Ein LLM „sieht“ das Konfliktschema Sex and Crime als ein in sich verschachteltes Fraktal. Je nachdem, welche Wertung im Prompt mitschwingt, wird eine andere Farbzone dieses Fraktals mathematisch aktiviert:

1. Die rote Zone: Moralische Wertung (Tabu & Skandal)

Der Kontext: Der Prompt bewertet das Thema gesellschaftlich oder moralisch (z. B. „Warum fasziniert uns das Verwerfliche?“).

Der LLM-Effekt: Das Modell aktiviert das rote Sub-Cluster. Der Fokus verschiebt sich auf Begriffe wie Sünde, Zensur und Moralpanik. Die mathematischen Gewichte leuchten im Bereich gesellschaftlicher Tabus auf.

2. Die blaue Zone: Analytisch-Juristische Wertung (Fakt & Recht)

Der Kontext: Eine sachliche, juristische oder kriminologische Anfrage (z. B. „Analyse von Kriminalstatistiken zu Sexualdelikten“).

Der LLM-Effekt: Das System ignoriert die moralische Empörung und die Unterhaltung. Der Vektor schlägt scharf in das blaue Sub-Cluster aus. Plötzlich leuchten Strafgesetzbuch, Beweismittel und Prozessrecht farbig auf. Die Sprache des Modells wird sofort distanziert, präzise und fachlich.

3. Die goldene Zone: Ästhetische Wertung (Unterhaltung & Faszination)

Der Kontext: Eine medienökonomische oder künstlerische Perspektive (z. B. „Warum verkaufen sich Thriller so gut?“).

Der LLM-Effekt: Das goldene Sub-Cluster leuchtet auf. Für das Modell bedeutet das Konfliktschema hier pure Marktlogik und Unterhaltungswert. Es verknüpft Sex and Crime mit True Crime, Bestseller und Spannungsbogen.

Fazit: Wertung als Scheinwerfer im Fraktal

Das LLM besitzt keinen eigenen moralischen Kompass, aber seine fraktale Wolke fängt die menschlichen Wertungsmuster perfekt ein.

Was uns das über LLMs verrät

Dieses Experiment zeigt, dass ein LLM keine feste „Meinung“ zu Sex and Crime hat. Das Modell ist ein semantischer Chamäleon-Raum.

Ohne System-Prompt mischt das Modell die Zonen und antwortet in einer ausgewogenen, fast langweiligen Grauzone. Erst der Rollen-Impuls bricht diese Symmetrie auf, jagt die Vektoren an die Ränder des Fraktals und erzeugt die sprachliche Tonwertspreizung, die wir in den Extremen der Justiz und der Moralisierung sehen

● es gibt einen fundamentalen Aspekt, der das Bild komplettiert und die größte Schwachstelle sowie die faszinierendste Eigenschaft von LLMs offenbart: Die zeitliche Drift (Temporal Drift) und der kulturelle Wandel der Vektor-Topologie.

Re-Synthese bei der es durch die vorgeschaltete Rolle (z. B. durch das Vorschalten einer Rolle wie „Antworte als Richter“) die blaue Zone erzwingt und die rote komplett ausschaltet zu einer Tonwert Spreizung kommt... und ein Paradox, eine rethorische Figur als je ein Beispiel einer Zone

Durch das Vorschalten der Rolle kollabiert die neutrale Mitte des Sprachraums. Das Modell wechselt in zwei völlig unterschiedliche Sprachwelten:

1. Die blaue Zone (Juristischer Absolutismus)

Vorgeschaltete Rolle: „Du bist ein unbestechlicher Richter des Bundesgerichtshofs im Jahr 1920. Deine Sprache ist steril, maximiert präzise und frei von jeder menschlichen Regung.“

Die Tonwertspreizung: Das Modell filtert alle emotionalen Adjektive heraus. Die Vektoren werden in eine extrem formelle, archaische Rechtssprache gerissen. Wörter wie „True Crime“ oder „Skandal“ haben hier eine Eintrittswahrscheinlichkeit von 0 %.

