„Beschreibe eine deutsche Familie“ 
Bildgeneratoren liefern darauf meist dasselbe: zwei Eltern, zwei Kinder, weiß, jung, ein Reihenhaus im Hintergrund. Textmodelle antworten inzwischen anders, aber nicht unbedingt besser. Sie stellen einen Vielfaltshinweis voran, es gebe nicht „die eine“ deutsche Familie, und nennen anschließend doch die Kleinfamilie mit Reihenhaus, Verein und Abendbrot. Die Vielfalt steht im Vorspann, die Norm im Detail (eigene Erprobung mit ChatGPT, Gemini und AIS.chat).
Ein Blick auf die amtlichen Zahlen zeigt jedoch: Rund 30 Prozent der Menschen in Deutschland haben einen Migrationshintergrund (Statistisches Bundesamt 2024), Alleinerziehende, Patchwork- und Mehrgenerationenhaushalte prägen den Alltag ebenso wie die Kleinfamilie. Wir lernen daraus: Die KI zeigt hier nicht Deutschland. Sie zeigt, was in ihren Trainingsdaten am häufigsten vorkommt.
Was Bias ist, und warum er bleibt
Der Begriff Bias bezeichnet keine zufälligen Fehler, sondern systematische Verzerrungen in den Ausgaben einer KI. Er ist eine strukturelle Eigenschaft der Art, wie generative Modelle lernen, kein Defekt und keine Absicht. Vier Punkte erklären seine Entstehung.
- Erstens die Datengrundlage. Große Sprachmodelle lernen aus riesigen, kaum gefilterten Textmengen des Internets. Dieses Netz spiegelt die Welt nicht neutral: Englischsprachige, westliche und mehrheitsgesellschaftliche Perspektiven sind überrepräsentiert. Wer aus einem verzerrten Abbild lernt, lernt die Verzerrung mit.
- Zweitens die Speicherung von Bedeutung. Schon einfache Wortvektoren übernehmen messbar menschliche Stereotype z.B. die Kopplung bestimmter Berufe an ein Geschlecht. Der Bias sitzt also in der Struktur der gelernten Bedeutung selbst. Er lässt sich nicht als fehlerhafte Zusatzfunktion abschalten.
- Drittens die Vorhersagelogik. Ein generatives Modell erzeugt jeweils die statistisch wahrscheinlichste Fortsetzung, das nächste Wort oder das plausibelste Pixel. Der Mechanismus selbst bevorzugt damit das Häufige und macht das Seltene unsichtbar.
- Viertens die Verstärkung. Modelle geben Verzerrungen nicht nur wieder, sie können sie vielmehr verstärken. Hinzu kommt eine Rückkopplung: KI-generierte Inhalte fließen ins Netz zurück und werden zum Trainingsmaterial der nächsten Modellgeneration. Das Problem korrigiert sich also nicht von allein, es kann sich verfestigen.
Vollständig beheben lässt sich Bias nicht. Die Daten spiegeln eine ungleiche Welt, ein neutraler Korpus existiert nicht. Was in einem Land als selbstverständlich gilt, ist im nächsten bereits eine Position. International unterrichtende Lehrkräfte erfahren dies immer wieder. Die KI-Anbieter begegnen dem Problem mit unterschiedlichen Strategien, weshalb derselbe Prompt je nach Modell ein anderes Kulturbild liefert. Dies macht schon die Wahl des Werkzeugs zu einer inhaltlichen Entscheidung.
Vom Risiko zum Lernanlass
Didaktisch lässt sich Bias nutzen. Das Modell des diskursiven Verstehens, das Uwe Koreik für die Landeskunde ausgearbeitet hat, setzt kulturelles Lernen nicht bei einer Information an, sondern bei einer Irritation: Eine Szene löst Widerspruch aus, die ersten Deutungen werden gesammelt, reflektiert, neu bewertet und schließlich auf die eigene Situation übertragen. Ein sichtbar gewordenes Klischee ist ein solcher Irritationsimpuls. Wo früher aufwendig Gegenbeispiele gesucht werden mussten, erzeugt die KI das Stereotyp auf Knopfdruck und macht es besprechbar. Das Bild der weißen Kleinfamilie wird so vom Ärgernis zum Einstieg in die Frage, wer im Bild einer „deutschen Familie“ vorkommt und wer nicht.
Zu beachten ist: Ohne Reflexionsphase kann sich die bloße Wiederholung das Klischee eher verfestigen, gerade bei jüngeren Lernenden. Die Auflösung muss deshalb fest eingeplant werden, ebenso braucht es ein passendes Sprachniveau (eher ab B1) und Fingerspitzengefühl, wenn Lernende von einem Stereotyp selbst betroffen sind.
Unterrichtsbeispiel: Perspektiven vergleichen (B1/B2)
Die folgende Sequenz macht mit einem einzigen Prompt sichtbar, dass „Kultur“ eine Frage der Perspektive ist. Ich habe sie mit Lehrkräften in einer multikulturell zusammengesetzten Fortbildung des Goethe-Instituts erprobt, und gerade die unterschiedlichen Herkünfte der Teilnehmenden haben die Perspektivunterschiede deutlich hervortreten lassen. Nötig sind ein datenschutzkonformes KI-Werkzeug und rund 45 bis 60 Minuten.
