computergenerierte Texte / large language model computer-generated text |
|
BiblioMap 
Synonyme
computergeneriertes Schreiben, Schreiben durch Computer, computergenerierte Texte, Schreibroboter, Textbots, computational journalism, machine written news, automated journalism, natural language generation, NLG, large language model, LLM
Definitionen
Similar to [14], we understand the term language model (LM) to
refer to systems which are trained on string prediction tasks: that is,
predicting the likelihood of a token (character, word or string) given
either its preceding context or (in bidirectional and masked LMs)
its surrounding context. Such systems are unsupervised and when
deployed, take a text as input, commonly outputting scores or string
predictions.
Von Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Shmargaret Shmitchell im Text On the Dangers of Stochastic Parrots (2021) 
KI-gestütztes Schreiben beschreibt einen Schreibprozess, der durch eine KI-basierte Software in unterschiedlichen Phasen des Schreibprozesses und mit unterschiedlicher Intensität und Funktionalität unterstützt wird. Er gliedert sich in die beiden Teilbereiche KI-gestützte Textbearbeitung und KI-gestützte Textgenerierung. Die primären Zielsetzungen des KI-gestützten Schreibens sind die effizientere Bearbeitung vorhandener Texte oder das automatisierte Generieren neuer Textsequenzen.
Eine andere Ausprägung des Narrative-Science-Systems, bei dem die Firma auch schon Konkurrenten hat, ist die Generierung der verpflichtenden Quartalsberichte für börsennotierte Unternehmen. Diese Berichte werden meist ohnehin nur von ein paar Dutzend Investmentanalysten gelesen und ausgewertet – und von Börsen-Handelsalgorithmen. Das Prinzip der Berichtgenerierung bleibt gleich: Aktuelle Geschäftszahlen, die aus der Unternehmenssoftware extrahiert worden sind, werden mit denen aus den vergangenen Quartalen, Zahlenwerken über die Situation in den verschiedenen Absatzmärkten und weiteren relevanten Daten zum Faktengrundgerüst für den Bericht zusammengestellt.
Die Berichtgenerierungssoftware erzeugt dann daraus nach den gleichen Methoden wie bei der automatischen Sportberichterstattung einen Fließtext, wenn gewünscht mit Tabellen, der sich nicht ohne weiteres von solchen unterscheiden läßt, die von Menschen geschrieben wurden. Bei Quartalsberichten sind die teilweise gesetzlich vorgeschriebenen Inhalte und die daraus abgeleitete Struktur ohnehin noch mal ähnlicher und wiederkehrender als bei Sportberichten. Niemand erwartet hier literarische Höchstleistungen. Im Gegenteil: Die Algorithmen auf der anderen Seite, die zur Auswertung solcher Quartalsberichte geschrieben wurden, funktionieren besser, wenn weitgehend auf sprachliche Dekorationen verzichtet wird.
Auch menschliche Kreativität, die bisher als nicht oder nur begrenzt durch Algorithmen ersetzbar galt, ist in einigen Bereichen weitaus weniger unersetzbar als angenommen. Ein drastisches Beispiel hierfür liefert die Firma Narrative Sciences, die es sich zum Ziel gesetzt hat, ihre Software Geschichten erzählen zu lassen. Wie es sich für ein gewinnorientiertes Start-up gehört, geht es dabei nicht um Märchen oder Sagen, sondern um Quartalsberichte von Unternehmen und – durchaus beeindruckend – um Sportberichterstattung.
Durch Analyse von Millionen von Zeitungsartikeln über in den USA beliebte Sportarten wie Baseball oder Basketball, die mit den über jedes Spiel erfaßten Daten über Spielaktionen, Ballbesitz, Tore, statistische Auffälligkeiten und Rekorde und so weiter verglichen wurden, lernten die Systeme von Narrative Science, wie Menschen über ein Spiel schreiben. Typische Phrasen und Wortverbindungen der Sportberichterstattung für die jeweiligen Situationen wurden extrahiert und in einer Datenbank gespeichert. Ergibt sich aus den Daten des Spiels, über das die Software gerade einen Bericht schreibt, eine ähnliche Situation, werden die dazugehörigen Satzbestandteile zur Beschreibung herausgesucht.
Aus dem Kontext der Daten und daraus, wann in der von der Software belieferten Zeitung diese Satzbausteine zuletzt verwendet wurden – man will schließlich keine zu auffälligen Wiederholungen von Formulierungen –, und weiteren Modulen, die unter anderem auf korrekten Satzbau und Grammatik achten, ergeben sich letztendlich die fertigen Sätze und Absätze eines Artikels. Die nackten, formalisierten Daten werden zu einer Geschichte, wie sie ein Mensch erzählen würde.