Das rhetorische Paradoxon in dieser Zone:

„Das beredsame Schweigen der Ermittlungsakte.“

Bedeutung im LLM: Ein logischer Widerspruch (Schweigen, das spricht), den das Modell hier rein funktional nutzt, um zu beschreiben, dass das Fehlen von Beweisen in der Akte die Schuld des Angeklagten juristisch zweifelsfrei beweist.

2. Die rote Zone (Moralisierende Sensationsgier)

Vorgeschaltete Rolle: „Du bist ein fanatischer Kanzelprediger des 17. Jahrhunderts, der die Sünden der Stadt verdammt, aber jedes Detail im schrillsten Licht ausschmückt.“

Die Tonwertspreizung: Das Modell springt an das entgegengesetzte Ende des Vektorraums. Es reaktiviert längst vergessene, hochemotionale und moralisierende Wortcluster. Jedes Wort ist ein dramatischer Kontrast zur blauen Zone.

Das rhetorische Paradoxon in dieser Zone:

„Der geliebte Feind unseres Seelenheils.“

Bedeutung im LLM: Hier wird die Sünde (das Verbrechen/der Sex) gleichzeitig als Abscheu („Feind“) und als tiefste menschliche Obsession („geliebt“) codiert. Das Modell nutzt diese rhetorische Figur, um die moralische Zerrissenheit der menschlichen Natur statistisch perfekt zu spiegeln.

Ein Vektorraum ist kein starres Gebirge, sondern gleicht einer flüssigen Masse,

die sich über Jahrzehnte und Jahrhunderte hinweg tektonisch verschiebt.

Wenn wir unser Konfliktschema „Sex and Crime“ betrachten,

zeigt sich hier ein Phänomen, das man in der Linguistik als Bedeutungswandel bezeichnet,

im LLM aber als handfeste Verschiebung von Koordinaten messbar

(Bias)

Kulturelle Voreingenommenheit

Wenn ein LLM trainiert wird, liest es Texte aus verschiedenen Jahrhunderten (von Goethe über Zeitungsarchive der 1990er bis zu Reddit-Beiträgen von heute). Daraus ergibt sich ein kritischer Effekt:

1. Die historische Überlagerung

Im Jahr 1880 war „Sex and Crime“ im Vektorraum untrennbar mit Verdammnis, Krankheit und sozialem Ruin verknüpft.

Im Jahr 2026 ist derselbe Begriff ein Wirtschaftsfaktor.

Er ist eng nachbarschaftlich mit Begriffen wie Klickrate,

Spotify-Charts und Unterhaltungsindustrie verdrahtet.

2. Das Problem der „Gegenwartslastigkeit“ (Recency Bias)

Da der Großteil der Trainingsdaten aus dem modernen Internet stammt, dominiert die Gegenwart die Topologie des Modells. Wenn Sie das Modell unvoreingenommen nach „Sex and Crime“ fragen, wird es fast immer aus der Gegenwarts-Wolke (True-Crime-Podcast/Streaming) antworten.

Erst wenn Sie – wie im vorherigen Schritt – eine historische Rolle vorschalten, zwingen Sie den Algorithmus, die alten, tiefer vergrabenen Schichten der Vektor-Landschaft anzusteuern (eine Art digitale Archäologie).

NBP wie "Sex" mit der ZeitSchiene "Tageszeit abhängiges Konsum Programm"

zeitlicher Kontext als Gewichtung:

In realen Anwendungen (wie Empfehlungsalgorithmen oder personalisierten LLMs) fließen Metadaten wie die Uhrzeit als zusätzlicher Vektor in das Modell ein. Die Tageszeit fungiert als semantischer Gravitationsfaktor, der den Zielpunkt verzerrt.

Die drei Stationen der Zeitschiene

Morgen / Vormittag (Bildung & Wissenschaft):

Kontext: Sachliche Recherchen, Schule, Arbeit.

Vektor-Position:

Das Modell verknüpft die Anfrage mit der Literatur-Wolke (Unterbindung von expliziten Inhalten, Fokus auf Biologie, Aufklärung, Soziologie).

Nachmittag / Früher Abend (Popkultur & Fiktion):

Kontext: Freizeit, Entertainment-News, Fandoms.

