Im Team Daten & Visualisierungen beim SPIEGEL haben wir in den vergangenen Monaten auf unterschiedliche Weise Künstliche Intelligenz genutzt, um Texte zu analysieren. Wir haben sowohl generative LLMs genutzt, als auf Klassifikation trainierte (repräsentative) Modelle.

Mit repräsentativen Modellen haben wir in Koalitionsverträgen etwa Themen identifiziert oder Ähnlichkeit gemessen. Mit einer selbst konfigurierten ChatGPT-Pipeline haben wir Emotionen und Themen in Wahlkampfauftritten identifiziert. Für beide Varianten war wie immer eine strukturierte Vorverarbeitung der Daten nötig, mit etablierten Bibliotheken. Wie wir passende repräsentative Modelle gefunden haben, wie viel Aufwand es war, mit einem selbst konfigurierten generativen Modell zu arbeiten und wie viel händische Korrektur am Ende noch nötig war, berichten wir in unserem Vortrag.

Die wichtigste Frage war und ist dabei für uns: Welchen Mehrwert bringt der Einsatz von KI? Dazu gehört die Frage, ob uns diese Art der Analyse im Vergleich zu den Analysen unserer Reporter:innen-Kolleg:innen einen Mehrwert liefert. Auch mussten wir uns immer wieder fragen, ob der Aufwand den Nutzen rechtfertigt - vor allem, wenn man am Ende noch händisch korrigieren muss. Wir möchten außerdem darauf eingehen, wie wir die KI-Ergebnisse strukturiert verifizieren könnten.

Ziel des Vortrags ist, dem Publikum unsere Erfahrungen mit verschiedenen Modellen versus eigener Pipeline vorzustellen, und aufzuzeigen, wann und warum sich eine solche Methode lohnt. Am Ende würden wir gerne diskutieren, wie das Publikum auf unsere Analysen blickt, und wer andere Erfahrungen gemacht hat.