💬 NLP

AI Application Gives Users Real-Time Feedback on the Level of Peace in the Social Media Videos They Watch

Dieses Paper präsentiert eine KI-Anwendung, die Large Language Models nutzt, um YouTube-Video-Transkripte in Echtzeit zu analysieren, dabei erfolgreich fünf für den Frieden relevante soziale Dimensionen misst und den Nutzern Feedback zu ihrer Medienbilanz gibt, wobei sie herkömmliche Sentiment-Analysen übertrifft und die Grenzen von auf geschriebener Sprache trainierten Modellen bei der Anwendung auf gesprochene Sprache aufzeigt.

Ursprüngliche Autoren: P. Gilda (Columbia University), P. Dungarwal (Columbia University), A. Thongkham (Columbia University), E. T. Ajayi (St John's University), S. Choudhary (Columbia University), T. M. Terol (Columbia Un

Veröffentlicht 2026-06-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: P. Gilda (Columbia University), P. Dungarwal (Columbia University), A. Thongkham (Columbia University), E. T. Ajayi (St John's University), S. Choudhary (Columbia University), T. M. Terol (Columbia University), C. Lam (Columbia University), J. P. Araujo (Columbia University), M. McFadyen-Mungalln (Columbia University), L. S. Liebovitch (Columbia University), P. T. Coleman (Columbia University), H. West (Columbia University), K. Sieck (Toyota Research Institute), S. Carter (Toyota Research Institute)

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Ihre tägliche Nachrichtendiät wäre wie eine Mahlzeit. Seit Jahrzehnten wird uns gesagt, wir sollen die Inhaltsstoffe unserer Lebensmittel prüfen, um zu sehen, ob sie gesund sind. Aber heute beziehen die meisten von uns unsere Nachrichten aus Social-Media-Videos (wie YouTube) anstatt aus kuratierten Zeitungen. Die Autoren dieser Arbeit fragen: Was ist der „Nährwert“ der Worte, die wir in diesen Videos hören? Ernähren sie uns mit Frieden oder ernähren sie uns mit Konflikt?

Sie entwickelten ein digitales Werkzeug namens BAIT (eine Chrome-Erweiterung), das wie ein „Friedens-Nährwertetikett“ für Videos fungiert. Während Sie ein Video ansehen, analysiert BAIT die gesprochenen Worte in Echtzeit und gibt Ihnen einen Score darüber, wie „friedlich“ oder „konfliktgetrieben“ der Inhalt ist.

Hier ist die Erklärung, wie sie es aufgebaut haben, vereinfacht dargestellt:

1. Das misslungene Rezept: Der Versuch, ein „geschriebenes“ Kochbuch zu nutzen

Zuerst versuchte das Team, einem Computer beizubringen, Frieden anhand einer riesigen Bibliothek von geschriebenen Nachrichtenartikeln zu erkennen.

Die Analogie: Stellen Sie sich vor, Sie versuchen, einem Koch beizubringen, den Geschmack einer Suppe zu erkennen, indem Sie nur die schriftlichen Rezeptkarten lesen. Der Computer lernte sehr gut, dass bestimmte geschriebene Wörter (wie „Diplomatie“ oder „Waffenstillstand“) normalerweise in Artikeln über friedliche Länder vorkommen.
Das Ergebnis: Bei Tests mit geschriebenen Nachrichten war der Computer ein Genie und erreichte eine Genauigkeit von etwa 97 %.
Das Problem: Als sie versuchten, dasselbe „geschriebene Rezept“ zu nutzen, um gesprochene Video-Transkripte zu analysieren, scheiterte es kläglich. Es versuchte, fast jedes Video als „friedlich“ zu kennzeichnen, selbst wenn dies nicht der Fall war.
Warum? Die Autoren erkannten, dass gesprochene Sprache ein anderes Wesen ist als geschriebener Text. Ein Nachrichtensprecher, der vor der Kamera spricht, nutzt Füllwörter, Pausen, einen emotionalen Tonfall und konversationelle Eigenheiten, die in einem gedruckten Artikel nicht existieren. Der Computer war wie ein Koch, der versucht, eine Live-Kochshow zu beurteilen, indem er nur die Speisekarte liest; er hat den eigentlichen Geschmack verpasst.