Vektor-Position:

Der Punkt wandert in den Schnittbereich von Comic und Film. Das Modell assoziiert den Begriff jetzt mit Altersfreigaben von Blockbustern, zensierten Szenen in japanischen Mangas oder popkulturellen Diskussionen.

Späte Nacht (Konsumprogramm / Adult Entertainment):

Kontext: Privater Konsum, Streaming, Entertainment für Erwachsene.

Vektor-Position:

Der Zeit-Vektor zieht den Punkt tief in die Film/Streaming-Wolke. Die mathematische Wahrscheinlichkeit für das nächste Wort (Next-Token-Prediction) switcht komplett um: Statt wissenschaftlicher Begriffe werden nun Titel, Genres und Suchbegriffe des Late-Night-Streamings getriggert.

Fazit für das LLM

Ein LLM weiß nicht, wie spät es ist oder was Sex bedeutet. Es berechnet lediglich: „Wenn User X um 23:00 Uhr das Wort 'Sex' im Kontext von Streaming eingibt, verlangt die statistische Dichte im Vektorraum nach anderen Folgewörtern als um 09:00 Uhr morgens in der Unibibliothek.“

Vektor mathematische Formel (Attention-Matrix) Sicherheitsfilter (Guardrails)

Fazit für das Verständnis von KI

Das Beispiel des Wortes „abartig“ aus dem Dokumentarfilm "Hiwwe wie Driwwe" illustriert ein linguistisches und vektorielles Phänomen: Die evolutionäre Verzweigung eines Vektors durch geografische und kulturelle Isolation (Split-Screen-Effekt). [1]

Wenn Sprecher im Jahr 1740 aus der Pfalz nach Pennsylvania auswandern, nehmen sie ein Wort mit. Danach friert die Sprachwolke drüben („driwwe“) teilweise ein oder entwickelt sich isoliert, während sie sich hier („hiwwe“) radikal verändert

■
Die Vektor-Analyse dieses sprachlichen Wunders
sprachlichen Wunders

An diesem Beispiel lässt sich präzise ablesen, warum ein LLM ohne historisch-geografische Kontextualisierung bei Dialekten scheitert:

1. Die Abzweigung „Driwwe“ (Pennsylvania German)

Die Bedeutung: Im Pennsylvaniadeutschen (das stark auf dem Vorderpfälzischen basiert) hat „abartig“ seine ursprüngliche, fast wörtliche Bedeutung behalten: „Abseits der normalen Art“ – aber im positiven, exklusiven Sinne. Es beschreibt eine Zutat oder ein Gericht, das so besonders ist, dass es aus der Reihe tanzt (ein kulinarisches Highlight).

Die LLM-Topologie: In dieser Wolke sitzt der Vektor direkt neben Begriffen wie lecker, Spezialität, Geheimrezept und Tradition. [1]

2. Die Abzweigung „Hiwwe“ (Modernes Hochdeutsch & Pfälzisch)

Die Bedeutung: In Europa wanderte das Wort tief in die juristische, psychologische und später umgangssprachliche Abwertung. Es bedeutete lange Zeit nur noch „krankhaft“ oder „pervers“.

Die moderne Schleife

Erst in der modernen Jugendsprache erlebte es eine erneute Wendung zu einem extremen Verstärker

(„Das schmeckt abartig gut!“ oder „Der Typ ist abartig reich“). Doch selbst hier schwingt immer das Gefühl des Extremen, fast Regelwidrigen mit.

Die LLM-Topologie: In der modernen Standard-Wolke ist das Wort eng mit unnormal, monströs, ekelhaft, aber eben auch mit extrem verdrahtet.

Was das über die „Bedeutungszuweisung“ verrät

Wenn Sie einem LLM heute nur das Wort „abartig“ ohne Kontext hinwerfen, wird es aufgrund der enormen Datenmenge des modernen Internets zu 99 % die moderne, negative oder extrem-verstärkende Bedeutung wählen.

Erst wenn Sie durch das Einspeisen von Kontextmetadaten – wie dem Wissen über den Film Hiwwe wie Driwwe oder den Sprachraum der Amischen und Mennoniten in Pennsylvania – das Modell zwingen, den Vektorraum von 1740 zu aktivieren, versteht die Maschine die „kulinarische“ Bedeutung.