Bemerkungen
Etwas polemisch könnte man festhalten, dass Algorithmen nur Schreibaufgaben unterminieren, die an sich schon problematisch sind.
Plagiarism software will not detect essays written by Transformers, because the text is generated, not copied. A Google search of the essay shows that each sentence is original.Ich sehe keinen grossen Wert in einer
Maschine, die synthetischen Text erzeugt.
Und leider kommen gerade jede
Menge richtig schlechter Ideen auf, wofür
man Chat-GPT einsetzen könnte.
Von Emily M. Bender im Text «Ein Chatbot kann nicht logisch denken» (2023) 
Algorithmen schreiben schneller
und billiger als Menschen. Ihr
Hauptvorteil ist jedoch: Sie können
ihre Texte dynamisch an die Leser
anpassen. Den Online-Handel wird
das schneller verändern als den
Journalismus.Die Frage ist, welche implikationen es
für die Kultur und die Öffentlichkeit
insgesamt hat, wenn künftig ganze
alben oder Self-Publishing-Programme
mit computergenerierten Werken
bestückt werden. Wird Kultur vorhersehbarer,
berechenbarer und möglicherweise
auch gefälliger?
Von Adrian Lobe im Text Gefangen in der Feedback-Schleife (2023) KI-Systeme und Sprachmodelle im Besonderen werden von Menschen programmiert. Und die implementieren nicht nur mathematische, sondern auch soziale Werte. ChatGPT ist schon jetzt eine Storytelling-Maschine, die es mit der Diskursmacht von Disney oder Hollywood aufnehmen könnte. Die Frage, wie dieses Computersystem lernt, hat daher auch gesellschaftspolitische Relevanz.
Von Adrian Lobe im Text Geschichten von morgen (2023) 
So wie kein Autor unter seinen Text
schreibt: „Dieser Artikel wurde mit Word
16.66.1 geschrieben und mit dessen
Rechtschreibkorrektur überprüft“, ergibt
es in Zukunft keinen Sinn, alle KI-Tools
aufzulisten, die bei der Recherche und
Formulierung geholfen haben. Wichtiger
ist es, dass immer ein Autor für den Inhalt
eines Textes geradesteht und verantwortlich
gemacht werden kann.You should be worried. GPT-3 and programs like it are starting to take over
routine writing tasks like composing blogs and writing news stories. They
are good at summarizing magazine articles and academic papers. They can
write convincing poetry. The computer games industry is adopting these
programs to offer lifelike characters, with personalities and emotions, who
can engage in deep conversation with players.Auch in der Schweiz schreiben erste Roboter Texte selbst, allerdings keine Meinungsbeiträge, sondern nur standardisierte Textsorten, für die keine speziellen Kenntnisse oder Erfahrungen nötig sind. So wird bei 'CH Media' automatisiert von einem Textgenerator über sämtliche regionalen Fussballspiele berichtet. Dort kommt zur Generierung der Texte die Textengine Arria NLG zum Einsatz, wie der Entwickler 'Persönlich' erklärte.
Von Marcel Gamma im Text Schrieb eine KI eine geistreiche Abhandlung selbst? (2020) As argued by Bender and Koller [14], it is important to understand
the limitations of LMs and put their success in context. This
not only helps reduce hype which can mislead the public and researchers
themselves regarding the capabilities of these LMs, but
might encourage new research directions that do not necessarily
depend on having larger LMs. As we discuss in §5, LMs are not
performing natural language understanding (NLU), and only have
success in tasks that can be approached by manipulating linguistic
form [14].
Von Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Shmargaret Shmitchell im Text On the Dangers of Stochastic Parrots (2021) Die Arbeitsweise der Algorithmen, ihre Heranziehung von großen Mengen archivierter Artikel, um damit das Skelett der Daten mit Formulierungen zu umkleiden, die sie für den Menschen besser les- und verstehbar machen, eignet sich jedoch bei weitem nicht für alle Arten von Text. Sie wird gut funktionieren, wenn die zu beschreibenden Sachverhalte anhand von strukturierten Daten vorliegen, die »nur noch« in Prosa umgesetzt werden müssen. Andere Algorithmen sind jedoch zumindest in begrenztem Maße in der Lage, auch aus sogenanntem unstrukturiertem Text, also Nachrichtentickermeldungen oder Dokumenten, wohlfeile strukturierte Informationen zu extrahieren, die dann wiederum von anderen Algorithmen weitergenutzt werden können.
