Apps
Erkunden
Aspekt-VerzeichnisWissensgraphAnalyse-Linsen
Lernen
Erste SchritteWarum TellDearLeitfadenArtikelEssentialsGlossarFAQDokumentationProvider
EN — EnglishLogin

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

Methodik

Wie wir eine maschinenlesbare Taxonomie menschlicher Denkmuster aufgebaut haben.

1. Das Sechs-Dimensionen-Modell

Traditionelle Fehlschluss-Taxonomien sind flache Listen, die nach einem einzigen Kriterium geordnet sind (z. B. formal vs. informal). Das schränkt ihre analytische Aussagekraft ein, da fehlerhaftes Denken in der Praxis selten in eine einzige Kategorie passt. Ein verschwörungstheoretisches Argument kann gleichzeitig einen logischen Fehlschluss (falsche Ursache), einen kognitiven Bias (Bestätigungsfehler), eine Propagandatechnik (Sündenbock) und einen statistischen Fehler (Rosinenpicken) beinhalten.

TellDear löst dieses Problem, indem es Denkaspekte entlang von sechs orthogonalen Dimensionen organisiert, die jeweils eine eigene Facette fehlerhaften – oder korrekten – Denkens erfassen:

D1: Logische Fehlschlüsse

Strukturelle und inhaltliche Fehler in deduktivem und induktivem Denken. Umfasst formale Fehlschlüsse (ungültige logische Formen wie Bejahung des Konsequens) und informale Fehlschlüsse (Relevanz-, Mehrdeutigkeits- und Präsumtionsfehler wie Ad Hominem oder Strohmann). Basierend auf Aristoteles' Sophistischen Widerlegungen, Hamblins Taxonomie und moderner Literatur zum kritischen Denken.

D2: Manipulation & Propaganda

Rhetorische und psychologische Techniken zur Überzeugung durch Täuschung statt rationaler Argumentation. Umfasst klassische Propaganda (sieben Techniken des IPA), Desinformationstaktiken des digitalen Zeitalters (Firehose of Falsehood, Astroturfing) und interpersonelle Manipulationsstrategien (DARVO, Gaslighting). Quellen: RAND Corporation, EU DisinfoLab, Institute for Propaganda Analysis.

D3: Kognitive Verzerrungen

Systematische psychologische Abweichungen von rationalem Urteil, geordnet nach Bereich: Entscheidungsverzerrungen (Verlustaversion, Sunk-Cost-Effekt), soziale Verzerrungen (fundamentaler Attributionsfehler, Eigengruppen-Bias), Gedächtnisverzerrungen (Peak-End-Regel, Illusory-Truth-Effekt), Aufmerksamkeitsverzerrungen (Frequenzillusion, Salienz-Bias) und Wahrscheinlichkeitsverzerrungen (Spielerfehlschluss, Basisraten-Vernachlässigung). Basierend auf Kahneman & Tverskys Heuristiken-und-Bias-Programm.

D4: Statistische Fehler

Fehler in Datenanalyse, -interpretation und -darstellung. Umfasst Fallstricke der Forschungsmethodik (P-Hacking, Publikationsbias, unterpowerte Studien), Täuschungen in der Datenvisualisierung (abgeschnittene Achsen, irreführende Aggregation) und Wahrscheinlichkeitsfehlschlüsse (Simpson-Paradoxon, Berkson-Paradoxon). Fundiert durch Ioannidis (2005), Gigerenzers Forschung zur Risikokompetenz und ASA-Richtlinien zu p-Werten.

D5: Argumentationsschemata

Normative Vorlagen für rationale Argumentation aus Walton, Reed & Macagnos Kompendium von über 60 Schemata. Beinhaltet Argumente aus Expertenmeinung, Analogie, Konsequenzen, praktischer Vernunft und weiteren. Jedes Schema hat kritische Fragen, die beantwortet werden müssen, damit das Argument gültig ist – Nichtbeantwortung stellt eine fehlerhafte Verwendung dar.

D6: Diskursmechanismen

Muster auf der Metaebene, wie Diskussionen und Debatten geführt werden. Umfasst bösgläubige Taktiken (Torpfosten verschieben, Tone Policing, Sealioning), digitale Diskursphänomene (Concern Trolling, „Nur Fragen stellen") und strukturelle Argumentmuster (Motte and Bailey, Kafka-Falle). Dies sind keine Fehler in einzelnen Argumenten, sondern im Prozess der Argumentation selbst.

2. Wissensgraph-Design

Der TellDear-Wissensgraph ist ein gerichteter beschrifteter Graph G = (V, E, L), in dem Knoten Denkkonzepte und Kanten typisierte Relationen zwischen ihnen darstellen. Der Graph dient als terminologische Box (TBox) einer leichtgewichtigen Ontologie.

