Für wen ist dieses Glossar gedacht?
Für Menschen in Unternehmen, Verbänden, Agenturen, Politik und Verwaltung, die politische Prozesse und KI-Anwendungen verständlich einordnen möchten. Jeder Begriff besitzt eine eigene, dauerhaft verlinkbare Seite. Zusammenhängende Begriffe sind direkt miteinander verbunden.
Was gehört zu einem Eintrag?
Eine verständliche Definition, eine Einordnung für Public Affairs, ein ausdrücklich fiktives Praxisbeispiel, Grenzen, drei Prüffragen und weiterführende Originalquellen. Die Anwendungshinweise sind eigenständige methodische Vorschläge. Sie behaupten keine realen Projekte, Ergebnisse oder persönlichen Erfahrungen der Buchautoren.
Wie werden Quellen verwendet?
Bevorzugt werden Originaldokumente von Parlamenten, europäischen Institutionen und Fachorganisationen sowie ursprüngliche Forschungsarbeiten. Eine Quelle kann eine formale Definition liefern oder den fachlichen Rahmen erklären. Die Glossartexte sind eigenständige Erläuterungen, keine wörtlichen Übersetzungen amtlicher Definitionen. Bei beruflichen Begriffen wie Public Affairs oder Issues Management wird eine praktische Arbeitsdefinition verwendet.
Originalarbeiten können älter sein und dennoch einen grundlegenden Begriff erläutern. Ihr Publikationsdatum ist kein aktueller Rechtsstand. Einzelne Verlagsquellen sind im Volltext zugangsbeschränkt; dies ist bei der Quellenangabe kenntlich gemacht. Zum AI Act wird die amtliche Originalfassung als Ausgangspunkt verlinkt. Für geltende Pflichten müssen zusätzlich Änderungen und einschlägige Anwendungsvorschriften geprüft werden.
Wie wurde KI eingesetzt?
Die Texte wurden KI-gestützt erstellt und anhand der angegebenen Quellen eingeordnet. Technische Prüfungen kontrollieren unter anderem Links innerhalb des Angebots, Seitentitel und strukturierte Daten. Diese Prüfungen sind keine unabhängige menschliche Fachabnahme und garantieren keine Fehlerfreiheit.
Wer steht hinter dem Angebot?
Das Glossar ergänzt die Webseite zum Buch Public Affairs mit Künstlicher Intelligenz von Dr. Gunnar Bender und Mario Brandenburg. Mehr über die Autoren. Es ist kein Buchauszug. Die thematischen Kapitelverweise beruhen auf dem Inhaltsverzeichnis des vorliegenden Buchmanuskripts. Die vollständigen Buchinhalte werden hier nicht veröffentlicht.
Stand und Korrekturen
Begriffsstand dieser Ausgabe: 26. Oktober 2026. Technische Angebote, institutionelle Informationen und rechtliche Anforderungen können sich ändern. Änderungen sollten am betroffenen Eintrag sichtbar dokumentiert werden. Hinweise auf Fehler oder eine bessere Originalquelle sind willkommen: autoren@public-affairs-mit-ki.de.
Verzeichnis der Originalquellen
Welche dieser Quellen zum jeweiligen Eintrag gehört, ist zusätzlich direkt auf der Begriffsseite angegeben.
- OECD: Transparency and Integrity in Lobbying and Influence (Empfehlung, 2024 überarbeitet) ↗
- Deutscher Bundestag: Lobbyregister – Begriff und Zweck ↗
- Deutscher Bundestag: Gesetzentwürfe ↗
- Deutscher Bundestag: Bundestagsdrucksache ↗
- Deutscher Bundestag: Anhörung ↗
- Deutscher Bundestag: Änderungsantrag ↗
- Deutscher Bundestag: Beschlussempfehlung ↗
- Deutscher Bundestag: Parlamentsdokumentation und DIP ↗
- Rat der EU: Das ordentliche Gesetzgebungsverfahren ↗
- Europäische Kommission: Better Regulation – Evaluation, Folgenabschätzung und Beteiligung ↗
- Europäische Kommission: Strategic Foresight Report 2020, insbesondere Methodenhinweise ↗
- McCombs & Shaw (1972): The Agenda-Setting Function of Mass Media, Originalstudie ↗
- Entman (1993): Framing: Toward Clarification of a Fractured Paradigm, Originalbeitrag (Verlagsseite; Volltext ggf. zugangsbeschränkt) ↗
- Pang, Lee & Vaithyanathan (2002): Thumbs up? Sentiment Classification using Machine Learning Techniques ↗
- Europäische Kommission: Tackling online disinformation – Begriffsabgrenzung ↗
- OECD (2024): Explanatory memorandum on the updated definition of an AI system ↗
- NIST CSRC: Glossareintrag Machine Learning ↗
- NIST: AI Risk Management Framework, freiwilliger Risikomanagementrahmen ↗
- NIST (2024): Generative AI Profile, NIST AI 600-1 ↗
- Vaswani et al. (2017): Attention Is All You Need ↗
- Touvron et al. (2023): LLaMA: Open and Efficient Foundation Language Models ↗
- Brown et al. (2020): Language Models are Few-Shot Learners ↗
- Hugging Face: LLM Course – Tokenizers (technische Dokumentation) ↗
- Mikolov et al. (2013): Efficient Estimation of Word Representations in Vector Space ↗
- Liu et al. (2023): Lost in the Middle: How Language Models Use Long Contexts ↗
- Lewis et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ↗
- NIST CSRC: Glossareintrag Retrieval-Augmented Generation ↗
- Hugging Face: LLM Course – Fine-tuning a pretrained model ↗
- OWASP: LLM01:2025 Prompt Injection ↗
- OWASP: LLM06:2025 Excessive Agency ↗
- Europäischer Datenschutzausschuss: Data protection basics ↗
- Europäischer Datenschutzausschuss: Secure personal data – Pseudonymisierung und Anonymisierung ↗
- Europäischer Datenschutzausschuss (2026): Data protection by design and default – Principles in practice ↗
- EUR-Lex: Verordnung (EU) 2024/1689 – AI Act, Originalfassung ↗
- Europäische Kommission: Navigating the AI Act – Erläuterungen zu Rollen, Systemen und Modellen ↗
- Mitchell et al. (2019): Model Cards for Model Reporting ↗
- Datenschutzkonferenz (2024): Orientierungshilfe Künstliche Intelligenz und Datenschutz ↗
- W3C: PROV-Overview – Herkunft von Daten und Verarbeitungsschritte ↗