AU.RO.RA v4.5 – Strukturanalyse von Texten durch mathematische Mustererkennung
Keine inhaltliche Bewertung von Aussagen – sondern ein System, das strukturelle Muster im Text mathematisch erkennt und beschreibt.
AU.RO.RA unterstützt Ermittlungs-, Sicherheits- und Analyseprozesse durch 64+ multimodale Merkmalsdetektoren, forensische Linguistik, strukturpsychologische Muster und formale Konsistenzanalyse mit 30+ logischen Kernregeln.
Das System erkennt narrative Instabilitäten, semantische Drift, zeitliche Übergangsmuster und strukturelle Auffälligkeiten — reproduzierbar, nachvollziehbar und auditierbar. Es trifft keine Aussage über die Wahrheit oder Falschheit von Textinhalten.
📌 DSGVO-konform · On-Premise · Vollständig erklärbar · Konform mit dem EU AI Act für Hochrisiko-KI-Systeme✨ AU.RO.RA v4.5 – Neue Erkennungsfunktionen für Textstrukturen
MAJOR UPDATEMit Version 4.5 erweitert AU.RO.RA seine Kernkompetenz: die Analyse von Autorenprofilen um die gezielte Erkennung von strukturellen Besonderheiten in digitalen Texten – ob durch KI, Übersetzungen, Identitätswechsel oder versteckte Zeichen.
Detektiert Zero-Width-Zeichen (U+200B bis U+200F, U+FEFF) in scheinbar harmlosen Texten – eine Methode zur Umgehung digitaler Forensik.
Nutzen: Validierung der Integrität des digitalen Textmaterials gegen steganographische Manipulationen.
Analysiert das Verhältnis zwischen Entitätsnennungen und Themenwechseln. Erkennt strukturelle Anomalien wie viele verschiedene Entitäten bei starrem Thema oder wenige Entitäten bei stark wechselnden Themen.
Nutzen: Objektive Erkennung strategischer Themensteuerung und narrativer Strukturen (Adkins et al. 2025, AUC 0.92).
Prüft die strukturelle Konstanz des Autorenprofils über zeitlich versetzte Textkorpora. Erkennt Stabilitätsabfälle und Sprünge im Autorenprofil.
Nutzen: Unterstützt die Urheberverifizierung bei fortlaufenden Kommunikationsströmen.
Analysiert syntaktische Strukturen: durchschnittliche Satztiefe, Abhängigkeits-Vielfalt und Kernkonzept-Drift. Diese feinen Muster sind schwer zu imitieren.
Nutzen: Urheberzuordnung und Erkennung von Stil-Verschleierungsversuchen.
Erkennt charakteristische linguistische Artefakte: ungewöhnliche Wortstellungen, merkwürdige Wortkombinationen und syntaktische Vereinfachung – typisch für mehrstufige Übersetzungen.
Nutzen: Identifikation von Verschleierungsmustern zur Anonymisierung von Textmaterial.
Erkennt synthetische oder mittels LLMs modifizierte Texte an struktureller Homogenität, reduzierter syntaktischer Varianz und unnatürlichen Token-Verteilungen.
Nutzen: Klassifikation maschinell generierter Texte.
🎯 Die zentrale Neuerung: Erkennung künstlicher Textstrukturen
Bisher konnte AU.RO.RA strukturelle Auffälligkeiten in Texten erkennen. Jetzt erkennt AU.RO.RA zusätzlich, ob ein Text strukturelle Merkmale aufweist, die auf eine künstliche Entstehung hindeuten – durch KI, Übersetzungen oder Identitätswechsel.
ChatGPT, Claude, Llama – erkannt durch Satztiefen-Analyse & KI-Textsignatur
Round-Trip durch verschiedene Sprachen – erkannt durch Übersetzungsartefakt-Erkennung
Mehrere Autoren oder KI + Mensch – erkannt durch Identitätsstabilitäts-Tracker
Zero-Width Spaces – erkannt durch die Zeichenkodierungsanalyse
🔧 Technische Neuerungen im Überblick
| Funktion / Modul | Erkennungsfokus | Methode des Verfassers | AU.RO.RA. Analyse-Ansatz |
|---|---|---|---|
| Zeichenkodierung | Verdeckte Zeichen | Nutzung unsichtbarer Zeichen (Zero-Width Spaces) | Zero-Width-Detektion im Unicode-String |
| Satztiefen-Analyse | Künstliche Stil-Imitation | Generierung via ChatGPT / großskalige LLMs | Isolierung syntaktischer Standardhomogenitäten |
| Übersetzungsartefakt | Stil-Verwischung (Anonymisierung) | Mehrstufige, automatisierte Rückübersetzung | Identifikation untypischer Satzstruktur-Artefakte |
| Entitäten-Themen | Narrative Strukturen | Einbringen vorgeblicher Detailkenntnisse | Mathematische Erfassung der Themenwechsel-Rate |
| Identitätsstabilität | Autorenwechsel im Verlauf | Wechsel des realen Autors innerhalb von Serien | Isolierung von Stabilitätsabfällen im Profil |
| Erlebtheits-Index | Multimodale Textstrukturen | Kombination verschiedener Gestaltungstaktiken | Deterministische Multi-Score-Vektorfusion |
🎯 AU.RO.RA v4.5 – Strukturanalyse von Texten
AU.RO.RA analysiert Texte auf strukturelle Muster. Die Ergebnisse sind deskriptive Hinweise, keine Beweise oder Diagnosen.
AU.RO.RA v4.5 | System- & Leistungsspezifikation
STATUS: AUDIT-READYZentrales Prüfprofil der mathematisch-deterministischen Analyse-Engine mit 64+ aktiven Detektoren, 256 Hyperraum-Dimensionen und 30+ logischen Kernregeln.
⚙️ Analyse-Dimensionen
Strukturprüfung der Verfassersignatur im 256-dimensionalen Raum anhand von Differenzierungsfähigkeit (Identitäts-Gap, 0-10), Selbststabilität (Attraktor-Score, 0-10) und Selbstreflexion (Selbstlabel, 0-10).
Einmessung der Erzählbeschaffenheit über visuelle Kodierung, körperliche Verankerung und zeitliche Fragmentierung (jeweils 0-10).
Strukturmodellierung der Aussagekonstanz über das vierstufige Autonomous Self-Consistency Layer-Verfahren (Schichten 0 bis 3: Welt, Selbst, Meta-Selbst, Tiefen-Selbst).
🧠 Logik-Engine & Detektoren
Deterministische Validierung von Wissensparadoxa, zeitlichen Brüchen, affektiven Asymmetrien, Negationsmustern und Systemreferenzen.
Simultane Erfassung von Mustern zur Selbstentlastung, moralischen Distanzierung, geografischen Referenzen, Fachterminologie, Strukturmerkmalen und sprachlicher Distanzierung.
Musterbasierte Analyse (Strukturindex 0-10), Bedrohungskredibilitätsanalyse und automatisierte Eskalationsüberwachung.
📚 Wissenschaftliches Fundament
Fundierung durch die Standardmodelle von McMenamin (Stilistik), Svartvik (Forensische Linguistik) und Pennebakers inhaltsunabhängigem Feature-Parsing.
Methodische Erfassung formaler Erlebensmuster und struktureller Aussagekonstanz auf Basis der Kriterien von Karl Jaspers (1913).
Verknüpfung validierter Aussagepsychologie mit Strukturfaktoren und Modellen zum moralischen Disengagement.
⚖️ Compliance & Souveränität
Volle Erfüllung aller gesetzlichen Pflichten für Hochrisiko-KI-Systeme (Human Oversight Art. 14, Transparenz Art. 13, Genauigkeit Art. 15).
100% internetunabhängige Sandbox-Infrastruktur im geschützten Behörden-Intranet. Physikalischer Ausschluss von Cloud-Risiken.
ca. 3.000 Wörter pro Sekunde Offline-Rechengeschwindigkeit. Ermöglicht Massen-Triage großer Aktenmengen in Minuten.
Vollständiger Nachweis aller Module und Algorithmen im Source Code. Bereitstellung für behördliche Sicherheits-Audits im geschützten Verfahren.
Flüchtige Verarbeitung im RAM. Unmittelbare Abstraktion eingegebener Texte in mathematische Vektoren (256 Dimensionen). Keine dauerhafte Ablage von Klartext-Kopien.
Autarker Betrieb ohne externe API-Aufrufe, Drittlizenzen oder Dienstleister-Schnittstellen. Vollständige technologische Souveränität. MADE IN THÜRINGEN. 100% 486DIM LABS QUELLCODE
Trennung von mathematischer Feature-Extraktion (64+ Detektoren) und deterministischem Logikprozessor (30+ Regeln). Das Risiko generativer Texterfindungen liegt systemseitig bei 0%.
Keine Black-Box-Effekte. Alle Messergebnisse und Systemmeldungen basieren auf nachvollziehbaren Regeln und sind logisch rekonstruierbar.
📋 Unterstützungsmöglichkeiten im behördlichen Einsatz
| Operatives Analyse-Szenario | Unterstützende Module |
|---|---|
| Langzeitanalyse von Kommunikationsströmen | Identitätsstabilitäts-Tracker + Entitäten-Themen-Korrelation |
| Analyse anonymer Schreiben | Zeichenkodierungs-Erkennung + KI-Textsignatur + Übersetzungsartefakt-Erkennung |
| Validierung komplexer Aussagemuster | Entitäten-Themen-Korrelation + Satztiefen-Analyse + 30+ logische Kernregeln (Z3) |
| Erkennung KI-generierter oder übersetzter Dokumente | KI-Textsignatur + Übersetzungsartefakt-Erkennung + Satztiefen-Analyse |
🔮 486DIM labs – Zukunft der Autorenerkennung
FORESIGHT RESEARCHWie erkennen wir morgen noch die Autoren hinter Texten, wenn sich Sprache und Ausdrucksweise radikal verändern? 486DIM labs beschäftigt sich bereits heute mit dieser Frage.
📊 Sprache und Psyche im Wandel – Forschungsergebnisse
Beschreibt die „Verschlechterung des geistigen Zustands durch übermäßigen Konsum trivialer Online-Inhalte“.
+230% Nutzungsanstieg zwischen 2023 und 2024.
Auf TikTok zeigt sich eine neue Form des Code-Switching: Deutsche Untertitel kombinieren mit fremdsprachigen Sounds – expressive und phatische Funktionen dominieren.
Mehrsprachige Praktiken auf Social Media fördern die Identitätsexploration – können aber gleichzeitig die Selbstkonzept-Klarheit beeinflussen.
In informeller Online-Kommunikation dominiert der Wechsel innerhalb eines Satzes – als strategisches Mittel für soziale Verbundenheit.
Sprachwechsel in sozialen Medien korreliert mit positiverem emotionalen Ausdruck – Nutzer nutzen ihn für Humor und positive Selbstinszenierung.
Auch ältere Generationen passen ihre Sprache an soziale Medien an – ein Beleg für den universellen, generationenübergreifenden Sprachwandel.
💡 Die These von 486DIM labs:
Wenn Sprache zunehmend hybrid, multimodal und KI-generiert wird,
braucht es neue, tiefenstrukturelle Analyseverfahren –
nicht mehr die Frage nach dem „Wie“, sondern nach dem „Wer“ hinter der Syntax.
✅ Bereits umgesetzt: AU.RO.RA v4.5
AKTUELLE VERSIONSechs neue Analyseelemente für die Autorenerkennung von heute und morgen
Erkennt Texte, die stark in Memes, Zitaten und Internet-Floskeln verhaftet sind – typisch für bestimmte digitale Subkulturen.
Erkennt, wenn KI (ChatGPT, Claude, Gemini) zur Verschleierung der eigenen Sprachsignatur genutzt wird.
Erkennt nicht was der Text sagt – sondern was er nicht sagt. Fehlende Elemente können auffällig sein.
Identifiziert germanische, romanische, slawische, balkanische und finnougrische Sprachgruppen anhand syntaktischer Signaturen.
Erkennt übermäßige Selbstbekräftigungen ("ich schwöre", "ehrlich", "glaub mir") als sprachliches Muster.
Erkennt, ob ein Text die Auffindesituation (gefunden, Notruf) oder den Handlungsablauf beschreibt.
| Feature | Skala | Beschreibung |
|---|---|---|
| Parasoziale Sprache | 0-10 | Je höher, desto stärker ist der Text in digitalen/parasozialen Bezügen verankert (Meme-Zitate, fehlende Ich-Referenzen) |
| KI-Tarnungsversuch | 0-10 | Je höher, desto wahrscheinlicher wurde KI zur Textgenerierung genutzt (KI-Marker, geringe Hesitation) |
| Narrative Lücken (Negativanalyse) | 0-10 | Je höher, desto mehr fehlen normale Sprachelemente (Emotionen, Zeit, Ich-Reflexion) im Vergleich zur Referenz |
| Sprachgruppen-Score | 0-1 | Konfidenz für primäre Sprachgruppe (Germanisch, Slawisch, Romanisch, Balkanisch, Nordisch) basierend auf Syntax + Interferenz |
| Glaubwürdigkeits-Manipulation | 0-10 | Erkennt übermäßige Selbstbekräftigungen ("ich schwöre", "ehrlich", "glaub mir") als sprachliches Muster |
| Szenenbeschreibung vs. Handlung | 0-10 | Erkennt Beschreibung der Auffindesituation (gefunden, Notruf) statt des Handlungsablaufs |
Grenzen der Analyse
AU.RO.RA ist ein analytisches Unterstützungssystem — keine autonome Entscheidungsinstanz.
Das System trifft keine Feststellungen über die objektive, historische Wahrheit von Ereignissen.
Bei der mathematischen Rekonstruktion des Autoren-Ichs handelt es sich um eine rein deskriptive Zustandsextraktion.
Die Ergebnisse ersetzen nicht die gesetzlich vorgeschriebene Beweiswürdigung.
Sämtliche Entscheidungen verbleiben in der Verantwortung des Menschen.
AU.RO.RA ersetzt keine Ermittler, Gutachter oder behördlichen Fachkräfte — sondern erweitert die menschliche Expertise um Analysegeschwindigkeit, formale Konsistenzprüfung und die mathematische Strukturierung von Textdaten.