From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

In der modernen Welt erreicht uns die Nachricht, die wir lesen, selten als ein neutraler Strom von Fakten. Stattdessen wird sie durch die Entscheidungen der Redakteure und die Algorithmen gefiltert, die bestimmen, was wir sehen. Diese Filter fungieren als Gatekeeper, die entscheiden, welche Geschichten uns erreichen und wie diese gerahmt werden. Eine Geschichte über ein politisches Ereignis kann von einem Medium als Triumph und von einem anderen als Misserfolg dargestellt werden, nicht weil sich die Fakten geändert haben, sondern weil sich der Tonfall und der Fokus verschoben haben. Dieses Phänomen, bekannt als Medienbias (Medienvoreingenommenheit), ist in großem Maßstab schwer zu verfolgen, da es subtile Veränderungen in der Sprache, die Auswahl spezifischer Details und die emotionale Gewichtung verschiedener Personen und Ereignisse beinhaltet. Jahrzehntelang erforderte das Verständnis dieser Muster Teams von menschlichen Experten, die Artikel einen nach dem anderen lesen und analysieren mussten – ein langsamer und teurer Prozess, der mit der Geschwindigkeit des Internets nicht Schritt halten konnte.

Forscher haben begonnen, künstliche Intelligenz einzusetzen, um dieses Problem zu lösen, in der Hoffnung, die Erkennung dieser subtilen Verzerrungen zu automatisieren. Es bleibt jedoch eine erhebliche Hürde für viele Teile der Welt bestehen: Die meisten fortschrittlichen Sprachwerkzeuge sind für bedeutende Sprachen wie Englisch gebaut, wodurch kleinere Sprachen ohne zuverlässige Software zur Analyse ihrer eigenen Nachrichten zurückbleiben. In diesen Regionen bedeutet der Mangel an spezialisierten Werkzeugen, dass selbst grundlegende Fragen – etwa, welche Nachrichtenquellen ein bestimmtes Ereignis abgedeckt oder wie verschiedene Medien dieselbe Person des öffentlichen Lebens beschrieben haben – konsistent schwer zu beantworten sind. Ohne diese Werkzeuge ist es schwierig, das vollständige Bild davon zu erfassen, wie Informationen geformt und verbreitet werden.

Ein Forscherteam der Universität Tirana in Albanien hat einen neuen Ansatz entwickelt, um diese Lücke zu schließen. Sie haben ein System geschaffen, das ein leistungsfähiges, universelles Sprachmodell nutzt, um tausende von Nachrichtenartikeln zu lesen, die auf Albanisch verfasst wurden – einer Sprache, für die es nur sehr wenige dedizierte digitale Werkzeuge gibt. Das System liest den Text nicht nur; es zerlegt ihn in drei distinkte Analyseebenen. Erstens gruppiert es Artikel nach Themen und spezifischen Ereignissen, um zu sehen, welche Geschichten erzählt werden. Zweitens identifiziert es die Namen von Personen und Organisationen, die in diesen Geschichten erwähnt werden. Drittens, und vielleicht am wichtigsten, misst es den emotionalen Tonfall der Schrift und bestimmt, ob die Berichterstattung über eine Person oder ein Ereignis positiv, negativ oder neutral ist. Durch die Kombination dieser Ebenen kann die Pipeline nicht nur abbilden, was eine Nachrichtenquelle wahlweise abdeckt, sondern auch, wie sie die an diesen Geschichten beteiligten Personen beschreibt.

Um ihr System zu testen, sammelte das Forscherteam eine Sammlung von 8.358 Nachrichtenartikeln aus 124 verschiedenen albanischen Nachrichtenquellen, die im April 2026 veröffentlicht wurden. Sie speisten diese Artikel in ihre Pipeline ein, die eine lokale Version eines fortgeschrittenen Sprachmodells nutzte, um die notwendigen Daten zu extrahieren. Das Ziel war es zu sehen, ob diese automatisierte Methode zuverlässige Ergebnisse liefern kann, ohne dass eine massive, bereits existierende Datenbank mit von Menschen gelabelten Beispielen erforderlich ist. Die Forscher verglichen den Output ihres Systems mit den Annotationen von GDELT, einer großen globalen Datenbank, die ebenfalls automatisierte Werkzeuge nutzt, um Nachrichten zu verfolgen. Der Vergleich zeigte ein moderates Maß an Übereinstimmung zwischen den beiden Systemen, was darauf hindeutet, dass die neue Pipeline in eine ähnliche Richtung arbeitete wie etablierte Methoden. Wichtiger noch: Die Forscher fanden heraus, dass ihr System viele Erwähnungen von Personen identifizierte, die das GDELT-System übersehen hatte. Diese Fähigkeit, zusätzliche Namen zu erfassen, ist entscheidend für die Bias-Analyse, da das Übersehen einer Person des öffentlichen Lebens das Verständnis darüber verzerren kann, wie verschiedene Medien diese Person behandeln.

