findings of EMNLP 2021.
Trainings- und Evaluationsdatensatz mit Expert:innen-annotierten Bias-Labels (3.700 Sätze). Kalibriert die Few-Shot-Beispiele in Klyptras Prompts.
Wessel, M., Horych, T., Ruas, T., Aizawa, A., Gipp, B., Spinde, T. — „Introducing MBIB — the first Media Bias Identification Benchmark Task and Dataset Collection.“ Proceedings of SIGIR 2023.
Vergleichbarkeit zwischen Bias-Detection-Systemen. Klyptra dokumentiert Performance auf MBIB-Subtasks.
Horych, T., Mandl, C., Ruas, T., Greiner-Petter, A., Gipp, B., Aizawa, A., Spinde, T. — „The Promises and Pitfalls of LLM Annotations in Dataset Labeling: a Case Study on Media Bias Detection.“ Findings of NAACL 2025.
Methodische Grundlage für den Umgang mit LLM-basierten Annotationen — Klyptras Ensemble-Setup adressiert direkt die in dieser Arbeit dokumentierten Schwächen.
Für wen
Klyptra ist nicht für alle gleich nützlich — aber für jede dieser Gruppen löst es ein klar umrissenes Problem.
Wer Nachrichten liest, soll wissen, welches Framing sie tragen — ohne ein Linguistik-Studium absolvieren zu müssen.
Redaktionen können einzelne Texte vor Veröffentlichung auf Framing und Ausgewogenheit prüfen.
Reproduzierbare Methodik, dokumentierte Modell-Versionen und JSON-Exporte für empirische Medienforschung.
Beta-Zugang
Trag dich mit deiner E-Mail-Adresse ein. Wir prüfen jede Anfrage manuell und senden dir bei Freigabe einen persönlichen Zugangs-Key — Forschung und Redaktionen zuerst, dann Privatpersonen.
Kein Spam. Keine Weitergabe. E-Mail wird nur für die Bearbeitung deiner Beta-Anfrage genutzt und auf Wunsch gelöscht.