Teil 3 der Serie “Disparitäten im Bildungssystem”. Teil 1 zeigte: Der weibliche Überhang an den Hochschulen entsteht in der Schule. Teil 2 zeigte den Mechanismus: Ein System, das Verhalten misst und Kompetenz draufschreibt. Dieser Teil dreht die Blickrichtung um und fragt, warum die Frauen, die dieses System so erfolgreich durchlaufen, am anderen Ende der Pipeline verschwinden.

Jetzt abonnieren

Ein Satz zum Nachdenken

Ich beginne wieder mit einer Anekdote, und wieder sage ich dazu, was sie ist: keine Evidenz, sondern eine Frage.

In meiner Zeit als Diversity-Referent an einer Universität fiel auf einer Konferenz ein Satz, den ich seither nicht losgeworden bin: “Solange wir bei den Profs nur 34 Prozent Frauen haben, ist es in Ordnung, wenn wir auf den anderen Stufen 60 und mehr Prozent haben.”

Der Satz ist bemerkenswert, weil er zwei Dinge gleichzeitig tut. Er benennt ein reales Problem, den niedrigen Professorinnenanteil. Und er begeht dabei einen Denkfehler, der in der Gleichstellungsdebatte so verbreitet ist, dass er kaum noch auffällt: Er verrechnet verschiedene Stufen, verschiedene Kohorten und verschiedene Mechanismen zu einem einzigen Saldo, als wäre Chancengerechtigkeit ein Konto, auf dem sich ein Minus hier mit einem Plus dort ausgleichen ließe. Ob das stimmt, ist keine Haltungsfrage, sondern eine empirische. Und die Empirie zu dieser Pipeline ist deutlich besser, als die Debatte über sie vermuten lässt.

Der Steelman zuerst: Der Schwund ist real

Wie in Teil 2 zuerst die Position, die dieser Artikel anschließend verkomplizieren wird, in ihrer stärksten Form.

Die Leaky Pipeline ist kein feministischer Mythos, sie ist eine der am besten dokumentierten Regelmäßigkeiten des (nicht nur, aber insbesondere deutschen) Wissenschaftssystems. Die aktuellen Zahlen des GWK-Gleichstellungsmonitors (Berichtsjahre 2023/2024): Frauen stellen 52,4 Prozent der Erstimmatrikulationen und 53,1 Prozent der Studienabschlüsse. Bei den Promotionen sind es noch 46,3 Prozent. Bei den Habilitationen 36,9 Prozent. Bei den Professuren insgesamt 28,8 Prozent, und je höher die Besoldung, desto dünner die Luft: 49,4 Prozent bei den W1-Juniorprofessuren, 29,4 Prozent bei W2/C3, 25,0 Prozent bei W3/C4 (GWK, 2025). Auf jeder Stufe nach dem Studienabschluss geht ein Stück des Frauenanteils verloren, und am Ende, bei den bestbezahlten, einflussreichsten Positionen des Systems, ist aus einer Mehrheit ein Viertel geworden. Bliebe das Tempo der letzten Dekade konstant, wäre Parität bei den Professuren nach GWK-Projektion erst 2054 erreicht.

Das ist der Befund, und er verdient es, ernst genommen zu werden, von allen Seiten. Wer ihn kleinredet, redet ein Viertel gegen eine Hälfte klein. Die eigentliche Frage dieses Artikels ist aber nicht, ob die Pipeline leckt. Sie ist, wo genau, und warum. Denn dafür gibt es zwei populäre Schnellantworten, die sich gegenseitig für offensichtlich falsch halten, und die Daten sind zu beiden unfreundlich. Antwort eins: Berufungskommissionen diskriminieren Frauen. Antwort zwei: Frauen wollen einfach nicht, freie Wahl, Ende der Debatte. Der Reihe nach.

Wo das Leck nicht ist: die Berufung

Beginnen wir mit dem Ort, auf den fast alle Scheinwerfer gerichtet sind, der Berufungskommission. Dort sitzt, so die verbreitete Vermutung, der Filter, der aus einer weiblichen Mehrheit ein männliches Spitzenpersonal macht.

Die Daten erzählen eine andere, unbequemere Geschichte. Der Frauenanteil an den Bewerbungen auf Professuren lag 2023 bei 30,7 Prozent. Der Frauenanteil an den Listenplätzen lag bei knapp 40 Prozent, der an den Berufungen bei 39,6 Prozent (GWK, 2025). Für Universitäten weist der Bundesbericht zum wissenschaftlichen Nachwuchs für 2022 dieselbe Treppe aus: 31 Prozent der Bewerbungen, 42 Prozent der Listenplätze, 43 Prozent der Berufungen (BuWiK, 2025). Man lese die Reihenfolge zweimal: Der Frauenanteil steigt mit jeder Stufe des Verfahrens. Bedingt darauf, dass eine Frau sich überhaupt bewirbt, sind ihre Chancen nicht schlechter als die eines Mannes, sie sind messbar besser. Und das ist kein Ausreißerjahr: Die Evaluation des Tenure-Track-Programms hält fest, dass der Frauenanteil an Berufungen seit 2008 durchgehend über dem Anteil an Bewerbungen liegt (Technopolis, 2024).

Die Mikroebene bestätigt das Bild. Lutter und Schröder (2016) rekonstruierten die Karrieren der deutschen Soziologie und fanden, dass Frauen bei vergleichbarer Publikationsleistung eine um rund 40 Prozent höhere Chance auf eine Professur hatten als Männer, oder anders formuliert: Frauen wurden mit weniger Publikationen berufen, jede ihrer Publikationen zählte im Verfahren mehr. Auspurg, Hinz und Schneck (2017) analysierten reale Berufungsverfahren als Turniere und fanden keine Benachteiligung von Bewerberinnen in den Verfahrensstufen. Und für die USA zeigten Williams und Ceci (2015) in einem vielbeachteten, methodisch allerdings umstrittenen Experiment eine Zwei-zu-eins-Präferenz für hypothetische Bewerberinnen bei gleicher Qualifikation; die Kritik richtet sich vor allem darauf, dass fiktive Bewerbungsprofile reale Verfahren nur begrenzt abbilden. In der Richtung passt der Befund gleichwohl zu den deutschen Verwaltungsdaten, die genau solche realen Verfahren abbilden.

Drei Ehrlichkeitsklauseln, bevor dieser Abschnitt missverstanden wird.

Erstens ist “bedingt auf die Bewerbung” eine gewaltige Bedingung. Wer sich bewirbt, ist kein Zufallsausschnitt: Wenn nur die überdurchschnittlich qualifizierten, überdurchschnittlich entschlossenen Frauen überhaupt antreten, dann wäre eine höhere Erfolgsquote genau das, was man auch bei einem weiterhin voreingenommenen Verfahren erwarten würde. Die Verwaltungsdaten können diese Selbstselektion nicht auflösen; die Studien mit Qualifikationskontrolle (Lutter & Schröder) und die Verfahrensanalysen (Auspurg et al.) machen die Bias-These aber auch dort nicht plausibler.

Zweitens sagt der Befund nichts über die Jahrzehnte davor. Der heutige Professuren-Bestand von 28,8 Prozent ist kein Abbild der heutigen Verfahren, sondern ein Lagerbestand: Er enthält Berufungen aus dreißig Jahren, darunter viele aus Zeiten, in denen der Frauenanteil an Berufungen bei einem Drittel oder darunter lag (2013: 30,1 Prozent) und die Diskriminierungsgeschichte deutlich länger zurückreicht. Ein Bestand hinkt dem Fluss zwangsläufig um Jahrzehnte hinterher. Wer die Fairness des heutigen Systems beurteilen will, muss auf den Fluss schauen, die Berufungen, nicht auf den Bestand. Das wird für die Auflösung des Konstanz-Zitats noch wichtig.

Drittens entbindet der Befund Berufungskommissionen nicht von Sorgfalt. Er verschiebt nur den Suchscheinwerfer: Wenn am Ende des Trichters keine messbare Benachteiligung mehr stattfindet, aber vorne nur 30,7 Prozent der Bewerbungen von Frauen kommen, obwohl 46,3 Prozent der Promotionen von Frauen stammen, dann passiert das Entscheidende zwischen Promotion und Bewerbung. Die Pipeline leckt vor der Bewerbung. Die interessante Frage ist nicht mehr “Wer wird abgelehnt?”, sondern “Wer schickt die Bewerbung nie ab, und warum?”

Wo das Leck ist: das Jahrzehnt zwischen Promotion und Ruf

Um diese Frage zu beantworten, muss man sich ansehen, was das deutsche System von einem Menschen zwischen Promotion und Professur verlangt.

Die Promotion ist in Deutschland im Schnitt mit etwa 30 Jahren abgeschlossen. Die erste Berufung auf eine Lebenszeitprofessur folgt im Durchschnitt erst Anfang 40; selbst Juniorprofessuren beginnen im Mittel mit gut 35, und wer sie durchläuft, ist an ihrem Ende durchschnittlich 41 (BuWiN, 2021). Dazwischen liegt ein Jahrzehnt, das so aussieht: 92 Prozent des hauptberuflichen wissenschaftlichen Personals unter 45 an Universitäten sind befristet beschäftigt (BuWiN, 2021), mit durchschnittlichen Vertragslaufzeiten von unter zwei Jahren. Das Wissenschaftszeitvertragsgesetz setzt der Befristung eine Höchstdauer von in der Regel zwölf Jahren, sechs vor und sechs nach der Promotion, danach gilt: hinauf oder hinaus. Der Karriereweg verlangt Mobilität, oft international, mindestens zwischen Bundesländern. Die Eintrittskarte zur Berufung ist eine Publikationsliste, die in genau diesem Jahrzehnt aufgebaut werden muss, denn das Berufungsalter wartet nicht. Und eine Rückfallposition unterhalb der Professur gibt es im deutschen System, anders als in vielen anderen Ländern, strukturell kaum.

Dieses Jahrzehnt, ungefähr die Lebensjahre 30 bis 42, ist zugleich exakt das Fenster, in dem Familien gegründet werden, wenn sie gegründet werden. Die Soziologie nennt das die Rushhour des Lebens. Das deutsche Wissenschaftssystem hat seine härteste Selektionsphase mit maximaler Unsicherheit, maximalem Mobilitätszwang und maximalem Produktivitätsdruck genau in dieses Fenster gelegt. Für kinderlose Menschen ist das eine Zumutung. Für Menschen, die in diesem Fenster ein Kind bekommen, ist es ein Wettbewerb mit angezogener Handbremse. Und dieser Unterschied ist nicht geschlechtsneutral.

Das Kind als Mechanismus: die Child-Penalty-Evidenz

Wie ungleich sich ein Kind auf Karrieren verteilt, ist inzwischen eine der am saubersten vermessenen Größen der Arbeitsmarktforschung, und Deutschland ist dabei ein trauriger Spitzenreiter. Kleven und Kolleg:innen haben mit Ereignisstudien-Designs gezeigt, wie die Erwerbsverläufe von Müttern und Vätern nach dem ersten Kind auseinanderlaufen: Väter zeigen praktisch keinen Knick, Mütter einen tiefen und dauerhaften. Für Deutschland beträgt der langfristige Einkommens-Penalty der Mutterschaft rund 61 Prozent, einer der höchsten Werte aller untersuchten Länder, verglichen mit gut 20 Prozent in Dänemark (Kleven et al., 2019). Der Child Penalty Atlas hat dieses Muster inzwischen global kartiert (Kleven, Landais & Leite-Mariante, 2025).

Und die Wissenschaft ist keine Ausnahme, sie ist ein Verstärker, weil ihre Währung, die Publikationsliste, kumulativ und terminiert ist. Die bislang beste Studie dazu stammt von Morgan et al. (2021): 3.064 Tenure-Track-Wissenschaftler:innen an 450 nordamerikanischen Departments, längsschnittliche Publikationsdaten, präzise Elternschafts-Zeitpunkte. Die Ergebnisse verdienen es, einzeln aufgezählt zu werden, weil sie differenzierter sind als jede Schlagzeile.

Erstens: Elternschaft erklärt den Großteil des Publikations-Gaps zwischen Männern und Frauen, über den kurzfristigen Produktivitätseinbruch der Mütter. Es dauert im Schnitt rund fünf Jahre, bis Mütter wieder mit Vätern gleichauf publizieren. Zweitens, und das ist die Feinheit, die in der Debatte regelmäßig verloren geht: Eltern sind im Durchschnitt insgesamt etwas produktiver als Kinderlose. Das Kind macht nicht unproduktiv, es verteilt die Kosten ungleich. Drittens der Mechanismus dahinter: Väter schützen nach der Geburt tendenziell ihre Forschungszeit, Mütter ihre Betreuungszeit, mit allem, was das im Publikationsturnier bedeutet. Viertens eine hoffnungsvolle Note: Der Penalty schrumpft über die Zeit, nicht weil Väter weniger publizieren, sondern weil Mütter aufgeholt haben. Und fünftens, für das deutsche Strukturproblem vielleicht am wichtigsten: Rund 39 Prozent der Befragten bekamen ihr erstes Kind vor der ersten Festanstellung, also mitten in der prekären Phase.

Jetzt lege man diese Evidenz über das deutsche Jahrzehnt aus Abschnitt 4. Ein Produktivitätseinbruch von einigen Jahren ist in einem System mit Dauerstellen und flexiblen Uhren ein Tal im Lebenslauf. In einem System aus Zwei-Jahres-Verträgen, Befristungshöchstdauer und einem Berufungsfenster, das sich um Mitte 40 zu schließen beginnt, ist derselbe Einbruch häufig das Karriereende, nicht durch eine Ablehnung, sondern durch das leise Auslaufen eines Vertrags oder eine Bewerbung, die angesichts der Konkurrenzlage rational unterbleibt. Die Leaky Pipeline ist zu einem erheblichen Teil eine Mutterschafts-Pipeline, und ihr größtes Leck ist unsichtbar, weil es nicht in einem Gremium stattfindet, sondern am Küchentisch.

