In der empirischen Forschung gibt es ein klassisches Problem: Die meisten interessanten Daten sind qualitativ, nicht quantitativ. Reden von Politikern, Geschäftsberichte, Social-Media-Posts, Zeitungsartikel oder historische Dokumente enthalten wertvolle Informationen, aber sie lassen sich schwer in Zahlen übersetzen. Genau hier setzt ein neues Forschungsprojekt an, das im Februar 2026 als NBER Working Paper erschienen ist: „GPT as a Measurement Tool“ von Hemanth Asirvatham, Elliott Mokski und Andrei Shleifer. Die Autoren stellen darin eine Software vor, die dieses Problem lösen soll: GABRIEL. Die Grundidee ist überraschend einfach. Large Language Models wie GPT können Texte verstehen, ähnlich wie ein Mensch. Wenn man sie gezielt einsetzt, können sie daher qualitative Informationen systematisch bewerten und quantifizieren. Zum Beispiel: • Wie innovationsfreundlich ist eine politische Rede? • Wie toxisch ist ein Social-Media-Kommentar? • Wie technisch komplex ist eine neue Tec...
Im laufenden Semester bin ich Gastprofessor (Adjunct Professor) in Cincinnati, OH, USA . Die Stadt ist fabelhaft und meiner Meinung nach definitiv einen Besuch wert. Über die Uni hatte ich die Gelegenheit, (wieder einmal) einen Vortrag von Stephen Kotkin von der Princeton University zu besuchen. Das Generalthema des Vortrages war 'sphere of influence'. Dem Inhalt seines Vortrages stimme ich absolut zu. Neben vielen interessanten Einsichten und sehr, sehr viel Detailwissen haben mich am meisten die folgenden Punkte bewegt: Allen geht es gut, aber alle klagen. Das scheint ein weiterverbreitetes Phänomen in den entwickelten Industrienationen zu sein. Warum ist so? Kotkin diskutiert diesen Punkt lange und bietet mehrere Thesen an; u.a. schlägt er auch vor, dass es vielleicht nicht allen gut geht. Er bringt das persönliche Beispiel seines Vaters an, der ohne Uni-Ausbildung und als Arbeiter sich ein Haus leisten konnte. Nach Kotkin ist derartiges heute in den USA nicht mehr mögl...