Das dritte Beispiel des computational journalism dürfte am deutlichsten machen, dass Computer anfangen, kognitive
Leistungen für Menschen zu übernehmen. Mehrere Firmen
verkaufen bereits erfolgreich computergenerierte Sport- und
Börsenberichte an Zeitungen. Je mehr Daten zu einem Ereignis
digital verfügbar sind, desto einfacher ist es für einen Computer,
daraus einen Artikel zu formulieren, der von Menschen nicht als
vom Computer geschrieben erkannt wird. In den USA eignet sich
zum Beispiel Baseball sehr, da in einem solchen Spiel viele Daten
anfallen, aus denen sich der Spielverlauf ablesen lässt. Im Finanzbereich
wird das Verfassen von Jahresberichten börsennotierter
Unternehmen immer heikler, da falsche Formulierungen juristische
Konsequenzen haben könnten. Also wird auch diese Arbeit
Computern übertragen, die aus den Geschäftsdaten einen trockenen
Prosatext generieren. Computer schreiben erfolgreich Texte –
damit verschiebt sich unaufhaltsam die Grenze dessen, was wir
für automatisierbar halten.
Bereits 2010 wurde die Anwendung Stats Monkey vorgestellt, die kurze Berichte zu Baseballspielen anfertigen kann. Alles, was das Programm dafür benötigt, sind umfassende Daten zu den Spielen, die mittlerweise routinemäßig erhoben und dank verbesserter algorithmischer Bilderkennung und neuer Sensoren immer detaillierter werden. Das Programm extrahiert aus den Daten die entscheidenden Momente und Akteure eines Spiels, erkennt charakteristische Muster im Spielverlauf (etwa “frühe Führung stetig ausgebaut”, “dramatische Aufholjagd” oder Ähnliches) und generiert darauf aufbauend eigene Berichte. Dabei kann eine Vielzahl von Variablen bestimmt werden, etwa ob ein Artikel aus der Perspektive eines neutralen Beobachters oder vom Standpunkt eines der beiden Teams geschrieben werden soll. Oder man kann, weil Eltern nicht gerne über die Fehler ihrer Kinder lesen, festlegen, dass vor allem die gelungenen Spielzüge hervorgehoben werden sollen, wenn es um Partien in der Schülerliga geht. Der Algorithmus wurde rasch patentiert, und aus dem ursprünglich interdisziplinären Forschungsprojekt wurde ein Start-up-Unternehmen: Narrative Science. Dieses bietet heute Texte aller Art an, neben Sport- vor allem auch Finanzberichterstattung, ebenfalls ein Feld, für das statistische Informationen in Fülle vorliegen. Diese Texte werden in renommierten Medien wie dem Wirtschaftsmagazin Forbes veröffentlicht und dort mit dem Autorenvermerk “narrative science” gekennzeichnet. Noch beschränken sich diese Beiträge auf relativ einfache Themen. Dabei soll es aber nicht bleiben. Auf die Frage, wie groß der Anteil algorithmisch verfasster Nachrichten in fünfzehn Jahren sein werde, antwortete Kristian Hammond, Technologiechef von Narrative Science und einer der Gründer des Unternehmens, 2012 selbstbewusst mit “neunzig Prozent” – und fügte gleich noch hinzu, dass ein Algorithmus schon in fünf Jahren zum ersten Mal den Pulitzer-Preis gewinnen werde.[195] Da wird einiges an Hype und Selbstmarketing mitschwingen, aber als generelle Einschätzung ist seine Aussage nicht unglaubwürdig.Verwandte Objeke
Generative Pretrained Transformer 3 (GPT-3)
Chat-GPT
GPT-2
Generative Pretrained Transformer 4 (GPT-4)
DeepL
Häufig erwähnende Personen
Häufig co-zitierte Personen
AdityaRamesh
BenjaminMann
NickRyder
MelanieSubbiah
JaredKaplan
ArvindNeelakantan
PranavShyam
GirishSastry
AmandaAskell
SandhiniAgarwal
ArielHerbert-Voss
GretchenKrueger
RewonChild
PrafullaDhariwal
Daniel M.Ziegler
ChristopherBerner
Tom B.Brown
DarioAmodei
IlyaSutskever
TomHenighan
SamMcCandlish
JeffreyWu
JackClark
BenjaminChess
ScottGray
MateuszLitwin
EricSigler
MarkChen
ChristopherHesse
ClemensWinter
AlecRadford
Statistisches Begriffsnetz
Blahfasel-Generator (Beta)
Computergenerierte Texte / large language model und DeepL: ein Gegensatz?
Das Spannungsfeld "computergenerierte Texte / large language model" beeinflusst verstärktdie Welt. Der vorliegende Artikel versucht aus diesem Grund, einige grundlegende Erläuterungen aus historischer Perspektive zu skizzieren.