2. Der neue Ansatz: Der „kontextuelle Geschmackstester“

Da das „geschriebene Rezept“ nicht funktionierte, änderten das Team die Taktik. Anstatt nach spezifischen Schlüsselwörtern zu suchen, fragten sie den Computer, den Vibe und den Tonfall des Gesprächs zu verstehen.

Sie konzentrierten sich auf fünf spezifische „Geschmacksrichtungen“ des Friedens, die durch Jahrzehnte der Sozialforschung identifiziert wurden:

Mitgefühl vs. Verachtung: Ist der Sprecher gütig oder spöttisch?
Nachrichten vs. Meinung: Berichten sie Fakten oder lassen sie nur Gefühle freien Lauf?
Förderung vs. Prävention: Sprechen sie davon, etwas aufzubauen, oder versuchen sie nur, etwas Schlechtes zu verhindern?
Kreativität vs. Ordnung: Ist das Gespräch offen für neue Ideen oder starr und kontrollierend?
Nuancierung vs. Vereinfachung: Sehen sie die Grauzonen oder nur Schwarz-Weiß-Extreme?

Um dies zu messen, testeten sie zwei Arten von KI:

Der „Wortzähler“ (Sentiment-Analyse): Dieses Tool zählt einfach nur glückliche oder traurige Wörter. Es war wie ein Thermometer, das nur die Temperatur misst, aber nicht weiß, ob es ein sonniger Tag oder ein Sturm ist. Es schnitt sehr schlecht ab (fast wie reines Raten).
Der „Kontextuelle Leser“ (Large Language Models): Dies sind fortgeschrittene KIs, die einen ganzen Absatz lesen und die Geschichte hinter den Worten verstehen können. Sie agieren wie ein anspruchsvoller Food-Kritiker, der versteht, dass der Satz „Diese Politik ist eine Katastrophe“ mit einem sarkastischen Unterton etwas anderes ist als mit echtem Zorn gesagt.

3. Die Ergebnisse: Der „Kontextuelle Leser“ gewinnt

Das Team hatte eine Gruppe von menschlichen Experten (Friedensforscher), die 52 Videos ansehen und diese auf jene fünf „Geschmacksrichtungen“ bewerten ließen. Dann verglichen sie die menschlichen Bewertungen mit den KI-Bewertungen.

Die „Wortzähler“-KI war kaum besser als ein Münzwurf.
Die „Kontextuelle Leser“-KI (insbesondere die neuesten Modelle) lag in etwa 60 % der Fälle richtig.
Die Analogie: Dies ist ein riesiger Erfolg. Es bedeutet, dass die KI nun fast so gut wie ein menschlicher Experte darin ist, den Tonfall eines Videos zu verstehen, nicht nur die Wörter. Sie kann den Unterschied zwischen einer hitzigen Debatte, die dennoch respektvoll bleibt (friedlich), und einer ruhig klingenden Rede, die eigentlich voller versteckter Verachtung ist (unfriedlich), erkennen.

4. Was BAIT jetzt tut

Das Endprodukt, BAIT, ist eine Browser-Erweiterung, die neben Ihrem YouTube-Video sitzt.

Für Zuschauer: Es gibt Ihnen Echtzeit-Feedback über Ihre „Medien-Diät“. Es hilft Ihnen zu erkennen: „Oh, ich habe in der letzten Stunde Videos gesehen, die voller Verachtung und Vereinfachung waren.“ Das Ziel ist es, Sie zur Selbstwahrnehmung zu bringen, damit Sie sich vielleicht entscheiden, etwas Konstruktiveres anzusehen.
Für Ersteller: Es gibt Videomachern Feedback zum Tonfall ihrer eigenen Inhalte und hilft ihnen zu verstehen, wie ihre Worte bei einem Publikum ankommen.

Das Fazit

Die Arbeit behauptet, dass wir zwar noch nicht perfekt messen können, was Frieden ist, aber dass wir endlich ein Werkzeug gebaut haben, das gesprochene Videos hören und den emotionalen Tonfall besser verstehen kann als bisherige Tools. Durch den Einsatz fortgeschrittener KI, die Kontext (und nicht nur Schlüsselwörter) versteht, können wir nun beginnen, die „Friedfertigkeit“ der Videos zu messen, die wir ansehen – in der Hoffnung, dass das bloße Wissen darüber, was wir konsumieren, uns helfen könnte, uns im echten Leben friedlicher zu verhalten.

