Methodologie
Diese Seite legt jede methodische Entscheidung offen. Jede Schicht ist wissenschaftlich verankert, jeder Befund mit Verbatim-Beleg nachvollziehbar — auch und gerade für Leser, die unseren Ergebnissen zunächst misstrauen.
Was misst Klyptra?
Sprache und Framing in Nachrichten — auf 6 Dimensionen mit 27 Sub-Mustern.
↓ Sektion lesen
Wer entscheidet die Werte?
Drei Sprachmodelle parallel, mit Verbatim-Belegen für jeden Befund.
↓ Sektion lesen
Wie sicher sind die Werte?
Drei Modelle urteilen unabhängig; Streuung und Konfidenz werden je Analyse offen ausgewiesen.
↓ Sektion lesen
Die Skala
Die sechs Dimensionen und die 0–10-Skala sind Klyptras Operationalisierung der Media Bias Taxonomy (Spinde et al. 2023) — kein direkter Bestandteil von BABE, das binär (biased/neutral) annotiert. Eine Kalibrierung gegen BABE-artige Experten-Benchmarks ist vorgesehen, aber noch nicht durchgeführt: die Skalenanker beruhen bislang auf konstruierten Kalibrierungsbeispielen, nicht auf Experten-Annotationen. Die fünf Bänder sind nicht gleich breit: Nachrichtenagentur-Berichterstattung (dpa, AFP, Reuters) trifft typischerweise 8–9 — ein Wert von 10 wäre nur noch reine Faktenlistung ohne jede narrative Auswahl, praktisch unerreichbar. Nach unten existiert dagegen weiter Raum: das Propaganda-Band (0–2.9) ist mit drei Punkten Breite das größte.
Die Labels in dieser Tabelle sind exakt die Strings, die der Analyzer im JSON-Output und im Permalink-UI ausgibt — kein UI-Mapping dazwischen.
Die sechs Dimensionen — vertieft
Welche Perspektive wird zur narrativen Norm erklärt? Wer ist Subjekt, wer Objekt?
Operationalisierung
Welche Wörter tragen Wertungen ohne sie zu markieren? Loaded Language im engeren Sinn.
Operationalisierung
Wie viele Stimmen kommen direkt zu Wort, wie politisch breit ist das Spektrum?
Operationalisierung
Im Buch (Spinde 2025, Kap. 2) ist Quellen-/Selection-Bias ein reporting-level-Konstrukt, das streng artikelübergreifend misst. Klyptra approximiert es am Einzeltext — die vollständige Cross-Outlet-Analyse liegt auf Tier-2 (nicht im Score).
Wird Bewertung sprachlich von Beobachtung getrennt — oder als Faktum verkauft?
Operationalisierung
Eigene Dimension, weil die deutsche Nachrichten-Sprache Bewertung und Beobachtung syntaktisch besonders eng verschränkt (Substantivierung, Modalverben, Konjunktiv I/II) — die englische BABE-Annotation deckt das nur indirekt ab.
Was wird ausgelassen? Welche relevanten Hintergründe oder Gegenpositionen fehlen?
Operationalisierung
Auslassungs-/Spin-Bias ist im Buch teils reporting-level (was über mehrere Artikel hinweg fehlt). Klyptra bewertet die im Einzeltext erkennbaren Lücken; die artikelübergreifende Ebene ist Tier-2.
Wie stark wird emotional aufgeladen? Sensations- oder Empörungs-Sprache?
Operationalisierung
27 Sub-Kategorien
Die sechs Dimensionen sind die Top-Level-Achsen. Darunter führt Klyptra 27 spezifische Bias-Muster nach der BiasScanner-Taxonomie (Menzner & Leidner 2024). Pro Artikel werden 0–N Muster identifiziert — jedes mit Verbatim-Beleg, Position im Text und Stärke-Einschätzung.
Sub-Kategorien sind qualitative Marker, keine numerischen Sub-Scores. Wenn die Top-Dimension etwa „Vollständigkeit“ niedrig bewertet ist, zeigt der Sub-Layer welches konkrete Muster den Befund trägt — z.B. Cherry-Picking oder Whataboutism.
Lexikalische Ebene — Wörter, die werten, ohne die Wertung als solche zu markieren.
Beispiel„Migrant“ wird durchgängig als „Eindringling“ bezeichnet.
