Wie Blickwinkel einordnet
Blickwinkel behauptet nicht, „objektiv" zu wissen, wo die politische Mitte liegt. Stattdessen legen wir offen, wie jede Einstufung zustande kommt — und machen sie überprüfbar und anfechtbar. Eine Einstufung ist kein Qualitätsurteil: Sie sagt nichts über journalistische Sorgfalt oder Faktentreue, nur über die politische Verortung der Perspektive.
Die Skala
Kontinuierlich von −100 (links) bis +100 (rechts), angezeigt in fünf Bändern: links (−100…−60), mitte-links (−59…−9), mitte (−8…+8), mitte-rechts (+9…+59), rechts (+60…+100). Die Drei-Spalten-Ansicht nutztSchwellen ±9 (mitte-links zählt als links, mitte-rechts als rechts) — das ist bewusst breiter als die politische Feinskala, damit die Spalten sichtbar werden. In DE/AT/CH dominieren Mitte-Quellen; mit der engeren ±30-Schwelle wären die Außenspalten fast leer. Wer es genauer will: Jede Artikel-Karte zeigt den exakten Score auf der Spektrum-Leiste, und der Quellenkatalog listet jeden Quellen-Score einzeln.
Stufe 1 — Quellen-Einstufung (redaktionell)
Jede Quelle erhält einen Basis-Score aus Selbstverortung des Mediums, externen Einordnungen aus der Medienforschung und der Publikumsstruktur. Im Rahmen der geplanten Kalibrierung kommt eine redaktionelle Stichprobe hinzu (mindestens 20 Artikel pro Quelle, bewertet von Personen mit unterschiedlicher politischer Selbstverortung — dieser Schritt steht noch aus). Aktueller Stand: Alle angezeigten Werte sind solche Quellen-Einstufungen — vorläufig und unkalibriert.
Aktuelle Quellenbasis (live aus der Datenbank)
124 politisch vorläufig eingeordnete Quellen. Hinzu kommen aktuell 0 aktive internationale Quellen ohne Score. Sie erhöhen die Abdeckung, werden aber bis zur länderspezifischen Prüfung aus Spektrum- und Blindspot-Aussagen ausgeschlossen. Verteilung der eingeordneten Quellen:
- 3 links (junge Welt, Jacobin Deutschland, nd (Neues Deutschland))
- 32 mitte-links (DER STANDARD, watson, Deník N, Seznam Zprávy, der Freitag, taz und 26 weitere)
- 47 mitte (ORF News, Le Soir, RTBF Info, VRT NWS, SRF News, iROZHLAS und 41 weitere)
- 33 mitte-rechts (Kleine Zeitung Steiermark, Kleine Zeitung Österreich, Kleine Zeitung Wirtschaft, Die Presse, De Standaard, NZZ International und 27 weitere)
- 9 rechts (eXXpress, Achgut Meinung, Achgut Tagesspiegel-Kolumne, Achgut Wirtschaft, Die Achse des Guten, Tichys Einblick und 3 weitere)
Die Schieflage zugunsten Mitte/mitte-rechts ist real, nicht erfunden: Die meisten deutschsprachigen Verlage haben in den letzten Jahren RSS-Feeds abgeschaltet oder hinter Paywalls versteckt (z. B. Berliner Zeitung, Main-Echo, BNN, Krone, BZ, Tagesanzeiger). Wir konnten sie nicht in den Katalog aufnehmen, ohne Cloudflare-Schutz oder RSS-Block zu umgehen — das wäre rechtlich und technisch grenzwertig. Sobald wir eine seriöse Drittanbieter-Lösung (NewsAPI o. ä.) nutzen, werden diese Lücken geschlossen.
Bias-Konfidenz pro Story
Jede Bias-Aussage ist nur so gut wie ihre Datengrundlage. Wir zeigen daher pro Story eine Bias-Konfidenz zwischen 0 % und 100 %, die sich aus zwei Faktoren zusammensetzt: Sample-Größe (60 % Gewicht, volle Punktzahl ab 5 Artikeln) undSpektrum-Diversität (40 % Gewicht, volle Punktzahl bei Berichterstattung aus allen drei Lagern). Eine Story mit nur einem Artikel aus nur einem Lager kommt so auf 25 % — das ist kein Qualitätsurteil über die Quelle, sondern eine Aussage darüber, wie gut wir die Verteilung beurteilen können.