Multikausalität, ehrlich verhandelt: Struktur und Präferenz

An dieser Stelle bricht in der öffentlichen Debatte regelmäßig der Streit aus, der diesem Artikel zu einfach ist, in beide Richtungen.

Die eine Lesart sagt: alles Struktur. Das System bestraft Mütter, also ist jede Abweichung von der Parität Diskriminierung. Die andere sagt: alles Präferenz. Frauen wählen anders, Stichwort freie Entscheidung, also gibt es kein Problem. Beide Lesarten haben denselben Konstruktionsfehler: Sie behandeln Struktur und Präferenz als Alternativen, obwohl sie ineinandergreifen.

Claudia Goldin, die für genau diese Forschung den Nobelpreis erhalten hat, liefert den Begriff, der das Ineinandergreifen präzise fasst: “greedy work”, gierige Arbeit (Goldin, 2021). Berufe, die überproportionale Belohnungen für unbegrenzte, unplanbare Verfügbarkeit zahlen, erzeugen geschlechtsspezifische Karrieren, sobald in einem Paar irgendjemand die planbare Rolle übernehmen muss, und wer das ist, folgt Erwartungen, Verhandlungsmacht und ja, auch Präferenzen. Die deutsche Professur in ihrer Anbahnungsphase ist ein Extremfall gieriger Arbeit: unbegrenzte Verfügbarkeit, Mobilität auf Zuruf, Turnierlogik. Man muss keine einzige diskriminierende Kommission annehmen, um aus dieser Struktur plus durchschnittlich unterschiedlichen Care-Arrangements den gesamten Bewerbungs-Gap zu erzeugen.

Zur Ehrlichkeit gehört auch die unbequemere Hälfte: Präferenzen sind real, sie sind nicht vollständig anerzogen, und sie sind kein Defekt. Es gibt gut dokumentierte durchschnittliche Geschlechterunterschiede in Berufs- und Lebensprioritäten, deren Ursprünge zwischen Sozialisation und tieferliegenden Dispositionen umstritten sind und in diesem Artikel nicht entschieden werden müssen. Denn normativ ändert sich dadurch weniger, als beide Lager glauben: Ein System ist nicht schon deshalb fair, weil die Ungleichheit über Entscheidungen läuft, wenn es die Kosten dieser Entscheidungen so asymmetrisch setzt, dass nur eine Seite ernsthaft wählen muss. Und umgekehrt ist nicht jede Abweichung von 50:50 ein Reparaturfall, wenn Menschen unter fairen Bedingungen Verschiedenes wollen. Das Ziel ist nicht eine bestimmte Quote am Ende, das Ziel ist, dass ein Kind keine Karrierehypothek ist, die strukturell einem Geschlecht zugeschrieben wird. Was danach an Verteilung übrig bleibt, ist Freiheit, nicht Fehler.

Ein Preisschild dieser Struktur sollte dabei nicht untergehen, weil es selten beziffert wird: die Kinder, die es nicht gibt. Nach den im Bundesbericht zusammengetragenen Daten hatten nur 37 Prozent der unter 45-jährigen Promovierten an Hochschulen Kinder, unter Postdocs etwa die Hälfte, Frauen seltener als Männer (48 gegenüber 54 Prozent), und das bei dokumentiert vorhandenen Kinderwünschen und einer Familiengründung, die wegen fehlender Planungssicherheit aufgeschoben wird (BuWiN, 2021). Ein System, das seine ambitioniertesten Frauen faktisch vor die Wahl Kind oder Karriere stellt, trifft damit auch jene, die sich für die Karriere entscheiden und den anderen Wunsch begraben.

Die Diagnose-Asymmetrie: die Klammer der Serie

Wer die ganze Serie bis hierhin gelesen hat, dem dürfte eine Struktur auffallen, die ich jetzt explizit machen will, denn sie ist der eigentliche rote Faden.

Am Schulende der Pipeline, in Teil 2, lautete die dominante öffentliche Erklärung für den Rückstand der Jungen: Verhalten. Sie strengen sich nicht an, sie stören, sie sind selbst schuld. Die Systemfrage, ob die Institution ihre Messinstrumente falsch geeicht hat, wurde zwanzig Jahre lang kaum gestellt. Am Professur-Ende, in diesem Teil, lautet die dominante öffentliche Erklärung für den Rückstand der Frauen: das System. Diskriminierung, Strukturen, gläserne Decke. Die Verhaltens- und Präferenzfrage gilt hier schnell als übergriffig.

Diese Asymmetrie ist keine Einbildung, sie ist experimentell belegt: Menschen halten Männer, die zurückfallen, für weniger unterstützungswürdig als Frauen in derselben Lage, weil sie bei Männern mangelnde Anstrengung als Ursache vermuten und bei Frauen äußere Umstände (Cappelen et al., 2025). Dasselbe Muster kennt jeder aus der Gesundheitsdebatte: Dass Männer seltener zum Arzt oder in die Psychotherapie gehen, wird routiniert als Verhaltensdefizit der Männer verhandelt (”Warum gehen Männer nicht zum Arzt?”), während bei vergleichbaren Versorgungslücken von Frauen längst selbstverständlich nach systemischen Hürden gefragt wird. Beide Fragen sind legitim. Das Problem ist, dass sie so zuverlässig nach Geschlecht sortiert gestellt werden.

Die Antwort dieser Serie auf die Asymmetrie ist nicht, sie umzudrehen, sondern sie abzuschaffen: derselbe Diagnose-Standard an beiden Enden. In der Schule heißt das, die Systemfrage für Jungen ernst zu nehmen (Teil 2: die Note misst Verhalten mit), ohne den realen Selbstregulationsvorsprung der Mädchen zu leugnen. An der Professur heißt das, die Systemfrage für Frauen ernst zu nehmen (dieser Teil: die Struktur bestraft das Kind, und sie tut es asymmetrisch), ohne Präferenzen zum Tabu zu erklären. Wer nur eine der beiden Systemfragen stellt, betreibt keine Analyse, sondern Mannschaftssport.

Das Konferenz-Zitat, aufgelöst

Jetzt lässt sich präzise sagen, was an dem Satz aus Abschnitt 1 falsch ist, und es ist nicht die Sorge um den Professorinnenanteil.

Erstens verrechnet er Bestände mit Flüssen. Die 34 Prozent Professorinnen von sind ein Lagerbestand aus drei Jahrzehnten Berufungsgeschichte; die 60 Prozent auf den frühen Stufen sind der aktuelle Durchfluss. Ein niedriger Bestand von gestern kann einen verzerrten Zufluss von heute nicht rechtfertigen, so wenig, wie ein leerer Stausee es rechtfertigt, den Regen nur noch auf einer Seite des Tals fallen zu lassen. Wenn die heutigen Berufungen zu rund 40 Prozent an Frauen gehen und die Verfahren, bedingt auf Bewerbung, Frauen eher bevorzugen, dann korrigiert sich der Bestand bereits, mechanisch, mit jeder Emeritierung. Die anstehende Pensionierungswelle, durch die nach einer CHE-Erhebung bis 2033 rund 44 Prozent der Professuren neu zu besetzen sind (zit. nach GWK, 2025), wird das beschleunigen.

Zweitens verrechnet er verschiedene Menschen. Die Studentinnen, deren Überhang als Ausgleich verbucht wird, sind nicht die Frauen, denen der niedrige Professorinnenanteil widerfahren ist, und die jungen Männer, die im Schulsystem von Teil 2 zurückbleiben, haben an der historischen Unterrepräsentation von Professorinnen keinen Anteil. Gruppensalden über Generationen hinweg fühlen sich nach Gerechtigkeit an und sind das Gegenteil: Sie machen Individuen für Bilanzen haftbar, die vor ihnen geschrieben wurden.

Drittens verwechselt er das Ziel. Parität im Bestand ist ein Indikator, kein Wert an sich. Der Wert ist ein Prozess, in dem weder ein nonkonformer Junge für sein Verhalten mit der Fachnote bezahlt noch eine promovierte Frau für ein Kind mit der Karriere. Ein Prozessziel kann man an jeder Stelle der Pipeline gleichzeitig verfolgen, ohne die Enden gegeneinander aufzurechnen. Ein Bestandsziel zwingt zum Aufrechnen, und genau das tat der Satz.

Was folgt daraus? Den Fluss reparieren, nicht den Saldo

Wie in Teil 2 folgt aus der Analyse keine Anklage, sondern eine Korrekturliste, und sie richtet sich fast vollständig auf das Jahrzehnt vor der Bewerbung.

Erstens, Planbarkeit vor Parolen. Der größte Hebel liegt in der Struktur der Postdoc-Phase: verlässliche Tenure-Track-Pfade mit frühem Entscheidungspunkt statt einer Dekade Kettenverträge, Dauerstellen neben der Professur nach dem Vorbild von Department-Strukturen, längere Mindestvertragslaufzeiten. Jede dieser Maßnahmen senkt die Kosten eines Kindes im kritischen Fenster, und zwar für beide Geschlechter, was der ehrlichste Test einer guten Reform ist: Sie hilft auch den Vätern, die Care-Arbeit übernehmen wollen und im heutigen System dafür denselben Preis zahlen würden.

Zweitens, die Uhr ehrlich stellen. Wenn die Publikationsliste die Währung ist, müssen Care-Zeiten die Uhr anhalten, konsequent und ohne Stigma: Verlängerungen pro Kind, die Bewertung von Lebensläufen nach akademischem Alter statt Kalenderalter, Berufungsverfahren, die eine Publikationsdelle mit Geburtsdatum daneben als das lesen, was sie ist, ein Datenpunkt über das System, nicht über die Person. Morgan et al. zeigen, dass der Rückstand der Mütter temporär ist; ein Verfahren, das Fünf-Jahres-Fenster starr vergleicht, misst dann nicht Qualität, sondern Kinderlosigkeit.

Drittens, die Gier der Arbeit entschärfen. Goldins Diagnose ist zugleich das Rezept: Überall dort, wo Verfügbarkeit statt Ergebnis belohnt wird, von Berufungskulturen, die Präsenz und permanente Mobilität erwarten, bis zu Drittmittellogiken mit unflexiblen Zeitfenstern, lässt sich der Beruf entgieren, ohne die Wissenschaft zu verschlechtern. Die Länder mit kleinen Child Penalties sind nicht die mit schlechterer Forschung.

Viertens, den Scheinwerfer versetzen. Ein erheblicher Teil der gleichstellungspolitischen Energie fließt in das Ende des Trichters, in Berufungsverfahren, die nach aller verfügbaren Evidenz seit über einem Jahrzehnt keine messbare Benachteiligung von Bewerberinnen mehr produzieren. Dieselbe Energie, investiert in die Phase, in der die Bewerbungen verloren gehen, hätte einen um Größenordnungen höheren Erwartungswert. Das ist keine Kritik an sorgfältigen Verfahren, es ist Ressourcenallokation.

Und fünftens, das Symmetrie-Gebot: Wer für die Postdoc-Phase strukturelle Antworten fordert, und dieser Artikel tut das, der verliert das Recht, beim Schulproblem der Jungen auf individuelle Anstrengung zu verweisen, und umgekehrt. Eine Gleichstellungspolitik, die beide Enden der Pipeline mit demselben Maßstab misst, wäre nicht nur gerechter, sie wäre auch strategisch klüger, denn sie entzöge dem Kulturkampf, der von der wechselseitigen Blindheit beider Lager lebt, die Geschäftsgrundlage.

Serienfazit: Ein Muster, drei Orte

Drei Teile, ein Befund, dreimal dasselbe Muster in verschiedener Verkleidung.

In der Schule wird Verhalten gemessen und als Kompetenz ausgewiesen, und die, die es trifft, sind überwiegend Jungen. In der Diagnostik wird relative Unreife gemessen und als Störung ausgewiesen. An der Hochschule wird die Verfügbarkeit eines kinderlosen Lebenslaufs gemessen und als wissenschaftliche Exzellenz ausgewiesen, und die, die es trifft, sind überwiegend Frauen. Jedes Mal wird etwas Soziales, Zeitgebundenes, Strukturelles als etwas Festes fehlgelesen, eine Eigenschaft der Person, wo eine Eigenschaft des Messverfahrens vorliegt.

Die Pipeline hat zwei Enden, und an beiden steht dieselbe Aufgabe: die Messinstrumente eichen, statt die Gemessenen zu sortieren. Das ist weniger spektakulär als jede Kulturkampferzählung, von welcher Seite auch immer. Aber es hat den Vorzug, dass es stimmt, und den zweiten, dass man es tun kann.

Hinweis: Die Texte und Bilder auf Nullhypothese werden mit Unterstützung von KI erstellt.

Literatur

• Auspurg, K., Hinz, T., & Schneck, A. (2017). Berufungsverfahren als Turniere: Berufungschancen von Wissenschaftlerinnen und Wissenschaftlern. Zeitschrift für Soziologie, 46(4), 283–302.

• BuWiK (Konsortium Bundesbericht Wissenschaftlerinnen und Wissenschaftler in einer frühen Karrierephase) (Hrsg.) (2025). BuWiK 2025: Statistische Daten und Forschungsbefunde zu Promovierenden und Promovierten in Deutschland. wbv.

• BuWiN (Konsortium Bundesbericht Wissenschaftlicher Nachwuchs) (2021). Bundesbericht Wissenschaftlicher Nachwuchs 2021. wbv.

• Cappelen, A. W., Falch, R., & Tungodden, B. (2025). Experimental evidence on the acceptance of males falling behind. Journal of the European Economic Association, 23(6), 2212–2240.

• Goldin, C. (2021). Career and family: Women’s century-long journey toward equity. Princeton University Press.

• GWK (Gemeinsame Wissenschaftskonferenz) (2025). Gleichstellungsmonitor Wissenschaft und Forschung (Materialien der GWK, Heft 94). Bonn.

• Kleven, H., Landais, C., Posch, J., Steinhauer, A., & Zweimüller, J. (2019). Child penalties across countries: Evidence and explanations. AEA Papers and Proceedings, 109, 122–126.