Technische Zusammenfassung: Echtzeit-Messung von „Friedensrede“ in Social-Media-Videos

Problemstellung
Die Arbeit befasst sich mit der wachsenden Abhängigkeit der Weltbevölkerung von Social-Media-Videos (z. B. YouTube, Facebook) als primären Nachrichtenquellen und stellt fest, dass der Tonfall und der Inhalt dieser Sprache eine entscheidende Rolle bei der Initiierung oder Beilegung von Konflikten spielen. Während bestehende Tools „Hassrede“ (Hate Speech) oder politische Voreingenommenheit analysieren, mangelt es an Mechanismen zur Messung von „Friedensrede“ (Peace Speech) – einer Sprache, die friedliche soziale Prozesse verstärkt. Die Autoren postulieren: „Wir werden zu dem, was wir betrachten“, was darauf hindeutet, dass die Konfrontation mit spezifischen linguistischen Tönen das reale Verhalten beeinflusst. Die zentrale technische Herausforderung besteht darin, ein System zu entwickeln, das in der Lage ist, diese friedensbezogenen Dimensionen in Echtzeit in unstrukturierten, gesprochenen Video-Transkripten zu quantifizieren – einem Bereich, in dem traditionelle textbasierte Modelle historisch gesehen versagt haben.

Methodik
Die Autoren entwickelten BAIT, eine Chrome-Extension-Anwendung, die einen zweigleisigen Ansatz zur Konstruktion ihrer Backend-Analyse-Engine nutzt:

Überwachtes maschinelles Lernen auf Nachrichtentexten (Baseline):
- Daten: Ein Datensatz von ca. 700.000 Nachrichtenartikeln aus 18 Ländern (News on the Web Corpus) wurde basierend auf externen Indizes (z. B. Global Peace Index) mit Friedenswerten versehen.
- Modelle: Drei neuronale Architekturen wurden trainiert: ein vollvernetztes Feed-Forward-Netzwerk, ein Convolutional Neural Network (CNN) und ein revidiertes CNN mit Max-Pooling.
- Prozess: Der Text wurde mittels OpenAIs text-embedding-3-small eingebettet und als „hochfriedlich“ oder „wenig friedlich“ klassifiziert.
- Ergebnis: Diese Modelle erreichten eine Genauigkeit von ca. 97 % bei gehaltenen Nachrichtentexten und ca. 70 % Genauigkeit bei einem separaten Nachrichtendatensatz. Sie konnten jedoch nicht auf YouTube-Transkripte generalisieren, wobei sie 95–100 % der Videoinhalte als „hochfriedlich“ klassifizierten, was auf eine fundamentale Diskrepanz zwischen der Syntax geschriebener Nachrichten und der transkribierten gesprochenen Sprache hindeutet.
Sozialwissenschaftliche Dimensionen via LLMs (Primärer Ansatz):
- Framework: Da es einen Mangel an externen Friedensindizes für Video-Transkripte gibt, definierten die Autoren fünf soziale Dimensionen, die aus 5-9 Sozialwissenschaftlichen Studien abgeleitet wurden: Mitgefühl-Verachtung (compassion-contempt), Nachricht-Meinung (news-opinion), Förderung-Prävention (promotion-prevention), Kreativität-Ordnung (creativity-order) und Nuance-Vereinfachung (nuance-simplification).
- Modelle:
  - Sentiment-Analyse (SA): Googles GoEmotions (basiert auf RoBERTa) wurde getestet, erwies sich jedoch als unzureichend aufgrund begrenzter Kontextfenster, hoher Neutralitäts-Baselines und des „Herausmittelns“ (Averaging-out) emotionaler Volatilität.
  - Large Language Models (LLMs): Die Autoren wechselten zu kontextsensitiven LLMs (Gemini 2.5/3 Pro, GPT-4o/5.1). Sie wandten einen iterativen Prompt-Engineering-Prozess an, der von komplexen, nachrichtenbasierten Prompts zu vereinfachten, generalisierbaren Prompts überging, die für konversationelle Transkripte optimiert waren.
- Ground Truth: Ein „Goldstandard“-Datensatz wurde erstellt, indem drei Experten (Friedensforscher und Konfliktspezialisten) unabhängig 52 diverse YouTube-Videos auf den fünf Dimensionen anhand einer 1–5 Skala bewerteten. Die Inter-Rater-Reliabilität war hoch ( $r^2 > 0,86$ für drei Dimensionen).