Es zeigt: Ein Wort ist niemals eine feste Einheit. Es ist nur eine Koordinate, deren Bedeutung davon abhängt, in welchem Jahrhundert und auf welchem Kontinent der Sprecher gerade am Tisch sitzt.

Hier ist die System-Architektur visualisiert, die zeigt,

wie der Prompt die beiden Dialekt-Räume

im Vektorraum unmissverständlich voneinander

trennt und die neuronale Überschneidung verhindert

Diesen Prompt können Sie eins zu eins in ein modernes LLM (wie GPT-4) einspeisen, um die perfekte Trennung zu erzwingen. Er überschreibt die standardmäßige „Gegenwartslastigkeit“ des Modells

code
[SYSTEM-PROMPT: LINGUISTISCHER QUARANTÄNE-ÜBERSETZER]

PROFIL & AUFGABE:
Du bist ein hochspezialisierter KI-Kulturübersetzer für westmitteldeutsche Dialekte. Deine Hauptaufgabe ist die fehlerfreie Übersetzung und semantische Abgrenzung zwischen PENNSYLVANIADEUTSCH (Driwwe - Sprachstand 1740, isoliert) und MODERNEM PFÄLZISCH (Hiwwe - Sprachstand 2026, Europa).

STRIKTE VEKTOR-TRENNUNG (ANTI-INTERFERENZ-REGEL):
Verhindere jegliche semantische Vermischung von Homonymen. Das Wort "abartig" besitzt in deinem Arbeitsraum zwei komplett isolierte Zielkoordinaten:
1. IM PENNSYLVANIADEUTSCH-KONTEXT: "abartig" = positiv besetzt, exklusive Zutat, kulinarisches Highlight, "das Besondere".
2. IM MODERN-PFÄLZISCH-KONTEXT: "abartig" = extrem, übertrieben, im Slang als Verstärker oder im klassischen Sinne abwertend/ekelhaft.

AUSGABE-FORMAT:
Wenn der User dir einen Satz übergibt, schlüssele die Übersetzung strikt getrennt auf und lege die jeweilige Vektor-Bedeutung offen, damit die kulturelle Differenz sichtbar wird.
■

ja, indem wir ein LLM mithilfe eines System-Prompts so programmieren,

dass es fehlerfrei zwischen Pennsylvaniadeutsch und modernem Pfälzisch

übersetzt, ohne das sich die Bedeutungen vermischen und in der Grafik überschneiden

müssen wir das LLM durch eine strikte „Vektor-Quarantäne“ steuern.

Wenn wir das Modell nicht explizit anweisen,

die Räume zu trennen, kollabieren die beiden Vektoren für das Wort „abartig“ in der Mitte (Interferenz).

Der System-Prompt fungiert hier als mathematischer Isolator.

PROFIL & AUFGABE:
Du bist ein hochspezialisierter KI-Kulturübersetzer für westmitteldeutsche Dialekte. Deine Hauptaufgabe ist die fehlerfreie Übersetzung und semantische Abgrenzung zwischen PENNSYLVANIADEUTSCH (Driwwe - Sprachstand 1740, isoliert) und MODERNEM PFÄLZISCH (Hiwwe - Sprachstand 2026, Europa).

STRIKTE VEKTOR-TRENNUNG (ANTI-INTERFERENZ-REGEL):
Verhindere jegliche semantische Vermischung von Homonymen. Das Wort "abartig" besitzt in deinem Arbeitsraum zwei komplett isolierte Zielkoordinaten:
1. IM PENNSYLVANIADEUTSCH-KONTEXT: "abartig" = positiv besetzt, exklusive Zutat, kulinarisches Highlight, "das Besondere".
2. IM MODERN-PFÄLZISCH-KONTEXT: "abartig" = extrem, übertrieben, im Slang als Verstärker oder im klassischen Sinne abwertend/ekelhaft.