• Kleven, H., Landais, C., & Leite-Mariante, G. (2025). The child penalty atlas. Review of Economic Studies, 92(5), 3174–3207.

• Lutter, M., & Schröder, M. (2016). Who becomes a tenured professor, and why? Panel data evidence from German sociology, 1980–2013. Research Policy, 45(5), 999–1013.

• Morgan, A. C., Way, S. F., Hoefer, M. J. D., Larremore, D. B., Galesic, M., & Clauset, A. (2021). The unequal impact of parenthood in academia. Science Advances, 7(9), eabd1996.

• Technopolis Group (2024). Erste begleitende Evaluation des Bund-Länder-Programms zur Förderung des wissenschaftlichen Nachwuchses: Abschlussbericht. Im Auftrag der GWK.

• Williams, W. M., & Ceci, S. J. (2015). National hiring experiments reveal 2:1 preference for women on STEM tenure track. PNAS, 112(17), 5360–5365.

Teil 2 der Serie “Disparitäten im Bildungssystem”. In Teil 1 stand der deskriptive Befund: Der weibliche Überhang an den Hochschulen entsteht nicht an der Hochschule, sondern in der Schule. Dieser Teil fragt nach dem Mechanismus. Teil 3 nimmt das andere Ende der Pipeline in den Blick, den Weg zur Professur.

Jetzt abonnieren

Ein institutioneller Irrtum, aus der Nähe betrachtet

Ich beginne mit einer Anekdote, und ich sage gleich dazu, was sie ist: keine Evidenz, sondern eine Frage.

Ich war ein dickes, faules Kind. So jedenfalls lautete die Zusammenfassung, die das Schulsystem für mich bereithielt, und die Konsequenz daraus war eine Hauptschulempfehlung. Der Weg danach führte über Umwege, unter anderem einem Einspruch, dem Besuch der Realschule, eines Berufskollegs, gefolgt von einem Bachelorstudiums in den USA und eines Masterstudiums in den Niederlanden am Ende zu einer Promotion und einigen Jahren Forschung. Man kann daraus zwei Geschichten machen. Die schmeichelhafte: ein Einzelfall, der sich durchgebissen hat. Die interessantere: Ein Selektionssystem hat bei einem Kind die kognitive Leistungsfähigkeit mit etwas anderem verwechselt, nämlich mit Erscheinung und Verhalten. Und wenn ein System das bei einem Kind tut, lohnt sich die Frage, ob es das systematisch tut, bei wem, und mit welchen Folgen.

Genau das ist die Frage dieses Artikels. Eine Anekdote kann sie stellen, beantworten können sie nur Daten. Die gibt es, und sie sind besser, als mir als Betroffenem lieb sein kann.

Der Steelman zuerst: Was Noten legitimerweise messen

Bevor ich die Bias-Evidenz ausbreite, die Gegenposition in ihrer stärksten Form, denn sie ist gut.

Noten messen nicht nur Fachkompetenz, und das ist teilweise so gewollt und teilweise sogar sinnvoll. Wer zuverlässig Hausaufgaben abliefert, im Unterricht mitarbeitet und Abgabetermine einhält, zeigt Gewissenhaftigkeit und Selbstregulation. Diese Eigenschaften sind keine pädagogische Folklore, sondern gehören zu den robustesten Prädiktoren für Bildungs- und Lebensergebnisse, die die Forschung kennt (Heckman & Kautz, 2012; Heckman et al., 2006). Ein Teil des Notenvorsprungs von Mädchen bildet also einen realen, wertvollen Kompetenzunterschied ab: Mädchen entwickeln Selbstregulation im Schnitt früher, und Selbstregulation zahlt sich aus, in der Schule wie danach.

Dieser Unterschied hat auch eine dispositionelle Spur. In den Big Five, dem etabliertesten Persönlichkeitsmodell der Psychologie, liegen Mädchen im Schnitt höher in Gewissenhaftigkeit (Conscientiousness), und zwar konsistent über alle Altersstufen zwischen 12 und 17 hinweg (Weisberg et al., 2011; De Bolle et al., 2015). Gewissenhaftigkeit ist genau das Merkmal, das Arbeitsorganisation, Termintreue und Sorgfalt zusammenfasst, also jene Verhaltensweisen, die eine Note legitimerweise mitbewertet und die zugleich mit späterem Bildungs- und Berufserfolg zusammenhängen. Ehrlichkeitshalber gehört dazu, dass diese Geschlechterdifferenzen klein bis moderat ausfallen, kulturell variieren und meist auf Selbstbericht beruhen; auf der Ebene der Facetten heben sie sich teils sogar gegenseitig auf (Weisberg et al., 2011). Der Punkt ist also nicht “Mädchen sind fleißiger”, sondern bescheidener: Ein Teil der Notenlücke bildet, eine reale, im Persönlichkeitsprofil verankerte Verhaltensdifferenz ab, keine Verzerrung.

Wer den Notennachteil von Jungen vollständig zum Skandal erklärt, hat deshalb genauso unrecht wie jemand, der ihn vollständig zur verdienten Konsequenz erklärt. Die eigentliche Frage ist präziser: Wo endet die legitime Messung von Arbeitsverhalten, und wo beginnt die Verzerrung, also der Fall, dass dasselbe fachliche Können unterschiedlich bewertet wird, je nachdem, wie konform sich das Kind verhält, wie es aussieht und woher es kommt?

Diese Frage lässt sich empirisch beantworten. Man braucht dafür zwei Messungen derselben Kompetenz: eine Note, vergeben von Lehrkräften, die das Kind kennen, und einen standardisierten Test, ausgewertet von Menschen, die es nicht kennen. Die Differenz zwischen beiden, bei gleicher gemessener Kompetenz, ist das, was die Forschung Benotungsbias nennt.

Das Zeugnis misst Verhalten mit

Zuerst die Testseite, damit die Ausgangslage klar ist. Bei den Lesekompetenzen liegen Jungen in Deutschland seit über zwanzig Jahren zurück, in der Grundschule entspricht der Rückstand etwa einem Drittel Schuljahr (McElvany et al., 2023; Gentrup et al., 2022, 2023). In Mathematik erreichen Jungen durchgehend höhere Testwerte, in IQB-Bildungstrend, PISA und TIMSS gleichermaßen (Schwippert et al., 2024; OECD, 2023). In den Naturwissenschaften, wo früher ein Jungen-Vorsprung bestand, erzielen Mädchen und Jungen mittlerweile ähnliche Ergebnisse (OECD, 2023). Das ist die Kompetenzlage: real, fachspezifisch, keineswegs eine einseitige Jungen-Misere.

Die Notenlage sieht anders aus. Und die Differenz zwischen beiden ist der Kern dieses Artikels.

Der für Deutschland beste Einzelbeleg stammt von Nennstiel und Gilgen (2024). Die beiden Soziolog:innen nutzten das Nationale Bildungspanel (NEPS), eine national repräsentative Stichprobe von 14.090 Neuntklässler:innen, und verglichen die Schulnoten in fünf Fächern mit standardisierten Kompetenztests, unter Kontrolle von domänenspezifischer Kompetenz, allgemeiner kognitiver Grundfähigkeit und Schulform. Das Ergebnis, in Standardabweichungen der Note: Bei gleicher gemessener Kompetenz erhalten Mädchen in Deutsch um 0,37 Standardabweichungen bessere Noten, in Biologie um 0,21, in Mathematik um 0,06. In Physik dreht sich das Bild, dort werden Jungen um 0,10 Standardabweichungen besser benotet. In Chemie findet sich kein signifikanter Unterschied.

Was bedeutet das nun in Zeugnisnoten? Standardabweichungen sind ein abstraktes Maß, deshalb eine Übersetzung mit klar benannter Annahme. Schulnoten von Neuntklässler:innen streuen je nach Fach mit einer Standardabweichung von etwa 0,9 bis 1,0 Notenpunkten (für das Gymnasium: Englisch 0,89, Mathematik 1,04; Hübner et al., 2024). Grob gilt also: Eine Standardabweichung entspricht ungefähr einem Notenpunkt. Der Deutsch-Effekt von 0,37 Standardabweichungen sind damit rund ein Drittel Notenpunkt. Das klingt nach wenig, entscheidet aber genau an den Schwellen: Wer bei gleicher Testleistung zwischen einer 2 und einer 3 steht, für den kann diese Verzerrung die ganze Note kippen. Der Physik-Effekt zugunsten der Jungen (0,10) wäre entsprechend rund ein Zehntel Notenpunkt, also klein. Ich verkaufe diese Umrechnung bewusst als Größenordnung, nicht als Punktwert, weil die Standardisierung bei Nennstiel und Gilgen innerhalb ihrer eigenen Stichprobe erfolgte und die exakte Rückübersetzung von deren Notenstreuung abhängt.

Zwei Dinge an diesem Befund sind wichtiger als die Schlagzeile.

Erstens die Differenzierung: Jungen werden nicht überall benachteiligt. Der Bias ist fächerspezifisch, am größten dort, wo Lehrkräfte den größten Bewertungsspielraum haben, nämlich in Deutsch, und er kehrt sich in Physik sogar um. Wer “die Schule diskriminiert Jungen” ruft, wird von diesen Daten genauso widerlegt wie jemand, der behauptet, es gebe kein Problem.

Zweitens die Mechanik: Nennstiel und Gilgen rechneten ein zweites Modell, das zusätzlich Persönlichkeitsmerkmale und Klassenwiederholung kontrolliert, also Annäherungen an das Verhalten im Klassenzimmer. In diesem Modell schrumpft der Mädchen-Vorteil in Deutsch auf 0,29 und in Biologie auf 0,08 Standardabweichungen, in Mathematik verschwindet er ganz. Ein Teil des Bias läuft also tatsächlich über Verhalten und Persönlichkeit, exakt wie es die Verhaltensthese vorhersagt. Aber, und das ist der entscheidende Punkt: Der größte Teil bleibt bestehen. Die Note in Deutsch belohnt etwas, das weder der Fachtest noch die Persönlichkeitsmaße erfassen.

Derselbe Datensatz zeigt übrigens, dass Geschlecht nur eine von mehreren Achsen ist. Auch übergewichtige Kinder, Kinder aus Familien mit niedrigem sozioökonomischem Status und Kinder mit Migrationshintergrund erhalten bei gleicher Testleistung schlechtere Noten, und diese Nachteile addieren sich. Im extremsten Vergleich, ein übergewichtiger Junge türkischer Herkunft aus einer sozioökonomisch benachteiligten Familie gegen ein nicht übergewichtiges Mädchen ohne Migrationshintergrund aus privilegiertem Haus, beträgt die Notendifferenz in Deutsch bei gleicher gemessener Kompetenz rund 0,8 Standardabweichungen, nach der Faustregel von oben also fast einen vollen Notenpunkt: aus einer verdienten 2 wird eine 3. Ehrlich dazugesagt: Dies ist der Extremfall aus dem Interaktionsmodell mit breiten Konfidenzintervallen, nicht der Normalfall. Das dicke, faule Kind aus dem ersten Absatz dieses Artikels lässt grüßen, aber dazu unten mehr, denn die Milieu-Geschichte ist komplizierter, als sie klingt.

Dass dieser Befund kein Artefakt einer einzelnen Studie ist, zeigen drei unabhängige Belege. Kuhl und Hannover (2012) fanden mit Grundschuldaten, dass Lehrkräfte Jungen in Deutsch auch deshalb schlechter benoten, weil sie ihnen eine geringere Fähigkeit zum selbstgesteuerten Lernen zuschreiben, die Note transportiert also explizit ein Verhaltensurteil. Der IGLU-Befundkomplex zeigt, dass Jungen bei gleicher Testleistung seltener eine Gymnasialempfehlung erhalten (Bos et al., 2007; Hußmann et al., 2017; McElvany et al., 2023). Und Terrier (2020) lieferte mit französischen Daten das kausale Puzzlestück: Sie verglich Lehrernoten mit anonym korrigierten Prüfungen derselben Kinder und zeigte, dass der Benotungsbias nicht nur eine Momentaufnahme verzerrt, sondern die weitere Leistungsentwicklung und spätere Fächerwahl beeinflusst. Eine verzerrte Note ist keine folgenlose Meinungsäußerung, sie ist eine sich selbst erfüllende Prognose.

Die Note ist, zugespitzt formuliert, ein Verhaltensorchester: Sie mischt Fachkompetenz, Arbeitsverhalten, Konformität und Erwartungen der Lehrkraft in ein einziges Signal, ohne die Anteile auszuweisen. Und dann behandelt das System dieses Signal an jeder Weiche, von der Gymnasialempfehlung bis zum Numerus clausus, als wäre es ein reines Kompetenzmaß.

Der Mechanismus: Wer nicht konform ist, zahlt mit der Note

Warum trifft das Jungen im Schnitt härter? Die einflussreichste Antwort stammt von Cornwell, Mustard und Van Parys (2013), die für US-Grundschulen zeigten, dass der Notennachteil von Jungen fast vollständig verschwindet, sobald man “Approaches to Learning” kontrolliert, also Aufmerksamkeit, Organisation, Ausdauer, Lernfreude. In manchen Spezifikationen erhalten Jungen bei gleichem Verhalten sogar einen kleinen Bonus. Die Übersetzung: Nicht das Geschlecht wird benotet, sondern das Verhalten, und das Verhalten ist geschlechtstypisch verteilt, weil Mädchen Impulskontrolle und schulkonformes Arbeiten im Schnitt früher entwickeln.

Das klingt zunächst nach einer Entlastung des Systems, ist aber keine. Denn es verschiebt die Frage nur: Warum fließt Verhalten überhaupt in eine Note ein, die als Kompetenzmaß gelesen wird? Und was macht das mit den Kindern, deren Lernweise als falsch markiert wird?

