Apps
EN — EnglishLogin

🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!

Rassistische Stereotypisierung

Auch bekannt als: Ethnische Stereotypisierung Rassische Verallgemeinerung Racial Profiling (sprachlich)
Manipulation & Propaganda 🎯 Diskriminierungserkennung ID: racial_stereotyping

Definition

Rassistische Stereotypisierung ordnet allen Mitgliedern einer rassischen oder ethnischen Gruppe feste Eigenschaften, Fähigkeiten oder Verhaltensweisen zu. Das Spektrum reicht von offenen Beleidigungen und expliziten Überlegenheitsansprüchen bis hin zu subtilen Alltagsannahmen — etwa Überraschung über die Eloquenz einer Person aufgrund ihrer Herkunft. Der Kontext ist entscheidend: dieselbe Beobachtung kann in einer Situation beschreibend und in einer anderen stereotypisierend sein. Problematisch wird das Muster, wenn individuelle Eigenschaften auf die Gruppenzugehörigkeit zurückgeführt werden.

Beispiele

Ein Nachrichtensprecher sagt: 'Asiatische Schüler schneiden in Mathematik durchweg besser ab — das liegt einfach in ihrer Kultur.'

Ein Politiker argumentiert: 'Wir brauchen härtere Polizeiarbeit in diesen Vierteln — jeder weiß, dass bestimmte Gemeinschaften höhere Kriminalitätsraten haben.'

Ein Kollege sagt zu einem schwarzen Mitarbeiter: 'Sie sprechen aber gut Deutsch!' — die Überraschung impliziert niedrigere Erwartungen aufgrund der Hautfarbe.

Formales Logikmuster
FOL-Muster
Die prädikatenlogische Formel, die die logische Struktur dieses Argumentationsmusters darstellt.
FOL (First-Order Logic, Prädikatenlogik) verwendet Quantoren (∀ = für alle, ∃ = es existiert), Verknüpfungen (∧ = und, ∨ = oder, ⇒ = impliziert, ¬ = nicht) und Prädikate, um die Form eines Argumentationsmusters zu erfassen.

∃g∃p(Group(g) ∧ Racial(g) ∧ Property(p) ∧ ∀x(Member(x,g) → HasProperty(x,p)) ∧ ¬Justified(∀x(Member(x,g) → HasProperty(x,p))))
Formale Verifizierung:
Formale Verifizierung
Prüft mithilfe eines automatischen Theorembeweisers, ob ein Argumentationsmuster logisch gültig oder ungültig ist.
Die formale Verifizierung nutzt einen SMT-Solver (Z3), um die logische Struktur eines Arguments mathematisch zu prüfen. Jedes Muster wird in Prädikatenlogik übersetzt und getestet: Können die Prämissen wahr sein, während die Schlussfolgerung falsch ist? Wenn ja: formal ungültig. Wenn nein: formal gültig. Viele reale Muster sind als nicht formal entscheidbar markiert — das heißt nicht, dass sie falsch sind.
Nicht formal entscheidbar

Prüfschritte
Prüfschritte
Binäre Ja/Nein-Fragen, die eine KI beantworten muss, um ein Argumentationsmuster in einem Text zu erkennen.
Jeder der 452 Aspekte hat Prüfschritte — einfache Ja/Nein-Fragen, die systematisch erkennen sollen, ob ein Muster in einem Text vorkommt. Für Ad Hominem: "Greift das Argument eine Person statt ihre Behauptung an?" Für falsche Dichotomie: "Werden nur zwei Optionen präsentiert, obwohl mehr existieren?"

Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:

  1. 1

    Schreibt die Aussage einer gesamten rassischen oder ethnischen Gruppe bestimmte Eigenschaften zu?

    Typ: binary
  2. 2

    Werden diese Eigenschaften als angeboren statt kontextabhängig dargestellt?

    Typ: binary
  3. 3

    Ignoriert die Aussage individuelle Unterschiede innerhalb der Gruppe?

    Typ: binary
  4. 4

    Könnte die Verallgemeinerung zu Vorurteilen oder Diskriminierung führen?

    Typ: binary
Vertiefung
Der aufklappbare Detailbereich auf jeder Aspekt-Seite mit Beispielen, Psychologie und Gegenstrategien.
Der Vertiefungsbereich bietet ausführliche Informationen zu jedem Aspekt: ein Praxisbeispiel, eine Erklärung warum es funktioniert, Tipps wie man entgegnet, alternative Bezeichnungen und Links zu verwandten Aspekten.