Wie TruthLens Fakten prüft
Gültig ab: 15. August 2026 · Methodik-Version 1.5
Dies ist eine maschinelle Übersetzung. Bei Abweichungen gilt die englische Fassung.
Diese Seite erklärt in klarer Sprache, wie TruthLens aus einem Text, einem Video oder einem Bild ein durch Quellen gestütztes Urteil macht. Sie ist für Leserinnen und Leser, Journalisten und Forschende geschrieben, die wissen wollen, was hinter einem Ergebnis tatsächlich passiert — und keine Marketingsprache lesen möchten. Wo eine Aussage unten unabhängig in unseren Nutzungsbedingungen oder unserer Datenschutzerklärung nachgeprüft werden kann, verlinken wir die genaue Klausel, statt sie anders formuliert zu wiederholen.
Ein Analysewerkzeug, kein endgültiges Urteil. Jedes Ergebnis von TruthLens — Urteile, Konfidenzwerte, Erklärungen, Quellenlisten — entsteht automatisch: KI-Modelle schließen aus öffentlich zugänglichen Belegen. Es ist ein Recherche- und Informationswerkzeug, keine feststehende Tatsache und kein endgültiges Urteil (siehe Nutzungsbedingungen, Klausel 6.1). TruthLens ist nicht mit dem International Fact-Checking Network (IFCN) verbunden und kein verifizierter Unterzeichner; die Grundsätze auf dieser Seite orientieren sich am veröffentlichten Code of Principles des IFCN, angewandt auf ein automatisiertes System.
1. Wie eine Prüfung abläuft
Eine Prüfung läuft in Stufen ab. Jede Stufe ist um eine Regel herum gebaut: kein Urteil ohne stützende Belege.
1.1. Extraktion. Der eingereichte Text (oder das Transkript eines Videos oder der aus einem Bild gelesene Text) wird in einzelne, prüfbare Tatsachenaussagen zerlegt — benannte Ereignisse, Statistiken und als Tatsache dargestellte Behauptungen. Meinungen, Prognosen und rhetorische Fragen werden nicht extrahiert. Das Material als Ganzes wird außerdem als Nachricht, Meinung oder Satire eingeordnet.
1.2. Deduplizierung und Priorisierung. Wiederholte oder nahezu identische Behauptungen werden zusammengeführt. Bei langem Material werden zuerst die Behauptungen geprüft, die für Lesende am folgenreichsten sind; eine feste Zahl der wichtigsten Behauptungen pro Einreichung wird vollständig geprüft — das hält Prüfungen schnell und lenkt das Prüfbudget auf das Wesentliche statt auf Nebensächlichkeiten.
1.3. Abgleich mit veröffentlichten Faktenchecks. Bevor wir selbst suchen, prüfen wir, ob eine Faktencheck-Organisation, die verifizierte Unterzeichnerin des IFCN Code of Principles ist, bereits eine Prüfung derselben Behauptung veröffentlicht hat. Ein Treffer wird nur akzeptiert, wenn bestätigt ist — durch wortgleiche Formulierung oder durch einen eigenen Verifikationsschritt —, dass es um dieselbe Aussage geht und nicht bloß um dasselbe Thema. Bei einem Treffer wird die Schlussfolgerung jener Organisation statt unserer verwendet.
1.4. Belegsuche. Für Behauptungen ohne bestehenden Faktencheck durchsucht TruthLens das offene Web nach stützenden oder widersprechenden Belegen und schließt Social-Media-Beiträge als Primärquellen aus. Behauptungen zu wissenschaftlichen oder gesundheitlichen Themen werden zusätzlich mit Datenbanken wissenschaftlicher und biomedizinischer Literatur abgeglichen (OpenAlex, Semantic Scholar und PubMed — sie indexieren veröffentlichte Forschung breit, nicht nur begutachtete Arbeiten); Behauptungen zu Länderstatistiken (BIP, Inflation, Bevölkerung, Arbeitslosigkeit, Lebenserwartung und ähnliche Indikatoren) werden mit den offiziellen Zahlen der Weltbank abgeglichen. Wurde eine Seite entfernt oder ist sie vorübergehend nicht erreichbar, versuchen wir vor dem Aufgeben, die letzte öffentlich archivierte Kopie über die Wayback Machine des Internet Archive zu lesen.