Die Antwort auf die zweite Frage heißt in der Forschung Disengagement oder Schulentfremdung. Wenn Schule sich anfühlt wie ein Ort, an dem die eigene Art zu lernen systematisch schlechter bewertet wird, ist innerer Rückzug eine nachvollziehbare, fast rationale Reaktion (Hadjar, Backes & Gysin, 2015). Verstärkt wird das durch ein Selbstkonzept-Problem: Wenn Schule als weiblich konnotiert gilt und Anstrengung mit einem als unmännlich empfundenen Bild kollidiert, wird schulisches Engagement für Jungen identitätsbedrohlich (Heyder & Kessels, 2013; Kessels et al., 2014). Dazu passt der Interaktionsbefund von Hannover et al. (2022): Lehrkräfte treten Jungen selbst bei gleichen Noten fordernder, ermahnender oder ignorierender gegenüber als Mädchen. Die Beziehungsqualität ist Teil des Mechanismus, nicht nur seine Folge.

Und dieser Mechanismus hat einen Verlauf, der sich in den Daten präzise zeigt. Der ifo-Chancenmonitor 2026, die derzeit autoritativste deutsche Quelle zum Thema, hat den Gymnasialbesuch von Jungen und Mädchen nach Altersgruppen ausgewertet (Wößmann et al., 2026). Beim Eintritt ins Gymnasium, im Alter von zehn bis zwölf Jahren, liegt der Gender-Gap bei 4,4 Prozentpunkten. Bei den 13- bis 15-Jährigen sind es 5,3. Bei den 16- bis 18-Jährigen sind es 9,6 Prozentpunkte, mehr als eine Verdopplung gegenüber dem Start.

Zwei Details stärken diesen Befund. Erstens ist er als Alterseffekt abgesichert, nicht als Kohorteneffekt: Dieselbe Analyse mit den Daten von 2019 zeigt dasselbe Muster (4,6, 5,4 und 10,0 Prozentpunkte), die heutigen 16- bis 18-Jährigen hatten drei Jahre zuvor also noch den kleinen Gap ihrer Altersgruppe. Zweitens erklärt das Ausscheiden der Jungen aus dem Gymnasium im Fenster der Oberstufe mehr als die Hälfte des Anstiegs. Der Bruch passiert demnach nicht nur früh bei der Empfehlung, er verschärft sich genau in der Phase, in der Selbstregulation und langfristige Zielverfolgung am meisten zählen, und in der der Unterricht immer stärker auf Selbststudium und Eigenorganisation setzt. Wohlkinger und Ditton (2023) ergänzen das Puzzlestück auf Individualebene: Einmal am Gymnasium, wechseln Jungen (10,8 Prozent) deutlich häufiger auf eine andere Schulart als Mädchen (7,6 Prozent), auch nach Kontrolle der gemessenen Testleistungen.

Ein Einschub zur epistemischen Hygiene, weil an dieser Stelle regelmäßig die bequemste Kausalerklärung auftaucht: der Frauenanteil unter den Lehrkräften. Die Intuition ist verführerisch (nur 13 Prozent Männer an Grundschulen, 6 Prozent in Kitas), die Evidenz ist es nicht. Für Deutschland fanden Neugebauer, Helbig und Landmann (2011) keinen Vorteil gleichgeschlechtlicher Lehrkräfte, international sind die Befunde gemischt (positiv etwa Dee, 2005, 2007; null etwa Winters et al., 2013). Der interessanteste neue Beleg scheint auf den ersten Blick das Gegenteil zu zeigen: In Finnland erhöhte eine 40-Prozent-Männerquote im Auswahlverfahren für das Grundschullehramt die Bildungsabschlüsse der Schulkinder (Schaede & Mankki, 2025). Aber, und das ist die Auflösung: Der Effekt galt für Jungen und Mädchen gleichermaßen. Es war also gerade kein Rollenmodell-Effekt über Geschlechter-Matching, sondern vermutlich ein Selektionseffekt im Bewerberpool. Wer die Jungenkrise ernst nimmt, muss die Lehrerinnen-These trotzdem dahin legen, wo sie hingehört: zu den plausiblen, aber nicht belegten Erklärungen.

Eine verwandte, oft gestellte Frage geht noch eine Ebene tiefer: Bewerten Lehrerinnen nonkonformes Verhalten von Jungen härter als männliche Lehrkräfte? Hier gibt es tatsächlich einen prominenten Befund, aber er mahnt zur Vorsicht. Dee (2007) fand mit US-Längsschnittdaten, dass Jungen häufiger als störend und unaufmerksam wahrgenommen werden, wenn sie von einer Frau unterrichtet werden, Mädchen dagegen seltener. Das klingt nach einem Beleg für die These, hat aber zwei Haken. Erstens ist der zugehörige Leistungseffekt klein, rund 4 Prozent einer Standardabweichung. Zweitens, und gewichtiger: Eine niederländische Zwillingsstudie fand zwar ebenfalls, dass Lehrkräfte bei Jungen mehr störendes Verhalten berichteten als bei Mädchen, doch bei den Mütterbewertungen derselben Kinder verschwand dieser Unterschied (de Zeeuw et al., 2015). Das Signal könnte also in der Wahrnehmung der Lehrkraft liegen, nicht im Verhalten des Kindes. Dasselbe Muster kennen wir schon aus dem Alterseffekt oben (Lehrer sehen ihn, Eltern nicht) und aus dem Bruchmüller-Experiment. Fazit: Es gibt einen Wahrnehmungseffekt, aber er ist klein, teilweise als reine Perzeptionsdifferenz entlarvt und passt zum insgesamt schwachen Same-Gender-Befund. Auch hier gilt: Die naheliegende Erklärung ist nicht die belegte.

Wenn Nonkonformität zur Diagnose wird

Bis hierhin ging es um Noten. Es gibt aber eine zweite, schärfere Eskalationsstufe desselben Mechanismus: Das System bestraft nonkonformes Verhalten nicht nur mit der Note, es pathologisiert es.

ADHS wird bei Jungen in Deutschland mehr als doppelt so häufig diagnostiziert wie bei Mädchen (Göbel et al., 2018). Ein Teil dieses Unterschieds dürfte eine reale Prävalenzdifferenz abbilden. Wie groß der andere Teil ist, zeigen zwei Befunde.

Der erste ist der relative Alterseffekt. Kinder, die kurz vor dem Einschulungsstichtag geboren wurden und deshalb zu den Jüngsten ihrer Klasse gehören, erhalten systematisch häufiger eine ADHS-Diagnose und häufiger Medikation als ihre nur wenige Monate älteren Klassenkamerad:innen. Meta-analytisch über 31 Studien liegt das relative Risiko der Jüngsten bei 1,38 für die Diagnose und 1,28 für die Medikation (Frisira, Holland & Sayal, 2025). Entscheidend, und für die These dieses Artikels fast zu passend: Der Alterseffekt zeigte sich bei den Symptombewertungen der Lehrkräfte, aber nicht bei denen der Eltern. Für Deutschland haben Schwandt und Wuppermann (2016) den Effekt mit Versicherungsdaten von rund 7,2 Millionen Kindern belegt, etwa 90 Prozent aller Neun- bis Dreizehnjährigen, unter dem denkwürdigen Titel “The Youngest Get the Pill”. Ihre Mechanismus-Analyse deutet darauf, dass der Effekt von Lehrkräften und Eltern getrieben wird, im Bemühen, den Bildungserfolg des Kindes zu sichern. Relative Unreife, also ein Altersartefakt der Stichtagsregelung, wird als Störungsbild gelesen, und die Antwort des Systems ist ein Medikament.

Der zweite Befund betrifft direkt das Geschlecht. Bruchmüller, Margraf und Schneider (2012) schickten mehreren hundert deutschsprachigen Kinder- und Jugendtherapeut:innen und -psychiater:innen Fallvignetten, die sich nur im Namen und Geschlecht des Kindes unterschieden. Bei identischer Symptombeschreibung wurde bei einem Jungennamen deutlich häufiger ADHS diagnostiziert, auch dann, wenn die diagnostischen Kriterien explizit nicht erfüllt waren. Das ist keine Feldstudie mit unbeobachteten Störgrößen, das ist ein kontrolliertes Experiment an der diagnostizierenden Profession selbst.

Und hier schließt sich der Kreis zur anderen Hälfte der Konformitätslogik: Dieselben Stereotype, die den zappelnden Jungen überdiagnostizieren, lassen das Mädchen mit dem unaufmerksamen ADHS-Subtyp systematisch durchs Raster fallen, weil es niemanden stört (Rucklidge, 2010; Stollhoff, 2021). Verträumtheit ruft keinen Elternabend auf den Plan. Die Kosten trägt das Mädchen trotzdem, nur später und leiser.

Ein Blick über den Atlantik zeigt, wohin diese Debatte kippen kann, wenn sie den Boden der Empirie verlässt. In den USA wird seit einigen Jahren intensiv darüber gestritten, ob das ADHS-Konzept selbst zu weit geraten ist; den seriösen Strang markieren etwa Richard Reeves’ Analyse der Jungen-Bildungskrise (Reeves, 2022) und Paul Toughs vielbeachteter Essay “Have We Been Thinking About A.D.H.D. All Wrong?” im New York Times Magazine (Tough, 2025). Parallel dazu hat die MAHA-Bewegung (Make America Healthy Again) um Robert F. Kennedy Jr. die Stimulanzienverschreibung zum gesundheitspolitischen Kampfthema gemacht, mit einer Rhetorik, die zwischen berechtigten Fragen und Pharma-Verschwörung nicht mehr unterscheidet. Genau deshalb gehört das Thema in eine nüchterne Auseinandersetzung: Wer die berechtigten Fragen den Kulturkämpfern überlässt, bekommt statt Diagnosekritik eine Anti-Medizin-Bewegung.

Zur Klarheit, weil dieser Abschnitt sonst missverstanden werden könnte: ADHS ist ein valides, gut beforschtes Störungsbild, und für betroffene Kinder ist eine korrekte Diagnose samt Behandlung ein Segen, kein Stigma. Die Evidenz oben betrifft Fehl- und Überdiagnostik an den Rändern, nicht die Existenz der Störung. Deutsche Diagnose- und Verschreibungsraten liegen zudem deutlich unter den amerikanischen. Aber ein System, in dem der Geburtsmonat und das Geschlecht messbar über eine psychiatrische Diagnose mitentscheiden, hat ein Validitätsproblem, und dieses Problem hat dieselbe Wurzel wie der Benotungsbias: Verhalten wird gelesen, als wäre es Substanz.

Die andere Seite: Was Konformität die Mädchen kostet

Wäre dieser Artikel hier zu Ende, wäre er einseitig, und zwar auf eine Weise, die dem Befund nicht gerecht wird. Denn die Konformitätslogik hat zwei Preisschilder.

Mädchen bekommen für ihre Anpassung bessere Noten. Was sie außerdem bekommen, zeigen die PISA-Daten zu schulbezogener Angst und die klinische Literatur zu internalisierenden Symptomen: mehr Leistungsangst, mehr Versagensfurcht, mehr nach innen gerichtete Belastung. In PISA 2022 berichten Mädchen im OECD-Schnitt konsistent höhere Mathematik- und Lernangst als Jungen, obwohl sie zugleich bei Selbststeuerungsstrategien vorn liegen (OECD, 2023). Und eine Analyse der PISA-2018-Daten von über 400.000 Fünfzehnjährigen zeigt, dass die höhere Versagensfurcht der Mädchen einen erheblichen Teil ihrer geringeren Lebenszufriedenheit erklärt, ein Effekt, der ausgerechnet in gleichstellungsorientierten Ländern am größten ist (Eriksson & Strimling, 2023). Auch hier gibt es eine dispositionelle Spur, die das Bild symmetrisch zum Steelman macht: In den Big Five liegen Mädchen im Schnitt höher in Neurotizismus, also emotionaler Reaktivität und Anfälligkeit für Angst und Grübeln, und dieser Unterschied nimmt seine Erwachsenenform genau um das Alter 14 an (Weisberg et al., 2011; De Bolle et al., 2015). Dieselbe Konstellation, die einen Teil des Notenvorsprungs erklärt (höhere Gewissenhaftigkeit), bringt auf der anderen Seite der Persönlichkeit eine höhere dispositionelle Last mit. Es gelten dieselben Vorbehalte wie oben: Die Effekte sind klein bis moderat, kulturell variabel und überwiegend selbstberichtet, taugen also als Mitursache, nicht als Alleinerklärung. Das unaufmerksame ADHS-Mädchen aus dem letzten Abschnitt ist die klinische Spitze desselben Musters: Wer nicht stört, wird nicht gesehen, weder im Guten noch im Schlechten.

Der Kernsatz dieses Artikels lautet deshalb nicht “die armen Jungen”. Er lautet: Das System belohnt Konformität mit guten Noten und bestraft sie mit Angst, und es bestraft Nonkonformität mit schlechten Noten und pathologisiert sie mit Diagnosen. Beides sind Kosten. Sie sind nur ungleich verteilt und ungleich sichtbar.

Dass die Sichtbarkeit selbst geschlechtsspezifisch verzerrt ist, hat die Forschung inzwischen sogar experimentell gezeigt: Menschen halten Männer, die zurückfallen, für weniger unterstützungswürdig als Frauen in derselben Lage, weil sie bei Männern eher mangelnde Anstrengung als Ursache vermuten (Cappelen et al., 2025). Das erklärt ein Stück weit, warum die Jungen-Bildungslücke seit zwanzig Jahren dokumentiert ist und trotzdem kaum institutionelle Antworten gefunden hat, und es sollte auch jene nachdenklich machen, die das Thema für ein rechtes Ablenkungsmanöver halten. Man kann die Benachteiligung von Mädchen und Frauen an anderen Stellen des Systems ernst nehmen und trotzdem anerkennen, dass hier, in der Schule, gerade etwas anderes passiert. Es ist kein Nullsummenspiel.

Die Aspirationslücke: Was Kinder glauben, werden zu können

Bis hierhin war dieser Artikel eine Geschichte über Bewertung: wie das System Verhalten misst und Kompetenz draufschreibt. Es gibt aber einen zweiten Strang, der nicht davon handelt, wie Kinder bewertet werden, sondern davon, was sie sich selbst zutrauen, und er ist besser belegt, als ich erwartet hatte.