Wichtigste Ergebnisse

Versagen von Text-only-Modellen: Neuronale Netze, die auf geschriebenen Nachrichtentexten trainiert wurden, konnten die Friedenswerte in gesprochenen Video-Transkripten nicht korrekt vorhersagen, was bestätigt, dass sich die linguistischen Eigenschaften von geschriebenen und gesprochenen Medien signifikant unterscheiden.
Überlegenheit von LLMs: LLMs übertrafen die Wort-basierte Sentiment-Analyse erheblich. Während SA-Modelle eine schwache Korrelation mit menschlichen Codierern zeigten ( $r^2 \approx 0,03$ ), erreichten LLMs Korrelationen von $r^2 \approx 0,60$ über die fünf sozialen Dimensionen hinweg.
Modellleistung: Gemini 3 Pro Preview demonstrierte die höchste Korrelation mit menschlichen Codierern über alle Dimensionen hinweg, insbesondere in der anspruchsvollen Kategorie „Nuance-Vereinfachung“.
Kontextuelles Denken: Die Ergebnisse zeigen, dass die Bewertung von Frieden kontextuelles Denken (Tonfall, Framing, rhetorische Struktur) erfordert und nicht bloße Sentiment- oder Keyword-Detektion.

Zentrale Beiträge

BAIT-Applikation: Die Bereitstellung einer funktionalen Chrome-Extension, die Nutzern und Erstellern von Inhalten Echtzeit-Feedback zu der „Friedlichkeit“ ihres Medienkonsums gibt.
Empirische Validierung von LLMs: Demonstration, dass moderne LLMs in der Lage sind, die menschenähnliche Analyse komplexer sozialer Dimensionen in Video-Transkripten effektiv zu skalieren und dabei eine statistische Übereinstimmung erreichen, die mit der menschlichen Inter-Rater-Reliabilität vergleichbar ist.
Dimensionales Framework: Operationalisierung von fünf spezifischen sozialwissenschaftlichen Dimensionen (Mitgefühl, Nachricht, Förderung, Kreativität, Nuance) als messbare Metriken für „Friedensrede“.
Offene Dokumentation: Die Autoren dokumentieren ihre Analyse-Engine und ihre menschlichen Testergebnisse öffentlich, wodurch sie sich von anderen proprietären oder intransparenten Content-Moderations-Tools abheben.

Bedeutung und Behauptungen
Das Paper behauptet, dass BAIT als grundlegende Analyse-Engine dient, die in der Lage ist, „Friedensrede“ in großem Maßstab zu messen. Die Autoren argumentieren, dass das Instrument durch die Bewusstmachung der Nutzer über den emotionalen und sozialen Tonfall ihres Medienkonsums potenziell das reale Verhalten hin zu positiveren sozialen Interaktionen beeinflussen könnte.

Die Autoren nehmen eine bescheidene Haltung bezüglich zukünftiger Auswirkungen ein. Sie behaupten nicht, dass das Tool das Verhalten bereits beweishaft verändert; vielmehr stellen sie fest, dass die Fähigkeit, diese Dimensionen zu messen, der notwendige erste Schritt ist, um die Hypothese zu testen, dass Selbstbewusstsein zu verbessertem Verhalten führt. Sie sehen einen potenziellen „virtuellen Kreislauf“ voraus, in dem das Bewusstsein der Nutzer die Nachfrage nach friedlicheren Inhalten vorantreibt und somit Creator sowie Plattformen dazu motiviert, solche Inhalte zu produzieren; sie rahmen dies jedoch als eine zukünftige Möglichkeit ein, die durch Verhaltensstudien untersucht werden muss, und nicht als gegenwärtige Realität. Die Arbeit wird als methodischer Durchbruch in der Anwendung von KI auf die Friedensforschung präsentiert, der die Lücke zwischen sozialwissenschaftlicher Theorie und Echtzeit-Digitalmedienanalyse schließt.