152 Arbeiten
Diese Studie untersucht aus einer Überlebendenperspektive die Versagen der aktuellen KI-Governance-Maßnahmen, die durch einen „bösartigen technischen Ökosystem" aus Open-Source-Modellen und leicht zugänglicher Software ermöglicht wird, das die Erstellung nicht-einvernehmlicher, KI-generierter intimer Bilder von Erwachsenen erleichtert.
Das Paper stellt AdAEM vor, einen adaptiven und automatisierten Algorithmus, der durch die dynamische Generierung kontroverser Testfragen die Wertedifferenzen und kulturellen Ausrichtungen von Large Language Models präziser und informativer misst als statische Benchmarks.
Diese Arbeit schlägt einen einheitlichen pädagogischen Rahmen vor, der MOOCs, Smart Teaching und KI integriert, um durch strukturierte Exposition, adaptive Zuweisung und Effizienzsteigerung den Wissenserwerb zu optimieren.
Die vorgestellte Studie entwickelt einen Rahmen zur Feinabstimmung von Large Language Models, der mithilfe von sieben Lesbarkeitsmetriken und einem speziellen Datensatz altersgerechte und faktenbasierte Bildungsinhalte für sechs Schulstufen generiert und dabei im Vergleich zu reinen Prompt-Methoden eine signifikante Verbesserung der Niveauangemessenheit bei gleichzeitiger Wahrung der Richtigkeit erzielt.
Die Arbeit stellt Aletheia vor, einen autonomen mathematischen Forschungsagenten, der auf dem Gemini Deep Think-Modell basiert und durch iterative Generierung, Verifizierung und Revision von Lösungen in natürlicher Sprache sowohl Olympiadaufgaben als auch komplexe Forschungsarbeiten, einschließlich vollständig KI-generierter und kollaborativer wissenschaftlicher Beiträge, bewältigt.
Diese Studie widerlegt die Illusion einer objektiven „Ground Truth" in der Datenannotation, indem sie aufzeigt, wie systematische Verzerrungen und der Druck zur Konsensbildung menschliche Meinungsverschiedenheiten als Rauschen unterdrücken, und fordert stattdessen eine pluralistische Infrastruktur, die kulturelle Vielfalt als essenzielles Signal anerkennt.
Der Artikel stellt das Konzept der „Operational Agency" als eine durchlässige rechtliche Fiktion und das zugehörige „Operational Agency Graph"-Modell vor, um die Verantwortung für autonome KI-Systeme durch die Analyse ihrer operativen Merkmale und die Zuweisung von Schuld auf menschliche Akteure zu klären, ohne dabei der KI eine eigene Rechtspersönlichkeit zu verleihen.
Eine Studie mit 25 führenden KI-Forschern aus dem Jahr 2025 zeigt, dass die Mehrheit die Automatisierung der KI-Forschung als schwerwiegendes Risiko und potenziellen Auslöser für exponentielle Intelligenzsteigerungen ansieht, wobei jedoch hinsichtlich der Zeitrahmen, der Skepsis gegenüber solchen Szenarien zwischen akademischen und industriellen Forschern sowie der besten Governance-Maßnahmen erhebliche Meinungsverschiedenheiten bestehen.
Diese Studie leitet aus einer qualitativen Analyse von Chatbot-Entwicklungsdaten und Experteninterviews vier zentrale Themenbereiche ab, um die oft fragmentierte operative Gestaltung von Human-in-the-Loop-Prinzipien im gesamten Lebenszyklus von KI-Anwendungen zu präzisieren.
Diese Studie skizziert einen Fahrplan für die Integration biometrischer Technologien in personalisierte augmentative und alternative Kommunikationssysteme, wobei sie anhand von Fallstudien zu Gesten- und Gebärdenerkennung feststellt, dass die aktuelle KI-Genauigkeit noch nicht den praktischen Anforderungen entspricht, und empfiehlt Maßnahmen zur Schließung dieser Lücke.