Bereits 2013 wurde der Begriff zum ersten Mal besprochen. Eine Trendabschätzung scheint in dieser kurzen Zeit schwierig.
Hilfreich ist ein Blick auf die Geschichte des Begriffs. Die wichtigste Erklärung des Begriffs von Constanze Kurz, Frank Rieger (2013) lautet: "Eine andere Ausprägung des Narrative-Science-Systems, bei dem die Firma auch schon Konkurrenten hat, ist die Generierung der verpflichtenden Quartalsberichte für börsennotierte Unternehmen. Diese Berichte werden meist ohnehin nur von ein paar Dutzend Investmentanalysten gelesen und ausgewertet – und von Börsen-Handelsalgorithmen. Das Prinzip der Berichtgenerierung bleibt gleich: Aktuelle Geschäftszahlen, die aus der Unternehmenssoftware extrahiert worden sind, werden mit denen aus den vergangenen Quartalen, Zahlenwerken über die Situation in den verschiedenen Absatzmärkten und weiteren relevanten Daten zum Faktengrundgerüst für den Bericht zusammengestellt.
Die Berichtgenerierungssoftware erzeugt dann daraus nach den gleichen Methoden wie bei der automatischen Sportberichterstattung einen Fließtext, wenn gewünscht mit Tabellen, der sich nicht ohne weiteres von solchen unterscheiden läßt, die von Menschen geschrieben wurden. Bei Quartalsberichten sind die teilweise gesetzlich vorgeschriebenen Inhalte und die daraus abgeleitete Struktur ohnehin noch mal ähnlicher und wiederkehrender als bei Sportberichten. Niemand erwartet hier literarische Höchstleistungen. Im Gegenteil: Die Algorithmen auf der anderen Seite, die zur Auswertung solcher Quartalsberichte geschrieben wurden, funktionieren besser, wenn weitgehend auf sprachliche Dekorationen verzichtet wird."Vergleichbar gelagert die Definition von Constanze Kurz, Frank Rieger aus dem Jahr 2013 : "Auch menschliche Kreativität, die bisher als nicht oder nur begrenzt durch Algorithmen ersetzbar galt, ist in einigen Bereichen weitaus weniger unersetzbar als angenommen. Ein drastisches Beispiel hierfür liefert die Firma Narrative Sciences, die es sich zum Ziel gesetzt hat, ihre Software Geschichten erzählen zu lassen. Wie es sich für ein gewinnorientiertes Start-up gehört, geht es dabei nicht um Märchen oder Sagen, sondern um Quartalsberichte von Unternehmen und – durchaus beeindruckend – um Sportberichterstattung.
Durch Analyse von Millionen von Zeitungsartikeln über in den USA beliebte Sportarten wie Baseball oder Basketball, die mit den über jedes Spiel erfaßten Daten über Spielaktionen, Ballbesitz, Tore, statistische Auffälligkeiten und Rekorde und so weiter verglichen wurden, lernten die Systeme von Narrative Science, wie Menschen über ein Spiel schreiben. Typische Phrasen und Wortverbindungen der Sportberichterstattung für die jeweiligen Situationen wurden extrahiert und in einer Datenbank gespeichert. Ergibt sich aus den Daten des Spiels, über das die Software gerade einen Bericht schreibt, eine ähnliche Situation, werden die dazugehörigen Satzbestandteile zur Beschreibung herausgesucht.
Aus dem Kontext der Daten und daraus, wann in der von der Software belieferten Zeitung diese Satzbausteine zuletzt verwendet wurden – man will schließlich keine zu auffälligen Wiederholungen von Formulierungen –, und weiteren Modulen, die unter anderem auf korrekten Satzbau und Grammatik achten, ergeben sich letztendlich die fertigen Sätze und Absätze eines Artikels. Die nackten, formalisierten Daten werden zu einer Geschichte, wie sie ein Mensch erzählen würde.". Hier zeigen sich nun sowohl verbindende und trennende Aspekte. ...
Das Spannungsfeld "computergenerierte Texte / large language model" beeinflusst verstärktdie Welt. Der vorliegende Artikel versucht aus diesem Grund, einige grundlegende Erläuterungen aus historischer Perspektive zu skizzieren.
Bereits 2013 wurde der Begriff zum ersten Mal besprochen. Eine Trendabschätzung scheint in dieser kurzen Zeit schwierig.