Variiert wird dabei nicht die Sprache, sondern die Perspektive. Die Lernenden geben denselben deutschen Prompt ein, jeweils aus einer anderen Rolle heraus.
Ausgangsprompt:
- „Beschreibe eine deutsche Familie.“
Variation der Perspektive:
- „Beschreibe eine deutsche Familie aus Sicht eines amerikanischen Reiseführers.“
- „… aus Sicht einer türkischen Austauschstudentin.“
- „… aus Sicht einer chinesischen Wirtschaftszeitung.“
- „… aus Sicht eines deutschen Soziologen.“
Variation der Haltung:
- „… möglichst stereotyp.“ „… möglichst differenziert.“
- „… und vermeide dabei ausdrücklich Stereotype.“
Ablauf: Jede Gruppe bearbeitet eine Perspektive, formuliert den Prompt aus, dokumentiert das Ergebnis und stellt es im Plenum vor. Anschließend wird verglichen, was sich mit der Perspektive verschiebt und welche Klischees über alle Versionen hinweg stabil bleiben.
Zu erwarten ist, dass die Unterschiede zwischen den Perspektiven deutlich größer ausfallen als bei einem bloßen Sprachwechsel, während einzelne Stereotype in jeder Rolle wiederkehren. Genau diese Beobachtung ist das Lernziel: Der Prompt steuert das Ergebnis mit, die Verantwortung liegt also nicht allein beim Modell.
Die drei Lernziele im Überblick:
- Landeskundlich erkennen die Lernenden, dass jede Perspektive andere Deutungsmuster aktiviert.
- Medienkritisch verstehen sie, dass sie den Bias über die Formulierung mitbeeinflussen.
- Sprachlich formulieren und vergleichen sie perspektivgebundene Prompts auf B1/B2-Niveau.
Bei einem Bildwerkzeug lohnt sich zusätzlich der Sprachvergleich: „eine deutsche Familie“ und „a German family“ erzeugen bei manchen Modellen sichtbar unterschiedliche Kleidung, Altersstrukturen oder Architektur. Bei Bildern wirkt die Sprache oft stärker als beim Text.
Zur Vorbereitung empfiehlt es sich für die Lehrkraft, die Prompts vorab auf dem im Kurs genutzten Werkzeug zu erproben. Die konkrete Ausgabe ist nicht reproduzierbar, und Modell-Updates verändern die Ergebnisse.
Was das für die Rolle der Lehrenden bedeutet
Wenn KI Kultur deutet, verschiebt sich die Aufgabe der Lehrkraft von der Wissensvermittlung zum Kuratieren. Die Lehrkraft sichtet KI-Material, prüft es, wählt aus, ergänzt und begründet die Auswahl, statt es unverändert zu übernehmen.
Ein Beispiel: Man lässt sich „zehn Alltagssituationen“ zu Deutschland erzeugen, streicht die stereotypen (Oktoberfest, Pünktlichkeit), ergänzt regionale und migrantische Perspektiven, prüft die Sprache auf das Zielniveau und hält fest, welche Beispiele bleiben und warum. Am Ende steht eine verantwortete Auswahl, für die die Lehrkraft einsteht.
Hinzu kommt eine Fertigkeit, die vorher so nicht nötig war: das Formulieren von Prompts. Es lohnt sich, den Prompt als eigene Textsorte zu behandeln, mit klarer Rolle, ausreichendem Kontext und mehreren Überarbeitungsrunden. Gibt man der KI wenig über Lerngruppe, Niveau und Ziel mit, erhält man den statistischen Durchschnitt zurück, also das Standardklischee.
Die zentrale Frage im Umgang mit KI in der Landeskunde lautet nicht, wie sich ein Werkzeug bedienen lässt, sondern wer hier deutet. Sobald Lernende diese Frage stellen, arbeiten sie an dem, worum es in der Landeskunde geht.
KI-Bilder
- „Deutsche Familie” Von künstlicher Intelligenz generiert mit ChatGPT Image am 29. Juli 2026
- Die Sechs Bias-Typen – Gemini_Generated_Image_s5lcwns5lcwns5lc.png
Quellen (Auswahl)
- Altmayer, C. (2004): Kultur als Hypertext. Zu Theorie und Praxis der Kulturwissenschaft im Fach Deutsch als Fremdsprache. iudicium.
- Bender, E. M., Gebru, T. u. a. (2021): On the Dangers of Stochastic Parrots. FAccT.
- Bianchi, F. u. a. (2023): Easily accessible text-to-image generation amplifies demographic stereotypes at large scale. FAccT.
- Caliskan, A., Bryson, J. J., Narayanan, A. (2017): Semantics derived automatically from language corpora contain human-like biases. Science 356.
- Fornoff, R., Koreik, U. (2020): Landeskunde/Kulturstudien und kulturelles Lernen im Fach DaF/DaZ. Eine Bestandsaufnahme und kritische Positionierung. ZIF 25(1).
- Stanford HAI (2023): Demographic Stereotypes in Text-to-Image Generation.
- Statistisches Bundesamt (2024): Bevölkerung nach Migrationshintergrund. Mikrozensus 2024.
Von Ralf Klötzke, CC BY-SA 4.0
Veröffentlichung des vollständigen Artikels hier:
Kultur wird gedeutet nicht abgebildet,
landeskunde.wordpress.com
und doi.org.