Story-Tags
Jede Story-Karte trägt einen kurzen Tag, der die dominante Tendenz sichtbar macht:Ausgewogen (alle drei Lager ähnlich stark), Mehrheit links/mitte/rechts(60–79 % eines Lagers), Einseitig (≥ 80 %), Blindspot (eine Hälfte berichtet überhaupt nicht), oder Nur 1 Quelle (bei unter drei Artikeln). Diese Tags sind Beschreibungen der Berichterstattung, nicht der Geschichte selbst.
Stufe 2 — Artikel-Einstufung (LLM, provider-gesteuert)
Seit v0.2 wird jeder neu klassifizierte Artikel zusätzlich zur Quellen-Einstufung von einem pro Artikel dokumentierten LLM bewertet. Der schnelle Cloud-Pfad nutzt openai/gpt-oss-20b über GroqCloud; ohne freigegebenen Cloud-Schlüssel fällt die Pipeline auf lokales Ollama zurück. Das Modell bekommtnur Titel + Anriss und gibt einen eigenständigen Bias-Score, eine Konfidenz (0–1), ein Frame-Label (sachlich, liberal, konservativ, alarmistisch, populistisch, technokratisch, empört, kritisch, rechtfertigend) und bis zu drei Indikator-Begründungen zurück.
Fremdsprachige Titel und zulässige RSS-Anrisse werden über dasselbe Betriebsprofil übersetzt; Originaltext und Original-URL bleiben sichtbar. Diese Übersetzung dient Suche, Geocoding und länderübergreifendem Clustering. Die politische Stufe-2-Klassifizierung bleibt für nichtdeutsche Quellen deaktiviert, bis Sprache und Land menschlich kalibriert sind.
Im Cloud-Profil werden keine Volltexte, Nutzerkonten, Meldungen oder Abos übertragen. Provider und Modell werden mit jedem Ergebnis gespeichert. Der Betreiber muss vor der Cloud-Aktivierung DPA/SCC, Zero Data Retention und die Datenschutzerklärung prüfen; ohne diese Freigabe bleibt der lokale Fallback aktiv.
Was das Modell NICHT bekommt: den Quellennamen, den Quellen-Bias oder den Bias der anderen Cluster-Artikel. Damit wird verhindert, dass das Modell die Quellen-Reputation als Anker nutzt statt den Text selbst zu bewerten.
Was das LLM korrigieren kann — und was nicht
Aus der Validierung auf 19 hand-verifizierten Testartikeln (siehe unten) wissen wir:
- Funktioniert gut: Boulevard-Bias bei Sachmeldungen wird nach unten korrigiert (BILD-Artikel mit nüchterner Faktmeldung landen bei 0 statt +35). Themen-Inflation (Rüstung, Energie, Migration) wird relativiert, wenn der Text tatsächlich neutral berichtet.
- Funktioniert mittel: Mid-Frame-Erkennung (sachliche Meldungen bleiben bei 0), leichte Tendenzerkennung (z. B. „Grüne fordern" = links, „CDU blockiert" = rechts).
- Funktioniert nicht: explizit rechtspopulistische Frames (z. B. Weidel-AfD-Reden) werden vom Modell systematisch unterschätzt — das ist ein bekannter Trainings-Bias vieler Instruction-Modelle, den selbst Few-Shot-Prompting nicht vollständig auflöst. Hier bleibt der Quellen-Bias der verlässlichere Indikator.
Validierung (n=19, Methodik v0.3)
Wir testen das LLM gegen ein festes Set von 19 Beispiel-Artikeln mit erwartetem Score und Frame. Ehrlichkeitshinweis: dieses Set ist bewusst klein, überwiegend synthetisch und von einer einzelnen Person gelabelt — es prüft, wie das Modell auf Framing reagiert, es ist keine repräsentative Stichprobe. Die unabhängige Kalibrierung mit mehreren Annotator:innen unterschiedlicher politischer Selbstverortung steht noch aus (s. u.). Letzter dokumentierter Lauf: Juli 2026.
- ±15-Band-Trefferquote: 79 % — d. h. 4 von 5 Artikeln liegen innerhalb ±15 Punkte des erwarteten Scores.
- Frame-Match-Quote: 32 % — das Modell wählt oft „sachlich" oder „konservativ" als Frame, auch wenn der erwartete Frame spezifischer ist. Frame ist sekundär, Score primär.
- Score-Bias (ΣΔ/n): −9.9 — das Modell verschiebt im Mittel leicht Richtung „links" gegenüber den Erwartungen. Das ist messbar, gering, und betrifft vor allem die Frame-Klassifikation.