1.5. Belegbasiertes Urteil. Ein KI-Modell beurteilt die Behauptung streng anhand der im vorigen Schritt gesammelten Belege — nie anhand seines eigenen Allgemeinwissens. Sind die Belege unzureichend oder widersprüchlich, lautet das Urteil „Nicht bestätigt“ und ist keine Vermutung.
1.6. Gewichtung nach Quellenvertrauen. Jede Belegquelle wird in einem Graphen bekannter Medien und Verlage nach Vertrauen gewichtet. Das Modell, das das belegbasierte Urteil fällt (1.5), ist angewiesen, eine Behauptung niemals allein aufgrund wenig vertrauenswürdiger Quellen als „Widerlegt“ oder „Irreführend“ einzustufen und bei Widerspruch zwischen einer hoch und einer niedrig vertrauenswürdigen Quelle der hoch vertrauenswürdigen zu folgen. Davon getrennt — und im Code erzwungen, nicht dem Urteil des Modells überlassen — wird ein Urteil „Widerlegt“ oder „Irreführend“ nur dann mit hoher Konfidenz angezeigt, wenn es von mindestens zwei unabhängigen Quellen gestützt wird; Nachdrucke derselben Agenturmeldung auf verschiedenen Domains zählen als eine.
1.7. Unabhängige Zweitmeinung. Die meisten Urteile „Widerlegt“ oder „Irreführend“ werden von einem zweiten KI-Modell auf Basis derselben Belege separat erneut geprüft, bis zu einem festen Budget je Prüfung. Weichen beide voneinander ab, bleibt das Urteil bestehen, wird aber mit verringerter Konfidenz angezeigt statt als sicher dargestellt. Ein Urteil, das bereits mit einem veröffentlichten Faktencheck übereinstimmt (1.3), überspringt diesen Schritt — dahinter steht bereits die Prüfung einer menschlichen Faktencheck-Organisation.
1.8. Aggregation. Enthält eine Einreichung mehrere Behauptungen, spiegelt das Gesamtergebnis sie alle wider: Eine einzelne falsche Aussage reicht nicht, um ein ansonsten zutreffendes Material als Fälschung abzustempeln, und eine einzelne wahre Aussage rettet kein Material, das überwiegend auf Falschem beruht.
2. Urteilsskala
Die Urteile sind in der App, in der Browser-Erweiterung und auf dieser Website identisch. Es gelten zwei Skalen: eine für die Einreichung insgesamt, eine für jede einzelne Behauptung darin.
Gesamtergebnis
| Kennzeichnung | Bedeutung |
|---|---|
| Verlässlich | Gut gestützt durch unabhängige, vertrauenswürdige Belege. |
| Überwiegend verlässlich | Insgesamt gestützt, mit kleineren Lücken in der Abdeckung. |
| Teilweise bestätigt | Nur ein Teil des Materials war prüfbar; das Geprüfte neigt zum Zutreffenden. |
| Umstritten | Eine Minderheit der Behauptungen ist falsch oder irreführend; der Rest hält stand. |
| Zweifelhaft | Genug Ungenauigkeit, um echte Vorsicht zu rechtfertigen. |
| Fälschung | Ein ausreichend großer Anteil der Behauptungen ist falsch oder irreführend, und das eindeutig, sodass dem Material insgesamt nicht zu trauen ist. |
| Satire | Als Satire oder Parodie erkannt, ohne eine starke falsche Tatsachenbehauptung dahinter. |
| Nicht bestätigt | Es gibt in keine Richtung genügend öffentliche Belege. |
Einzelne Behauptungen
| Kennzeichnung | Bedeutung |
|---|---|
| Bestätigt | Durch vertrauenswürdige, unabhängige Belege bestätigt. |
| Überwiegend bestätigt | In der Sache richtig, mit einer kleinen Einschränkung. |
| Irreführend | Beruht auf einer echten Tatsache, ist aber so gerahmt, dass sie in die Irre führt. Siehe die Nuancen unten. |
| Widerlegt | Durch vertrauenswürdige Belege widerlegt. |
| Nicht bestätigt | Es wurden in keine Richtung ausreichende öffentliche Belege gefunden. |
Ein Sonderfall sind Aussagen der Autorin oder des Autors über sich selbst (zum Beispiel „Ich habe diesen Kanal vor einem Monat gestartet“). Solche Behauptungen werden gar nicht mit externen Quellen abgeglichen und aus Prinzip stets als „Nicht bestätigt“ gekennzeichnet — keine externe Quelle könnte sie bestätigen oder widerlegen.