Der Artikel kritisiert die risikovermeidende Gestaltung aktueller KI-Chatbots im Kontext psychischer Krisen und schlägt stattdessen ein empowerndes Design vor, das KI als unterstützende Brücke zur Deeskalation und Weitervermittlung an professionelle Hilfsangebote nutzt.
Diese Studie zeigt durch einen algorithmischen Audit von TikTok auf, dass die aktuelle Definition von „Werbung" im Digital Services Act (DSA) eine regulatorische Lücke darstellt, die es ermöglicht, dass personalisierte Influencer- und Marketinginhalte trotz des Verbots von profilbasierten Werbeanzeigen für Minderjährige weiterhin wirksam an diese Zielgruppe ausgespielt werden.
Diese Arbeit führt das Konzept des „Ambiguitätskollapses" ein, bei dem Large Language Models mehrdeutige Begriffe in eine einzige Interpretation zwingen, und entwickelt eine Taxonomie der daraus resultierenden epistemischen Risiken auf Prozess-, Output- und Ökosystemebene, um schließlich Lösungsansätze für den bewussten Umgang mit Ambiguität zu skizzieren.
Die Studie zeigt, dass die Einführung von KI im UX-Design nicht nur ein technischer Effizienzgewinn ist, sondern ein komplexer Aushandlungsprozess von Werten, der auf individueller, teambezogener und organisatorischer Ebene Rollen, Machtverhältnisse und die Autonomie der Beschäftigten neu definiert.
Die Studie zeigt, dass menschliche Fairnessurteile in KI-Systemen nicht nur von den Ergebnissen, sondern maßgeblich von den wahrgenommenen Ursachen für Leistungsunterschiede zwischen Gruppen abhängen, was die Notwendigkeit unterstreicht, den Verteilungskontext bei der Definition und Gestaltung algorithmischer Fairness zu berücksichtigen.
Die Arbeit stellt THETA vor, ein Open-Source-Framework, das durch domain-adaptives Fine-Tuning von Embedding-Modellen und einen Multi-Agenten-KI-Ansatz die Skalierbarkeit qualitativer Sozialforschung mit theoretischer Tiefe verbindet und dabei traditionelle Topic-Modelle in der semantischen Kohärenz und Domänenspezifität übertrifft.
Das Paper stellt SemFuzz vor, ein semantikbewusstes Fuzzing-Framework, das mithilfe von Large Language Models RFC-Dokumente analysiert, um gezielt Testfälle zu generieren und tiefgreifende semantische Schwachstellen in Netzwerkprotokoll-Implementierungen zu entdecken, von denen mehrere als neue CVEs bestätigt wurden.
Eine Umfrage unter über 4.000 KI-Forschern zeigt, dass diese im Gegensatz zu öffentlichen Debatten und Medienberichten existenzielle Risiken kaum priorisieren, sondern sich eher mit konkreten, bereits bekannten sozio-technischen Risiken befassen, was eine engere Zusammenarbeit zwischen Politik und Wissenschaft zur Bewältigung dieser aktuellen Herausforderungen nahelegt.
Die Studie zeigt, dass zwar menschliche Rekrutierer geschlechterfairere Kandidatenlisten erstellen als reine KI-Lösungen, die Kombination aus KI-Empfehlungen und menschlicher Nachsuche jedoch die gerechtesten Ergebnisse liefert und somit die Bedeutung menschlicher Aufsicht zur Minderung von Bias in algorithmischen Einstellungsprozessen unterstreicht.
Diese Studie zeigt, dass aktuelle große Sprachmodelle trotz guter Leistung bei allgemeinen sozialen Themen in asiatischen Ländern häufig religiöse Minderheitenmeinungen falsch abbilden und negative Stereotype verstärken, wobei einfache Eingabeanpassungen diese kulturellen Lücken nur teilweise schließen können.