- ⌀ Confidence: 0.62 — das Modell ist ehrlich-unsicher, was wir als Feature werten.
Score-Konfidenz ≠ Aussagekraft: das Modell kann mit Konfidenz 0.9 daneben liegen (siehe Weidel-Beispiel). Die Methodik v0.3 zeigt daher beide Werte nebeneinander und macht die Diskrepanz sichtbar.
Wie Stage 2 in der App sichtbar wird
- Im Story-Snapshot einer jeden analysierten Story: eine 4-Spalten-Box mit ⌀ Quellen-Bias, ⌀ LLM-Bias, Korrektur-Δ und dominantem Frame.
- In jeder Artikel-Karte: ein blaues „LLM"-Badge neben dem Quellennamen, drei Indikator-Pillen unter dem Anriss (warum das Modell so bewertet hat), und auf dem Spektrum-Strip zwei Marker (Quellen-Bias als Kreis, LLM-Bias als Punkt mit Glow).
- Bei deutlicher Diskrepanz (>15 Punkte Korrektur) signalisiert die App: das LLM sieht den Artikel anders als der Quellen-Bias vermuten lässt.
Kalibrierung
Der nächste Schritt ist die unabhängige Kalibrierung: Ein Testset von Artikeln wird von mehreren Personen mit dokumentiert unterschiedlicher politischer Selbstverortung blind annotiert — jede:r bewertet, ohne den Score des Modells zu sehen. Referenz ist der Median der menschlichen Urteile; das Inter-Annotator-Agreement (Krippendorffs Alpha) berichten wir offen mit. Denn erst wenn sich die Annotator:innen untereinander einig sind, ist die Modell-Genauigkeit überhaupt aussagekräftig — sind sie es nicht, sagt uns das mehr über die Messbarkeit „politischer Verortung" als über das Modell.
Die Werkzeuge dafür stehen bereit; bis Ergebnisse vorliegen, sind die angezeigten Einstufungen vorläufig und unkalibriert. Abweichungen, Metriken und Änderungen veröffentlichen wir; die LLM-Validierung (s. o.) läuft regelmäßig neu und wird hier aktualisiert.
Blindspots
Was nicht berichtet wird, prägt das Bild genauso wie das, was berichtet wird. Wir markieren einseitige Berichterstattung nach einer einzigen, einheitlichen Regel — über Karte, Story, Startseite und geteilte Snapshots hinweg:
- Blinder Fleck: Ab 5 Artikeln, davon mindestens 2 politisch verortete — fehlt eine Seite komplett, heißt es „Linke/Rechte Perspektive fehlt". Genau dieser Fall erscheint auf der Karte und im Radar als „Blinder Fleck".
- Unterrepräsentiert: Stammen über 75 % der politisch verorteten Artikel aus einer Seite, ohne dass die andere ganz fehlt, heißt es „unterrepräsentiert" — ein weicherer Hinweis, ausdrücklich kein Blindspot.
Weil alle Ansichten dieselbe Definition nutzen, kann dasselbe Thema nicht auf der Karte ein Blindspot sein und auf der Story-Seite nicht. Die Schwellen werden im Beta-Test justiert und hier dokumentiert.
Was Blickwinkel nicht tut
- Keine Faktenchecks, keine Wahrheitsbewertung.
- Keine Bewertung von Personen — nur von Texten und Quellen.
- Keine Volltexte: nur Überschrift, kürzester Anriss und Link zur Quelle. Vorschaubilder werden nicht kopiert, sondern direkt vom Server des jeweiligen Verlags geladen und auf Wunsch des Rechteinhabers umgehend entfernt.
- Keine politische Werbung. Niemals.
Korrektur-Schleife
Jede Einstufung kann gemeldet werden — auf der Artikelkarte, im Quellenprofil und im Detail-Panel der Karte. Erste Sichtung von Hand binnen 72 Stunden, Entscheidung binnen 14 Tagen. Jede Entscheidung steht mit Begründung im Review-Archiv, auch die Ablehnungen.
Übernehmen wir eine Meldung zu einer Quelle, rückt diese Quelle automatisch an die Spitze unserer Kalibrierungs-Liste: Wir haben den Fehler dann bereits öffentlich eingeräumt, und das wiegt schwerer als jede unserer Heuristiken. Ungeprüfte Meldungen ändern dagegen nichts — sonst könnte eine organisierte Meldewelle steuern, welche Quellen wir uns ansehen. Vollständige Methodik im Repository: docs/methodik.md.