Beispiel„Albtraum-Szenario“, „Schock-Diagnose“, „Untergangs-Stimmung“ als Routine-Vokabel.
BeispielGeneralisierung über Gruppen („typisch für …-Migranten“), Herkunfts-Erwähnung ohne Relevanz.
Beispiel„skandalöser Versuch“ für die eine Partei vs. „mutige Initiative“ für die andere — bei gleichartiger Handlung.
Narrative Konstrukte — wie ein Sachverhalt erzählerisch gerahmt wird, unabhängig von einzelnen Wörtern.
Beispiel„Die Linke will, dass alle Migranten sofort ein Haus bekommen.“ Eine Karikatur der Gegenposition wird angegriffen.
Beispiel„Entweder wir senken Steuern — oder das Land geht unter.“ Zwei Optionen suggeriert, wo viele existieren.
Beispiel„Wie damals 1933 …“ für eine aktuelle politische Debatte mit losem Bezug.
Beispiel„Warum schweigt der Kanzler zu den Vorwürfen?“ — ohne dass die Vorwürfe selbst belegt sind.
Beispiel„Erwartet waren 5 % Wachstum, jetzt sind es 8 % — also Misserfolg.“ Maßstab nach Resultat angepasst.
BeispielKonsequente „wir Deutschen“ vs. „die“ — kollektive Schuld- oder Tugend-Zuweisung.
Quellen-Qualität — wer kommt zu Wort, wie wird zitiert, sind die Stimmen einordbar.
BeispielNur die Pressestelle einer Partei wird zitiert, die Gegenseite gar nicht oder nur paraphrasiert.
BeispielEin Lobby-Vertreter wird als „unabhängiger Experte“ eingeführt, ohne Interessenslage zu nennen.
Beispiel„Kreise berichten …“, „Insider zufolge …“ tragen das zentrale Argument des Stücks.
Sprachliche Disziplin — wird Bewertung als Bewertung markiert oder als Faktum verkauft.
Beispiel„Die katastrophale Politik der Regierung …“ — wertendes Adjektiv im Nachrichten-Modus.
Beispiel„Das wird zweifellos in einem Desaster enden.“ Prognose ohne Konjunktiv, ohne Quelle.
Beispiel„Millionen sind betroffen“ — Zahl ohne Beleg, ohne Quelle, ohne Methode.
Beispiel„Es geht ihnen nur um Macht.“ Motiv-Zuschreibung als Tatsachenbehauptung.
Beispiel„Es ist illegal, weil es gegen das Gesetz verstößt.“ Begründung wiederholt die Behauptung.
Was fehlt — relevante Kontexte, Gegenargumente, Belege, die nicht erwähnt werden.
BeispielEine Studie wird zitiert, drei methodisch vergleichbare Studien mit gegenteiligem Ergebnis nicht.
Beispiel„Frau M. aus Hamburg sagt …“ trägt einen Trend-Befund, statistische Daten fehlen.
BeispielKonsequente Ablenkung vom Hauptvorwurf auf das Verhalten anderer Akteure.
BeispielKlimaforscher und Klimaleugner werden als gleichwertige Stimmen präsentiert — obwohl die Evidenzbasis asymmetrisch ist.
Affektive Aufladung — wie stark und in welche Richtung der Text emotional färbt.
Beispiel„Der inkompetente Minister …“ — Person attackiert statt Argument widerlegt.
Beispiel„Seit X regiert, sinkt Y — also schuld X.“ Korrelation als Kausalität, ohne Mechanismus.
Beispiel„Alle Politiker lügen“, „die Medien“ als monolithischer Akteur.
BeispielProduktbericht ohne Distanz, redaktioneller Inhalt nicht von Werbung getrennt.
BeispielKonsistente Lager-Tendenz über Faktenauswahl, Wortwahl und Quellen hinweg.
Jeder Sub-Befund durchläuft dasselbe Verbatim-Gate wie die Top-Level-Analyse: Befunde ohne im Originaltext belegbares Zitat werden verworfen. Im JSON-Export einer Analyse findet sich der Layer als sub_categories[] mit parent_dimension, verbatim_quote, char_offset und bias_strength.
Akteurs-Analyse — PFA-light
Person-Oriented Framing Analysis (Felix Hamborg 2023) extrahiert pro Artikel die benannten Akteure und beschreibt, wie über sie geredet wird. Das ist konkreter als jeder holistische Score — und macht systematische Asymmetrien zwischen Akteuren sichtbar.
