Lisa: Echt? Ich traue X (Twitter) nicht so richtig. Da geht doch total viel Fake News rum. Ich hole mir meine Infos meistens von YouTube und ein bisschen Instagram.

Jonas: Hm, aber YouTube ist doch auch nicht immer zuverlässig. Da kann ja jeder Videos hochladen.

Lisa: Stimmt, aber ich folge dort Nachrichtenkanälen wie der Tagesschau oder BBC News. Die machen echt gute Erklärvideos. Außerdem gibt es ein paar Influencer, die aktuelle Themen verständlich zusammenfassen.

Jonas: Ja, aber genau da ist das Problem. Viele Influencer haben doch eine eigene Meinung und sind nicht wirklich neutral.

Lisa: Klar, deshalb checke ich immer verschiedene Quellen. Manchmal schaue ich auch auf Spiegel Online oder Reddit, wenn es um Diskussionen geht.

Jonas: Reddit finde ich spannend! Da bekommt man oft andere Blickwinkel als in den normalen Medien. Aber manchmal verbreiten sich da auch Verschwörungstheorien.

Lisa: Absolut! Deswegen versuche ich immer zu prüfen, ob eine Nachricht auch auf einer seriösen Seite steht. Und du? Liest du gar keine klassischen Nachrichten?

Jonas: Manchmal schon. Wenn ich auf Twitter was Interessantes sehe, google ich danach oder schaue auf die Webseiten von Zeit, FAZ oder Tagesschau. Aber ehrlich gesagt, ist mir das oft zu lang.

Lisa: Ich verstehe dich! Deshalb mag ich auch TikTok, weil dort Nachrichten super kurz zusammengefasst werden.

Jonas: Oh Gott, auf TikTok? Da ist doch die Hälfte Fake!

Lisa: Nicht immer! Es kommt darauf an, wem man folgt. Manche Journalisten und Wissenschaftler posten dort richtig gute Inhalte.

Jonas: Hm, vielleicht sollte ich mir das mal anschauen. Aber am Ende bleibt es dabei: Immer mehrere Quellen checken!

Lisa: Genau! Und am besten nicht nur die Plattformen vertrauen, sondern auch mal klassische Nachrichten lesen.

Mia: Ja, das passiert ständig! Ich verlasse mich nie auf nur eine Quelle. Wenn ich etwas sehe, schaue ich erstmal, ob es auch auf seriösen Nachrichtenseiten wie der Tagesschau, BBC oder Spiegel steht.

Tom: Das mache ich auch, aber manchmal geht das ja nicht sofort. Ich versuche dann, das Datum und die Quelle zu checken. Wenn ein Post super vage ist oder gar keine Quelle nennt, bin ich sofort skeptisch.

Mia: Sehr schlau! Ich achte auch darauf, ob die Nachricht in mehreren Medien mit ähnlichen Fakten vorkommt. Wenn es nur auf einer dubiosen Seite steht, ist das ein schlechtes Zeichen.

Tom: Ja, genau. Und wenn ich mir unsicher bin, google ich manchmal die Schlagzeile mit „Fake News“ oder „Faktencheck“. Seiten wie Correctiv oder Mimikama entlarven oft Falschmeldungen.

Mia: Oh, das ist eine gute Idee! Ich habe mal eine Nachricht über einen angeblichen „Skandal“ auf Facebook gesehen. Als ich sie überprüft habe, war es nur ein alter Artikel, der aus dem Zusammenhang gerissen wurde.

Tom: Ja, das passiert ständig! Ein weiteres Zeichen für Fake News ist, wenn die Nachricht sehr emotional oder reißerisch geschrieben ist – also mit vielen Großbuchstaben, Ausrufezeichen oder extremen Behauptungen.

Mia: Oder wenn der Post sagt: „Die Medien verschweigen euch das!“ – dann weiß ich schon, dass es Quatsch ist.

Tom: Haha, genau! Ich finde es auch wichtig, zu schauen, wer die Nachricht verbreitet. Wenn es von einem unbekannten Account ohne Impressum oder Website kommt, ist es oft nicht vertrauenswürdig.

Mia: Absolut! Und gerade bei TikTok oder Instagram muss man aufpassen, weil viele Influencer Nachrichten aus dem Kontext reißen oder nur ihre Meinung verbreiten.

