Die Bachelorarbeit untersucht, wie Gender Bias in der wissenschaftlichen Literatur zu Künstlicher Intelligenz (KI) thematisiert wird und welche Forschungsschwerpunkte sich in diesem noch jungen, dynamischen Forschungsfeld herausgebildet haben.
Ziel der Arbeit ist es, einen systematischen Überblick über zentrale Forschungsfragen, theoretische Konzepte, methodische Zugänge sowie identifizierte Formen geschlechtsspezifischer Verzerrungen in KI-Systemen zu geben. Im Fokus stehen insbesondere text- und bildgenerierende Anwendungen wie Large Language Models und Text-zu-Bild-Generatoren.
Methodisch basiert die Untersuchung auf einer Scoping Review, die eine strukturierte Literatursuche in der Datenbank Web of Science umfasst. Mithilfe klar definierter Suchstrategien sowie Ein- und Ausschlusskriterien wurden relevante Studien identifiziert und qualitativ ausgewertet. Insgesamt gingen 23 wissenschaftliche Publikationen in die Analyse ein.
Die Ergebnisse zeigen, dass Gender Bias in KI-Systemen ein weit verbreitetes und interdisziplinär behandeltes Forschungsproblem darstellt. Die analysierten Studien verdeutlichen, dass KI geschlechtsspezifische Stereotype sowohl sprachlich als auch visuell reproduziert und teilweise verstärkt. Besonders häufig befassen sich Forschungsarbeiten mit theoretischen Grundlagenfragen sowie mit Bias in bild- und textgenerierenden Modellen. Methodisch dominieren Mixed-Methods-Ansätze, experimentelle Designs und quantitative Analysen automatisiert generierter Inhalte. Gleichzeitig zeigt sich ein heterogenes Verständnis des Begriffs Gender Bias, was auf fehlende einheitliche Definitionen im Forschungsfeld hinweist.
Darüber hinaus wird deutlich, dass technische Lösungsansätze zur Bias-Reduktion zwar existieren, jedoch allein nicht ausreichen, um diskriminierende Effekte nachhaltig zu verhindern. Vielmehr betonen die Studien die Notwendigkeit interdisziplinärer Perspektiven sowie rechtlicher, ethischer und gesellschaftlicher Rahmenbedingungen. Gender Bias wird dabei zunehmend als sozio-technisches Problem verstanden, das aus der Wechselwirkung zwischen Trainingsdaten, gesellschaftlichen Machtstrukturen und technologischer Entwicklung entsteht.
Die Arbeit trägt dazu bei, zentrale Trends, Forschungslücken und zukünftige Handlungsfelder zu identifizieren. Sie liefert damit eine strukturierte Grundlage für weiterführende Forschung und unterstützt eine kritisch reflektierte Entwicklung fairer und inklusiver KI-Systeme.