Dieses Kapitel beschreibt das Forschungsdesign zur Frage, ob Künstliche Intelligenz Journalist*innen dabei helfen kann, perspektivenreichere Fragen zu entwickeln. Mit dem Navigator für Perspektivenvielfalt werden Leit- und Recherchefragen sowie Interesse, Emotion, Relevanz, Dilemmata und Bildideen mit sechs unterschiedlichen Personas generiert.
In einem kontrollierten Within-Subjects-Experiment vergleichen die Teilnehmenden ihre eigene Arbeit mit den KI-Vorschlägen. Ziel ist es, blinde Flecken sichtbar zu machen, Polarisierung zu vermeiden und neue Zugänge zu komplexen Themen zu eröffnen – als Ergänzung, nicht als Ersatz journalistischer Kompetenz.
Hypothese
Ziel des Forschungsdesigns ist es herauszufinden, ob Journalist*innen mithilfe eines KI-Tools perspektivenreichere Fragestellungen für ihre journalistischen Beiträge formulieren können. Dies gilt sowohl für Leitfragen als auch für Recherche- oder Interviewfragen. Mit dem Navigator für Perspektivenvielfalt sollen Möglichkeitsräume für neue Perspektiven aufgezeigt werden, die die Nutzenden aufgrund von fehlenden eigenen Erfahrungen oder Zeitdruck übersehen.
Hypothese: Ich glaube, ich stelle perspektivenreichere Fragen mit der Hilfe von ChatGPT
Konstruktive Herangehensweise
Im Journalismus werden Themen üblicherweise auf drei Hauptkriterien überprüft: Relevanz für die Zielgruppe, Aktualität beziehungsweise Neuigkeitswert sowie Verständlichkeit. Für die Lehre in Medienkursen und studentischen Redaktionen habe ich diese Kriterien erweitert und in der Checkliste für gute Themen [137] zusammengefasst. Sie enthält weitere Fragen: Warum ist das Thema in der Zukunft wichtig? Mit welchen Emotionen soll das Thema vermittelt werden? Gibt es einen Konflikt? Ist das Thema visuell?
Da diese Arbeit eine konstruktive Herangehensweise verfolgt, die die Zuspitzung von Konflikten und damit die Polarisierung von Perspektiven vermeiden möchte, werden Konflikte im Navigator für Perspektivenvielfalt in Dilemmata überführt, die zeigen, dass es keine einfachen Antworten auf komplexe Themen gibt. Den Versuchspersonen sollen Wege aufgezeigt werden, ein Thema so aufzubereiten, dass Menschen mit unterschiedlichen Standpunkten bereit sind, den Beitrag zu rezipieren.
Custom GPT: Navigator für Perspektivenvielfalt
Mit ChatGPT wurde ein eigener GPT-Chatbot erstellt, der die Perspektiven der sechs beschriebenen uniCROSS-Personas einnehmen kann [144]. Er wurde anhand der Checkliste für gute Themen darauf trainiert, zu einem Thema, das die Nutzenden eingeben, folgende Fragen aus allen sechs Perspektiven zu beantworten:
- Welche Recherchefragen würden die Personas aus ihrer Perspektive stellen?
- Welche Ideen für Bilder zum Thema haben die Personas? Bitte beschreibe die Bildideen mit Worten.
- Inwiefern betrifft das Thema den Lebensalltag der Personas? Inwiefern denken die Personas, dass das Thema in Zukunft relevant sein wird?
- Welcher gesellschaftliche Konflikt steht für jede Persona im Vordergrund? Überführe die Konfliktlinien in Dilemmata
- Welche Emotion löst das Thema bei den Personas aus? Welche Personas finden das Thema für einen journalistischen Beitrag eher interessant und welche finden es eher uninteressant?
- Wie könnte eine neue Leitfrage aus der Perspektive jeder Persona lauten?
Die Fragen können jeweils über einen Kurzbefehl ausgelöst werden. Ebenso kann jede Persona einzeln über einen Kurzbefehl angesprochen werden. Die Personas antworten aus der Ich-Perspektive. Die Profile der Personas wurden als Textdatei hinterlegt, ebenso eine Datei mit Tipps zu verschiedenen Frageformen.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Hypothese überprüfen
Um die Hypothese überprüfen zu können, wird allen Testpersonen das gleiche Thema vorgegeben, das sie zunächst allein und anschließend mit ChatGPT bearbeiten:
Thema: In der Natur landet immer mehr Plastikmüll. In Gewässern wird er zu Mikroplastik zerrieben und landet im Meer und im Trinkwasser. Chemieprofessor Andreas Fath hat im vergangenen Jahr die Donau von der Quelle im Schwarzwald bis zur Mündung im Schwarzen Meer durchschwommen. Er hat Wasserproben genommen und analysiert. Mit Bildungsaktionen macht er auf das Problem der Gewässerverschmutzung aufmerksam. Im Sommer möchte er ein neues Projekt starten und die Elbe von der Quelle bis zur Mündung durchschwimmen.