Knotentypen

KlasseAnzahlBeschreibung
dimension6Organisationsachsen der obersten Ebene
categoryvariesUntergruppierungen innerhalb der Dimensionen
formal_fallacy27Strukturell ungültige Argumentformen
informal_fallacy66Inhaltsbasierte Denkfehler
propaganda50Überzeugung durch Täuschung
bias109Systematische kognitive Abweichungen
stat_error79Fehler in der Datenanalyse
scheme26Argumentationsvorlagen
discourse94Muster auf Diskussionsebene

Relationstypen

Kanten im Graph sind mit einem von sechs Relationstypen beschriftet:

  • is_a — Taxonomische Hierarchie (z. B. ad_hominem is_a informal_fallacy)
  • sub_type_of — Spezialisierung innerhalb einer Kategorie
  • triggers — Kausale Ermöglichung (z. B. confirmation_bias triggers cherry_picking)
  • correlates_with — Dimensionsübergreifende Assoziation
  • pipeline_next — Sequenzielle Verarbeitungsabhängigkeit
  • tool_supports — Werkzeugunterstützung für Erkennung oder Analyse

3. Atomarer Anweisungsdatensatz (AID)

Der Atomare Anweisungsdatensatz ist der operative Kern von TellDear. Für jeden Denkaspekt liefert AID eine Sequenz von 2–4 binären Verifikationsschritten – Ja/Nein-Fragen, die unabhängig beantwortet werden können, um festzustellen, ob der Aspekt in einem gegebenen Text vorliegt.

Dieser Ansatz ist inspiriert von der Atomic-Skills-Methodik in der NLP-Evaluation, bei der komplexe Fähigkeiten in minimale, unabhängig testbare Einheiten zerlegt werden. Die binäre Einschränkung stellt sicher, dass jeder Schritt eine klare, eindeutige Antwort hat, was die Übereinstimmung zwischen Annotatoren erhöht und eine zuverlässige automatisierte Bewertung ermöglicht.

Beispiel: Ad Hominem

Verifikationsschritte:
Schritt 1: Greift das Argument eine Person an statt deren Behauptung?
Schritt 2: Ist das persönliche Merkmal relevant für die Gültigkeit der Behauptung?
Schritt 3: Schließt das Argument, dass die Behauptung aufgrund der Person falsch ist?
Erkennung: Wenn Schritte 1 und 3 = JA und Schritt 2 = NEIN → Ad Hominem erkannt.

Abdeckungsstatistik

535
Aspekte mit AID
1823
Schritte gesamt
3.4
Ø Schritte/Aspekt

4. Binäres Verifikationsprotokoll

Der TellDear-Analyzer implementiert ein systematisches Verifikationsprotokoll für jeden Aspekt:

  1. 1
    Textsegmentierung — Der Eingabetext wird in elementare Diskurseinheiten (EDUs) zerlegt, die jeweils als Behauptung, Prämisse, Widerlegung oder Aussage klassifiziert werden.
  2. 2
    Strukturelle Zuordnung — Relationen zwischen EDUs werden identifiziert: welche Prämissen welche Behauptungen stützen, welche Aussagen welche Argumente widerlegen.
  3. 3
    AID-Scanning — Für jeden der 535 Aspekte werden die Verifikationsschritte gegen den Text ausgewertet. Jeder Schritt liefert eine binäre Antwort (Ja/Nein/Unsicher).
  4. 4
    Konfidenzberechnung — Der Anteil der „Ja"-Antworten bestimmt die Erkennungskonfidenz: 100 % = alle Schritte bestätigt, 50 % = Schwellenwert für Erkennung.
  5. 5
    Schweregradbewertung — Die Gesamtzahl und Konfidenz der Erkennungen bestimmt eine Gesamtschweregradeinstufung: clean, niedrig, mittel, hoch oder kritisch.

Das Protokoll unterstützt zwei Ausführungsmodi: Heuristik (clientseitiger Keyword-Abgleich für sofortige Ergebnisse) und Tiefenanalyse (LLM-gestützte Auswertung für nuanciertes semantisches Verständnis).

5. Dimensionsübergreifende Relationen

Eine zentrale Innovation von TellDear ist die systematische Abbildung dimensionsübergreifender Beziehungen. Diese lateralen Verbindungen zeigen, wie Denkfehler interagieren und sich gegenseitig verstärken:

Bias → Fehlschluss-Trigger

Kognitive Verzerrungen schaffen psychologische Bedingungen, die bestimmte Fehlschlüsse wahrscheinlicher machen. Zum Beispiel triggert Bestätigungsfehler das Rosinenpicken – eine Person, die bestätigende Belege sucht, wird natürlicherweise nur stützende Datenpunkte auswählen.