Der zentrale Befund stammt von Fortin, Oreopoulos und Phipps (2015). Sie werteten drei Jahrzehnte US-Erhebungsdaten aus und zeigten, dass der Modus der Mädchen-Notenverteilung von den 1980ern bis in die 2000er von “B” auf “A” wanderte, während der der Jungen bei “B” blieb, die Mädchen also die Jungen “zurückließen”. Der wichtigste einzelne Faktor, der diesen Trend erklärt, unter Kontrolle der gemessenen Schulfähigkeit und schon ab der 8. Klasse messbar, waren geschlechtsspezifische Bildungserwartungen: Immer mehr Mädchen strebten einen höheren Abschluss an, und dieser Aspirationszuwachs allein genügte, um den Anstieg des Mädchen-Anteils an Bestnoten zu erklären. Eine unabhängige Analyse mit den Add-Health-Daten kommt zu einem noch schärferen Schluss (Lundberg, 2020): Der schulische Rückstand der Jungen ist nicht nur eine Verhaltens- oder Kompetenzlücke, sondern zusätzlich eine Aspirationslücke, und diese Aspirationslücke lässt sich nicht als bloße Rationalisierung schlechterer Noten wegerklären, auch nicht bei Kontrolle von Elternerwartungen und Schulleistung. Sie wirkt als eigenständiger, vorgelagerter Einfluss.

Das ist theoretisch bedeutsam, weil es dieselbe Warnung ausspricht wie Abschnitt 4, nur von der anderen Seite: Wer das “Verhaltensdefizit” der Jungen als hartverdrahtete Fähigkeitslücke liest statt als Ergebnis einer geschlechtsgeprägten Identitätssuche, wird die falschen Interventionen entwerfen. Unter Jungen kann Nonkonformität, das demonstrative Nicht-Anstrengen, zur Statusquelle werden (”smart boys get high marks without showing effort”), und Aspiration hängt daran, wer man in den Augen der Peers sein will. Ein europäischer Anker stützt die Übertragbarkeit: Für Norwegen zeigt Reisel (2025), dass Bildungserwartungen und männlich-typische Berufsaspirationen etwa ein Drittel der Geschlechterdifferenz im Notendurchschnitt der 10. Klasse erklären. Alle diese Studien sind beobachtungsbasiert und können die Kausalrichtung nicht wasserdicht sichern; Fortin et al. argumentieren immerhin damit, dass der Aspirationssprung der Mädchen dem Notensprung zeitlich vorausging.

Und hier kommt die Alltagsbeobachtung ins Spiel, die den Anstoß zu diesem Abschnitt gab und die ich bewusst ans Ende stelle, weil sie der am wenigsten quantifizierte Teil ist: Die Botschaft “ein Mädchen kann alles werden” ist gesellschaftlich breit verankert, in Kampagnen, Kinderbüchern, Förderprogrammen. Ein entsprechendes, positiv besetztes Aspirationsnarrativ für Jungen fehlt weitgehend, und wo es auftaucht, wirkt es defensiv. Es wäre erstaunlich, wenn diese kulturelle Asymmetrie folgenlos bliebe, wo doch die Aspirationsdaten so deutlich sprechen. Ich behandle den Zusammenhang trotzdem als Hypothese, nicht als Befund, denn zwischen “die Ermutigungsbotschaft ist asymmetrisch” und “deshalb schneiden Jungen schlechter ab” liegt genau die Art unbewiesener Kausalbehauptung, die dieser Artikel sonst meidet. Was belegt ist, ist bescheidener und trotzdem gewichtig: Es gibt eine messbare Aspirationslücke, sie ist teilweise unabhängig vom Benotungs- und Diagnostikmechanismus, und sie ist selbst identitätsgeprägt. Sie ist damit die dritte Säule neben Benotungsbias und Medikalisierung, und alle drei zeigen dasselbe Muster: Etwas Soziales, Verhaltensbezogenes oder Kulturelles wird als etwas Festes fehlgelesen.

Und mein Milieu-Fall? Eine Selbstkorrektur vorab

Als ich die Skizze zu diesem Artikel schrieb, war meine Arbeitshypothese: Der übergewichtige faule Junge ist fast (ich habe keinen Migrationshintergrund) der systematische Worst Case , mein eigener Fall also das Muster. Die Daten haben mich da nur teilweise bestätigt, und das gehört transparent gemacht.

Auf der Notenebene stimmt die Additionsthese: Bei Nennstiel und Gilgen (2024) stapeln sich die Nachteile von Geschlecht, Gewicht, Herkunft und Status tatsächlich. Auf der Ebene des Gymnasialbesuchs ist das Bild komplizierter. In den USA gilt das Muster “Males at the Tails”: Dort sind Jungen am unteren Ende der Einkommensverteilung mit Abstand am stärksten benachteiligt (Autor et al., 2023; Reeves, 2022). Für Deutschland zeigt der Chancenmonitor ein anderes Bild. In Prozentpunkten ist der Gender-Gap an den Rändern der Einkommensverteilung am kleinsten (3,5 ganz unten, 3,3 ganz oben) und in der Mitte am größten, mit bis zu 9 Prozentpunkten bei Haushaltseinkommen zwischen 4.000 und 6.000 Euro. Relativ betrachtet, also gemessen am Niveau des Gymnasialbesuchs der Mädchen derselben Gruppe, nimmt der Gap mit Bildung und Einkommen der Eltern dagegen kontinuierlich ab, von 24,1 Prozent bei Eltern ohne Abitur auf 5,4 Prozent bei zwei Abitur-Elternteilen (Wößmann et al., 2026).

Je nachdem, welche Brille man aufsetzt, ist der Jungen-Nachteil also ein Mittelschichtsphänomen (absolut) oder ein Phänomen, das unten am schwersten wiegt (relativ). Was er sicher nicht ist: eine simple Kopie des amerikanischen Musters. Meine Vignette bleibt damit, was sie von Anfang an war, eine Illustration des Mechanismus, kein Beleg für eine Intersektionalitätsthese. Der Mechanismus selbst, Verhalten und Erscheinung überlagern das Kompetenzsignal, ist dagegen gut belegt, quer durch alle Milieus.

Was folgt daraus? Messfehlerkorrektur statt Kulturkampf

Die gute Nachricht dieses Artikels ist, dass aus ihm keine Systemanklage folgt, sondern etwas viel Bescheideneres und Machbareres: eine Messfehlerkorrektur. Wer Noten als Kompetenzsignal ernst nimmt, muss sie vom Verhaltenssignal trennen.

Konkret:

Erstens, die Trennung von Fach- und Verhaltensrückmeldung. Verhalten darf und soll rückgemeldet werden, aber ausgewiesen, nicht unsichtbar in die Deutschnote eingemischt. Nennstiel und Gilgen formulieren es trocken: Wenn Noten ein Kompetenzmaß sein sollen, dürfte das Verhalten bei gleicher Kompetenz keinen zusätzlichen Einfluss auf die Zeugnisnote haben.

Zweitens, Strukturierung der Bewertung. Der größte Bias findet sich dort, wo der Bewertungsspielraum am größten ist. Es gibt experimentelle Evidenz, dass klar definierte Bewertungsrubriken Verzerrungen messbar reduzieren (Quinn, 2020). Dasselbe gilt für die Gymnasialempfehlung: Je stärker sie an objektivierte Kriterien gebunden ist, desto weniger Raum hat das Bauchgefühl, und das Bauchgefühl ist, wie Bruchmüller und Kuhl und Hannover zeigen, kein neutraler Gutachter.

Drittens, Selbstregulation fördern statt nur bestrafen. Hier ist Vorsicht angebracht, gerade in einem Newsletter, der sich der Replikationskrise verschrieben hat, und der interessanteste Befund ist zugleich ein Warnsignal in eigener Sache. Es gibt zwei hochwertige randomisierte Studien, die nahelegen, dass sich sozioemotionale Kompetenzen trainieren lassen. Ein Schweizer Grundschulprogramm (das PATHS-Curriculum, ausgewertet über die Zürcher z-proso-Kohorte) reduzierte ADHS-Symptome und impulsives Verhalten und erhöhte über ein Jahrzehnt später den Abschluss der akademischen Oberstufe und die Studienaufnahme (Sorrenti et al., 2025). Ein kanadisches Programm, das gezielt verhaltensauffällige Jungen über zwei Jahre trainierte, zeigte positive Effekte bis ins Erwachsenenalter, auf Selbstkontrolle, Schulleistung, Beschäftigung und verringerte Kriminalität (Algan et al., 2022).

Zwei Ehrlichkeitsklauseln gehören dazu. Erstens ist das keine breite Evidenzbasis, sondern es sind im Kern zwei Einzel-RCTs; das übergreifende Feld sozioemotionaler Interventionen (SEL) hat gemischtere Ergebnisse, und ich habe in “Fundamente aus Sand” selbst beschrieben, wie schnell sich einzelne spektakuläre Bildungseffekte in der Replikation verflüchtigen. Aus zwei guten Studien wird keine Gewissheit. Zweitens, und das ist die für diesen Artikel entscheidende Pointe: Im Zürcher Programm stiegen die Noten, aber nicht die standardisierten Testleistungen (die behandelten Kinder wurden weniger impulsiv und störend und dadurch besser benotet, ohne im Test mehr zu leisten). In der Logik dieses Artikels ist das kein reines Erfolgssignal, sondern ambivalent: Es könnte heißen, dass das Training echte Selbstregulation aufbaut, die später trägt. Es könnte aber auch heißen, dass es die Kinder vor allem konformer und damit besser benotbar macht, also genau an dem Verhaltenssignal ansetzt, dessen Vermischung mit der Kompetenznote dieser Artikel kritisiert. Wer sein eigenes Test-versus-Note-Kriterium ernst nimmt, muss diese Ambivalenz benennen, statt die Studie als bequemen Beleg zu verbuchen. Selbstregulationsförderung ist ein vielversprechender, aber noch kein abgesicherter Weg.

Viertens, die Stichtags- und Reifefrage ehrlich diskutieren. Richard Reeves’ bekanntester Vorschlag, Jungen ein Jahr später einzuschulen (”redshirting”), adressiert exakt den relativen Alterseffekt aus Abschnitt 5. Er ist aber ein diskutierter, kein belegter Lösungsweg: Kritiker:innen wenden ein, dass spätere Einschulung den relativen Alterseffekt womöglich nur auf andere Kinder verschiebt, denn irgendjemand ist immer der Jüngste der Klasse. Seriöser als eine pauschale Verschiebung wäre, die Reife-Komponente aus Benotung und Diagnostik herauszurechnen, also das Altersartefakt an der Quelle zu korrigieren statt am Stichtag.

Fünftens, an der Aspirationslücke ansetzen, aber ohne Symbolpolitik. Wenn ein Teil des Rückstands aus dem geringeren Zutrauen der Jungen stammt (Abschnitt 7), liegt die Förderung von Bildungsaspiration nahe. Hier ist die Evidenz ermutigender als beim Selbstregulationstraining, aber sie hat eine klare Bedingung: Kurzfristige Einzelmaßnahmen, etwa ein einmaliger Vorbildbesuch, verändern stereotype Überzeugungen nur vorübergehend, während langfristige Exposition (etwa dauerhafte Mentoring-Beziehungen oder Vorbilder im nahen Umfeld) Aspirationen nachhaltig verschiebt (OECD, 2025). Deutsche Feldexperimente stützen das: Mentoring verbessert gerade bei benachteiligten Jugendlichen Schulnoten, Bildungslaufbahn und den Übergang in den Beruf, und einzelne Programme zeigen Effekte speziell bei Jungen (Resnjanskij et al., 2024; Carlana et al., 2022). Ein Boys’ Day mag ein Anfang sein, aber die Wirkung entsteht in der Dauer, nicht im Aktionstag.

Der ifo-Chancenmonitor hat aus der Forschungslage sechs Handlungsempfehlungen für die Bildungschancen von Jungen destilliert, und eine davon ist fast wörtlich das Anliegen dieses Artikels: Benotungs- und Empfehlungspraxis sollen so differenzieren, dass Jungen bei gleicher Leistung nicht wegen weniger angepassten Verhaltens schlechter bewertet werden (Wößmann et al., 2026).

Ausblick: Das andere Ende der Pipeline

Das Zwischenfazit der Serie nach zwei Teilen: Der weibliche Überhang an den Hochschulen, mit dem Teil 1 begann, entsteht in der Schule, und zwar aus drei Quellen. Einem realen Kompetenz- und Selbstregulationsvorsprung der Mädchen, der Anerkennung verdient. Einer systematischen Verhaltensbewertung, die als Kompetenzmessung verkleidet ist und Jungen wie nonkonforme Kinder insgesamt zurückwirft, während sie konformen Kindern einen Preis in anderer Währung abnimmt. Und einer Aspirationslücke, die weniger davon handelt, wie Kinder bewertet werden, als davon, was sie sich zutrauen und was von ihnen erwartet wird. Alle drei teilen ein Muster: Etwas Soziales, Verhaltensbezogenes oder Kulturelles wird als etwas Festes fehlgelesen.

Am anderen Ende der Bildungspipeline kippt das Bild dann vollständig. Die Frauen, die das Schulsystem so erfolgreich durchlaufen und mittlerweile die Mehrheit der Studierenden, Absolvent:innen und bald auch der Promovierenden stellen, verschwinden auf dem Weg zur Professur. Warum das kein Qualifikationsproblem ist, was die Geburt des ersten Kindes damit zu tun hat und warum man beide Enden der Pipeline gleichzeitig ernst nehmen muss, ohne sie gegeneinander aufzurechnen, ist das Thema von Teil 3.

Teilen

Literatur

• Algan, Y., Beasley, E., Côté, S., Park, J., Tremblay, R. E., & Vitaro, F. (2022). The impact of childhood social skills and self-control training on economic and noneconomic outcomes: Evidence from a randomized experiment using administrative data. American Economic Review, 112(8), 2553–2579.

• Autor, D., Figlio, D., Karbownik, K., Roth, J., & Wasserman, M. (2023). Males at the tails: How socioeconomic status shapes the gender gap. Economic Journal, 133(656), 3136–3152.

