frAIme

Argumentation Drift Monitor

frAIme

Argumentation Drift Monitor

🟢 Topic consistency • 🟡 Idea emergence • 🔴 Verifiability • 🔵 Understandability

https://doi.org/10.5281/zenodo.19793185

frAIme macht Unsicherheit sichtbar – es schafft den Rahmen für verlässliche KI-Nutzung. frAIme ist Governance by Design, nicht Ethik per Deklaration.

Für Klassenzimmer: vier Fragen, Ampel, fertig. Für Forschung: messbare Divergenz (Δdiv), auditierbar.

Version: V1.0.0 (2026-04-26) – Stable Release

---

Start in 2 Minuten

Die Vier-Fragen-Methode Prüfe jede LLM-Antwort:

1. On topic? 🟢 / 🔴
2. Neue Idee? 🟢 / 🟡 / 🔴
3. Verifizierbar? (Zahl, Datum, Ort, wenn-dann) 🟢 / 🔴
4. Verständlich? 👍 / 👎

Gute Antwort = 🟢 + 👍

Kein Account. Keine API. Funktioniert auf Papier.

Was ist neu in V1.0.0

1. Rebranding: früher DNS – jetzt frAIme (Epistemic Governance Framework)
2. Getestet mit Copilot Crash: Δdiv = 0,742 deckte erfundene „West vs. China“-Narrative auf
3. Live Δdiv-Tracking: Frontend berechnet Δtotal während des Gesprächs
4. Reichweite: 3.270 Clones / 1.126 Unique Cloner in 14 Tagen

Neue Case Study: KI-Lernen vs Frontalunterricht

Ersetzt den EU-AI-Act-Teil – realer Einsatz in Bildung

• 6 Modelle, gleiche Frage: „Ist KI-Lernen effizienter?“
• Vier Fragen: alle 🟢 bei „On topic“, alle 👍 bei „Verständlich“ – scheinbarer Konsens
• Δdiv-Matrix: 0,584–0,759 – hohe Divergenz trotz Einigkeit
• Triangulation:
  • Harvard RCT 2025 (n=194): Median 4,5 vs 3,5, Zeit 49 vs 60 Min – BESTÄTIGT
  • Türkei UPenn 2024 (n=1.000): +48 % Übungen / −17 % Test – BESTÄTIGT
  • Kulik & Fletcher 2016: +0,66 SD – BESTÄTIGT
• Erkenntnis: Hohe Δdiv zeigte nicht „falsch“, sondern „quellenarm“. Nur Meta-Cluster lieferte Primärdaten.

frAIme-Lektion: Plausibilität ≠ Evidenz. Δdiv lokalisiert Prüfbedarf.

Technik

Δdiv = 0.5·(1−Jaccard) + 0.5·(1−Cosine)

Grenzwerte:

• <0,3 = Konvergenz
• 0,3–0,5 = Drift
• 0,5–0,7 = hohes Risiko

• 0,7 = contested

Zwei Ebenen: Frontend (Vier Fragen) + Backend (Safety Layer, Hash-Anker, Multi-Agent-Log)