Die Studie testete zudem zwei verschiedene Sätze von Anweisungen oder „Prompts“, die dem Sprachmodell gegeben wurden, um zu sehen, welche besser funktionieren würden. Ein Satz von Anweisungen war streng und verlangte vom Modell, seine eigene Arbeit zu doppelt zu prüfen, um sicherzustellen, dass die zugewiesenen emotionalen Labels mit den vergebenen numerischen Scores übereinstimmten. Der andere Satz war einfacher und schneller. Die strengen Anweisungen eliminierten zwar Inkonsistenzen zwischen Labels und Scores, verlangsamten jedoch den Prozess erheblich und führten dazu, dass das System fast die Hälfte der verarbeiteten Artikel übersprang. Die einfacheren Anweisungen, die zwar etwas mehr Inkonsistenzen erzeugten, ermöglichten es dem System, einen viel größeren Teil der Nachrichtensammlung zu analysieren und wesentlich schneller zu laufen. Die Forscher kamen zu dem Schluss, dass für ein System, das Nachrichten kontinuierlich überwachen soll, der schnellere, breitere Ansatz praktischer ist, da die wenigen Inkonsistenzen später mit einfachen Regeln bereinigt werden können.

Unter Verwendung der durch diese Pipeline generierten Daten konnten die Forscher detaillierte Profile darüber erstellen, wie verschiedene Nachrichtenquellen operieren. Sie fanden heraus, dass einige Medien Themen konsistent mit einem wohlwollenderen Tonfall rahmten, während andere systematisch kritischer waren. Das System konnte auch spezifische Persönlichkeiten des öffentlichen Lebens verfolgen und zeigen, wie dieselbe Person in einer Zeitung positiv und in einer anderen negativ beschrieben werden kann. Beispielsweise zeigte die Analyse, dass die Berichterstattung über bestimmte politische Figuren je nach Quelle stark variierte, wobei einige Medien fast ausschließlich positive Berichterstattung boten, während andere überwiegend kritisch waren. Zusätzlich konnte das System „Gatekeeping“-Ereignisse identifizieren – Geschichten, die nur von einer kleinen Handvoll Quellen abgedeckt wurden, während sie vom Rest der Medienlandschaft ignoriert wurden. Dies ermöglichte es den Forschern, nicht nur den Tonfall der Nachrichten zu sehen, sondern auch die Reichweite spezifischer Geschichten und die Frage, wo Informationen konzentriert oder zurückgehalten werden.

Die Arbeit demonstriert, dass es möglich ist, ein strukturiertes, automatisiertes System zur Analyse von Medienbias in ressourcenarmen Sprachen aufzubauen, ohne dass spezialisierte, sprachspezifische Trainingsdaten benötigt werden. Die Forscher betonen, dass ihr Werkzeug nicht dazu gedacht ist, menschliches Urteilsvermögen oder Expertenprüfung zu ersetzen, sondern vielmehr als schneller Ausgangspunkt zu dienen. Es verwandelt eine massive Sammlung von Artikeln in klare Signale, die leichter inspiziert werden können. Durch die Automatisierung der initialen Extraktion von Namen, Themen und Tönen reduziert das System die Menge an Material, das Menschen von Grund auf lesen müssen. Dies ist besonders wertvoll in Umgebungen, in denen eine kontinuierliche Überwachung schwierig ist und in denen spezialisierte Sprachwerkzeuge knapp sind. Die Forscher schlagen vor, dass dieser Ansatz einen reproduzierbaren Bauplan bietet, der auf andere Sprachen und Regionen angewendet werden kann, um zu visualisieren, wie Nachrichten gerahmt werden und wer im öffentlichen Diskurs gehört wird.