Fehlschluss → Propaganda-Korrelation

Viele Propagandatechniken sind formalisierte Versionen informaler Fehlschlüsse, die im großen Maßstab eingesetzt werden. Appell an die Angst ist sowohl ein logischer Fehlschluss als auch eine Propagandatechnik; der Unterschied liegt darin, ob es sich um einen individuellen Denkfehler oder eine bewusste Überzeugungsstrategie handelt.

Statistischer Fehler → Bias-Verstärkung

Statistische Fehler können sowohl aus kognitiven Verzerrungen resultieren als auch diese verstärken. Survivorship Bias führt zu Stichprobenverzerrung bei der Datenerhebung, was irreführende Ergebnisse produziert, die den ursprünglichen Bias weiter verfestigen.

Diese Beziehungen werden formal als triggers- und correlates_with-Kanten im Wissensgraph dargestellt und ermöglichen eine automatisierte Schlusskettenanalyse, die über die Erkennung einzelner Fehler hinausgeht.

6. Quellen & Referenzen

Grundlagenwerke & Fachtexte

  • Walton, D., Reed, C., & Macagno, F. (2008). Argumentation Schemes. Cambridge University Press. — Compendium of 60+ argumentation schemes with critical questions.
  • Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. — Foundational work on dual-process theory and cognitive biases.
  • Toulmin, S. E. (1958). The Uses of Argument. Cambridge University Press. — Introduced the Toulmin model of argumentation (claim, data, warrant, backing, qualifier, rebuttal).
  • Bennett, B. (2012). Logically Fallacious: The Ultimate Collection of Over 300 Logical Fallacies. eBookIt.com. — Comprehensive catalog of fallacies with examples.
  • Damer, T. E. (2008). Attacking Faulty Reasoning: A Practical Guide to Fallacy-Free Reasoning. 7th ed. Wadsworth. — Systematic framework for identifying and countering reasoning errors.
  • Tindale, C. W. (2007). Fallacies and Argument Appraisal. Cambridge University Press. — Modern analytical treatment of fallacy theory.
  • Govier, T. (2013). A Practical Study of Argument. 7th ed. Cengage Learning. — Standard textbook on argument analysis and evaluation.
  • Gilovich, T., Griffin, D., & Kahneman, D. (2002). Heuristics and Biases: The Psychology of Intuitive Judgment. Cambridge University Press. — Collected research on systematic cognitive errors.
  • Hamblin, C. L. (1970). Fallacies. Methuen. — Seminal historical and analytical survey of fallacy theory from Aristotle onward.
  • Baron, J. (2007). Thinking and Deciding. 4th ed. Cambridge University Press. — Comprehensive treatment of rational decision-making and its failures.
  • van Eemeren, F. H. & Grootendorst, R. (2004). A Systematic Theory of Argumentation: The Pragma-Dialectical Approach. Cambridge University Press. — The pragma-dialectical framework for analyzing argumentative discourse.
  • van Eemeren, F. H. & Grootendorst, R. (1992). Argumentation, Communication and Fallacies: A Pragma-Dialectical Perspective. Lawrence Erlbaum. — Fallacies as violations of discussion rules.
  • Tversky, A. & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. — The foundational paper on cognitive heuristics.

Schlüsseldatensätze & Korpora

  • LOGIC & LOGICCLIMATE — Datasets containing educational examples of logical fallacies and climate change news articles annotated for reasoning errors. Jin et al. (2022).
  • COCOLOFA — Large-scale dataset of 7,706 news comments annotated for common logical fallacies. Enables training and evaluation of fallacy detection models at scale.
  • SAFEPERSUASION — Dataset of 1,887 social media comments categorizing rational persuasion versus manipulative tactics. Bridges the gap between fallacy detection and persuasion analysis.
  • Propaganda Techniques Corpus (PTC) & SemEval 2023 Task 3 — Datasets for fine-grained, span-level propaganda and persuasion detection across multiple languages. Da San Martino et al.
  • MissciPlus — Dataset grounded in real biomedical publication passages, focusing on fallacies that misrepresent scientific evidence. Critical for health misinformation detection.
  • NLAS (Natural Language Argumentation Scheme) — The largest publicly available corpus of natural language argumentation schemes, covering 20 Walton schemes across various topics.
  • QT-SCHEMES — 441 arguments from political debates mapped to Walton's argumentation schemes. Enables scheme-level argument mining in political discourse.
  • RuozhiBench — Dataset of 677 curated queries for evaluating LLMs on deceptive inputs, subtle logical traps, and misleading premises.
  • ABBA — Annotated dataset covering bias dimensions including queerphobia, islamophobia, and other forms of discriminatory reasoning in text.
  • ARIES & ArgAnalysis35k — Benchmarks for argument relation identification and large-scale argument quality analysis.
  • AIFdb / The Argument Web — The largest publicly available infrastructure for storing, analyzing, and sharing interconnected arguments and debates. Reed & Rowe.

