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...
Die gegenwärtige COVID-19-Krise und die Reaktion der Staaten zur Unterstützung der Wirtschaft haben zu einem Anstieg der Verbindlichkeiten geführt. Holger Sandte und Adalbert Winkler (Die Mär von der Belastung der jungen Generation) [Link: https://www.zeit.de/wirtschaft/2020-06/staatsverschuldung-konjunkturpaket-junge-generation-belastung] weisen in ihrem Beitrag zurecht hin, dass es neben den Verbindlichkeiten auch Forderungen entstehen, die im gleichen Ausmaß angestiegen sind. Einen Punkt beleuchten die Autoren nur kurz: Wie sollen die Regierungen und Staaten diese zusätzlichen Verbindlichkeiten eigentlich zurückzahlen?