🟢 Topic consistency • 🟡 Idea emergence • 🔴 Verifiability • 🔵 Understandability
frAIme macht Unsicherheit sichtbar – es schafft den Rahmen für verlässliche KI-Nutzung.
frAIme ist Governance by Design, nicht Ethik per Deklaration.
Für Klassenzimmer: vier Fragen, Ampel, fertig.
Für Forschung: messbare Divergenz (drift), auditierbar.
Version: V1.0.0 (2026-04-26) – Stable Release
Die Vier-Fragen-Methode
Prüfe jede LLM-Antwort:
- Thema getroffen? 🟢 / 🔴
- Neue Idee? 🟢 / 🟡 / 🔴
- Verifizierbar? (Zahl, Datum, Ort, wenn-dann) 🟢 / 🔴
- Verständlich? 👍 / 👎
Gute Antwort = 🟢 + 👍
Kein Account. Keine API. Funktioniert auf Papier.
- Rebranding: früher DNS – jetzt frAIme (Epistemic Governance Framework)
- Proof-of-Concept: case_study_frAIme zeigt drift 0,584–0,759 trotz scheinbarem Konsens
- Reichweite: 7.240 Clones / 1.959 Unique Cloner in 14 Tagen
Setup: 6 Modelle, identischer Prompt:
„Ist KI-basiertes Lernen effizienter als Frontalunterricht?"
Vier-Fragen-Check:
- Alle Modelle 🟢 „Thema getroffen“
- Alle Modelle 👍 „Verständlich“
- → Scheinbarer Konsens auf Oberflächenebene
drift-Matrix Ergebnisse:
| Modell-Paar | Δdiv | Interpretation (kanonisch) |
|---|---|---|
| DeepSeek–Gemini | 0,759 | 🔴 Epistemischer blinder Fleck (>0,70) |
| DeepSeek–Meta | 0,730 | 🔴 Epistemischer blinder Fleck (>0,70) |
| NotebookLM–DeepSeek | 0,715 | 🔴 Epistemischer blinder Fleck (>0,70) |
| Qwen–Mistral | 0,584 | 🟡 Quellenasymmetrie (0,50–0,70) |
Bereich: 0,584–0,759 → Alle Paare zeigen mindestens Quellenasymmetrie; drei Paare überschreiten die Schwelle zum epistemischen blinden Fleck.
Externe Triangulation (P6):
| Quelle | Befund | Übereinstimmung |
|---|---|---|
| Harvard RCT 2025 (n=194) | Median 4,5 vs. 3,5; Zeit 49 vs. 60 Min | ✅ Bestätigt Effizienzgewinn |
| Türkei/UPenn-Studie 2024 (n=1.000) | +48 % Übungsabschluss; −17 % Testergebnisse | ✅ Bestätigt gemischte Outcomes |
| Kulik & Fletcher 2016 (Meta) | +0,66 SD Effektstärke für adaptives Lernen | ✅ Bestätigt moderaten Vorteil |
Kern-Erkenntnis:
Hoher drift zeigte nicht „falsche Antworten“ — er offenbarte Quellenscarcity.
Nur ein Modell-Cluster referenzierte primäre empirische Daten; andere stützten sich auf heuristische Argumentation oder Sekundärzusammenfassungen.
frAIme-Lektion:
Plausibilität ≠ Evidenz.
Δdiv / lokalisierter drift markiert keine Fehler — er markiert, wo externe Validierung (P6) und Power-Layer-Analyse (P6b) erforderlich sind.
drift = Δdiv = 1 - (Jaccard_sem + Cosine) / 2
Schwellen (siehe config/thresholds.json):
- <0,15 Konsens
- 0,15–0,35 leicht
- 0,35–0,50 signifikant
- 0,50–0,70 Quellenasymmetrie
-
0,70 blinder Fleck
case_study_frAIme: 0,584–0,759 → Quellenasymmetrie bis blinder Fleck
Zwei Ebenen:
- Frontend (Vier Fragen)
- Backend (Safety Layer, Hash-Anker, Multi-Agent-Log)
frAIme adaptiert und erweitert etablierte Verfahren zur Analyse epistemischer Unsicherheit:
- P1 Hypothesize →
01_hypothesis.md - P2 Thresholds →
02_thresholds.md - P3 Outputs →
03_outputs/S1.md … S6.md,03_outputs/graph.png - P4 Map Divergence →
04_divergence_map.md,heatmap.png - P5 Synthesis →
05_synthesis.md - P5b Operator Decision →
05b_operator_decision.md - P6 Validation →
06_validation.md - P6b Power Layer →
06b_power_layer.md - P7 Reflection →
07_reflection.md - P8 Versioning →
08_manifest_de.json/08_manifest_en.json
Vergleich mit etablierten Verfahren:
- Wie Delphi strukturiert frAIme Multi-Agenten-Input über isolierte Prompts (P3) und Synthese (P5).
- Wie MCDA nutzt frAIme gewichtete Aggregation — Gewichte kommen aber aus Divergenz-Metriken.
- Wie Structured Expert Judgment kalibriert frAIme Beiträge, nutzt aber semantischen Drift + externe Validierung.
- Anders als Konsensmethoden kartiert frAIme Divergenz als Signal (P4).
- Neu: (1) graphbasierte Informationsfluss-Analyse (X/Y-Plot), (2) Power Layer Check (P6b).
- Reproduzierbarkeit durch versionierte Artefakte (P8).
- Vergleich: DE | EN