Wissenschaftliche Arbeiten & methodische Frameworks

  • Jin, Z. et al. (2022). Logical Fallacy Detection. Findings of EMNLP 2022. — Introduces the LOGIC dataset and foundational AI taxonomy for fallacy detection.
  • Mouchel, L. et al. (2025). A Logical Fallacy-Informed Framework for Argument Generation. NAACL 2025. — Using fallacy awareness to improve argument generation quality.
  • Alhindi, T. et al. Follow My Lead: Logical Fallacy Classification with Knowledge-Augmented LLMs. — Knowledge-augmented approaches to automated fallacy classification.
  • Walton, D. Argument Mining by Applying Argumentation Schemes. — Applying Walton's scheme taxonomy to computational argument mining.
  • Ioannidis, J. P. A. (2005). Why Most Published Research Findings Are False. PLoS Medicine, 2(8). — Foundational analysis of statistical errors in scientific research.
  • Head, M. L. et al. (2015). The Extent and Consequences of P-Hacking in Science. PLoS Biology, 13(3). — Text-mining study of statistical manipulation in published research.
  • Paul, C. & Matthews, M. (2016). The Russian "Firehose of Falsehood" Propaganda Model. RAND Corporation, PE-198-OSD. — Analysis of high-volume, multi-channel propaganda strategy.
  • Beukeboom, C. J. & Burgers, C. (2017). Automating the Detection of Linguistic Intergroup Bias Through Computerized Language Analysis. — Computational approaches to detecting bias in language.
  • Stammbach, D. et al. Loki: An Open-Source Tool for Fact Verification. — Open-source infrastructure for automated fact-checking pipelines.
  • Gigerenzer, G. & Brighton, H. (2009). Homo Heuristicus: Why Biased Minds Make Better Inferences. Topics in Cognitive Science, 1(1), 107–143. — The adaptive value of cognitive heuristics.
  • Mercier, H. & Sperber, D. (2011). Why Do Humans Reason? Arguments for an Argumentative Theory. Behavioral and Brain Sciences, 34(2), 57–74. — Reasoning as a social, argumentative faculty.
  • Wasserstein, R. L. & Lazar, N. A. (2016). The ASA Statement on p-Values. The American Statistician, 70(2), 129–133. — Official guidelines on the interpretation and misuse of p-values.

Enzyklopädien & digitale Ressourcen

Weitere Forschung & Ressourcen

  • Aristotle. Sophistical Refutations (De Sophisticis Elenchis). — The original classification of fallacies in Western philosophy (~350 BCE).
  • Cialdini, R. B. (2006). Influence: The Psychology of Persuasion. Rev. ed. Harper Business. — Six principles of persuasion and their exploitation.
  • Lakoff, G. (2004). Don't Think of an Elephant! Chelsea Green. — Framing and its role in political discourse.
  • Herman, E. S. & Chomsky, N. (1988). Manufacturing Consent: The Political Economy of the Mass Media. Pantheon. — The propaganda model of media analysis.
  • Ariely, D. (2008). Predictably Irrational. HarperCollins. — Systematic patterns in irrational decision-making.
  • Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Simon & Schuster. — Statistical literacy and risk communication.
  • Stanovich, K. E. (2009). What Intelligence Tests Miss: The Psychology of Rational Thought. Yale University Press. — The distinction between intelligence and rationality.
  • Nisbett, R. E. & Ross, L. (1980). Human Inference: Strategies and Shortcomings of Social Judgment. Prentice-Hall. — Systematic errors in everyday reasoning.
  • Thaler, R. H. & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press. — Bias-aware choice architecture.
  • Wardle, C. & Derakhshan, H. (2017). Information Disorder: Toward an interdisciplinary framework for research and policy making. Council of Europe Report DGI(2017)09. — Taxonomy of mis-, dis-, and mal-information.
  • Da San Martino, G. et al. (2019). Fine-Grained Analysis of Propaganda in News Articles. EMNLP 2019. — Span-level propaganda technique detection framework.
  • Boudry, M. et al. (2015). What Makes Weird Beliefs Thrive? The Epidemiology of Pseudoscience. Philosophical Psychology, 28(8). — How cognitive biases facilitate pseudoscientific reasoning.