Hilfreich ist ein Blick auf die Geschichte des Begriffs. Die wichtigste Erklärung des Begriffs von Constanze Kurz, Frank Rieger (2013) lautet: "Eine andere Ausprägung des Narrative-Science-Systems, bei dem die Firma auch schon Konkurrenten hat, ist die Generierung der verpflichtenden Quartalsberichte für börsennotierte Unternehmen. Diese Berichte werden meist ohnehin nur von ein paar Dutzend Investmentanalysten gelesen und ausgewertet – und von Börsen-Handelsalgorithmen. Das Prinzip der Berichtgenerierung bleibt gleich: Aktuelle Geschäftszahlen, die aus der Unternehmenssoftware extrahiert worden sind, werden mit denen aus den vergangenen Quartalen, Zahlenwerken über die Situation in den verschiedenen Absatzmärkten und weiteren relevanten Daten zum Faktengrundgerüst für den Bericht zusammengestellt.
Die Berichtgenerierungssoftware erzeugt dann daraus nach den gleichen Methoden wie bei der automatischen Sportberichterstattung einen Fließtext, wenn gewünscht mit Tabellen, der sich nicht ohne weiteres von solchen unterscheiden läßt, die von Menschen geschrieben wurden. Bei Quartalsberichten sind die teilweise gesetzlich vorgeschriebenen Inhalte und die daraus abgeleitete Struktur ohnehin noch mal ähnlicher und wiederkehrender als bei Sportberichten. Niemand erwartet hier literarische Höchstleistungen. Im Gegenteil: Die Algorithmen auf der anderen Seite, die zur Auswertung solcher Quartalsberichte geschrieben wurden, funktionieren besser, wenn weitgehend auf sprachliche Dekorationen verzichtet wird."Vergleichbar gelagert die Definition von Constanze Kurz, Frank Rieger aus dem Jahr 2013 : "Auch menschliche Kreativität, die bisher als nicht oder nur begrenzt durch Algorithmen ersetzbar galt, ist in einigen Bereichen weitaus weniger unersetzbar als angenommen. Ein drastisches Beispiel hierfür liefert die Firma Narrative Sciences, die es sich zum Ziel gesetzt hat, ihre Software Geschichten erzählen zu lassen. Wie es sich für ein gewinnorientiertes Start-up gehört, geht es dabei nicht um Märchen oder Sagen, sondern um Quartalsberichte von Unternehmen und – durchaus beeindruckend – um Sportberichterstattung.
Durch Analyse von Millionen von Zeitungsartikeln über in den USA beliebte Sportarten wie Baseball oder Basketball, die mit den über jedes Spiel erfaßten Daten über Spielaktionen, Ballbesitz, Tore, statistische Auffälligkeiten und Rekorde und so weiter verglichen wurden, lernten die Systeme von Narrative Science, wie Menschen über ein Spiel schreiben. Typische Phrasen und Wortverbindungen der Sportberichterstattung für die jeweiligen Situationen wurden extrahiert und in einer Datenbank gespeichert. Ergibt sich aus den Daten des Spiels, über das die Software gerade einen Bericht schreibt, eine ähnliche Situation, werden die dazugehörigen Satzbestandteile zur Beschreibung herausgesucht.
Aus dem Kontext der Daten und daraus, wann in der von der Software belieferten Zeitung diese Satzbausteine zuletzt verwendet wurden – man will schließlich keine zu auffälligen Wiederholungen von Formulierungen –, und weiteren Modulen, die unter anderem auf korrekten Satzbau und Grammatik achten, ergeben sich letztendlich die fertigen Sätze und Absätze eines Artikels. Die nackten, formalisierten Daten werden zu einer Geschichte, wie sie ein Mensch erzählen würde.". Hier zeigen sich nun sowohl verbindende und trennende Aspekte. ...
6 Vorträge von Beat mit Bezug
- Schule - Medien - Informatik - Worauf sollen wir uns einstellen?
Eröffnungsreferat an der Kick-Off-Veranstaltung zur dynamischen ICT-Strategie des Kantons Thurgau
PH Thurgau, Kreuzlingen, 24.06.2015
- 1001 Fragen zu Digitalisierung und Fachdidaktik
Hauptvortrag von Ralf Romeike und Beat Döbeli Honegger an der Jahrestagung der Gesellschaft für Fachdidaktik (GFD)
Regensburg, bzw. Internet, 23.09.2020
- Anforderungen an die Lehrkräftebildung MIT - ÜBER - IN digitalen Medien
QLB-BMBF-Kongress Berlin, 22.11.2021
- Die Reise nach Digitalien
PH VS / HEP VS, Sion, 18.01.2023
- ChatGPT - der iPhone-Moment für KI?
