Argumentanalyse mit Künstlicher Intelligenz

Politische Debatten sind oft schnell, emotional und voller Abkürzungen: Schlagworte ersetzen Belege, Einzelfälle werden zu „Beweisen“, und verschiedene Ziele (Freiheit, Sicherheit, Gerechtigkeit, Wohlstand) werden durcheinandergeworfen. Disputatio.org hat ein KI-Tool erstellt, um solche Argumente zu entwirren und so aufzubereiten, dass Anwender sie rational prüfen können: Was genau wird gefordert? Welche Gründe werden dafür angeführt? Welche Annahmen stecken dahinter, und halten sie einer empirischen oder normativen Prüfung stand?

Für die Analyse erhält das KI-Tool eine politische Forderung und ein dazugehöriges Pro- oder Contra-Argument. Anschließend werden Behauptungen, Wertannahmen und Schlussfolgerungen systematisch getrennt, sodass sichtbar wird, unter welchen Voraussetzungen die Begründung überzeugt.

1) Politische Forderung und Argument klären

Zu Beginn wird die politische Forderung so präzisiert, dass sie eine klare Position und Reichweite enthält. Bei zu vagen Forderungen lenkt das GPT in Richtung konkretisierbarer Varianten, damit die Debatte analysierbar wird.

Erst wenn klar ist, was gefordert wird, wird das eigentliche Argument betrachtet: Der Anwender formuliert ein Argument, das die Forderung stützt oder ablehnt. Wenn es noch zu unklar, eher eine bloße Behauptung oder thematisch unpassend ist, hilft das GPT weiter, damit ein „prüffähiges“ Argument entsteht.

2) Argumentanalyse

Der analytische Kern besteht aus mehreren Prüfungen:

Im ersten Schritt wird die Relevanz des Arguments bestimmt: Trägt es tatsächlich zur Begründung der Forderung bei, oder spricht es an der eigentlichen Entscheidung vorbei? Das Ergebnis wird als einheitliche Bewertung auf einer Skala von 0 bis 5 Sternen ausgedrückt.

Danach folgt die Kategorisierung: Handelt es sich eher um ein deduktives Argument („wenn A, dann B“), ein induktives („in vielen Fällen war X, daher wahrscheinlich Y“) oder ein probabilistisches („mit hoher Wahrscheinlichkeit …“)? Diese Einordnung ist mehr als Etikett: Sie legt fest, welcher Belegstandard sinnvoll ist – logische Gültigkeit, statistische Plausibilität, Risikoabwägung oder eine Mischung.

Ein zentraler Schritt ist die Rekonstruktion von Prämissen und Konklusion. Das GPT macht explizit, welche Annahmen das Argument benötigt, damit die Schlussfolgerung folgt. Jede Prämisse wird anschließend kurz geprüft: Ist sie empirisch gut belegt, umstritten, oder eher ein normatives Werturteil? Bei mehreren Prämissen entscheidet die schwächste tragende Annahme über die Belastbarkeit des Arguments. 

Parallel dazu bewertet das GPT die logische Qualität: Sind Schlussregeln nachvollziehbar, oder gibt es Fehlschlüsse (z. B. falsche Kausalität, Strohmann, voreilige Verallgemeinerung)? Eine schwache Schlusslogik kann die Gesamtbewertung deutlich begrenzen, selbst wenn einzelne Prämissen plausibel sind.

Bevor am Ende eine Gesamtnote entsteht, prüft das GPT, ob es sich um ein Scheinargument handelt (etwa: reine Rhetorik ohne begründenden Gehalt) oder ob problematische Inhalte vorliegen (z. B. menschenfeindliche Abwertungen). In solchen Fällen wird die Analyse nicht „neutral weitergeführt“, sondern abgebrochen und begründet – denn Argumente sollen im demokratischen Streit prüfbar sein, nicht durch Entmenschlichung oder Täuschung funktionieren.

Eine gute Analyse endet nicht bei „stimmt“ oder „stimmt nicht“. Darum formuliert das GPT mögliche Einwände und nennt typische Gegenargumente, die das ursprüngliche Argument entkräften könnten. Die Gegenprobe zeigt, ob eine Begründung auch außerhalb einer bestimmten Perspektive robust bleibt.

3) Bewertung

Am Ende steht eine Gesamtbewertung, die aus den drei Teilbewertungen (Relevanz, Prämissenqualität, Logik) gebildet wird. Dazu liefert das GPT eine kurze Begründung - so können Anwender auf einen Blick sehen, wo die Stärken und Schwächen eines Arguments liegen.

Bei solchen Bewertungen stellt sich natürlich die Frage, ob die künstliche Intelligenz und das GPT auch der Fehlerfreiheit und politisch neutral vorgehen. Neutralität entsteht dabei vor allem durch Trennung von Fakten- und Wertfragen: Empirische Behauptungen werden an verfügbarer Evidenz, Datenqualität und Unsicherheiten gemessen; normative Prämissen werden als Wertannahmen kenntlich gemacht und anhand allgemein akzeptierter demokratischer Grundwerte (z. B. Menschenrechte, Rechtsstaatlichkeit, Verhältnismäßigkeit) eingeordnet, ohne eine parteipolitische Linie zu bevorzugen. Objektivität wird zusätzlich gestützt durch Transparenz: Die Schritte der Rekonstruktion, die zentralen Annahmen und die Gründe für eine Bewertung werden explizit gemacht, sodass Anwender die Schlusskette kritisieren oder verbessern können. Gleichzeitig bleibt wichtig: Vollständige Neutralität ist nicht garantiert, weil Trainingsdaten und Auswahl von Quellen Bias enthalten können; deshalb werden Unsicherheiten benannt, Gegenargumente einbezogen und – wo möglich – auf robuste, überprüfbare Belege gesetzt.