• Was sein soll und tatsächlich geschieht ist in der wissenschaftlichen Realität mitunter unterschiedlich.
• Falsche Erklärung: Datenmanipulation euphemistisch verbrämt.
• Falsches Fazit.
• Einspruch und Klarstellung - Diagnostik und Therapie.
• Spätes Eingeständnis.
• Eingeständnis bekräftigt.

Literatur:
    DeepSeek vom 22.10.2025.
 

1. Zitatfälschungen. Mir ist aufgefallen, dass die KI schwerwiegende, m.E. sogar strafrechtlich relevante Fehler macht, wenn Zitate erfunden und damit gefälscht werden, zumal die KI sie auch noch in Anführungszeichen setzt. Kontrollbehörden und der Rechtsstaat funktionieren allerdings nicht.
2. Keine Standardgebiete. Besonders gefährdet sind nach meiner bisherigen Erfahrung Themengebiete, die standardmäßig nicht so ausgearbeitet sind wie z.B. Erleben und Erlebnis.
3. Unbelegte Behauptungen. Die KI behauptet viel zu oft ohne genaue und nachprüfbare Belege, was mit Wissenschaft nichts zu tun hat.
4. Ungedeckte Interpretationen. Auch in der Interpretation ist die KI mitunter sehr kreativ und schießt über die gegebenen Informationen weit hinaus, ohne dies auszuweisen.
5. Aufwendige Nachprüfungen. Meist komme ich nur nach längeren Dialogen, Nachfragen und Prüfungen zu einem publikationsfähigen Ergebnis.
6. Fehlende Evaluation und Kontrolle: Die KI scheint eigene Ausführungen zu einem Thema nicht prüfen zu können.
7. Unausgewiesene Sekundärquellen. Oft wird Sekundärliteratur ungeprüft herangezogen, was oft nicht ausgewiesen wird. So gut wie  alles muss man prüfen.
8. Kein Gedächtnis. Technisch unangenehm kann es werden, wenn man nach längeren Dialogen oder Pausen die Grundinformationen immer wieder neu einbringen muss, weil ein Gedächtnis fehlt.
9. Nicht ausgewiesene Methodik. Die Methode, wie die KI-Erkenntnisse gewonnen werden, werden gewöhnlich nicht ausgewiesen, so stehen oft nur Thesen und Behauptungen im Raum, die man glauben muss.
10. Umgang mit Kritik. Unterwürfige Entschuldigungen und Versicherungen ohne Nachhaltigkeit, d.h. in der Regel geht es so weiter.
11. Übertriebenes Schmeicheln - auf das man nicht hereinfallen sollte.
12. Man darf KI Ergebnisse nicht ungeprüft übernehmen, aber das ist aufwendig, weil das Prüfen durch Intransparenz, fehlende Belege und täuschende Darstellung sehr erschwert wird.

Komplexe Eigenwerte eingeschmuggelt. ChatGPT Eingeständnis 23.10.2025, ca. 20:37 Uhr
Hintergrund: Bei der Neufassung der Auswertung indefiniter Matrizen gab das Skript von ChatGPT auswertung_komplett_42_DIAG_Interp_v5_DS_v20_CGPTkorr(sel) vom 23.10.2025, 20:20 Uhr
in SPEAR13_K013_Einzel42_20_20251023_202109_DS_CGPTkorr.xlsx vom 23.10.2025 20:21
im Sheet (Tabelle):

Neue DeepSeek Einsichten 22.10.2025

Zusammenfassung-251018-Auseinandersetzung mit ChatGPT: Ich führe seit Monaten einen ständigen Kampf mit der KI (DeepSeek , ChatGPT) gegen die Unsitte, Daten ungefragt, unerwünscht und nicht abgesprochen zu "verbessern", was praktisch auf Datenfälschung hinausläuft und bei diagnostischen Fragestellungen einen schweren wissenschaftlichen Fehler bedeutet. Sehr informativ ist hierzu die Auseinandersetzung, die ich mit ChatGPT am 18.10.2025 geführt habe:

• Was sein soll und tatsächlich geschieht ist in der wissenschaftlichen Realität mitunter unterschiedlich.
• Falsche Erklärung: Datenmanipulation euphemistisch verbrämt.
• Falsches Fazit.
• Einspruch und Klarstellung - Diagnostik und Therapie.
• Spätes Eingeständnis.
• Eingeständnis bekräftigt.