Klausur PHSZ, Oberägeri, 14.02.2023
Zitationsgraph
Zeitleiste
102 Erwähnungen
- Theory of Mind May Have Spontaneously Emerged in Large Language Models (Michal Kosinski)
- Competition-level code generation with AlphaCode (Yujia Li, David Choi, Junyoung Chung, Nate Kushman, Julian Schrittwieser, Rémi Leblond, Tom Eccles, James Keeling, Felix Gimeno, Agustin Dal Lago, Thomas Hubert, Peter Choy, Cyprien de Masson d’Autume, Igor Babuschkin, Xinyun Chen, Po-Sen Huang, Johannes Welbl, Sven Gowal, Alexey Cherepanov, James Molloy, Daniel J. Mankowitz, Esme Sutherland Robson, Pushmeet Kohli, Nando de Freitas, Koray Kavukcuoglu, Oriol Vinyals)
- Chatbots sind gekommen, um zu bleiben (Alexander Schmid)
- Arbeitsfrei - Eine Entdeckungsreise zu den Maschinen, die uns ersetzen (Constanze Kurz, Frank Rieger) (2013)
- Journalist versus news consumer - The perceived credibility of machine written news (Hille van der Kaa, Emiel Krahmer) (2014)
- Willkommen, Kollege! (Jana Gioia Baurmann) (2015)
- Brand eins 07/2015 - Maschinen (2015)
- Die Schreib-Maschinen (Lars Jensen)
- «Zeitungen sind zäh. Sie sterben langsam» (Emily Bell, Michael Marti) (2015)
- Erst denken, dann klicken (Arno Rolf, Thomas Kerstan) (2015)
- Only Humans Need Apply - Winners and Losers in the Age of Smart Machines (Thomas H. Davenport, Julia Kirby) (2016)
- c't 6/2016 (2016)
- Mehr als 0 und 1 - Schule in einer digitalisierten Welt (Beat Döbeli Honegger) (2016)
- Kultur der Digitalität (Felix Stalder) (2016)
- Strukturwandel schafft Arbeitsplätze - Wie sich die Automatisierung auf die Schweizer Beschäftigung auswirken wird (Dennis Brandes, Luc Zobrist) (2016)
- Aufstieg der digitalen Stammesgesellschaft - Die neue grosse Transformation (Oliver Fiechter, Philipp Löpfe) (2016)
- 1. Ändern sich die Medien, ändert sich die Gesellschaft - Big data vermischen Realität und Virtualität
- Digitales Wissen. Daten und Überwachung (Thomas Christian Bächle) (2016)
- Trends 2017 - Themenspezial aus c't 3/2017 (2017)
- Den Unterschied merkt man nicht (Christian Wölbert)
- Den Unterschied merkt man nicht (Christian Wölbert)
- Intrusion of software robots into journalism - The public's and journalists' perceptions of news written by algorithms and human journalists (Jaemin Jung, Haeyeop Song, Youngju Kim, yunsuk Im, Sewook Oh) (2017)
- Nicht nachdenken, programmieren! (Adrian Lobe) (2017)
- Schwimmen lernen im digitalen Chaos (Philippe Wampfler) (2017)
- Das Problem verstehen
- If...Then - Algorithmic Power and Politics (Taina Bucher) (2018)
- «In jedem steckt ein potenzieller Extremist» (Julia Ebner, Barnaby Skinner) (2019)
- Digitales Schreiben - Blogs & Co. im Unterricht (Philippe Wampfler) (2020)
- Schrieb eine KI eine geistreiche Abhandlung selbst? (Marcel Gamma) (2020)
- All the News that’s Fit to Fabricate - AI-Generated Text as a Tool of Media Misinformation (Sarah Kreps, Miles McCain, Miles Brundage) (2020)
- Original oder Plagiat? - Der schnelle Weg zur wissenschaftlichen Arbeit im Zeitalter künstlicher Intelligenz (Doris Weßels, Eike Meyer) (2021)
- On the Dangers of Stochastic Parrots - Can Language Models Be Too Big? (Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Shmargaret Shmitchell) (2021)
- Gewissenloser Autor - GPT-3 generiert Texte ganz nach Bedarf – auch Fake News (Wolfgang Stieler) (2021)
- Horizonte 131 - Publizieren im Umbruch (2021)
- Kreative Impulse aus der Schweiz (Daniel Saraga)
- Kreative Impulse aus der Schweiz (Daniel Saraga)
- KI-gestützte Textproduktion an Hochschulen (Doris Weßels) (2021)
- The Robots Are Coming - Exploring the Implications of OpenAI Codex on Introductory Programming (James Finnie-Ansley, Paul Denny, Brett A. Becker, Andrew Luxton-Reilly, James Prather) (2022)