„Irreführend“, genauer gesagt
Wenn der zugrunde liegende Grund einem von zwei bekannten Mustern entspricht, sagen wir das, statt eine bloße Kennzeichnung „Irreführend“ stehen zu lassen:
| Nuance | Bedeutung |
|---|---|
| Material echt, Bildunterschrift falsch | Das Foto, Video oder Zitat selbst ist echt — irreführend sind Bildunterschrift, Kontext oder Rahmung darum herum. |
| Veraltet — war früher richtig | Die Behauptung traf früher zu; die zugrunde liegende Lage hat sich seither geändert. |
3. Wie wir eine Quelle beurteilen
Nicht alle Belege wiegen gleich. Jede Quelle wird nach vier Kriterien betrachtet: Autorität (Stellung und Rolle der Organisation zum Thema), Transparenz (offene Methodik, klare Daten), Aktualität (Frische im Verhältnis zur geprüften Behauptung) und Unabhängigkeit (keine Interessenkonflikte). In der Praxis ergibt das drei Vertrauensstufen — hoch, normal oder niedrig —, gebildet aus einem Graphen bekannter Medienhäuser und einer kurzen Liste bekannter Domains geringer Qualität (Content-Farmen, unmoderierte Blogs). Das Modell ist angewiesen, einen Widerspruch, der nur auf einer wenig vertrauenswürdigen Quelle zu finden ist, für sich genommen nicht als hinreichenden Grund für ein Urteil „Widerlegt“ oder „Irreführend“ zu behandeln und bei Widerspruch zwischen hoch und niedrig vertrauenswürdiger Quelle der hoch vertrauenswürdigen Seite zu folgen — siehe 1.6 für den einen Teil dieser Gewichtung, der im Code erzwungen und nicht dem Modell überlassen wird.
4. Was TruthLens nicht tut
- Es trifft keine rechtliche Feststellung, gibt keine medizinische oder finanzielle Empfehlung und fällt keinerlei amtliche Entscheidung (Nutzungsbedingungen, Klausel 6.4).
- Es prüft nicht jede Behauptung in einer langen Einreichung — es priorisiert bewusst die bedeutsamsten (siehe 1.2).
- Es hängt von Belegen ab, die zum Zeitpunkt der Prüfung öffentlich, indexiert und online verfügbar sind; Behauptungen über rein private Angelegenheiten oder über Ereignisse ohne öffentliche Spur kommen in der Regel als „Nicht bestätigt“ zurück, statt geklärt zu werden.
- Es stützt sich teilweise auf kostenlose Infrastruktur Dritter (offene Websuche, öffentliche Archive, offene wissenschaftliche und statistische Datenbanken). Ist eine davon vorübergehend nicht verfügbar, weicht TruthLens auf die nächste verfügbare Quelle aus, statt ganz zu scheitern — eine vorübergehende Störung kann aber gelegentlich bedeuten, dass für eine Prüfung weniger Belege vorliegen als üblich.
- Erklärungen und andere frei formulierte Ausgaben werden direkt in der Sprache der von Ihnen genutzten App geschrieben — in 35 der 36 von der Oberfläche unterstützten Sprachen — statt nachträglich maschinell übersetzt zu werden. Dänisch ist die einzige Ausnahme: Unsere eigene Messung ergab, dass das Modell bei Behauptungen über Norwegen ins Norwegische abdriftet; dänische Lesende erhalten daher die Oberfläche auf Dänisch und die Erklärungen auf Englisch, bis das behoben ist. Lesen Sie die App in einer Sprache außerhalb dieser 36, fallen Oberfläche und Ausgabe auf Englisch zurück. Maßgeblich ist die Sprache, in der Sie lesen, nicht die des Materials: Ein deutscher Artikel, der in einer thailändischen App geprüft wird, kommt auf Thailändisch zurück. Die Standardmeldungen, die der Dienst selbst schreibt — etwa der Hinweis, dass ein veröffentlichter Faktencheck Ihre Behauptung bereits abdeckt, oder die Erklärung, warum eine Einreichung nichts Prüfbares ergab —, decken inzwischen dieselben 36 Sprachen ab, sind aber maschinell übersetzte Entwürfe, die noch nicht von Muttersprachlern jeder Sprache gelesen wurden.
