Wie wir bewerten

Keine Zahl steht bei uns ohne Beleg — und jeder Beleg trägt seinen Typ sichtbar am Argument. In absteigender Beweiskraft:

Wissenschaftliche Studien tragen am weitesten — am stärksten, wenn mehrere unabhängige Untersuchungen zum selben Ergebnis kommen. Eine einzelne Studie allein kann keine hohe Sicherheit begründen. Und die Zahl der Studien ist nur die halbe Frage; die andere — zeigt der Beleg die Wirkung überhaupt? — steht weiter unten.

Direkte Präzedenzfälle: Dieselbe oder eine sehr ähnliche Maßnahme wurde anderswo bereits umgesetzt, und die Ergebnisse sind beobachtbar. Dazu gehört immer eine ehrliche Notiz, was am Kontext anders ist — ein Nachbarland ist kein Bundesland, 1995 ist nicht heute.

Klare Mechanismen: nachvollziehbare Wirkketten, deren Schritte einzeln prüfbar sind — etwa „ein höherer Steuersatz erhöht die Einnahmen, solange die Wirtschaftsleistung stabil bleibt.“ Das „solange“ ist Pflichtbestandteil: Die Sicherheit eines Mechanismus-Arguments bemisst sich genau daran, wie belastbar seine Bedingung ist — und danach, welche Gegenkräfte geprüft wurden. Direkte Rechtsfolgen sind der Grenzfall: Senkt ein Gesetz einen Haushaltsposten um zwei Milliarden, ist diese Senkung selbst sicher; unsicher sind erst ihre Folgen.

Schwächere Grundlagen — Projektionen ohne offengelegte Methodik, reine Plausibilitätsüberlegungen — sind erlaubt, aber gedeckelt: Sie können keine hohe Sicherheit beanspruchen, und die tragenden Argumente einer Bewertung dürfen nicht allein auf ihnen ruhen. Mehr noch: Eine Wirkung, hinter der weder Studie noch Beispiel noch ein klarer Mechanismus steht, gilt bei uns als eher unwahrscheinlich, bis ein Nachweis kommt. Sie landet in der unteren Hälfte der Plausibilitätsskala — und das Argument darf mitführen, welcher Nachweis es heben würde.

Belege dürfen sich außerdem ergänzen: Eine einzelne Studie und ein unabhängiges Praxisbeispiel, die in dieselbe Richtung zeigen, tragen zusammen mehr Sicherheit als jedes für sich — bis knapp über die Einzelgrenze, nie ins Blaue hinein. Die Grenzwerte selbst sind an etablierte Skalen angelehnt — an die Wahrscheinlichkeitsbänder des Weltklimarats (IPCC) und der US-Geheimdienstanalyse (ICD 203) sowie an die Evidenzstufen der Medizin (GRADE). Wo wir bewusst abweichen, etwa bei der Behandlung klarer Mechanismen, begründen wir das offen.

Kausalität: Zeigt der Beleg die Wirkung überhaupt? Dass zwei Dinge zusammen auftreten, beweist nicht, dass das eine das andere bewirkt. Deshalb nennt jedes Argument, das der Maßnahme eine Wirkung zuschreibt, neben der Belegart auch, wie der tragende Beleg diese Wirkung identifiziert: durch Zufallszuweisung, durch eine benannte äußere Variation mit Kontrollgruppe, durch eine Vergleichsgruppe ohne solche Variation, durch eine Wirkkette mit benannter Bedingung — oder gar nicht, weil nur ein Nebeneinander beobachtet wurde. Jede dieser Stufen setzt einen eigenen Deckel, und es gilt der niedrigere von beiden: Drei Studien, die dasselbe Nebeneinander beobachten, kommen nicht über 5,5; ein einzelner sauberer Versuch mit Kontrollgruppe darf 8,5. Vier Angaben gehören dazu in den sichtbaren Text: wogegen gemessen wurde, welches Design, welche eine Störgröße den Zusammenhang auch ohne die Wirkung erzeugen könnte, und ob die Richtung stimmt. Wer sie nicht macht, steht auf der untersten Stufe.

Ohne Beleg keine Sicherheit. 5 heißt: etwa so wahrscheinlich wie nicht. Mehr kann ein Argument ohne Beleg nie beanspruchen — egal wie überzeugend der Satz klingt. Wie weit es darunter steht, hängt an zwei Dingen: was die Behauptung trägt — Forschung, ein Präzedenzfall, eine geschlossene Wirkkette — und ob etwas gegen sie gefunden wurde: ein Befund in die Gegenrichtung, ein ausgebliebener Effekt beim Vorläufer, ein bestrittenes Glied der Kette. Wie tief, sagt der Befund, nicht das Gefühl — der gewählte Wert steht als Satz über die Welt im Text, nicht als Stimmung. Bloßer Zweifel an der Größe eines Effekts gehört dagegen nie in die Plausibilität, sondern in die Herleitung der Größe.

Der Normalised Impact ist eine einheitslose Zahl, aber er fällt nicht vom Himmel: Hinter ihm steht eine Umrechnung, die für alle Debatten dieselbe ist und deren Konstanten vollständig in der Baseline stehen. Drei Regeln daraus sollte man kennen, um die Zahlen zu lesen.

Ein Effekt ist nicht sein Preisschild. Wo eine Wirkung als Geldfluss daherkommt — Steuern, Transfers, Subventionen —, ist der Betrag nur der Träger, nie schon der Wert. Drei Fragen entscheiden, was davon zählt: Wessen Geld? 100 € wiegen bei einem Haushalt mit wenig Einkommen mehr als bei einem Spitzenverdiener; die Gewichte dafür sind verbindlich hinterlegt (aktuell z. B. ×2,5 für das unterste Einkommensfünftel, ×0,4 für das oberste Zehntel) und werden nicht pro Debatte neu erfunden. Was passiert in der Transaktion? Freiwilliger, informierter Tausch schafft Wert; reine Umverteilung verschiebt ihn nur, und wo Freiwilligkeit oder Information verletzt sind, etwa bei Sucht, ist die Zahlung selbst ein Schaden. Wohin fließt es? Staatliche Ausgaben werden bis zur Endverwendung verfolgt — „Zehn Milliarden für Gesundheit“ ist noch kein Gesundheitsnutzen; bewertet wird, was am Ende nachweisbar ankommt.

Bagatellen summieren sich nicht zu Katastrophen. Millionen kaum spürbarer Mini-Effekte werden gedämpft, bevor sie sich rechnerisch zu einem existenziellen Gewicht aufaddieren. Spürbare und existenzielle Effekte zählen voll. Der Dämpfungsfaktor steht je Strom in der Herleitung des Arguments, wo sie maschinell hinterlegt ist — die Baseline zeigt, wie weit das im Bestand schon reicht.

Rote Linien werden nicht verrechnet. Wo eine Maßnahme nur funktioniert, indem sie ausgewählten Menschen ohne Zustimmung, Ausweg oder Ausgleich existenziellen Schaden zufügt, wird das nicht gegen Vorteile aufgerechnet, sondern als eigener Befund neben dem Score ausgewiesen. Statistische Alltagsrisiken fallen ausdrücklich nicht darunter — sie sind gewöhnliche Contra-Argumente.

Kein Pauschalurteil. Die Einordnung ist immer konditional: Sie sagt, unter welcher Gewichtung der Ziele sich eine Maßnahme lohnt — nicht, was man wählen soll.

Keine falsche Präzision. Ein Score ist eine begründete Schätzung, keine Messung. Die Begründung nennt, woran die Zahl hängt und wie weit die Quellen auseinanderliegen; Größenzweifel steht dort, nicht versteckt in der Plausibilität. Wenn die Evidenz Pro und Contra nicht trennen kann, sagt das System genau das — statt einen Scheinsieger auszurufen.

Keine versteckten Annahmen. Damit sich Tonnen, Lebensjahre und Euro überhaupt zu einer Zahl verrechnen lassen, braucht die Umrechnung Anker — und jeder einzelne davon ist öffentlich dokumentiert: der Rechenwert eines gesunden Lebensjahres (40.000 €) ebenso wie die Einkommensgewichte. Diese Anker sind Rechenmittel, keine Aussage darüber, was ein Leben wert ist. Geändert werden sie nur zentral, nie im Einzelfall und nie mit Blick auf eine laufende Debatte.

Das Verfahren basiert auf dem Global Debate Evaluation Standard (GDES). In seiner Grundform ist GDES bewusst einfach: drei Fragen, drei Werte von 0 bis 10, geeicht an der jeweiligen Debatte — mit Papier und Stift anwendbar. Genau so empfehlen wir den Einstieg, wenn man sich einem Thema selbst nähern will: Die Grundform macht das eigene Urteil strukturiert und die eigenen Annahmen sichtbar, ganz ohne Register und Korrekturfaktoren.

Auf Argupedia bewerten wir mit maschineller Unterstützung — und nehmen dafür bewusst mehr Komplexität in Kauf: eine globale Skala statt debattenlokaler Eichung, die Umrechnung in den Normalised Impact, Verteilungs- und Spürbarkeitsgewichte, Evidenz- und Kausalitätsdeckel. Der Grund ist ein einziger: Vergleichbarkeit. Eine debattenlokal geeichte Bewertung ist in sich schlüssig, aber zwei Debatten lassen sich so nicht nebeneinanderlegen. Die Plattform-Variante bezahlt mit Komplexität dafür, dass jede Bewertung gegen jede andere vergleichbar ist — über Themen, Bereiche und Wahlen hinweg. Beide Formen sind dasselbe Verfahren in zwei Ausbaustufen: von Hand zur Annäherung, mit Maschine für die Datenbank. Das Whitepaper beschreibt beide, mit einer Anleitung für den Workshop und demselben Beispiel in beiden Formen.

Jede Bewertung trägt ihre Scoring-Version, und jeder Anker der Baseline führt seine Änderungshistorie. Ändert sich ein Anker, geschieht das zentral und mit Eintrag in diese Historie; eine ältere Bewertung bleibt nachvollziehbar, weil in ihrer Begründung steht, mit welchem Wert sie gerechnet wurde, und beim nächsten Prüfdurchgang wird sie nachgezogen. Versionen werden nie stillschweigend gemischt. Regeln, die innerhalb einer Version dazukommen, wie die Kausalitätsregel und die Leitern für die untere Skalenhälfte im Sommer 2026, gelten ab sofort für jede neue und jede überarbeitete Bewertung; der Bestand wird Thema für Thema nachgezogen. Solange ein Argument die neue Angabe noch nicht trägt, ist sein Wert gegen die neue Regel ungeprüft — die Grundlagen-Seiten zählen live, wie viele das sind und wie viele davon mehr beanspruchen, als die Regel hergäbe.

Heute erstellt eine KI die Erstbewertung nach genau diesem Verfahren: Sie recherchiert Quellen, leitet jede Größe her und dokumentiert jeden Schritt. Argupedia ist derzeit ein Machbarkeitsnachweis: Die Bewertungen werden laufend überarbeitet, auch mit neueren Modellen, und erheben keinen Anspruch auf Endgültigkeit. Menschliche Hinweise sind jederzeit willkommen. Das ist der Vorteil zerlegter Scores: Man kann präzise widersprechen. Nicht „die Bewertung ist falsch“, sondern „die Wirkung von Argument 3 ist zu hoch angesetzt — hier ist die bessere Quelle.“ Aus genau solchen Einsprüchen soll das System über die Zeit besser werden.

Weil das so ist, steht unter jeder Maßnahme und jedem Bereich, wer zuletzt daraufgeschaut hat: welches KI-Modell, an welchem Tag, und was dabei herauskam. Ein turnusmäßiger Lauf prüft die Records auf neue Entwicklungen — meist ohne Änderung, manchmal mit einer neuen Quelle oder einer neuen Version. Als KI-Prüfung zählt ein Durchgang, den ein Modell allein gefahren hat; von Menschen bewertet, von KI umgesetzt heißt, dass eine Person den Record geprüft und die Korrekturen vorgegeben hat und das genannte Modell sie eingearbeitet hat. Der Zähler nennt beides getrennt, und wenn noch niemand von uns gegengelesen hat, steht genau das dort.

Records ohne jeden menschlichen Durchgang tragen zusätzlich im Kopf der Seite die gelbe Marke KI-Bewertung · noch ohne menschliche Prüfung. Das gilt derzeit vor allem für die Vorschläge aus den Landtagswahlen 2026: Sie sind vollständig belegt und nach demselben Verfahren gebaut wie jede Bundesmaßnahme, aber ein zweites Augenpaar steht noch aus — Zahlen und Einordnung können sich dabei noch ändern. Die Marke verschwindet mit dem ersten Durchgang, an dem ein Mensch beteiligt war.

Der Maßstab bewegt sich nur zentral: Eine Regel oder ein Anker ändert sich für alle Debatten zugleich, mit Datum und Begründung, nie für einen Einzelfall. Diese Liste führt jede Änderung seit dem Umbau auf die globale Skala. Was sich an den einzelnen Bewertungen geändert hat, neue Versionen, gewechselte Urteile und Aktualisierungen, steht chronologisch unter Änderungen und je Seite im Prüfprotokoll am Seitenfuß.

1. 15. Oktober 2026

   Bilanz 2.2: drei Fragen, drei Zahlen

   Die Bilanz jeder Debatte beantwortet seitdem drei Fragen getrennt: wie wahrscheinlich die Maßnahme vorn liegt (Anteil der Züge mit positivem Nettoeffekt), wie groß der Effekt ist (Nettoeffekt in Normalised Impact) und welcher Anteil der Wirkung positiv ist. Die Plausibilität wirkt als fester Abschlag; die Unsicherheit über die Höhe streut log-normal um den Kartenwert. Die Urteile heißen seitdem „sehr wahrscheinlich besser“ bis „sehr wahrscheinlich schlechter“; „ausgeglichen“ ist kein Bilanzwort mehr. Versionen und Prüfung →

2. 2. Oktober 2026

   Eintritt und Höhe getrennt

   Ob ein Effekt eintritt und wie groß er ausfällt, sind zwei Fragen. Folgt der Eintritt aus der Maßnahme selbst (definitorisch), trägt das Argument P 9,5; die Unsicherheit über die Höhe steht in der Spanne des Impacts, nicht in der Plausibilität. Plausibilität →

3. 24. September 2026

   Anker für Stimmen und Lebenszufriedenheit

   Eine Wählerstimme zählt nach Ebene (Bund 1.000, Land 800, Kommune 650 Euro-Äquivalent je Jahr), ein Jahr Lebenszufriedenheit 5.700. Dazu acht Buchungsregeln, unter anderem zu Ordnungsgütern, Arbeitsplatzverlust, Familientrennung und zum Verhältnis von Geld und Zeit. Baseline →

4. 22. September 2026

   Drei fehlende Anker, keine Zeitabzinsung

   Freiheitsentzug (40.000 je Jahr), Lebenseinkommen (1,5 Mio.) und eine Standardabweichung Kompetenz (352.500) kommen als Anker hinzu. Die pauschale Abzinsung künftiger Wirkungen entfällt: Nur belegte Fortdauer verkürzt den Horizont. Baseline →

5. 19. September 2026

   Wohnraum in drei Stufen

   Eine Wohnung ist zwei Güter: Komfort und Wunsch zum Marktpreis (Nutzen und Kosten heben sich auf) und Grundbedarf nach Sozialrecht (3.700 am Kettenende, V 6). Vermiedene Wohnungslosigkeit trägt einen eigenen Anker (12.700, V 8). Sechzehn Debatten wurden darauf neu versioniert. Baseline →

6. 14. September 2026

   Geldflüsse als Paare

   Jede Finanzierung, jeder Transfer und jede Zinslast wird mit beiden Beinen gebucht: Zahler und Empfänger, jedes Bein mit dem Gewicht seiner eigenen Seite. Offene Finanzierungspfade laufen als pauschaler Staatseuro. Baseline →

7. 6. September 2026

   Bilanz aus der Simulation statt aus dem Verhältnis

   Das Urteil einer Debatte kommt seitdem aus 20.000 durchgerechneten Zukünften (Anteil der Züge mit positivem Nettoeffekt), nicht mehr aus dem Verhältnis der Pro- zur Contra-Summe. Zwölf Debatten wechselten dabei die Kategorie. Versionen und Prüfung →

8. 3. September 2026

   Rechenweg an jedem Argument

   Die Herleitung des Impacts steht als Kette von Zahlen unter dem Impact-Text: Menge, Satz, Gewicht, Ergebnis, jeder Schritt mit Quelle. Der Bestand wurde Debatte für Debatte nachgezogen. Baseline →

9. 1. September 2026

   Belegleiter und Befundleiter

   Eine Wirkungsbehauptung ohne Beleg steht deutlich unter P 5. Die Belegleiter ordnet, was eine Quelle zeigt; die Befundleiter, wie belastbar der Befund ist. Beides zusammen setzt den Deckel der Plausibilität. Plausibilität →

10. 30. August 2026

    Baseline: elf Anker mit Spannen

    Die Konversionsanker (Lebensjahr, Tonne CO₂, Stunde, Euro und weitere) bekommen eine eigene Seite mit Herleitung, Spanne und Änderungshistorie. CO₂ wird seitdem zu Vermeidungskosten bewertet. Baseline →

11. 25. August 2026

    Kausalitätsregel: die Identifikationsstufe deckelt P

    Ein behaupteter Effekt muss kausal identifiziert sein, nicht nur korreliert. Korrelation trägt höchstens P 5,5, ein sauberes Design bis 8,5, definitorische Zusammenhänge darüber. Plausibilität →

12. 20. August 2026

    Werte-Katalog als Pflichtfeld

    Jedes Argument nennt, welche Werte-Dimension sein Wertgewicht bepreist. Der Katalog hält die Dimensionen mit Klasse, Anker und Verwandtschaft; das Wertgewicht muss zur Klasse passen. Werte-Katalog →

13. 15. August 2026

    Scoring v1.3: eine globale Skala

    Der Impact wird als Normalised Impact auf einer globalen Skala geführt, nicht mehr je Debatte geeicht. Konversionsanker gelten für alle Debatten gleich; Verteilungs- und Spürbarkeitsgewichte kommen hinzu. Damit ist jede Bewertung mit jeder anderen vergleichbar. Wie wir bewerten →

14. 4. Juli 2026

    Skala 0 bis 10 im Halbschritt-Raster

    Wert und Plausibilität liegen auf 0 bis 10 in Schritten von 0,5. Null ist kategorisch: Ein Argument mit einer Null-Achse ist ausgeschlossen und trägt den Grund dafür. Wie wir bewerten →

15. 2. Juli 2026

    Begründung je Faktor

    Jedes Argument begründet Wert, Impact und Plausibilität in drei getrennten Texten mit Quellenverweisen. Vorher stand eine gemeinsame Begründung je Argument. Wie wir bewerten →