Knowledgebase-Update: 1.411 → 4.422 Papers
Unser lebendes Forschungskorpus (ai-literacy-research) ist durch einen
OpenAlex-Bulk-Seed von 1.411 auf 4.422 Papers gewachsen — analysiert
werden 4.414 (Dedup zwischen Roh-Korpus und Analysebestand). Alle 160
Taxonomie-Zellen (20 Kategorien × 8 Subkategorien) sind gefüllt:
100 % Sättigung.
Zur Einordnung: Frühere Posts und die Workshop-Seite nannten zeitweise 9.653 bzw. 11.640 Papers — das war ein Zählfehler aus einer früheren Pipeline-Iteration, nie das validierte Korpus. Die korrigierten Zahlen stehen jetzt in allen Posts.
Wie der Bulk-Seed abgelaufen ist
- Multi-Query-Erweiterung: Die 20 Kategorien wurden auf 86 Suchanfragen-Varianten erweitert (z. B. „AI literacy framework", „AI literacy assessment scale", „generative AI education teaching") — single-query-Fetches decken nur einen Ausschnitt des Feldes ab.
- Verteilter Fetch: Der OpenAlex-Bulk-Fetch lief über mehrere Hosts (tobias-weiss.org, chemie-lernen.org, contextual-intelligence.org und LAN) — parallelisiert, mit Rate-Limit-Härtung.
- Dedup & Validierung: Roh-Korpus 4.422 → Analysekorpus 4.414; CI validiert Papers und README-Frischheit bei jedem Push.
Die Altersstruktur des Korpus
| Jahr | Papers | Share |
|---|---|---|
| ≤ 2023 | 745 | 17 % |
| 2024 | 1.148 | 26 % |
| 2025 | 1.669 | 38 % |
| 2026 (bisher) | 841 | 19 % |
Das Feld ist jung: 63 % der Papers stammen aus 2025–2026. KI-Literacy ist kein etabliertes Fach — es formiert sich gerade. Für Content bedeutet das: Referenzen altern schnell, aber Themen-Autorität baut sich jetzt auf.
Was sich verändert hat (Content-Seite)
- Phase 3 — Implementierungs-Playbook: Guide für Organisationen, die KI-Literacy-Programme aufsetzen (Art.--4-Pflicht).
- Phase 4 — Evaluations-Framework: Wie man misst, ob ein Programm funktioniert hat — die dünnste und am schnellsten wachsende Achse des Feldes.
- Phase 5 — Assessment-Instrument-Spec: Task-orientiert, berufsaligniert, Level 1–4.
Was als nächstes
- Quartalsweise Re-Scans: Der Trends-Post
wird mit frischem 12-Monats-Fenster neu generiert
(
PYTHONIOENCODING=utf-8 python3 tools/trend_scanner.py --months 12). - Opportunity-Ranking monitoren:
org-implementation/evaluation(1 Paper, 100 % recent) undai-literacy-construct/evaluation(4 Papers, 75 % recent) sind die White-Space-Chancen. - Konzept-Graph neu rechnen: Die Kookkurrenz-Pipeline läuft über das neue Korpus — dann steht der nächste Concept-Graph-Post auf frischer Datenbasis.