Jede identifizierte Person (Politiker, Wissenschaftler, Bürger, …) bekommt vier Felder:
mentions_count
Wie oft tritt der Akteur auf — über alle Bezeichnungen hinweg (siehe Coreference).
sentiment_score
Aggregierte Tonalität gegenüber dem Akteur auf der Skala −1 (negativ) bis +1 (positiv).
framing_devices
Bis zu fünf wiederkehrende Stilmittel pro Akteur — z.B. „Schuld-Zuschreibung“, „Held-Narrativ“, „Opfer-Inszenierung“.
representative_quotes
Drei bis fünf Verbatim-Zitate, die das Framing tragen — Verbatim-Gate stellt sicher, dass jedes Zitat 1:1 im Text steht.
Aus den Einzel-Akteuren wird eine Verteilungs-Beobachtung errechnet — ob der Artikel die Personen sprachlich vergleichbar behandelt oder nicht.
sentiment_disparity
Differenz zwischen dem positivsten und negativsten Akteur-Sentiment im Artikel — berechnet über alle Akteure mit mentions_count ≥ 2.
disparity = max(sentiments) − min(sentiments)
balance_assessment
Qualitative Einordnung der Disparität: ausgewogen / leicht_asymmetrisch / stark_asymmetrisch. Bei < 2 Akteuren mit hinreichend Mentions liefert das Feld nicht_anwendbar — statt einen Wert zu erfinden.
Aggregation aus Modellen
cross_person_analysis wird nicht vom Sprachmodell übernommen, sondern deterministisch neu berechnet aus den gefilterten Akteur-Daten. Damit ist die Disparitäts-Kennzahl immer konsistent mit den ausgewiesenen Sentiment-Werten — auch wenn das Modell intern abweichend zusammenfassen würde.
Coreference-Dokumentation
Politische Texte referenzieren dieselbe Entität auf mehreren Wegen — mit Namen, mit Rolle, mit Pronomen. Klyptra dokumentiert diese Querverweise explizit, damit Mention-Counts und Akteurs-Sentiment nicht durch reine Synonymie verzerrt werden.
Pro Artikel wird eine Liste coreference_documentation.entities[] ausgewiesen. Jede Entity hat einen canonical_name und eine Liste aller im Text gefundenen all_mentions[].
mention_count wird anschließend deterministisch als Summe nicht-überlappender Substring-Treffer aller Mentions im Text neu berechnet — nicht vom Sprachmodell übernommen.
In einem Bericht zur Ukraine-Politik:
canonical_name
Wolodymyr Selenskyj
all_mentions
mention_count
7
Ohne diese Auflösung würde der Akteur in drei verschiedenen Buckets landen — und die Sentiment-Aggregation in der PFA-Schicht würde verzerrt.
Pipeline
Jeder Schritt ist isoliert testbar und protokolliert. Wer ein Ergebnis hinterfragt, kann die Kette bis zur einzelnen Belegstelle im Text zurückverfolgen.
Eingereichter Text
Der zu prüfende Artikel-Text wird direkt eingereicht (Einfügen oder Datei) — optional mit Titel und Quellen-Label. Klyptra analysiert genau diesen Text, nicht das Medium dahinter.
3 Modelle parallel
Drei Sprachmodelle bewerten denselben Text unabhängig auf alle sechs Dimensionen und extrahieren parallel die Detail-Schichten: Sub-Kategorien-Befunde, Akteurs-Mentions mit Sentiment und Coreference-Cluster. Eine Chain-of-Verification (5 Kontroll-Fragen) reduziert Halluzinationen.
Median + Übereinstimmung
Numerische Scores: Median über die drei Modelle. Labels: Mehrheitsentscheid. Die Spannweite der Einzelurteile wird je Dimension als Modell-Übereinstimmung ausgewiesen — sie bleibt sichtbar, statt im Mittelwert zu verschwinden.
Belege wörtlich geprüft
Jeder Befund muss ein Zitat tragen, das im Originaltext wiederauffindbar ist — sonst wird der Beleg verworfen (die Einschätzung bleibt als modellbasiert markiert). Der Abgleich läuft mehrstufig: zuerst wörtlich, dann normalisiert (Anführungszeichen, Leerzeichen). Greift nur ein Teilstück, wird ausschließlich der tatsächlich gefundene Textabschnitt als Beleg angezeigt und hervorgehoben — nie mehr, als im Text nachweisbar ist. Wichtig: Das Gate sichert die Echtheit der Zitate, nicht die Richtigkeit der Punktzahl. Ergebnis ist ein Permalink mit 30 Tagen TTL.