Leitfrage: Wie können wir die Bevölkerung besser über die Gefahren von Plastikmüll und Mikroplastik informieren?
Vorher-Nachher-Vergleich
Der Versuchsaufbau ist als Within-Subjects-Design [145] konzipiert, bei dem die Versuchspersonen zu unterschiedlichen Zeitpunkten T mehrfach befragt werden (Abbildung 12): Zum Zeitpunkt T1 bearbeiten die Versuchspersonen das Thema allein, so wie sie es bisher in ihrer journalistischen Praxis getan haben. Anschließend werden sie gebeten, zu bewerten, wie zufrieden sie mit ihrer eigenen Leistung waren.
Zum Zeitpunkt T2 generiert der Navigator für Perspektivenvielfalt in mehreren Durchgängen Antworten auf die oben beschriebenen Fragen. Im letzten Durchlauf können dem Chatbot eigene Fragen gestellt werden. Die Versuchspersonen vergleichen die Antworten von ChatGPT mit ihren eigenen Antworten und bewerten am Ende des Prozesses die wahrgenommene subjektive Performanz von ChatGPT. Anschließend geben sie an, ob sie beabsichtigen, das Tool künftig zu benutzen. Zusätzlich können die Testpersonen Vorschläge von ChatGPT ihren Fragen hinzufügen oder eine eigene Frage zurückstellen. Sie sollen angeben, mit welcher Emotion sie das Thema umsetzen würden und ob sie die Leitfrage verändern möchten.
Um Übertragungseffekte zu vermeiden, bei denen die Testpersonen durch die Reihenfolge der Fragen beeinflusst werden, werden die Aufgaben für die Arbeit mit ChatGPT zum Zeitpunkt T2 in wechselnder Reihenfolge angeordnet.
Subjektive Performanz
Die wahrgenommene Leistung zu den Zeitpunkten T1 und T2 wird mit sechs Items für subjektive Performanz [146] gemessen:
- Ich bin beeindruckt, wie perspektivenreich mein Ergebnis/das Ergebnis von ChatGPT
- Ich habe das Gefühl, dass ich/ChatGPT die Perspektiven der Personas gut verstanden hat.
- Ich habe/ChatGPT hat eine gute Leistung gezeigt.
- Ich denke, ich habe/ChatGPT hat effizient gearbeitet. (Antwortzeit pro Eingabe etwa 6 bis 10 Sekunden)
- Ich habe/ChatGPT hat Antworten generiert, die plausibel klingen, aber zu keinem für mein Publikum interessanten Ergebnis führen. (negiert)
- Ich habe/ChatGPT hat erwartbare Antworten generiert, die für mein Publikum nicht neu sind. (negiert)
Intention to use
Die Nutzungsabsicht wird mit drei Items für Intention to use [147] ermittelt:
- Ich kann mir vorstellen, ChatGPT für meinen nächsten Beitrag benutzen.
- Ich bin sicher, dass ich ChatGPT für meinen nächsten Beitrag benutzen werde.
- Ich habe vor, ChatGPT für meinen nächsten Beitrag zu benutzen.
Die Bewertung erfolgt jeweils auf der Likert-Skala von 1 bis 5: 1 = stimme überhaupt nicht zu, 2 = stimme nicht zu, 3 = weder noch, 4 = stimme zu, 5 = stimme voll und ganz zu.
Persönliche Einflussfaktoren
Die journalistische Erfahrung könnte ein Einflussfaktor sein, wie stark neue Perspektiven wahrgenommen und angenommen werden. In einer studentischen Ausbildungsredaktion können die individuellen Erfahrungsstufen sehr unterschiedlich sein. Ebenso können Wertvorstellungen und die eigene Persönlichkeit die Ergebnisse beeinflussen. Daher erfolgt vorab zum Zeitpunkt T0 eine entsprechende Abfrage:
- Mit welcher Persona identifizierst du dich am meisten und aufgrund welcher Merkmale?
- Wie schätzt du deine journalistische Erfahrung ein?
Um den Navigator für Perspektivenvielfalt nutzen zu können, ist ein Account bei Open AI erforderlich. Da dem Chatbot Textdateien hinterlegt sind, arbeitet er mit der Version GPT 4o. In der kostenlosen Version ist die Anzahl der Anfragen pro Zeiteinheit beschränkt. Einige Fragen wurden daher als Doppelfragen formuliert, damit die Versuchsteilnehmenden in jedem Fall alle Fragen eingeben können.
Quellen
| [137] | A. Rhode, Finde ein Thema, 7. Oktober 2021. |
| [144] | A. Rhode, Navigator für Perspektivenvielfalt |
| [145] | W. Hemmerich, Within-Subjects-Design, Messwiederholung, 2022. |
| [146] | B. Gonsior, S. Sosnowski, C. Mayer, J. Blume, B. Radig, D. Wollherr und K. Kühnlenz, „Improving aspects of empathy and subjective performance for HRI through mirroring facial expressions,“ Proc. of IEEE Int. Symp. on Robot and Human Interactive Communication (RO-MAN), (Atlanta, GA, USA), pp. 350-356, 2011. |