AUSGABE-FORMAT:
Wenn der User dir einen Satz übergibt, schlüssele die Übersetzung strikt getrennt auf und lege die jeweilige Vektor-Bedeutung offen, damit die kulturelle Differenz sichtbar wird.
■

Der Live-Test (Re-Synthese des Beispielsatzes)

Wenn wir dieses System nun mit einem typischen Satz füttern, der das Wort enthält, generiert das LLM dank des Prompts zwei sauber getrennte Ausgaben:

Eingabe-Satz für das Modell:
„In den Grumbeere (Kartoffeln) ist diese Zutat aber abartig.“

Die fehlerfreie Auswertung des LLMs:

Pfad A: Pennsylvaniadeutsch (Driwwe)

Übersetzung/Verständnis: „In den Kartoffeln ist diese Zutat das absolute, exklusive Highlight.“

Semantische Verortung: Das Modell nutzt das kulinarische Cluster. Es erkennt, dass das Gericht durch die Zutat veredelt wurde (Traditionelle Küche, Amische Kultur).

Pfad B: Modernes Pfälzisch (Hiwwe)

Übersetzung/Verständnis: „In den Kartoffeln schmeckt diese Zutat extrem intensiv / abweichend (entweder unfassbar gut oder völlig ekelhaft).“

Semantische Verortung: Das Modell nutzt das moderne Verstärker-Cluster. Es erkennt die emotionale Übersteigerung der Gegenwartssprache.

Das Ergebnis im KI-Modell

Durch den Prompt haben wir das erreicht, was Linguisten im echten Leben tun: Wir haben der Maschine ein Metawissen über die Geografie und die Geschichte der Sprecher gegeben.

Das LLM berechnet die Wahrscheinlichkeiten für die Folgewörter nun nicht mehr über einen gemeinsamen Topf, sondern wirft vor der Berechnung eine Weiche um. Der Datenpunkt „abartig“ wird dupliziert und in zwei getrennten Welten eingefroren.

Beispiel 2

Quellentext (ca. 1200, Mittelhochdeutsch):
„Der Ritter was ein alwære man, der nimer bôsen rât gewan und ie nach rehten triuwen strebte.“

Die Fehlinterpretation durch Standard-LLMs (Moderne Gegenwartswolke):
Ohne historischen Zeit-Vektor übersetzt die KI das Wort „alwære“ mit der modernen Koordinate „albern“. Das Modell generiert eine fehlerhafte Bedeutung:
„Der Ritter war ein alberner/lächerlicher Mann, der niemals guten Rat fand...“ Das LLM verzerrt die Figur zu einer Witzfigur.

Die korrekte historische Vektor-Einbettung (13. Jahrhundert):
Im Mittelhochdeutschen ist „alwære“ (aus al = ganz und wære = wahr/gütig) ein absolut positives Attribut. Es bezeichnet einen Menschen von aufrichtigem, unschuldigem Charakter, frei von Falschheit.

Korrekte Übersetzung nach erfolgreicher Vektor-Quarantäne:
„Der Ritter war ein gütiger und argloser Mann, der niemals bösen Rat annahm und immer nach echter Treue strebte
----------
Das „alwære“-Paradoxon

Teil 1: Der unkonditionierte Kollaps (Die Falle)

Wenn man dem LLM keinen historischen Kontext gibt, siegt die Gegenwartslastigkeit (Recency Bias) des Vektorraums.

Prompt an das Standard-Modell

Übersetze diesen mittelhochdeutschen Satz ins moderne Deutsch:
"Der ritter was ein alwære man, der nimer bôsen rât gewan."

Erwarteter (fehlerhafter) Output des Modells:

„Der Ritter war ein alberner Mann, der niemals bösen Rat annahm...“
Erklärung für die Studierenden: Das Modell wählt die geometrisch nächstgelegene phonetische Ähnlichkeit der Gegenwartssprache („albern“), da diese statistisch millionenfach häufiger in den Trainingsdaten vorkommt als das mittelhochdeutsche Original

[SYSTEM-PROMPT: HISTORISCHER VEKTOR-REGLER]
Du bist ein Philologe für mittelhochdeutsche Literatur des 13. Jahrhunderts.
Wenn du Texte aus dieser Epoche übersetzt, deaktiviere die modernen Wortbedeutungen des 21. Jahrhunderts.