Ein Analyzer, zwei Verwendungen
Derselbe Analyzer-Code läuft in zwei Kontexten:
/analyse): die eigentliche Analyse eines eingereichten Textes — mit Permalink, 30 Tage TTL.Ensemble
Sprachmodelle haben eigene, modell-spezifische Verzerrungen. Klyptra wählt drei Modelle aus drei verschiedenen Pre-Training-Pipelines, damit blinde Flecken eines einzelnen Modells durch die anderen sichtbar werden. Aggregiert wird per Median (numerisch) und Majority Vote (Labels) — alle Modelle haben gleiches Gewicht, keines wird bevorzugt.
OpenAI (USA)
Schlanke, latenzarme Variante der GPT-5.4-Reihe — trägt die On-Demand-Analyse, ohne die Score-Konsistenz der großen Modelle aufzugeben.
Mistral AI (Frankreich / EU)
Europäische Pre-Training-Pipeline eines unabhängigen Anbieters — bringt eine andere Trainingsgrundlage als die US-Modelle ein.
DeepSeek (China)
Drittes, davon unabhängiges Pre-Training-Korpus — weicht dieses Modell vom Konsens ab, wird die Streuung als Modell-Übereinstimmung sichtbar.
Numerische Scores
Median über alle 3 Modelle. Robust gegen Ausreißer eines einzelnen Modells.
Kategorische Labels
Majority Vote. Bei 1:1:1-Split fällt das Label zurück auf den median-nahen Score.
Modell-Übereinstimmung
Die Spannweite der drei Urteile wird je Dimension als hohe, mittlere oder geringe Übereinstimmung ausgewiesen — getrennt von der Konfidenz des Modells.
Wissenschaftliche Grundlagen
Klyptra ist keine Eigenkonstruktion. Jede methodische Schicht referenziert eine peer-reviewed Quelle mit DOI. Die Differenzierung gegenüber BiasScanner (unserem direkten Vorgänger) liegt im Drei-Modell-Ensemble, der deutschen Sprach-Spezialisierung, dem Verbatim-Gate und dem PFA-Layer.
Konzept & 6 Dimensionen
Die sechs Dimensionen operationalisieren die Bias-Typen der Media Bias Taxonomy. BABE (Spinde et al. 2021, EMNLP-Findings) dient als experten-annotierter Validierungs-Benchmark (binär biased/neutral) und IRR-Maßstab — die 0–10-Skala selbst ist Klyptras Operationalisierung, nicht Teil von BABE.
Spinde et al. (2023) Media Bias Taxonomy, ACM Comput. Surv., arXiv:2312.16148 · BABE: EMNLP-Findings 2021, DOI: 10.18653/v1/2021.findings-emnlp.101 · konsolidiert in Spinde (2025), Springer, Open Access, DOI: 10.1007/978-3-658-47798-1
→ 6 Dimensionen27 Sub-Muster
Die 27 spezifischen Bias-Kategorien werden als Sub-Layer unter die sechs Klyptra-Dimensionen eingeordnet. BiasScanner ist Klyptras direkter wissenschaftlicher Vorgänger. Nicht Teil von Spindes Arbeiten — eigenständige Grundlage.
Menzner & Leidner (2024) „Improved Models for Media Bias Detection and Subcategorization“, NLDB 2024, S. 181–196. DOI: 10.1007/978-3-031-70239-6_13
→ 27 Sub-MusterAkteurs-Layer
PFA-light extrahiert benannte Akteure mit Mention-Counts, Sentiment und Framing-Devices. Die Cross-Person-Disparity macht systematische Asymmetrien sichtbar.
Hamborg (2023) „Revealing Media Bias in News Articles“, Springer. DOI: 10.1007/978-3-031-17693-7
→ PFA-SektionGrenzen
Methodische Ehrlichkeit verlangt, die Schwachstellen zu benennen. Diese Liste ist nicht abschließend — Beiträge sind willkommen.
Sprachmodelle haben dokumentierte Verzerrungen (Horych et al. 2025). Ensemble + Verbatim-Pflicht reduzieren das, beseitigen es aber nicht. Klyptra ist kein Schiedsrichter — sondern ein systematischer, überprüfbarer Indikator.
