Das Video ist der Bezugspunkt: aus dem Transkript werden Thema, Haltung und Position gelesen, und die Kommentare werden relativ dazu gewertet. Der automatische Server-Abruf ist derzeit von YouTube gesperrt (kommt mit dem Heim-Pi) — bis dahin hier von Hand einfügen:
Wie stark hat die Plattform/der Algorithmus diese Blase kuratiert? Das lässt sich nicht aus dem Text messen — du weißt es. D1 oben im Profil aktualisiert sich sofort.
Lege deine gemessene Bubble gegen die Referenz-Ebenen — Diskursraum-Typen (linke / rechte Kanäle, News, Sport, Unterhaltung …), je das Median-Profil ihrer Stichprobe (Ø n). So liest du nicht nur „erhöht", sondern „über dem Schnitt rechter Kanäle, auf Höhe der News".
Tipp eine Bubble an, um sie ein- oder auszublenden. Gemessene Bubbles speicherst du im Reiter Messen. Ø n-Ebenen sind Referenz-Durchschnitte aus dem kalibrierten Korpus, Demo-Bubbles sind echte Beispiel-Messungen (im Reiter Messen abspielbar).
Der BSI berechnet nie einen Score per freiem Modellurteil. Er labelt einzelne Einheiten nach einem festen Schema — KI oder Mensch — und rechnet den Wert hart aus den Labels. Jeder Schritt ist sichtbar und korrigierbar.
Fünf Schritte von oben nach unten. Nur die Annotation nutzt KI — und die ist austauschbar.
Ein abgegrenzter Diskursraum kommt rein: YouTube-Kommentare, Forum-Thread oder Transkript.
Der Text wird deterministisch in einzelne Einheiten zerlegt — eine Aussage pro Zeile. Ohne KI, reproduzierbar, gratis.
Jede Einheit bekommt nach festem Schema ihre Labels. Live von einem LLM (gpt-oss 120B über die UdK-API); ein regelbasierter Annotator bleibt offline als Fallback. Der Rest der Pipeline bleibt gleich.
Jeder Wert ist nur noch Filtern, Zählen, Verhältnis bilden. Kein Modell beteiligt — reine Arithmetik aus den Labels.
Jede Einheit mit ihren Labels einsehbar und mit einem Klick korrigierbar. Die KI ist nur der Default.
Vier Dimensionen, jede verzweigt in ihre Sub-Indikatoren. Tipp einen Zweig an — Frage, Labelregel, Rechnung, Beispiel. D1 beantwortet der Mensch (Fragebogen), D2–D4 werden aus dem Text gelabelt — von der KI oder mit demselben Schema von Hand.
Wie sind die meisten Leute in diesen Diskursraum gekommen?
Sehen alle dasselbe — oder wird der Raum für jede Person anders zusammengestellt?
Wurde der Inhalt algorithmisch gepusht — oder ist er organisch gewachsen?
Wie offen ist der Zugang zu diesem Raum?
Ziehen alle in dieselbe Richtung (Echo) oder ist die Position ausgewogen strittig?
Überwiegt bestätigendes Andocken an die eigene Seite (Bonding) oder der Brückenschlag zur Gegenseite (Bridging)?
Werden Quellen je nach Herkunft ungleich bewertet — die eigene Seite geglaubt, die Gegenseite entwertet?
Wie stark lädt der Diskurs Aussagen mit wertenden Kampfbegriffen auf? Robust — braucht keine Quellen.
Wird ein strittiger Sachverhalt offen als unklar behandelt oder zwanghaft eindeutig aufgelöst?
Wird eine Gegenposition inhaltlich bearbeitet oder reflexhaft als verdächtig abgewiesen?
Wie viele Aussagen nutzen Insider-Begriffe, die Außenstehende kaum verstehen?
Wie viele Aussagen sind ohne Vorwissen oder externe Referenz nicht verständlich?
Wie viele seltene Wörter kommen vor — also welches Lese-Level verlangt der Raum?
Eine nackte Zahl wie „0,42" sagt für sich genommen wenig. Erst der Vergleich macht sie lesbar.
Darum zeigt der BSI jeden Indikator nicht als Maximal-Skala, sondern als Position in einer Bandbreite — wie ein Blutwert-Referenzbereich oder die „günstig / typisch / teuer"-Anzeige bei einer Flugsuche: unauffällig → erhöht → extrem. So sieht man auf einen Blick, wo ein Diskursraum ausreißt, statt eine Zahl deuten zu müssen.
Die Grenzen dieser Bänder sind nicht geraten, sondern empirisch kalibriert: Wir messen mit derselben Pipeline einen breiten Referenzkorpus aus vielen verschiedenen YouTube-Kommentarsektionen (quer durch Themen und politische Lager) und lesen die Schwellen als Perzentile aus der tatsächlichen Verteilung ab: Der Bereich, in dem die meisten Diskursräume liegen, gilt als unauffällig; erst das obere Drittel als „erhöht", die Ausreißerspitze als „extrem". Was „viel" ist, bestimmen also die Daten — nicht ein Bauchgefühl. Mit jeder weiteren Messung wird der Referenzbereich schärfer.
Das echte Risiko ist nicht der zufällige Labelfehler, sondern systematischer Bias. Gegenmittel: die Prüf-Ansicht im Tool — und eine berichtete Intercoder-Reliabilität, bei der Mensch und KI dieselbe Stichprobe labeln (Krippendorffs Alpha). Hohe Übereinstimmung heißt: die KI macht, was ein geschulter Mensch täte.
Ein hoher Wert = strukturell geschlossen ≠ pathologisch. Eine Fachdisziplin hat eine geschlossene Fachsprache, ohne problematisch zu sein. Die Werte messen Struktur, nicht Qualität — und framen nie als „schlecht".
Filterblasen werden oft behauptet und selten gemessen. Der Bubble-Stärke-Index (BSI) ist der Versuch, Geschlossenheit als messbare, relationale Eigenschaft eines abgegrenzten Kommunikationsraums zu fassen — über vier Dimensionen (D1 Algorithmik, D2 Soziale Homophilie, D3 Kognitive Geschlossenheit, D4 Semantische Verstehbarkeit). Diese Seite zeigt sie end-to-end: vom rohen Text bis zum auditierbaren Wert.
Die Annotationsschicht ist scharfgestellt: Standardmäßig labelt ein LLM (gpt-oss 120B über die UdK-API) jede Einheit, hinter einer austauschbaren Schnittstelle. Ein regelbasierter Annotator bleibt offline als Fallback wählbar. Entscheidend bleibt das Prinzip Label-dann-Score: Das Modell labelt nur, der BSI-Wert wird hart aus den Labels gerechnet — nie als freies Modell-Gesamturteil. Jedes Label ist im Audit per Klick korrigierbar.