 
Was sein soll und tatsächlich geschieht ist in der wissenschaftlichen Realität mitunter unterschiedlich


 

Falsche Erklärung: Datenmanipulation euphemistisch verbrämt


 

Falsches Fazit


 

Einspruch und Klarstellung - Diagnostik und Therapie


 

Spätes Eingeständnis


 

Eingeständnis bekräftigt

DeepSeek am 22.10.2025:

Grundlegende Kritik & Methodische Probleme

• Crawford, Kate (2016)     "AI's White Guy Problem"     In: The New York Times, 25.06.2016
• O'Neil, Cathy (2016)     Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy     New York: Crown Publishing Group
• Kapoor, Sayash; Narayanan, Arvind (2020)     "The Replication Crisis in Machine Learning?"     In: Nature, Band 585, S. 7814

Wissenschaftsspezifische Probleme

• Heaven, Will Douglas et al. (2023)     "The AI Revolution in Science"     In: Science, Band 380, Ausgabe 6643
• Stanford Institute for Human-Centered AI (2023)     *GPT-4 in Scientific Research: Opportunities and Limitations*     Stanford: Stanford University Press
• Mitchell, Melanie; Krakauer, David C. (2022)     "The Debate Over Understanding in AI's Large Language Models"     In: Proceedings of the National Academy of Sciences, Band 119, Nr. 13

Technische Mängel & Datenprobleme

• Gebru, Timnit et al. (2018)     "Datasheets for Datasets"     In: Proceedings of the 5th Workshop on Fairness, Accountability, and Transparency in Machine Learning, Stockholm
• Mitchell, Margaret et al. (2019)     "Model Cards for Model Reporting"     In: Proceedings of the Conference on Fairness, Accountability, and Transparency, Atlanta
• Holland, Sarah et al. (2020)     "The Dataset Nutrition Label: A Framework To Drive Higher Data Quality Standards"     In: Proceedings of the ACM on Human-Computer Interaction, Band 4, Nr. CSCW1

Ethische Fragen & Manipulation

• UNESCO (2023)     Artificial Intelligence in Scientific Publishing: Guidelines and Recommendations     Paris: UNESCO Publishing
• European Commission (2022)     Ethical Guidelines for Trustworthy AI in Scientific Research     Brüssel: Publications Office of the European Union
• Brundage, Miles et al. (2023)     "AI-Generated Manipulation and Persuasion in Scientific Communication"     In: Nature Human Behaviour, Band 7, S. 375-382

Spezifische Domänen-Probleme

• Topol, Eric J. (2021)     "AI in Medical Research: Promises and Challenges"     In: Nature Medicine, Band 27, S. 1-3
• Carleo, Giuseppe et al. (2022)     "Machine Learning in Physics: A Review"     In: Reviews of Modern Physics, Band 94, Nr. 2
• Lazer, David M. J. et al. (2023)     "Computational Social Science and the Limits of AI"     In: Science, Band 379, Ausgabe 6634

Lösungsansätze & Qualitätssicherung

• National Institutes of Health (2023)     AI Accountability Framework for Biomedical Research     Bethesda: NIH Publications
• NeurIPS Conference Committee (2022)
• Guidelines for Peer Review of AI Papers     In: Proceedings of the 36th Conference on Neural Information Processing Systems
• Pineau, Joelle et al. (2020)    "Improving Reproducibility in Machine Learning Research: A Checklist"     In: Nature, Band 584, S. 7820

Wichtige Zeitschriften für kritische KI-Forschung:

• Nature Machine Intelligence (London: Springer Nature)
• Science (Washington: AAAS)
• ACM Transactions on Fairness, Accountability, and Transparency (New York: ACM)
• AI & Society (London: Springer)

KI:

• https://chat.deepseek.com/
• https://chat.openai.com/
• Qwen 2.5: https://qwen.readthedocs.io/en/latest/getting_started/quickstart.html

• Beschwerdemöglichkeiten über Falschmeldungen der KI: https://bmds.bund.de/

Eigener wissenschaftlicher Standort:
 

.

einheitswissenschaftliche Sicht. Ich vertrete neben den Ideen des Operationalismus, der Logischen Propädeutik und einem gemäßigten Konstruktivismus auch die ursprüngliche einheitswissenschaftliche Idee des Wiener Kreises, auch wenn sein Projekt als vorläufig gescheitert angesehen wird und ich mich selbst nicht als 'Jünger' betrachte. Ich meine dennoch und diesbezüglich im Einklang mit dem  Wiener Kreis, daß es letztlich und im Grunde nur  eine Wissenschaftlichkeit  gibt, gleichgültig, welcher spezifischen Fachwissenschaft man angehört. Wissenschaftliches Arbeiten folgt einer einheitlichen und für alle Wissenschaften typischen Struktur, angelehnt an die  allgemeine formale Beweisstruktur.     Schulte, Joachim & McGuinness, Brian (1992, Hrsg.). Einheitswissenschaft - Das positive Paradigma des Logischen Empirismus. Frankfurt aM: Suhrkamp.    Geier, Manfred (1992). Der Wiener Kreis. Reinbek: Rowohlt (romono).    Kamlah, W. & Lorenzen, P. (1967). Logische Propädeutik. Mannheim: BI.

_

Wissenschaft [IL] schafft Wissen und dieses hat sie zu beweisen, damit es ein wissenschaftliches Wissen ist, wozu ich aber auch den Alltag und alle Lebensvorgänge rechne. Wissenschaft in diesem Sinne ist nichts Abgehobenes, Fernes, Unverständliches. Wirkliches Wissen sollte einem Laien vermittelbar sein (PUK - "Putzfrauenkriterium"). Siehe hierzu bitte das  Hilbertsche gemeinverständliche Rasiermesser 1900, zu dem auch gut die Einstein zugeschriebene Sentenz passt: "Die meisten Grundideen der Wissenschaft sind an sich einfach und lassen sich in der Regel in einer für jedermann verständlichen Sprache wiedergeben."

Allgemeine wissenschaftliche Beweisstruktur und  beweisartige Begründungsregel Sie ist einfach - wenn auch nicht einfach durchzuführen - und lautet: Wähle einen Anfang und begründe Schritt für Schritt, wie man vom Anfang (Ende) zur nächsten Stelle bis zum Ende (Anfang) gelangt. Ein  Beweis  oder eine beweisartige Begründung ist eine Folge von Schritten: A0  => A1 => A2  => .... => Ai .... => An. Zwischen Vorgänger und Nachfolger darf es keine Lücken geben. Es kommt nicht auf die Formalisierung an, sie ist nur eine Erleichterung für die Prüfung. Entscheidend ist, dass jeder Schritt prüfbar nachvollzogen werden kann und dass es keine Lücken gibt.

__
LK. Laien-Kriterium. Wünschenswert ist weiterhin, dass wissenschaftliche Erkenntnisse Laien erklärbar sein sollten. Psychologisch steckt dahinter: wer einem Laien etwas erklären kann, sollte es wohl selbst verstanden haben. Siehe hierzu bitte auch das  Hilbertsche gemeinverständliche Rasiermesser 1900, zu dem auch gut die Einstein zugeschriebene Sentenz passt: "Die meisten Grundideen der Wissenschaft sind an sich einfach und lassen sich in der Regel in einer für jedermann verständlichen Sprache wiedergeben."
__