Tom: Genau! Deshalb immer kritisch bleiben, mehrere Quellen checken und nie direkt alles glauben.

Mia: Word! Ich wünschte, mehr Leute würden das so machen – dann würden sich Fake News nicht so schnell verbreiten.

4o

Du:

Paul: Äh… was?! Wo hast du das denn her?

Max: Na, von meinem Lieblings-YouTube-Kanal „Galaktische Wahrheiten“. Die haben immer die besten Infos!

Paul: Max… du bist offiziell in einer Filterblase gefangen.

Max: Pff, Quatsch! Ich informiere mich breit! Ich hab’s auch auf Facebook gelesen – und in meiner Telegram-Gruppe reden alle darüber.

Paul: Ah ja, super „breit gefächert“. Lass mich raten: Deine „breite Recherche“ besteht nur aus Quellen, die genau das bestätigen, was du eh schon glaubst?

Max: Äh… naja… also…

Paul: Max, du steckst tiefer in der Filterblase als ein Fisch im Aquarium.

Max: Hey! Ich kann doch nichts dafür, wenn der Algorithmus mir genau die Infos gibt, die ich brauche!

Paul: Die du hören willst, meinst du! Versuch mal was anderes: Lies einfach mal eine normale Nachrichtenseite. Nur einmal. Ganz kurz. Ich verspreche, du wirst nicht explodieren.

Max: Hmmm… okay, aber nur, wenn du dir mit mir das neueste Video über Reptiloiden in der Regierung anschaust!

Paul: Seufz … Ich hol schon mal den Aluhut für dich.

4o

Effizienz

• Algorithmen können große Datenmengen in Sekundenschnelle verarbeiten.

• Besonders wichtig in Bereichen wie Big Data, Finanzanalysen oder Logistik.

Automatisierung- keine Chance für Fehler

• viele Aufgaben (z. B. Datenanalyse, maschinelles Lernen) können automatisiert werden.

• spart Zeit und reduziert Fehler im Vergleich zu Menschen. Es keine Fehlermöglichkeiten durch Müdigkeit oder subjektive Entscheidungen.

Optimierung

• Algorithmen können Probleme so lösen, dass Ressourcen (Zeit, Energie, Kosten) optimal genutzt werden.

• Beispiel: Routenplaner (GPS) berechnen den kürzesten oder schnellsten Weg.

Objektivität

• Algorithmen treffen Entscheidungen auf Basis von Daten und Regeln, nicht von Emotionen.

Skalierbarkeit

• Algorithmen lassen sich für sehr große Datenmengen oder viele Nutzer gleichzeitig einsetzen.

• Beispiel: Google verarbeitet Milliarden von Suchanfragen täglich mit Hilfe von Algorithmen.

Black Box

• Viele komplexe Algorithmen, insbesondere in der Künstlichen Intelligenz (KI), sind schwer nachvollziehbar.

• Beispiel: Warum genau eine KI eine bestimmte Entscheidung getroffen hat, ist oft unklar.

Fehlende Flexibilität

• Algorithmen funktionieren nur innerhalb ihrer programmierten Regeln.

• Unvorhergesehene Situationen können zu Fehlern führen (z. B. selbstfahrende Autos bei ungewöhnlichen Verkehrssituationen).

Bias & Diskriminierung

• Algorithmen übernehmen Vorurteile aus den Daten, mit denen sie trainiert wurden.

• Beispiel: KI-gestützte Bewerbungssysteme bevorzugen möglicherweise Männer, wenn sie mit verzerrten Daten trainiert wurden.

Fehlertoleranz

• Ein kleiner Fehler in der Programmierung kann gravierende Folgen haben.

• Beispiel: Ein falscher Code in einer Banksoftware könnte Millionenverluste verursachen.

Arbeitsplatzverlust

• Durch Automatisierung werden viele Jobs ersetzt, besonders im Bereich der einfachen, repetitiven Aufgaben.

• Beispiel: Automatisierte Kassensysteme in Supermärkten ersetzen menschliche Kassierer.

Sicherheitsrisiken

• Algorithmen können gehackt oder manipuliert werden.

• Beispiel: Social-Media-Algorithmen können durch Fake-Accounts manipuliert werden, um Fake News zu verbreiten.