- Plötzlich sehen wir ganz schön alt aus (Hannah Schwär) (2022)
- KI-Co-Autor - So nutzen Sie GPT-3 in eigenen Programmen (Pina Merkert) (2022)
- Sprachversteher - GPT-3 & Co. texten überzeugend, aber nicht faktentreu (Dirk Hecker, Gerhard Paaß) (2022)
- Aufmerksamkeit reicht - So funktionieren Sprach-KIs vom Typ „Transformer“ (Pina Merkert) (2022)
- New AI tools that can write student essays require educators to rethink teaching and assessment (Mike Sharples) (2022)
- Story Machines - How Computers Have Become Creative Writers (Mike Sharples, Rafael Pérez y Pérez) (2022)
- «Ethisch verwerflich» – Schüler soll Maturaarbeit von Bot schreiben lassen (Daniel Krähenbühl) (2022)
- Hochschullehre unter dem Einfluss des KI-gestützten Schreibens (Doris Weßels, Ole Gottschalk) (2022)
- Künstliche Intelligenz - NZZ Folio 9/2022 (2022)
- Wie lange braucht es uns noch? (Reto U. Schneider)
- Wie lange braucht es uns noch? (Reto U. Schneider)
- Grundlagenartikel: Umgang mit KI-Programmen im Schreibunterricht (Philippe Wampfler) (2022)
- Tages Anzeiger Spezialausgabe Künstliche Intelligenz (2022)
- AlphaCode and «data-driven» programming - Is ignoring everything that is known about code the best way to write programs? (J. Zico Kolter) (2022)
- Das Ende der irrelevanten künstlichen Intelligenz (Sascha Lobo) (2022)
- Künstliche Intelligenz schreibt perfekte Hausaufgaben (2022)
- How good is ChatGPT at playing chess? - (Spoiler: you’ll be impressed) (Ivan Reznikov) (2022)
- KI, schreib meine Thesis! - Welchen Einfluss ChatGPT auf die Bildung haben könnte (Wolfgang Stieler) (2022)
- So schlägt sich die Künstliche Intelligenz bei der Zürcher Gymi-Prüfung (Tarek El Sayed) (2022)
- The dawn of AI has come, and its implications for education couldn’t be more significant (Vitomir Kovanovic) (2022)
- How to spot AI-generated text (Melissa Heikkilä) (2022)
- ChatGPT ist erst der Anfang (Doris Weßels, Margret Mundorf, Nicolaus Wilder) (2022)
- Verändert diese KI (fast) alles beim Lernen und Studieren? (Christian Füller) (2022)
- Gedichtanalyse, Goethe, Enter - Künstliche Intelligenz von ChatGPT (Tatjana Söding, Clara Vuillemin) (2022)
- Das Ende der Hausarbeit (Susanne Bach, Doris Weßels) (2022)
- Chat GPT: Der Roboter schreibt nicht, er schwafelt - Neun Missverständnisse um die Künstliche Intelligenz (Eduard Kaeser) (2022)
- Das Ende von Google, wie wir es kannten (Sascha Lobo) (2022)
- Goodbye, Schreibblockade - KI-Textgenerator Neuroflash im Test (Olivia von Westernhagen) (2022)
- The End of Programming (Matt Welsh) (2023)
- How to Grade Papers Written by AI - The only answer to more tech is more human investment (Douglas Rushkoff) (2023)
- Naht das Ende des Aufsatzes? (Liliane Minor) (2023)
- Sind Bild-Generatoren böse? - Aufschrei unter Künstler*innen: (Sebastian Meineck) (2023)
- «KI rüttelt uns hier wach» - Interview: Wie ChatGPT die Lehre verändert (Robert Lepenies, Jo Bager) (2023)
- Unis müssen ihre Prüfungsmethoden anpassen (Nadja Pastega) (2023)
- Tafel und Kreide (Konrad Paul Liessmann) (2023)
- Muss man künstliche Intelligenz in der Schule verbieten? (Doris Weßels, Martin Spiewak) (2023)
- ChatGPT und die Zukunft des Lernens - Evolution statt Revolution (Christian Spannagel) (2023)
- ChatGPT & Schule - Einschätzungen der Professur „Digitalisierung und Bildung“ der Pädagogischen Hochschule Schwyz (Beat Döbeli Honegger) (2023)
- Geschichten von morgen (Adrian Lobe) (2023)
- Ist das auch garantiert handgeschrieben? (Hannes Bajohr) (2023)
- Wenn Computer Software schreiben (Piotr Heller) (2023)
- Wie funktioniert eigentlich ChatGPT? (Marcel Waldvogel) (2023)
