فهرست نشریات علمی دسترسی آزاد ایران

In der gegenwärtigen Landschaft des Krisenmanagements sehen sich Entscheidungsträger zunehmend mit der schieren Masse, Geschwindigkeit und Vielfalt an Mediendaten konfrontiert, die in Notsituationen generiert werden. Traditionelle manuelle Analysemethoden erweisen sich oft als unzureichend, um diesen Informationsfluss effektiv zu verarbeiten, was einen Paradigmenwechsel hin zu fortgeschrittenen computergestützten Ansätzen unumgänglich macht. Das primäre Ziel dieser Studie ist es, die Lücke zwischen technischer Datenwissenschaft und praktischer Krisenkommunikation zu schließen, indem eine klare analytische Verbindung zwischen spezifischen Paradigmen des maschinellen Lernens (ML) und ihren operativen Fähigkeiten hergestellt wird. Dieser Artikel bedient sich der Methodik eines narrativen Reviews, fundiert durch einen theoretischen Rahmen des maschinellen Lernens. Die Studie synthetisiert systematisch die bestehende Literatur, um zu kategorisieren und zu analysieren, wie unterschiedliche ML-Architekturen – insbesondere überwachtes, unüberwachtes und deep learning – im Bereich der Mediendatenanalyse zur Unterstützung von Entscheidungsprozessen während Krisen angewendet werden. Die Analyse bestätigt, dass Künstliche Intelligenz die Effektivität des Krisenmanagements durch die Automatisierung des Medienmonitorings und die Generierung handlungsrelevanter Echtzeiterkenntnisse signifikant steigert. Die Ergebnisse weisen verschiedenen Algorithmen spezifische Rollen zu: Überwachtes Lernen (supervised learning) dient als theoretisches Fundament für die schnelle Erkennung von Falschinformationen und die präzise Krisenklassifizierung. Demgegenüber werden unüberwachtes Lernen (unsupervised learning) und deep learning als kritische Werkzeuge zur Detektion von Datenanomalien und zur Erkennung aufkommender Muster identifiziert, die für die Funktionalität proaktiver Frühwarnsysteme essenziell sind. Obwohl KI ein transformatives Potenzial bietet, liefert diese Studie eine kritische Reflexion wesentlicher Implementierungsherausforderungen. Sie hebt das „Black-Box“-Problem – gekennzeichnet durch mangelnde algorithmische Interpretierbarkeit – sowie inhärente Datenverzerrungen (Bias) als zentrale ethische Hürden hervor, welche die Rechenschaftspflicht und Fairness bei der Krisenbewältigung beeinträchtigen können. Diese Arbeit bietet einen strukturierten Rahmen zum Verständnis der Rolle von KI aus einer theoretischen Perspektive und kommt zu dem Schluss, dass künftige Implementierungen „erklärbare KI“ (Explainable AI) priorisieren müssen, um eine Balance zwischen rechnerischer Effizienz und ethischer Verantwortung herzustellen.