Methodik
Wir beschreiben hier die Grundprinzipien hinter Narrivs Analyse — was gemessen wird, welche Datenbasis dahintersteht und welche Sicherungen eingebaut sind. Die exakten Bewertungsformeln, Gewichtungen und Heuristiken bleiben Teil unseres Produkts und werden nicht offengelegt — das ist unser USP.
1. Datenerhebung
Narriv beobachtet kontinuierlich rund 30 österreichische Medien-Outlets — vom ORF und Standard über Krone und Heute bis eXXpress. Jeder neue Artikel wird mit Quelle, Zeitstempel, Titel und Inhaltsausschnitt erfasst. Wir speichern keine Volltexte und verlinken auf das jeweilige Original.
2. Story-Clustering
Artikel werden semantisch zu Story-Clustern zusammengefasst — ein Cluster repräsentiert ein konkretes Ereignis oder Thema, das von mindestens zwei unabhängigen Medien aufgegriffen wird. Einzel-Meldungen ohne Echo werden nicht analysiert.
3. Narrative Divergence Score
Der zentrale Score (0–100) misst, wie unterschiedlich Medien über denselben Sachverhalt berichten — nicht, wer recht hat. In die Bewertung fließen ein:
- Spreizung der Bias-Werte der berichtenden Outlets
- Frame-Divergenz (Wortwahl, Personalisierung, Schuldzuweisung)
- Schwerpunkt-Verschiebung und Auslassungen pro Lager
- Tonalitäts-Unterschiede zwischen den Lagern
Die Score-Skala ist in Bänder unterteilt: Medien-Konsens, Leichte / Mittlere / Starke Spaltung bis hin zu Tiefer Spaltung. Der Trend (▲▼) zeigt die Veränderung der letzten 24 Stunden.
Eine Konfidenz-Gewichtung sorgt dafür, dass Stories mit mehr Quellen und breiterer Lager-Beteiligung im Ranking höher gewertet werden — eine 6-Quellen-Story mit moderater Spaltung schlägt eine 2-Quellen-Story mit nominell höherem Roh-Score.
4. Bias-Einordnung der Outlets
Jedes Outlet hat einen redaktionell verifizierten Bias-Wert auf einer Skala von −1 (Links) bis +1 (Rechts). Boulevard ist eine eigene Kategorie, weil populistisches Framing sich nicht trivial auf Links/Rechts abbilden lässt. Die Werte werden manuell gepflegt und durch laufende KI-Analyse plausibilisiert — aber nicht ersetzt.
5. KI-Analyse
Für polarisierte Cluster generiert Claude (Anthropic) eine Tiefenanalyse: einen Konflikt-Satz, Frame-Beschreibungen pro Lager, Bullet-Listen mit Schwerpunkten und — wo möglich — eine Aussage darüber, was welche Seite auslässt („Blinder Fleck").
Die KI-Ausgabe ist nicht der letzte Schritt: Mehrere Plausibilitäts-Filter korrigieren KI-Ergebnisse nach unten, wenn etwa Faktenmeldungen fälschlich als polarisiert eingestuft wurden, oder wenn strukturell wenig spaltbare Themen (Sport, Wetter, Verkehrsunfälle) zu hohe Werte bekommen. Die Filter können den Score nur reduzieren, niemals erhöhen.
6. Frühwarn-Radar (Prognose)
Bevor sich ein Cluster bildet, schätzen wir pro Einzelartikel, wie wahrscheinlich daraus eine polarisierte Cross-Media-Debatte entsteht. Drei Signal-Kategorien werden kombiniert: thematische Trigger (sind polarisierungs-anfällige AT-Themen berührt), Starter-Profil des Outlets (manche Medien zünden statistisch öfter Cross-Media-Debatten an) und semantische Ähnlichkeit zu vergangenen polarisierten Stories der letzten Monate.
Eine Prognose ersetzt keine Analyse — sie ist deutlich farblich abgegrenzt und ändert sich, sobald sich ein realer Cluster bildet und die KI-Bewertung greift.
7. Community-Verifikation
Jede Story bietet einen „Korrektur melden"-Button. User können auf fehlende Quellen, inhaltliche Fehler oder wichtige Aktualisierungen hinweisen. Jede Meldung durchläuft eine KI-Prüfung auf Spam, Relevanz und Plausibilität — und wird anschließend redaktionell freigegeben oder verworfen.
Es gibt keinen Auto-Merge. Rate-Limits und Domain-Whitelists schützen vor organisiertem Brigading durch politische Akteure.
8. Was Narriv nicht ist
- Kein Faktenchecker
- Kein Meinungsportal
- Kein politischer Aktivismus
- Keine Bewertung von Wahrheit oder Qualität einzelner Artikel
Narriv beschreibt, wie Medien berichten — nicht, wer recht hat.
Was Pro- und Enterprise-Kunden zusätzlich bekommen
Im Lizenz-Rahmen liefern wir tiefere Daten — Cluster-Verläufe als Zeitreihe, Score-Audit pro Story, Actor-Tracking, Strategy-Briefings mit eigener Fragestellung und API-Zugriff. Die Bewertungsformeln selbst bleiben unsere Black Box — was wir teilen, ist das, was unsere Analyse hervorbringt.