- Learning, Media and Technology, Volume 48, Issue 1 (2023) (2023)
- ChatGPT for Good? - On Opportunities and Challenges of Large Language Models for Education (Enkelejda Kasneci, Kathrin Sessler, Stefan Küchemann, Maria Bannert, Daryna Dementieva, Frank Fischer, Urs Gasser, Georg Groh, Stephan Günnemann, Eyke Hüllermeier, Stephan Krusche, Gitta Kutyniok, Tilman Michaeli, Claudia Nerdel, Jürgen Pfeffer, Oleksandra Poquet, Michael Sailer, Albrecht Schmidt, Tina Seidel, Matthias Stadler, Jochen Weller, Jochen Kuhn, Gjergji Kasneci) (2023)
- «Eine Renaissance des Mündlichen» (Armin Himmelrath, Franca Quecke) (2023)
- Der universelle Texter - Warum ChatGPT so fasziniert (Themen-Special von c't 05/23 (2023)
- Wer soll das alles lesen? - KI-Textgeneratoren überschwemmen das Internet (Hartmut Gieselmann)
- Möglichkeiten und Grenzen von ChatGPT (Jo Bager, Pina Merkert)
- Wer soll das alles lesen? - KI-Textgeneratoren überschwemmen das Internet (Hartmut Gieselmann)
- What Is ChatGPT Doing … and Why Does It Work? (Stephen Wolfram) (2023)
- Bing: «I will not harm you unless you harm me first» (Simon Willison) (2023)
- Wie ChatGPT die Schule verändern wird (Jochen Zenthöfer) (2023)
- So verändert ChatGPT die Bildungs- und Berufswelt (Martin Volk, Joël Orizet) (2023)
- Large language models will change programming... a little (Amy J. Ko) (2023)
- ChatGPT: Hunderte E-Books von KI bei Amazon, Problem für Literaturmagazine (Martin Holland) (2023)
- ChatGPT-style search represents a 10x cost increase for Google, Microsoft (Ron Amadeo) (2023)
- Umgang mit textgenerierenden KI-Systemen - Ein Handlungsleitfaden (Ministerium für Schule & Bildung des Landes Nordrhein-Westfalen) (2023)
- Large language models will change programming... a lot (Amy J. Ko) (2023)
- «Ein Chatbot kann nicht logisch denken» (Emily M. Bender, Ruth Fulterer) (2023)
- Das menschliche Sprachzentrum funktioniert wie Chat-GPT (Eveline Geiser) (2023)
- KI-Koryphäe Schmidhuber: «Bauen eine künstliche Intelligenz, die wie ein Kind lernt» (Jürgen Schmidhuber, Raffael Schuppisser) (2023)
- The Waluigi Effect (mega-post) (Cleo Nardo) (2023)
- Die neue Weltmacht - Wie ChatGPT und Co. unser Leben verändern (Titelthema Spiegel 10/2023) (2023)
- Sechs Dinge, die man braucht, um eine KI zu bauen (Patrick Beuth) (2023)
- «Jobs zu schützen wäre ökonomischer Wahnsinn» (Andrew McAfee, Simon Book, Patrick Beuth)
- Sechs Dinge, die man braucht, um eine KI zu bauen (Patrick Beuth) (2023)
- Sicherheitsforscher kapern Bing-Chat (Eva Wolfangel) (2023)
- Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence (Shakked Noy, Whitney Zhang) (2023)
- Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung (Peter Salden, Jonas Leschke) (2023)
- The False Promise of ChatGPT (Noam Chomsky, Ian Roberts, Jeffrey Watumull) (2023)
- KI-Text-Tools verstehen: Sie funktionieren wie Autofokus (Philippe Wampfler) (2023)
- ChatGPT besteht Zentralmatura (Ursula Köhler) (2023)
- So verletzt künstliche Intelligenz das Urheberrecht (Florian Schmidt-Gabain) (2023)
- Gefangen in der Feedback-Schleife (Adrian Lobe) (2023)
- Unlocking the Power of Generative AI Models and Systems such as GPT-4 and ChatGPT for Higher Education - A Guide for Students and Lecturers (Henner Gimpel, Kristina Hall, Stefan Decker, Torsten Eymann, Luis Lämmermann, Alexander Mädche, Maximilian Röglinger, Caroline Ruiner, Manfred Schoch, Mareike Schoop, Nils Urbach, Steffen Vandirk) (2023)
- Künstliche Intelligenz in der Hochschulbildung - Chancen und Grenzen des KI-gestützten Lernens und Lehrens (Tobias Schmohl, Alice Watanabe, Kathrin Schelling) (2023)
Anderswo finden
Biblionetz-History 
