Gute wissenschaftliche Praxis verlangt nachvollziehbare Quellen, transparente Arbeitsweise und eigenständige Prüfung. Auch bei der Nutzung von Large Language Models bleibt die Verantwortung für Inhalte und Belege bei der Autorenschaft.
#GWP #Technikjournal

Der Stanford AI Index Report 2025 weist weiterhin messbare Fehlerquoten bei der Inhaltsgenerierung aus. Halluzinationen gelten als zentrale offene Herausforderung aktueller KI-Systeme.
#Forschung

Aus diesem Funktionsprinzip können sogenannte Halluzinationen entstehen. Inhalte oder Quellen wirken plausibel, sind jedoch nicht belegbar.
#KI

Große Sprachmodelle (Large Language Models) erzeugen Texte, indem sie statistisch berechnen, welches Wort wahrscheinlich folgt. Eine interne Fakten- oder Quellenprüfung ist dabei nicht vorgesehen.
#MaschinellesLernen

Mich interessiert, wie ihr die aktuelle Entwicklung einordnet und welche Erwartungen ihr an Transparenz im Umgang mit Benachrichtigungen habt.

Ein mögliches Problem besteht darin, dass der DSA zwar Transparenz fordert, die konkrete Kontrolle, Durchsetzung und Detailtiefe dieses Einblicks aber noch unklar sind. Auch Sanktionen und Überprüfungen sind in der Praxis erst im Aufbau.

In einer Untersuchung mit mehr als 17 000 Studierenden wurden häufige Smartphone-Unterbrechungen mit Schlaf- und Konzentrationsproblemen in Verbindung gebracht. Dadurch erhält die Regulierung zusätzliche gesellschaftliche Relevanz. - Yin, Jian; Tang, Xuanyi; Liu, Zhesi et al. (2025)

Die Verordnung legt damit die Grundlage dafür, nachvollziehen zu können, welche Kriterien hinter Benachrichtigungen stehen. Welche Informationen tatsächlich offengelegt werden, ist aber erst durch die praktische Umsetzung erkennbar.