Klyptra bewertet genau den eingereichten Text — nicht das Medium, die Redaktion oder den Autor dahinter. Ein einzelnes Ergebnis ist kein Urteil über ein Outlet; aus einer Analyse lässt sich keine generelle „Tendenz“ einer Quelle ableiten.
Klyptra misst Sprache und Framing — nicht ob behauptete Fakten stimmen. Faktencheck ist eine separate Aufgabe (siehe Correctiv, dpa-Faktencheck).
Das Verbatim-Gate hält nur Zitate, die exakt im Text stehen. Paraphrasen werden nicht als Beleg ausgegeben — manche Dimensionen erscheinen daher bewusst ohne Beleg-Zitat und sind als modellbasierte Einschätzung markiert. Ehrlichkeit vor erzwungenem Beleg.
Die sechs Top-Level-Scores werden über alle drei Modelle aggregiert (Median) und mit ihrer Streuung ausgewiesen. Die Detail-Schichten (Sub-Kategorien, Akteurs-Analyse, Coreference) stammen derzeit aus einem der drei Modelle — eine echte Union/Dedupe-Aggregation über alle Modelle ist als nächste Ausbaustufe geplant. Bewusste MVP-Entscheidung, kein Bug.
Die drei Modelle sind primär englischsprachig vortrainiert. Idiomatik, Konjunktiv-Disziplin und Ironie-Erkennung können im Deutschen dünner ausfallen als im Englischen. Few-Shot-Beispiele kompensieren teilweise; eine systematische deutsche Ground-Truth-Evaluation ist Forschungs-Roadmap.
Die sechs Dimensionen sind auf nachrichtliche Berichterstattung kalibriert. Kommt ein Kommentar als Eingabe, schlagen Wortwahl und Emotionale Balance erwartungsgemäß stark aus — Klyptra erkennt heute noch nicht zuverlässig, ob ein Text als Bericht oder Kommentar einzuordnen ist. Eine Genre-Erkennung als Pre-Stage ist in der Methodik-Roadmap dokumentiert.
Selbst trainierte Experten erreichen bei Bias-Labels nur eine Übereinstimmung von Krippendorff α ≈ 0,40 (Spinde 2025, Kap. 4) — das ist das dokumentierte Maximum der Domäne, kein Schwäche-Signal. Einen starken „Ground Truth“ gibt es nicht; Klyptras Konsistenz-Anspruch zielt auf dieses Experten-Niveau, nicht auf objektive Wahrheit.
Automatisierte Verfahren können Muster ausweisen, die statistisch greifbar, aber inhaltlich belanglos sind (Spinde 2025, Kap. 8). Ein Score ist ein systematischer Indikator, kein abschließendes Urteil über die Bedeutung eines Textes.
Leser empfinden Texte, die ihrer Position widersprechen, als verzerrter als vergleichbare Texte der eigenen Seite (Hostile-Media-Effekt). Studien zeigen, dass selbst Bias-Visualisierungen diesen Effekt nicht auflösen (Spinde 2025, Kap. 7) — ein Ergebnis wird durch die eigene Haltung gefiltert gelesen.
Spinde (2025, Kap. 7) zeigt, dass eine politische Klassifikation die Bias-Wahrnehmung nicht erhöht — sie kommuniziert Haltung, nicht Verzerrung. Klyptras politische, wirtschaftliche und soziale Deskriptoren sind Tendenz-Indikation und fließen nicht in den Objektivitäts-Score ein.
Versions-Historie
Jede einzelne Analyse trägt einen methodology_version-Tag. Bestehende Analysen behalten ihre Version — Methodik-Updates erzeugen keinen Score-Drift in historischen Daten.
Reproduzierbarkeit
Klyptra legt seine Methodik offen: Modellversionen, Bias-Dimensionen und die zugrunde liegende Forschung sind auf dieser Seite dokumentiert. Jede Analyse trägt zudem eine Signatur (System-Prompt-Hash), die ihren exakten Methodik-Stand nachvollziehbar festhält.
Methodik
Bias-Dimensionen, Skala und Aggregationslogik sind auf dieser Seite vollständig beschrieben.
Daten
Jede Analyse ist als JSON und PDF für die Erstellerin oder den Ersteller exportierbar.
Prompts
Versionierte Prompt-Templates inkl. Few-Shot-Beispielen. Diff-Log für jede Änderung.