5. Ein Ergebnis korrigieren
Wenn Sie ein bestimmtes Ergebnis für falsch halten oder ein Ergebnis Sie oder Ihre Organisation betrifft und Sie es für unrichtig oder schädlich halten, schreiben Sie an support@truthlens.wiki und nennen Sie die genau geprüfte Behauptung sowie den Kern Ihres Einwands. Begründete Hinweise prüfen wir in angemessener Zeit — in der Regel innerhalb von 14 Tagen — und korrigieren oder entfernen das beanstandete Ergebnis, wo es gerechtfertigt ist, und berücksichtigen es künftig (Nutzungsbedingungen, Klausel 6.6).
6. Änderungen dieser Methodik
Wesentliche Änderungen an der Durchführung von Prüfungen werden hier in klarer Sprache datiert, sobald sie ausgeliefert werden.
- Version 1.5 — benennt die eine Sprache, in der frei formulierte Ausgaben nicht in der Sprache der App verfasst werden. Unsere eigene Messung der Ausgabesprache über alle 36 Sprachen ergab, dass dänische Anfragen bei Behauptungen über Norwegen auf Norwegisch Bokmål zurückkamen, reproduziert über drei unabhängige Durchläufe; dänische Erklärungen werden daher auf Englisch verfasst, während die Oberfläche dänisch bleibt. Die frühere Formulierung legte eine Ausgabe in allen 36 Sprachen ohne Ausnahme nahe.
- Version 1.4 — die Aussage zur Ausgabesprache in Abschnitt 4 erneut korrigiert: Sie beschrieb die Sprache des eingereichten Materials, während die Ausgabe tatsächlich der Sprache der App folgt, in der Sie lesen. Ein deutscher Artikel, der in einer thailändischen App geprüft wird, wird auf Thailändisch zurückgegeben; Englisch ist nur dann der Rückfall, wenn die App selbst in einer von uns nicht unterstützten Sprache läuft.
- Version 1.3 — die Standardmeldungen, die der Dienst selbst schreibt (der Hinweis auf einen passenden Faktencheck und die Erklärungen zu einem leeren Ergebnis), existieren nun in allen 36 statt in fünf Sprachen; die Aussage in Abschnitt 4, dass einige davon auf Englisch erscheinen, wurde durch die Tatsache ersetzt, dass es maschinell übersetzte Entwürfe sind, die auf muttersprachliche Prüfung warten.
- Version 1.2 — die Aussage zur Ausgabesprache in Abschnitt 4 korrigiert: Frei formulierte Ausgaben werden in der Sprache der App in 36 statt in fünf Sprachen verfasst; Englisch wird für alles außerhalb dieses Satzes und für einige noch nicht übersetzte Standardmeldungen verwendet.
- Version 1.1 — Präzisierungsdurchgang zu 1.4 (Literaturdatenbanken enthalten nicht ausschließlich begutachtete Arbeiten; die Statistikliste ist nicht offen), 1.6 (Trennung der dem Modell vorgegebenen Quellenvertrauens-Gewichtung von der im Code erzwungenen Regel zu unabhängigen Quellen), 1.7 (die Zweitmeinung gilt für die meisten, nicht für jedes Urteil „Widerlegt“/„Irreführend“, und entfällt bei übereinstimmenden Faktenchecks) sowie zur Zeile „Fälschung“ in der Urteilstabelle („überwiegend“ ersetzt durch eine Beschreibung, die dem tatsächlichen Schwellenwert entspricht).
- Erstveröffentlichung (Version 1.0).