Evidenz-Simulation und Glaubwürdigkeits-Signale : Linguistische und multimodale Analyse KI-generierter Wissenschaftsvideos

Generative Künstliche Intelligenz hat in den vergangenen Jahren ein bemerkenswertes Potenzial entwickelt: Neben Textgeneratoren, die Texte erstellen, die nicht mehr von menschlichen Texten unterschieden werden können, haben sich Anwendungen etabliert, die täuschend realistisches Bild- und Videomaterial generieren. KI generierte Videos verbreiten sich zunehmend auf Social Media Plattformen wie TikTok und YouTube (Stanusch et al.  2025) und werden von jüngeren Nutzer:innen häufig als Wissensquellen rezipiert, obwohl sie nicht immer als KI produziert erkennbar sind (JIM Studie 2025). Dies stellt eine besondere Herausforderung für die Wissensgesellschaft dar, weil KI-generierte Inhalte massenhaft produziert und zur Verbreitung von Falschinformationen genutzt werden können (Bundesausschuss 2026). Zudem kann das Nebeneinander von menschlich produzierten und ungekennzeichneten KI-generierten Videos eine erhöhte Skepsis gegenüber allen videobasierten Informationen hervorrufen und damit das generelle Vertrauen in mediale Wissens- und Informationsvermittlung erschüttern (Vaccari/Chadwick 2020; Kleemann 2024).
Anhand systematischer linguistisch-multimodaler Analysen von KI-generierten Videos streben wir in unserem Projekt genauere Erkenntnisse über ihre Gemachtheit an. ... mehrNeben der sprachlichen Vermittlung werden Bild und Tonebene berücksichtigt, um das multimodale Zusammenspiel zur Hervorbringung von Inhalten nachzuzeichnen (Wildfeuer et al. 2020). Dazu werten wir ein Korpus aus KI-generierten Youtube-, Instagram- und TikTok-Videos zur Wissenschaftskommunikation aus.
Auf dieser Grundlage untersuchen wir in einem zweiten Schritt, welche sprachlichen, visuellen und auditiven Mittel in den Videos eingesetzt werden, um Glaubwürdigkeit und Vertrauenswürdigkeit hervorzurufen. Dabei geht es einerseits um die Frage, welche Mittel zur Hervorbringung simulierter Glaub- und Vertrauenswürdigkeit eingesetzt werden, um Deepfakes zu tarnen. Andererseits geht es aber auch darum, Merkmale und Signale zu identifizieren, aus denen Nutzende die Seriosität von Angeboten ableiten können (Bührig/Schopf 2024). Auf diese Weise soll über das Projekt ein wissenschaftlich fundierter Katalog von worst und best practices zusammengestellt werden.
Das Poster präsentiert den methodischen Zugang zu dieser Auswertung, indem anhand ausgewählter Beispiele die Ebenen der linguistischen und der multimodalen Analyse und die hieraus resultierenden Erkenntnisse hinsichtlich der Erzeugung von Glaub- und Vertrauenswürdigkeit illustriert werden.