• Bos, W., Hornberg, S., Arnold, K. H., Faust, G., Fried, L., Lankes, E.-M., Schwippert, K., & Valtin, R. (Hrsg.) (2007). IGLU 2006: Lesekompetenzen von Grundschulkindern in Deutschland im internationalen Vergleich. Waxmann.

• Bruchmüller, K., Margraf, J., & Schneider, S. (2012). Is ADHD diagnosed in accord with diagnostic criteria? Overdiagnosis and influence of client gender on diagnosis. Journal of Consulting and Clinical Psychology, 80(1), 128–138.

• Cappelen, A. W., Falch, R., & Tungodden, B. (2025). Experimental evidence on the acceptance of males falling behind. Journal of the European Economic Association, 23(6), 2212–2240.

• Carlana, M., La Ferrara, E., & Pinotti, P. (2022). Goals and gaps: Educational careers of immigrant children. Econometrica, 90(1), 1–29.

• Cornwell, C., Mustard, D. B., & Van Parys, J. (2013). Noncognitive skills and the gender disparities in test scores and teacher assessments: Evidence from primary school. Journal of Human Resources, 48(1), 238–266.

• De Bolle, M., De Fruyt, F., McCrae, R. R., Löckenhoff, C. E., Costa, P. T., et al. (2015). The emergence of sex differences in personality traits in early adolescence: A cross-sectional, cross-cultural study. Journal of Personality and Social Psychology, 108(1), 171–185.

• de Zeeuw, E. L., van Beijsterveldt, C. E. M., Lubke, G. H., Glasner, T. J., & Boomsma, D. I. (2015). Childhood ODD and ADHD behavior: The effect of classroom sharing, gender, teacher gender and their interactions. Behavior Genetics, 45(4), 394–408.

• Dee, T. S. (2005). A teacher like me: Does race, ethnicity, or gender matter? American Economic Review, 95(2), 158–165.

• Dee, T. S. (2007). Teachers and the gender gaps in student achievement. Journal of Human Resources, 42(3), 528–554.

• Eriksson, K., & Strimling, P. (2023). Gender differences in competitiveness and fear of failure help explain why girls have lower life satisfaction than boys in gender equal countries. Frontiers in Psychology, 14, 1131837.

• Fortin, N. M., Oreopoulos, P., & Phipps, S. (2015). Leaving boys behind: Gender disparities in high academic achievement. Journal of Human Resources, 50(3), 549–579.

• Frisira, E., Holland, J., & Sayal, K. (2025). Systematic review and meta-analysis: Relative age in attention-deficit/hyperactivity disorder and autism spectrum disorder. European Child & Adolescent Psychiatry, 34, 381–401.

• Gentrup, S., Liebelt, A., & Lohbeck, A. (2023). Geschlechtsbezogene Disparitäten. In P. Stanat et al. (Hrsg.), IQB-Bildungstrend 2022 (S. 231–260). Waxmann.

• Gentrup, S., Schipolowski, S., & Wittig, J. (2022). Geschlechtsbezogene Disparitäten. In P. Stanat et al. (Hrsg.), IQB-Bildungstrend 2021 (S. 127–150). Waxmann.

• Göbel, K., Baumgarten, F., Kuntz, B., Hölling, H., & Schlack, R. (2018). ADHS bei Kindern und Jugendlichen in Deutschland: Querschnittergebnisse aus KiGGS Welle 2 und Trends. Journal of Health Monitoring, 3(3), 46–53.

• Hadjar, A., Backes, S., & Gysin, S. (2015). School alienation, patriarchal gender-role orientations and the lower educational success of boys. Masculinities and Social Change, 4(1), 85–116.

• Hannover, B., Koeppen, K., & Kreutzmann, M. (2022). Die Qualität des Lehrkraftverhaltens in Lehrkraft-Kind-Dyaden. Zeitschrift für Pädagogische Psychologie, 36(1–2), 65–84.

• Heckman, J. J., & Kautz, T. (2012). Hard evidence on soft skills. Labour Economics, 19(4), 451–464.

• Heckman, J. J., Stixrud, J., & Urzua, S. (2006). The effects of cognitive and noncognitive abilities on labor market outcomes and social behavior. Journal of Labor Economics, 24(3), 411–482.

• Heyder, A., & Kessels, U. (2013). Is school feminine? Implicit gender stereotyping of school as a predictor of academic achievement. Sex Roles, 69(11–12), 605–617.

• Hübner, N., Jansen, M., Stanat, P., Bohl, T., & Wagner, W. (2024). Alles eine Frage des Bundeslandes? Eine mehrebenenanalytische Betrachtung der eingeschränkten Vergleichbarkeit von Schulnoten. Zeitschrift für Erziehungswissenschaft, 27(2), 517–549. [Quelle für die Notenstreuung, Gymnasium Jg. 9: Englisch SD = 0,89, Mathematik SD = 1,04.]

• Hußmann, A., Wendt, H., Bos, W., et al. (Hrsg.) (2017). IGLU 2016: Lesekompetenzen von Grundschulkindern in Deutschland im internationalen Vergleich. Waxmann.

• Kessels, U., Heyder, A., Latsch, M., & Hannover, B. (2014). How gender differences in academic engagement relate to students’ gender identity. Educational Research, 56(2), 220–229.

• Kuhl, P., & Hannover, B. (2012). Differenzielle Benotungen von Mädchen und Jungen: Der Einfluss der von der Lehrkraft eingeschätzten Kompetenz zum selbstgesteuerten Lernen. Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 44(3), 153–162.

• Lundberg, S. (2020). Educational gender gaps. Southern Economic Journal, 87(2), 416–439.

• McElvany, N., Lorenz, R., Frey, A., Goldhammer, F., Schilcher, A., & Stubbe, T. C. (Hrsg.) (2023). IGLU 2021: Lesekompetenz von Grundschulkindern im internationalen Vergleich und im Trend über 20 Jahre. Waxmann.

• Nennstiel, R., & Gilgen, S. (2024). Does chubby Can get lower grades than skinny Sophie? Using an intersectional approach to uncover grading bias in German secondary schools. PLOS ONE, 19(7), e0305703.

• Neugebauer, M., Helbig, M., & Landmann, A. (2011). Unmasking the myth of the same-sex teacher advantage. European Sociological Review, 27(5), 669–689.

• OECD (2023). PISA 2022 results (Vol. I): The state of learning and equity in education. OECD Publishing.

• OECD (2025). Gender equality in a changing world: Taking stock and moving forward. Gender Equality at Work, OECD Publishing, Paris, https://doi.org/10.1787/e808086f-en.

• Quinn, D. M. (2020). Experimental evidence on teachers’ racial bias in student evaluation: The role of grading scales. Educational Evaluation and Policy Analysis, 42(3), 375–392.

• Reeves, R. V. (2022). Of boys and men: Why the modern male is struggling, why it matters, and what to do about it. Brookings Institution Press.

• Reisel, L. (2025). Primary and secondary effects of gender on educational attainment: Toward a better understanding of the academic underachievement of boys. Socius, 11. https://doi.org/10.1177/23780231251367066

• Resnjanskij, S., Ruhose, J., Wiederhold, S., Wößmann, L., & Wedel, K. (2024). Can mentoring alleviate family disadvantage in adolescence? A field experiment to improve labor-market prospects. Journal of Political Economy, 132(3), 1013–1062.

• Rucklidge, J. J. (2010). Gender differences in attention-deficit/hyperactivity disorder. The Psychiatric Clinics of North America, 33(2), 357–373.

• Schaede, U., & Mankki, V. (2026). Quota versus quality? Long-term gains from an unusual gender quota. American Economic Review, 116(6), 1996–2037.

• Schwandt, H., & Wuppermann, A. (2016). The youngest get the pill: ADHD misdiagnosis in Germany, its regional correlates and international comparison. Labour Economics, 43, 72–86.

• Schwippert, K., Kasper, D., Eickelmann, B., et al. (Hrsg.) (2024). TIMSS 2023: Mathematische und naturwissenschaftliche Kompetenzen von Grundschulkindern in Deutschland im internationalen Vergleich. Waxmann.

• Sorrenti, G., Zölitz, U., Ribeaud, D., & Eisner, M. (2025). The causal impact of socio-emotional skills training on educational success. Review of Economic Studies, 92(1), 506–552.

• Stollhoff, K. (2021). Wie sich ADHS bei den Geschlechtern äußert. Pädiatrie, 33(5), 15.

• Terrier, C. (2020). Boys lag behind: How teachers’ gender biases affect student achievement. Economics of Education Review, 77, 101981.

• Tough, P. (2025, 13. April). Have we been thinking about A.D.H.D. all wrong? The New York Times Magazine.

• Winters, M. A., Haight, R. C., Swaim, T. T., & Pickering, K. A. (2013). The effect of same-gender teacher assignment on student achievement in the elementary and secondary grades: Evidence from panel data. Economics of Education Review, 34, 69–75.

• Weisberg, Y. J., DeYoung, C. G., & Hirsh, J. B. (2011). Gender differences in personality across the ten aspects of the Big Five. Frontiers in Psychology, 2, 178.

• Wohlkinger, F., & Ditton, H. (2023). Inequality in educational transitions during secondary school: Results from the German National Educational Panel Study. In S. Weinert et al. (Hrsg.), Education, competence development and career trajectories (S. 179–204). Springer.

• Wößmann, L., Freundl, V., Pfaehler, F., Schoner, F., & Tsaberiaba, O. (2026). Der Chancenmonitor von ifo und “Ein Herz für Kinder”: Große Bildungsunterschiede nach sozialer Herkunft, Jungen seltener auf dem Gymnasium. ifo Schnelldienst digital, 7(5).
  
  

Teil 1 einer dreiteiligen Serie. Teil 2 nimmt die Schulen in den Blick, Teil 3 die andere Seite der Pipeline, den Weg zur Professur und das Vereinbarkeitsproblem.

Anfang Juli meldete das Statistische Landesamt BW eine Zahl, die es so noch nie gegeben hat. Im Wintersemester 2025/26 sind an den Hochschulen Baden-Württembergs erstmals mehr Frauen als Männer eingeschrieben, 173.908 zu 172.746, ein Frauenanteil von 50,2 Prozent (Statistisches Landesamt Baden-Württemberg, 2026). Eine runde Marke, ein sauberer Aufmacher, und in fast allen Kommentaren derselbe Subtext: Die Gleichstellung hat ihr Ziel erreicht, die Frauen haben die Männer eingeholt.

Der Aufstieg der Frauen im Bildungssystem ist real, und er ist eine Errungenschaft. Über ein Vierteljahrhundert ist der Frauenanteil an den baden-württembergischen Hochschulen von 39,6 Prozent im Wintersemester 1995/96 auf die heutigen 50,2 Prozent gestiegen. Wer diese Linie sieht, sieht die Öffnung des Bildungssystems für Frauen, verdichtet in einer einzigen Kurve.

Und trotzdem stimmt an der Erfolgserzählung etwas nicht. Denn wenn man fragt, was dieser konkrete Kipppunkt eigentlich misst, führt die Spur nicht primär in die Gleichstellungsbüros der Hochschulen, sondern zurück in die Schule. Dieser Text geht die Bildungspipeline Stufe für Stufe ab, von der Immatrikulation zurück bis zum Schulabschluss und wieder vorwärts bis zum Examen. Am Ende steht eine unbequemere und, wie ich finde, interessantere Beobachtung als das Jubiläum der 50 Prozent.

Jetzt abonnieren

Der Meilenstein und seine Risse

Bevor wir den Meilenstein deuten, zwei Beobachtungen, die im Jubel untergehen.

Erstens, die Gesamtzahl schrumpft. Vom Höchststand mit rund 359.900 Studierenden im Wintersemester 2016/17 ist sie auf 346.654 gefallen. Der Frauenanteil steigt also in einem insgesamt kleiner werdenden System. Ein Anteil kann auf zwei Wegen wachsen, indem der Zähler zunimmt oder indem der Nenner abnimmt. Welcher Weg hier vorliegt, ist hier die entscheidende Frage.

Zweitens, die Marke wurde spät erreicht. Bei den Studienanfänger:innen im ersten Hochschulsemester haben die Frauen die 50 Prozent schon 2019 überschritten. Dass der Bestand erst jetzt nachzieht, ist keine Überraschung, sondern die normale Trägheit einer Bestandsgröße, die fünf bis sechs Eintrittsjahrgänge mittelt.

Zwei Dinge sind hier gleichzeitig wahr, und man muss sie auseinanderhalten. Der lange Trend ist ein Vierteljahrhundert Frauenaufstieg. Der konkrete Kipppunkt ist etwas anderes. Um zu sehen, was, müssen wir den Anteil in seine Bestandteile zerlegen.

Was der Kipppunkt wirklich misst

Ein Frauenanteil von 50,2 Prozent kann bedeuten, dass mehr Frauen kommen. Er kann aber auch bedeuten, dass weniger Männer kommen. Die Zahlen sind eindeutig, und sie zeigen überwiegend das Zweite.

Bei den Studienanfänger:innen ist die Zahl der Erstsemester zwischen 2014 und 2024 um 5.916 zurückgegangen. Davon entfallen 5.087 auf Männer und nur 829 auf Frauen. Anders gesagt, 86 Prozent des gesamten Anfängerrückgangs sind ausbleibende Männer. Die weibliche Zugangszahl ist über das Jahrzehnt nahezu stabil geblieben, die männliche ist weggebrochen.

Im Bestand ist das Muster noch deutlicher. Seit dem männlichen Höchststand im Wintersemester 2016/17 haben die Hochschulen 16.681 männliche Studierende verloren, während die Zahl der weiblichen Studierenden im selben Zeitraum um 3.473 gestiegen ist. Der weibliche Überhang entsteht also nicht dadurch, dass die Frauen die Männer überholen, sondern dadurch, dass die Männer zurückweichen, während die Frauen weiter zulegen.