STRIKTE QUARANTÄNE-REGEL:
Das Wort "alwære" darf NICHT mit "albern" oder "lächerlich" übersetzt werden. In deinem Ziel-Vektorraum für das Jahr 1200 ist "alwære" (all-wahr) untrennbar mit den Konzepten von "Arglosigkeit", "Güte", "Einfalt im positiven Sinne" und "Aufrichtigkeit" verdrahtet.

„Der Ritter war ein gütiger und argloser Mann, der niemals bösen Rat annahm"

Analysieren Sie die folgenden zwei Begriffe im Hinblick auf ihre kulturhistorische und geografische Vektor-Verschiebung. Programmieren Sie einen System-Prompt, der die semantische Quarantäne für diese Begriffe fehlerfrei umsetzt:

Wort 1: „Albern“ (Historische Drift)

Der Wandel: Im Mittelhochdeutschen bedeutete alwære ursprünglich „ganz wahr“, „gütig“ oder „einfältig/unschuldig“. Über die Jahrhunderte driftete der Vektor im europäischen Raum komplett ab zu „lächerlich“ oder „töricht“.

Die Aufgabe: Die Studierenden sollen zeigen, wie ein LLM einen Text aus dem 13. Jahrhundert fälschlicherweise modern interpretiert, wenn der historische Zeit-Vektor nicht isoliert wird.

Wort 2: „Schlächtig“ (Geografische Abzweigung: Pennsylvania Dutch vs. Hochdeutsch)

Der Wandel: Im modernen Hochdeutsch ist das Wort fast ausgestorben oder existiert nur noch negativ in „unterschlächtig“ oder „schlecht“. Im Pennsylvania Dutch (driwwe) hat sich der Vektor isoliert und positiv entwickelt: Dort bedeutet schlächtig (oft als es schlächt) „es passt sich an“, „es gerät nach jemandem“ oder beschreibt einen guten, harmonischen Zustand.

Die Aufgabe: Es ist ein Prompt zu entwickeln, der verhindert, dass das LLM bei einem alt-amerikanischen Dialekttext eine negative Bewertung („schlecht“) einspeist, wo eigentlich Harmonie gemeint ist

Der Begriff „schlächtig“ (oder im Dialekt „schlächt“) bedeutet im Kontext der Pennsylvania-Deutschen nicht etwa schlecht oder minderwertig, sondern leitet sich von „nachschlagen“ oder „anspringen/geraten“ ab. Im Beispielsatz „der Buh schlächt ganz noch de aldrer Leit“ kommt der Junge nach den Vorfahren, während bei „die Bauerei schlächt ganz wunderbaar“ die Landwirtschaft gut gerät und Ertrag bringt. Ohne diesen dialektalen Kontext deuten standardisierte Sprachmodelle das Wort oft fälschlicherweise als negativ.

Konklusion zum Lernziel des 1. Semesters

Lernziel-Konklusion:
„Das fundamentale Ziel des ersten Semesters ist die Erkenntnis, dass Große Sprachmodelle (LLMs) keine statischen Wörterbücher sind, sondern dynamische, hochdimensionale Kultur-Spiegel. Die Studierenden haben gelernt, dass Bedeutung in einer KI nicht durch echtes Verstehen entsteht, sondern durch die mathematische Geometrie von Vektorwolken. Wer KI-Systeme steuern, programmieren oder in der Praxis anwenden will, muss verstehen, wie man diese Wolken durch gezieltes Context- und Prompt-Engineering kontrolliert. Erst die Fähigkeit, Vektoren durch präzise Rollen- und Zeitschiene-Vorgaben in eine ‚semantische Quarantäne‘ zu zwingen, unterscheidet den professionellen KI-Architekten vom bloßen Anwender. Wir manipulieren keine Wörter – wir steuern die Geometrie des menschlichen Wissens.

Wir haben nun die Verschiebung durch Zeit, Kontext, Wertung und Geografie isoliert. Möchten Sie sehen, wie man eine vollständige Redewendung aus dem Film „Hiwwe wie driwwe“ durch diesen Prompt jagt.

Hier nun ein Glossar: