Modul 1: Grundlagen der KI-gestützten Desinformationsanalyse
Evolution der Desinformation: Von manuellen Fake News zu KI-generierten Deepfakes und automatisierten Bot-Netzwerken, analysiert anhand aktueller Fallstudien in interaktiven Online-Dashboards.
Machine Learning & NLP Basics: Einführung in Supervised und Unsupervised Learning im Kontext der Text- und Bildanalyse, veranschaulicht durch browserbasierte KI-Modellierung.
Datenquellen & OSINT-Erfassung: Sammlung und Normalisierung von Social-Media-Daten und Nachrichtenartikeln unter ausschließlicher Verwendung kostenfreier Open-Source-Scraper und APIs.
Feature Engineering für Textdaten: Transformation von unstrukturierten Texten in maschinenlesbare Vektoren (TF-IDF, Word Embeddings) direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Datenpipeline. Nutzung von Google Colab und frei verfügbaren Twitter/X-Datensätzen zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.
Modul 2: Erkennung von KI-generierten Texten
Statistische vs. semantische Textanalyse: Identifikation von maschinell erstellten Inhalten durch Perplexity- und Burstiness-Metriken, analysiert anhand von Open-Source-Textkorpora.
Transformer-Modelle in der Erkennung: Funktionsweise von BERT und RoBERTa zur Klassifizierung von Fake News und Propaganda, trainiert in kostenfreien Cloud-Umgebungen.
Stilometrie und Autorenerkennung: Analyse von linguistischen Mustern und Schreibstilen zur Aufdeckung von automatisierten Content-Farmen mithilfe frei zugänglicher NLP-Tools.
Cross-linguale Desinformationserkennung: Identifikation von übersetzten und adaptierten Falschinformationen durch KI-gestützte Sprachmodelle in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines RoBERTa-basierten Klassifikators in Python (Hugging Face) via Google Colab. Training des Modells mit kostenfreien Fake-News-Datensätzen zur Erkennung von GPT-generierten Texten.
Modul 3: Deepfake-Erkennung in Bild und Video
Visuelle Forensik: KI-gestützte Auswertung von Bildartefakten, Beleuchtungsinkonsistenzen und unnatürlichen Bewegungen unter Nutzung von Open-Source-Datensätzen (z.B. FaceForensics++).
Erkennung von GAN-generierten Inhalten: Identifikation von synthetischen Gesichtern und manipulierten Bildern durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.
Integration von CNNs in der Bildanalyse: Architektur moderner Bilderkennungsmodelle und deren Einsatz zur Deepfake-Detektion, demonstriert an quelloffenen Frameworks.
Audio-Forensik und Voice-Cloning-Erkennung: Analyse von Frequenzspektren und stimmlichen Anomalien zur Identifikation von synthetischen Audiospuren, simuliert in sicheren, browserbasierten Umgebungen.
Online Hands-on Lab: Konfiguration von Open-Source-Bildanalyse-Tools in einer kostenfreien Cloud-Instanz. Training eines Convolutional Neural Networks (CNN) zur Erkennung von Deepfake-Videos anhand frei verfügbarer Trainingsdaten.
Modul 4: Analyse von Bot-Netzwerken und Informationsverbreitung
Modellierung von Verbreitungsmustern: Erstellung dynamischer Graphen zur Visualisierung von Informationskaskaden und Echokammern mithilfe von Open-Source-Analytics-Tools.
Zeitreihenanalyse & Netzwerkanalyse: Erkennung von koordiniertem inauthentischem Verhalten (CIB) durch Python-basierte Datenanalyse im Browser.
Bot-Erkennungsmodelle: Entwicklung von Algorithmen zur Identifikation von Social-Media-Bots basierend auf Metadaten und Interaktionsmustern, programmiert in kostenfreien Jupyter-Umgebungen.
Sentiment-Analyse in Netzwerken: Auswertung der emotionalen Tonalität von Kampagnen zur Aufdeckung von gezielter Polarisierung anhand anonymisierter Open-Source-Datensätze.
Online Hands-on Lab: Analyse von Social-Media-Graphen mit dem kostenfreien NetworkX-Framework. Konfiguration von ML-Jobs in einer Open-Source-Umgebung zur Aufdeckung von koordinierten Desinformationskampagnen.
Modul 5: Automatisierte Fact-Checking-Systeme
Grenzen des manuellen Fact-Checkings: Skalierbarkeitsprobleme und die Notwendigkeit KI-gestützter Ansätze, analysiert an komplexen, frei zugänglichen Behauptungen.
Information Retrieval und Claim Extraction: Extraktion von überprüfbaren Aussagen aus Texten und Abgleich mit vertrauenswürdigen Wissensdatenbanken mittels quelloffener Python-Skripte.
Natural Language Inference (NLI): Einsatz von Deep-Learning-Modellen zur Überprüfung der logischen Konsistenz zwischen Behauptungen und Beweisen, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).
Knowledge Graphs im Fact-Checking: KI-gestützte Auswertung von semantischen Netzwerken zur Verifizierung von Fakten aus öffentlichen Datenbanken (z.B. Wikidata).
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Graphdatenbank-Instanz. Training eines PyTorch-basierten NLI-Modells im Browser zur automatisierten Überprüfung von politischen Aussagen anhand von Open-Source-Wissensgraphen.
Modul 6: Threat Intelligence für Desinformationskampagnen
Automatisierte Kampagnen-Analyse: Herausforderungen bei der Auswertung unstrukturierter Daten aus frei zugänglichen Foren, Telegram-Kanälen und Darknet-Quellen.
Named Entity Recognition (NER) für Akteure: Training von NLP-Modellen zur Extraktion von staatlichen und nicht-staatlichen Akteuren unter Nutzung quelloffener Sprachmodelle.
Narrativ-Tracking & Trend-Erkennung: Überwachung von Open-Source-Intelligence (OSINT) Quellen zur proaktiven Aufklärung von aufkommenden Desinformationsnarrativen.
Automatisierte IoC-Extraktion für Kampagnen: Generierung von strukturierten Formaten aus Fließtexten zur Einspeisung in kostenfreie Threat Intelligence Plattformen.
Online Hands-on Lab: Entwicklung eines NLP-Skripts mit kostenfreien Hugging Face Transformers im Browser. Automatisierte Auswertung öffentlicher Desinformations-Reports und Einspeisung der Indikatoren in eine cloudbasierte Open-Source-MISP-Instanz.
Modul 7: Adversarial Attacks auf Erkennungssysteme
Schwachstellen von Desinformations-Erkennungsmodellen: Verständnis der Angriffsvektoren auf ML-Systeme (z.B. Text-Perturbation, Image-Adversarials), simuliert in sicheren Online-Umgebungen.
Evasion Attacks auf Textklassifikatoren: Techniken zur Umgehung von Fake-News-Detektoren durch gezielte Wortsubstitutionen, demonstriert an Open-Source-Modellen.
Data Poisoning in Fact-Checking-Systemen: Manipulation von Wissensdatenbanken zur Erzeugung von falschen Verifizierungen, analysiert in isolierten, browserbasierten Containern.
Härtung von Erkennungsmodellen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.
Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein Textklassifikationsmodell unter Verwendung der kostenfreien, quelloffenen TextAttack-Bibliothek direkt im Browser. Anschließende Härtung des Modells.
Modul 8: Integration und Automatisierte Gegenmaßnahmen
Orchestrierung von Analyse-Pipelines: Integration von trainierten ML-Modellen in Open-Source-Plattformen zur kontinuierlichen Überwachung von Informationsräumen.
KI-gestützte Triage von Inhalten: Automatisierte Priorisierung von potenziell schädlichen Inhalten zur Entlastung von Analysten, umgesetzt mit kostenfreien SOAR-Tools.
Automatisierte Reporting-Workflows: Entwicklung von Playbooks, die basierend auf KI-Konfidenzwerten strukturierte Berichte generieren, konfiguriert in Open-Source-Plattformen.
Continuous Learning in der Desinformationsabwehr: Feedback-Schleifen zur kontinuierlichen Anpassung der KI-Modelle an neue Narrative, simuliert in einer cloudbasierten Übungsumgebung.
Online Hands-on Lab: Integration der entwickelten ML-Modelle in die kostenfreie Open-Source-Plattform TheHive und Shuffle SOAR. E…