Teilen

Damit ist die Ausgangsfrage präziser zu beantworten, als es das übliche Entweder-oder erlaubt. Der lange Anstieg ist Frauenaufstieg, und den sollte man als das benennen, was er ist, eine Errungenschaft der Bildungsöffnung. Der konkrete Flip aber ist Männerrückzug. Beide Aussagen widersprechen sich nicht und bedingen sich auch nicht gegenseitig. Richard Reeves hat dafür die passende Denkfigur geliefert, das Geschlechterverhältnis in der Bildung ist kein Nullsummenspiel (Reeves, 2022). Dass es Frauen besser geht, ist nicht die Ursache dafür, dass es Männern schlechter geht. Beides kann eigene Gründe haben und beides kann gleichzeitig gelten.

Wenn aber der Kipppunkt wesentlich Männerrückzug ist, dann lautet die nächste Frage, wo dieser Rückzug beginnt. Und hier führt die Spur aus der Hochschule heraus.

Zurück an den Anfang: Der Bruch entsteht in der Schule

Der Zugang zur Hochschule wird nicht an der Hochschule entschieden, sondern lange davor, mit dem Schulabschluss. Sieht man sich die Schulabgänge in Baden-Württemberg nach Abschlussart an, zeigt sich ein bemerkenswert klares Muster. Je höher der Abschluss, desto weiblicher der Jahrgang, und dieses Gefälle ist über die gesamte Leistungsverteilung sichtbar, nicht nur an der Spitze.

Unter den Abgänger:innen ohne Abschluss sind nur 38,7 Prozent weiblich, Jungen stellen hier also rund 61 Prozent. Beim Hauptschulabschluss sind es 41,6 Prozent Frauen, beim Realschulabschluss 49,4 Prozent, und erst bei der Hochschulreife stellen die Frauen mit 55,4 Prozent die Mehrheit (Statistisches Landesamt Baden-Württemberg, 2026). Jungen fallen also am unteren Ende überproportional heraus und kommen am oberen Ende seltener an.

Zwei Dinge sind daran wichtig. Erstens ist dieser weibliche Überhang beim Abitur nicht neu. Der Frauenanteil unter den Abiturient:innen liegt seit rund zwanzig Jahren stabil bei 54 bis 55 Prozent. Die Feminisierung der Abiturstufe ist ein bekannter Zustand, keine frische Entwicklung.

Zweitens, und das verbindet die Schulstufe direkt mit dem Männerrückzug an der Hochschule, ist der Schwund schon vor der Immatrikulation angelegt. Die absolute Zahl männlicher Abiturienten an allgemeinbildenden Schulen ist im letzten Jahrzehnt um rund 15 Prozent gefallen. Der Rückgang der männlichen Studienanfänger im praktisch selben Zeitraum betrug rund 13 Prozent. Die beiden Kurven sind fast deckungsgleich. Männer verschwinden also nicht zwischen Abitur und Immatrikulation, sie kommen bereits in geringerer Zahl aus der Schule.

Hinter dem geringeren Zugang steht auch eine Leistungslücke. Männliche Abiturienten haben im Mittel die schlechteren Abiturnoten, und im Spitzenbereich klafft es besonders weit auseinander (Müller, 2021). Das hat unmittelbare Folgen für die zulassungsbeschränkten Fächer, in denen die Note über den Zugang entscheidet. Warum Mädchen im Schnitt die besseren Schulnoten erreichen, ist allerdings alles andere als geklärt, und die naheliegenden Erklärungen widersprechen einander. Diese Frage, samt der Spannung zwischen Zeugnisnoten und standardisierten Leistungstests und der heiklen Möglichkeit eines Bewertungsbias, ist Gegenstand von Teil 2 dieser Serie. Für den Moment genügt der deskriptive Befund: Die geschlechtliche Schieflage der Hochschule wird in der Schule gebildet, über die ganze Verteilung hinweg.

Der Übergang, der fast nichts tut

Bleibt die Frage, ob nicht doch die Hochschulstufe selbst den Frauenüberhang verstärkt, etwa weil Frauen mit Hochschulzugangsberechtigung häufiger ein Studium aufnehmen als Männer. Die Daten sagen das Gegenteil, und zwar überraschend deutlich.

Kombiniert man beide Wege zur Studienberechtigung, also die allgemeinbildenden und die beruflichen Schulen, dann lag der Frauenanteil unter den Studienberechtigten in Baden-Württemberg 2025 bei 52,4 Prozent (Statistisches Bundesamt, 2026). Der Frauenanteil unter den Studienanfänger:innen liegt bei 51,1 Prozent. Zwischen Studienberechtigung und Immatrikulation gehen also nur etwa 1,3 Prozentpunkte verloren. Der Übergang ins Studium ist in Baden-Württemberg praktisch geschlechtsneutral. Frauen und Männer mit Hochschulzugangsberechtigung immatrikulieren sich in nahezu gleichem Verhältnis.

Interessant wird es beim Blick auf die zwei Wege getrennt. Die allgemeine Hochschulreife, das klassische Abitur, wird zu 55,3 Prozent von Frauen erworben. Die Fachhochschulreife dagegen ist in Baden-Württemberg männlich geprägt, nur 42,5 Prozent der Absolvent:innen sind Frauen. Weil das Abitur eher an die Universitäten führt und die Fachhochschulreife eher an die Hochschulen für Angewandte Wissenschaften, ist die alte geschlechtliche Prägung der Hochschularten schon in der Zugangsberechtigung angelegt. Genau das erklärt im Rückblick, warum die Universitäten früh paritätisch waren, während die HAW lange männlich blieben und erst spät aufgeholt haben. Der Kreis schließt sich.

In der Hochschule: sechs von acht Feldern gekippt

Wenn die Hochschule den Überhang nur erbt, was passiert dann innerhalb der Hochschule? Hier hat sich viel bewegt, und zwar zugunsten der Frauen. In sechs der acht Fächergruppen stellen sie inzwischen die Mehrheit. Selbst Mathematik und Naturwissenschaften sind gekippt, mit 53,1 Prozent Frauen unter den Studierenden und 55,0 Prozent unter den Anfänger:innen. Die verbreitete Formel, MINT sei männlich, ist damit empirisch auf Ebene der Studierenden nicht mehr haltbar.

Männlich geblieben sind allein zwei Felder, der Sport mit 42,1 Prozent Frauen und, deutlich ausgeprägter, das Ingenieurwesen mit nur 24,5 Prozent. Genau dieser eine Pol hält die Spannweite über die Fächer weit offen, sie reicht von rund 24 bis über 70 Prozent. Parität im Aggregat heißt also nicht Parität überall, sondern breite weibliche Mehrheiten neben einer einzigen, weiter stark männlichen Domäne.

Eine Einschränkung gehört dazu. Diese Zahlen sind eine Momentaufnahme. Ob die horizontale Segregation über die Jahre abgenommen oder sich gehalten hat, lässt sich daraus nicht ablesen, und die grobe Einteilung in Fächergruppen unterschätzt zudem die feinere Trennung innerhalb der Gruppen, etwa zwischen Informatik und Sozialer Arbeit.

Fallbeispiel Konstanz: zwanzig Jahre voraus

Wie unterschiedlich diese Fächerstruktur auf einzelne Hochschulen durchschlägt, zeigt ein Blick nach Konstanz. Die Universität Konstanz ist dafür ein besonders klarer Fall, und zugleich einer, an dem sich die beiden Botschaften dieses Textes an einem Ort bündeln. Konstanz hat die 50-Prozent-Marke schon um das Jahr 2000 überschritten, zwei Jahrzehnte vor dem Land. Der Frauenanteil an den Studierenden stieg von 42,7 Prozent im Wintersemester 1995/96 auf 58,7 Prozent im Wintersemester 2024/25, bei den Studienanfänger:innen liegt er inzwischen bei 63,4 Prozent. In der reinen Aufstiegsbewegung der Frauen ist Konstanz dem Land also weit voraus.

Ein Teil dieses hohen Sockels ist schlicht Fächerstruktur. Konstanz besteht zu rund 91 Prozent aus drei Blöcken, die alle weiblich oder ausgeglichen sind: Rechts-, Wirtschafts- und Sozialwissenschaften (48 Prozent der Studierenden, darunter 60,7 Prozent Frauen), Mathematik und Naturwissenschaften (22 Prozent, 53,1 Prozent Frauen) und Geisteswissenschaften (21 Prozent, 70,4 Prozent Frauen). Das eine männlich dominierte Feld, das Ingenieurwesen (in Konstanz ist das konkret die Informatik), macht hier nur 4,8 Prozent aus. Wo der große technische Block fehlt, der landesweit die Männermehrheit trägt, schlägt die Grundverteilung der Fächer voll auf die Gesamtquote durch. Konstanz startet also von einem hohen weiblichen Sockel, weil ihm die männlichste Fächergruppe strukturell fehlt.

Die jüngste Bewegung aber ist etwas anderes als Struktur, und hier kehrt das Landesmuster in verschärfter Form wieder. Von 2004 bis 2016 lag der Frauenanteil in Konstanz flach bei 54 bis 55 Prozent. Erst seit dem Höchststand mit 11.552 Studierenden im Wintersemester 2016/17 klettert er steil, und der Grund ist der Rückzug der Männer. Zwischen den Wintersemestern 2014/15 und 2024/25 verlor Konstanz 1.372 Studierende, davon 1.100 Männer und nur 272 Frauen. Das sind 80 Prozent des Rückgangs, die auf ausbleibende Männer entfallen, fast deckungsgleich mit den 86 Prozent landesweit. Am Eingang dasselbe Bild, die Zahl der männlichen Erstsemester fiel zwischen 2015 und 2024 um 29 Prozent, die der weiblichen nur um 16 Prozent.

Konstanz zeigt damit beides zugleich, und deshalb ist es ein so nützliches Beispiel. Es ist der Ort, an dem der Zugang von Frauen am weitesten gediehen ist, ein realer Erfolg der Bildungsöffnung. Und es ist zugleich der Ort, an dem der Männerrückzug am deutlichsten zu besichtigen ist. Der hohe Sockel ist Fächerstruktur, die jüngste Bewegung ist Männerschwund. Beide Geschichten laufen hier parallel, ohne dass die eine die andere aufhebt.

Am Ausgang: Abbruch ist der kleinere Kanal

Bleibt der letzte Abschnitt der Pipeline, der Abschluss. Wenn Männer seltener kommen, brechen sie vielleicht zusätzlich häufiger ab? Der Effekt existiert, ist aber klein.

Vergleicht man kohortenversetzt den Frauenanteil beim Eintritt mit dem beim Abschluss, liegt der Anteil unter den Absolvent:innen um etwa 0,5 bis 0,8 Prozentpunkte höher als beim entsprechenden Eintrittsjahrgang. Als Ausbeute gerechnet wandeln Frauen ihren Studienbeginn rund vier Prozent häufiger in einen Abschluss um als Männer. Die Richtung stützt die Vermutung, Männer brechen etwas häufiger ab. Die Größenordnung aber verschwindet neben dem Eintrittskanal. Dort waren es 86 Prozent des Anfängerrückgangs, hier sind es vier Prozent Ausbeuteunterschied.

Damit lässt sich der dominante Mechanismus benennen. Männer verschwinden aus der Hochschule nicht in erster Linie, weil sie scheitern, sondern weil sie gar nicht erst kommen. Das verschiebt die Diagnose von der Studienbindung zur Zugangsschwelle, und die Zugangsschwelle liegt, wie wir gesehen haben, in der Schule.

Die Frage, die der Meilenstein aufwirft

Fügt man die Stufen zusammen, ergibt sich ein anderes Bild als die Erfolgsmeldung. Der weibliche Überhang wird über die gesamte schulische Leistungsverteilung gebildet, vom Übergang ins Studium nahezu unverändert weitergereicht und im Aggregat als Parität sichtbar, mit weiblichen Mehrheiten in sechs von acht Fächergruppen und dem Ingenieurwesen als letzter stark männlicher Domäne. Der Kipppunkt selbst ist überwiegend Männerrückzug, und dieser Rückzug beginnt in der Schule.

Daraus folgt eine Frage, die ich bewusst als Frage stehen lasse. Die geschlechtsbezogene Gleichstellungsinfrastruktur unseres Systems sitzt überwiegend auf der Hochschulstufe. Das ist genau die Stufe, auf der die Lücke inzwischen geschlossen und sogar leicht zugunsten der Frauen invertiert ist. Die Stufe dagegen, die das Ungleichgewicht erzeugt, das schulische Zurückfallen der Jungen, liegt weitgehend außerhalb dieses Apparats. Reagieren unsere Institutionen also symmetrisch und evidenzgeleitet auf die heutige Lage, oder trägheitsgetrieben auf eine Lage von vor zwanzig Jahren?

Das ist keine Absage an Gleichstellungspolitik, im Gegenteil. Es ist ein Plädoyer dafür, sie ernst genug zu nehmen, um ihre Ziele an der aktuellen Empirie auszurichten. Und es ist die Einsicht, dass eine Bildungspipeline aus mehreren Stufen besteht, an denen zu verschiedenen Zeiten verschiedene Gruppen verschiedene Schwierigkeiten haben. Wer alles unter eine einzige Kennzahl presst, den Frauenanteil im Aggregat, übersieht genau diese Struktur.

Denn die Kehrseite ist gesamtgesellschaftlich. Wenn Männer die Hochschule zunehmend meiden, ist das nicht nur ein Problem der Betroffenen, sondern eines für den Arbeitsmarkt, die Familienbildung und, so meine These für den weiteren Verlauf dieser Serie, für die Wissenschaft selbst. Diesen Fäden gehe ich in den nächsten Teilen nach. Teil 2 fragt, was in der Schule passiert und ob die Benotung wirklich neutral ist. Teil 3 wendet den Blick auf das andere Ende der Pipeline, den steinigen Weg zur Professur und das Vereinbarkeitsproblem, das dort die Geschlechter erneut auseinandertreibt, diesmal zuungunsten der Frauen. Erst beide Enden zusammen ergeben ein ehrliches Bild.

Quellen

• Müller, C. (2021). Geschlechterunterschiede im Abitur und ihre Auswirkung auf die Zulassungschancen in den medizinischen Studienfächern. Das Hochschulwesen (HSW). Forum für Hochschulforschung, -praxis und -politik, 69(5+6), 152–163. https://doi.org/10.53183/HSW-2021-56_152

• Reeves, R. V. (2022). Of boys and men: Why the modern male is struggling, why it matters, and what to do about it. Brookings Institution Press.

• Statistisches Bundesamt. (2026). Statistischer Bericht. Allgemeinbildende und berufliche Schulen. Schnellmeldung Studienberechtigte, Abgangsjahr 2025. Wiesbaden. https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Bildung-Forschung-Kultur/Schulen/Publikationen/Downloads-Schulen/statistischer-bericht-studienberechtigte-schnellmeldung-5211001258005.html

• Statistisches Landesamt Baden-Württemberg. (2026). Studierende: Baden-Württemberg, Geschlecht, Nationalität, Semester, Zugriffsnummern 21311_0001,21311_0004. https://daten.statistik-bw.de/genesisonline/online?operation=statistic&levelindex=0&levelid=1784004959109&code=21311#abreadcrumb

Vor einiger Zeit habe ich in einem Methodenseminar meinen Studierenden eine Frage gestellt, deren Wirkung ich bereits erahnte: „Was glaubt ihr denn, wer bezahlt eigentlich die Gutachter und Gutachterinnen, die über ein Paper urteilen?” Betretenes Schweigen, dann vorsichtige Vermutungen. Der Verlag vielleicht? Die Universität? Die Antwort lautet: wir alle. Peer Review, die zentrale Qualitätskontrolle der Wissenschaft, wird von Forschenden unentgeltlich geleistet, neben ihrer eigentlichen Arbeit, meist unsichtbar und unbedankt.

Meine Studierenden waren erstaunt. Und das waren Menschen, die selbst im Wissenschaftssystem unterwegs waren. Wenn schon sie den Apparat nicht kannten, der über Publikationen und damit über Karrieren entscheidet, wie soll ihn dann jemand außerhalb der Universität kennen?

Genau darum geht es in diesem Text. Ich habe in dieser Reihe bereits beschrieben, dass ein erheblicher Teil publizierter Forschungsergebnisse einer Wiederholung nicht standhält, welche Folgen das hat und wer dagegen ankämpft. Was ich dabei nicht so detailliert ausgeführt habe, ist ein Bild davon, wie Studien überhaupt veröffentlicht werden. Dieses Bild fehlt den meisten, die nicht selbst in diesem System arbeiten. Dieser Text ist deshalb so etwas wie ein Teil null: ein Blick in den Maschinenraum der Wissenschaft. Er handelt von einem System, das älter aussieht, als es ist, von einem Geschäftsmodell, das man niemandem erklären kann, ohne dass er ungläubig nachfragt, und von Anreizen, die am Ende genau die Krise produzieren, um die es in dieser Reihe geht.

Jetzt abonnieren

Ein überraschend junges Heiligtum

Beginnen wir mit einer Überraschung: Das Peer Review, das heute als zeitloses Fundament wissenschaftlicher Glaubwürdigkeit gilt, ist in seiner heutigen Form jünger als die Mondlandung.

Wissenschaftliche Zeitschriften gibt es seit gut 360 Jahren. Im Jahr 1665 erschienen, nur zwei Monate auseinander, die ersten beiden: das Journal des sçavans in Paris und die Philosophical Transactions of the Royal Society in London (Banks, 2009; Royal Society, o. D.). Von systematischer Begutachtung konnte damals keine Rede sein. Henry Oldenburg, Sekretär der Royal Society, stellte die Philosophical Transactions im Wesentlichen aus seinem Korrespondenznetz zusammen. Was gedruckt wurde, entschied redaktionelles Urteil, nicht das Votum externer Fachleute. Die Royal Society machte daraus kein Geheimnis: Von 1752 bis 1957 stand vorne in jeder Ausgabe ein Hinweis, dass die Gesellschaft für die Richtigkeit der Fakten und Schlüsse nicht einstehen könne, das bleibe Sache der Autoren (JSTOR Daily, 2025).

Systematisches externes Peer Review wurde erst Mitte des 20. Jahrhunderts zur Norm, und zwar erstaunlich zögerlich. Science und JAMA begannen in den 1950er und 1960er Jahren, regelmäßig externe Gutachter hinzuzuziehen. Nature machte die externe Begutachtung erst 1973 zur Bedingung für eine Veröffentlichung, The Lancet folgte 1976 (Baldwin, 2015). Selbst der Begriff „peer review” wurde erst Anfang der 1970er Jahre geprägt.

Zwei Anekdoten machen das greifbar. Als die Physical Review 1936 ein Manuskript von Albert Einstein an einen anonymen Gutachter schickte, war Einstein derart empört, dass er das Paper zurückzog und erklärte, er sehe keinen Grund, auf die ohnehin irrigen Kommentare eines anonymen Experten einzugehen (Baldwin, 2015). Und das vielleicht berühmteste Paper des 20. Jahrhunderts, die Beschreibung der DNA-Doppelhelix von Watson und Crick, erschien 1953 in Nature ohne jede externe Begutachtung. Die Empfehlung des Institutsleiters genügte (Nature Materials, 2023).

Warum ist das wichtig? Weil es das Heiligtum entzaubert, ohne es zu entwerten. Peer Review ist keine ehrwürdige Säule, die mit der Wissenschaft selbst geboren wurde. Es ist eine junge, historisch kontingente Institution, die sich unter bestimmten Bedingungen durchgesetzt hat und die, wie wir gleich sehen werden, deutlich weniger leistet, als die meisten annehmen.

Was Gutachtererinnen und Gutachter wirklich tun, und was nicht

Ich habe das Begutachtungssystem von beiden Seiten erlebt, als Autor und als Gutachter. Und ich will zunächst festhalten, was daran gut ist, denn das geht in der Kritik oft unter. Ein gutes Review liest ein Manuskript genauer, als es je ein späterer Lesender tun wird. Bei meinem letzten Paper umfasste der Austausch mit den Gutachterinnen und Gutachtern am Ende über vierzig Seiten. Das Paper selbst hatte zwanzig. Geprüft wurden die Logik der Argumentation, das Framing, übersehene Literatur, methodische Lücken, die Plausibilität der Schlussfolgerungen. Dies geschah in einem monatelangen Austausch mit regelmäßigen Überarbeitungen des Textes und letztendlich wurde der Artikel dennoch vom ersten Journal nicht zur Publikation angenommen, sondern erst bei einer Neueinreichung der verbesserten Version bei einer anderen Fachzeitschrift. Das ist ernsthafte, anstrengende, unbezahlte Qualitätsarbeit, und sie macht Manuskripte in aller Regel besser.

Aber es gibt einen blinden Fleck, und er ist für diese Reihe der entscheidende Punkt: Gutachterinnen und Gutachter rechnen in aller Regel nichts nach. Sie sehen die Rohdaten nicht, sie reproduzieren keine Analysen, sie prüfen nicht, ob die berichteten Zahlen aus den erhobenen Daten überhaupt folgen können. Offensichtliche Fehler werden natürlich entdeckt und die methodische Kritik ist oft harsch, aber letztendlich ist Peer Review ein Vertrauenssystem. Geprüft wird, ob ein Argument stimmig ist, nicht, ob die Zahlen stimmen.

Damit ist auch klar, warum die Replikationskrise durch dieses Netz rutscht: Das Netz ist an dieser Stelle gar nicht gespannt. Ein methodisch elegantes, flüssig geschriebenes Paper mit p-gehackten Ergebnissen besteht die Begutachtung problemlos, denn nichts an ihm ist unstimmig. Es ist nur nicht wahr. Dieser Normalfall ist wichtiger als jeder Skandal, und ich bitte darum, ihn im Kopf zu behalten, bevor wir zu den Skandalen kommen.

Denn Skandale gibt es, und sie haben System, genauer: Sie nutzen das Vertrauenssystem aus. Ich möchte drei Eskalationsstufen benennen.

Die alltäglichste ist die erzwungene Zitation. Wilhite und Fong (2012) befragten rund 6.700 Forschende und fanden ein verbreitetes Muster: Editoren oder Gutachter legen Autorinnen und Autoren nahe, zusätzliche Artikel aus der eigenen Zeitschrift oder eigene Publikationen zu zitieren, um deren Impact Factor zu heben, und zwar bevorzugt bei jüngeren, abhängigeren Autorinnen und Autoren. Die Gutachtervariante kennt jeder, der publiziert hat: „Hier fehlen noch relevante Arbeiten”, gefolgt von einer Liste eigener Paper.

Die zweite Stufe ist dreister. Viele Journals lassen Autorinnen und Autoren bei der Einreichung Gutachtende vorschlagen. Was passiert, wenn man echte Namen mit gefälschten, selbst kontrollierten E-Mail-Adressen einreicht? Man begutachtet sich selbst, natürlich wohlwollend. Der Springer-Verlag zog 2017 wegen genau dieses Tricks 107 Artikel auf einen Schlag aus der Zeitschrift Tumor Biology zurück, damals ein Rekord (Retraction Watch, 2017). Der Fall des Ingenieurs Peter Chen zeigt die Perfektion des Prinzips: Chen hatte rund 130 Scheinidentitäten aufgebaut und mindestens einmal sein eigenes Paper unter einem Pseudonym begutachtet. SAGE zog 2014 nach vierzehnmonatiger Untersuchung 60 Artikel aus dem Journal of Vibration and Control zurück (Retraction Watch, 2014).

Die dritte Stufe ist keine Einzeltat mehr, sondern eine Industrie, und sie führt direkt zum Geschäftsmodell, um das es gleich geht: sogenannte Paper Mills, kommerzielle Fälschungsfabriken, die fertige Scheinstudien samt Autorenschaft verkaufen. Ein verwandtes Ökosystem kennt jeder mit universitärer E-Mail-Adresse aus dem Spam-Ordner: sogenannte Predatory Journals, die gegen Gebühr nahezu alles drucken. Paper Mills gehen einen Schritt weiter und schleusen fabrizierte Studien in reguläre Zeitschriften ein. Schätzungen zufolge wurden in den vergangenen zwanzig Jahren über 400.000 mutmaßliche Paper-Mill-Artikel publiziert; die Anbieter und Anbieterinnen verdienen zweistellige Millionenbeträge pro Jahr (COPE & STM, 2022; Scancar et al., 2026). Sichtbar wurde das Ausmaß, als der Verlag Wiley nach der Übernahme des Publishers Hindawi nahezu 11.000 verdächtige Artikel zurückziehen und 19 Zeitschriften einstellen musste. Allein im Jahr 2023 wurden weltweit über 10.000 wissenschaftliche Artikel zurückgezogen, ein trauriger Rekord (Van Noorden, 2023).

Hier lohnt es sich, ein Prinzip festzuhalten, das uns durch den Rest dieses Textes begleiten wird. Es stammt aus der Ökonomie und heißt Goodharts Gesetz: Wenn eine Kennzahl zum Ziel wird, taugt sie nicht mehr als Kennzahl (Strathern, 1997). Zitationen sollten Relevanz messen, also werden sie erpresst. Publikationszahlen sollten Produktivität messen, also werden Publikationen fabriziert. Wir werden diesem Muster noch mehrmals begegnen.

Das absurde Geschäftsmodell

Kommen wir zum Geld, denn hier wird es für Außenstehende am unglaublichsten. Das klassische Geschäftsmodell wissenschaftlicher Verlage funktioniert, leicht zugespitzt, so: Die öffentliche Hand finanziert die Forschung. Sie bezahlt die Gehälter der Forschenden, die die Artikel schreiben. Sie bezahlt, indirekt, auch die Gutachtenden, die diese Artikel prüfen, denn die tun das unbezahlt in ihrer von Steuergeldern finanzierten Arbeitszeit. Die Verlage erhalten die Manuskripte kostenlos, erhalten die Begutachtung kostenlos, und verkaufen das fertige Produkt anschließend an die Universitätsbibliotheken zurück. Dieselbe öffentliche Hand bezahlt also dreimal.

Wie groß die geschenkte Leistung ist, lässt sich beziffern. Aczel, Szaszi und Holcombe (2021) schätzen, dass Forschende weltweit allein im Jahr 2020 über 100 Millionen Stunden Gutachtenarbeit geleistet haben, das entspricht rund 15.000 Personenjahren. Allein der Geldwert der von US-Forschenden erbrachten Gutachterzeit lag demnach bei über 1,5 Milliarden Dollar. Pro Jahr, versteht sich, und verschenkt.

Was am anderen Ende herauskommt, zeigt der Blick in die Geschäftsberichte. Die Wissenschaftssparte des Elsevier-Mutterkonzerns RELX erzielte 2024 bei einem Umsatz von 3,05 Milliarden Pfund einen bereinigten operativen Gewinn von rund 1,17 Milliarden Pfund, eine Marge von 38,4 Prozent (RELX, 2025). Zum Vergleich: Das ist die Gewinnspanne von Apple oder Alphabet, erzielt jedoch nicht mit selbst entwickelten Produkten, sondern mit einem Rohstoff, den die Allgemeinheit verschenkt hat.

Wer sich das Ganze lieber als Film ansieht: Die Dokumentation Paywall: The Business of Scholarship (Schmitt, 2018) erzählt diese Geschichte ausführlich, inklusive der Schattenbibliothek Sci-Hub als Eskalation des Konflikts. Der Film steht unter einer freien Lizenz und ist kostenlos abrufbar, was man wohl als Statement verstehen darf.

Die Gegenrechnung der Verlage

Der Fairness halber: Verlage leisten nicht nichts, und wer das behauptet, macht es sich zu leicht. Sie betreiben Einreichungs- und Redaktionssysteme, organisieren die Begutachtung, beschäftigen bei Flaggschiffen wie Nature festangestellte Fachredakteurinnen und -redakteure, übernehmen Lektorat, Satz, Archivierung und Indexierung, und sie stellen sicher, dass Artikel auf ihren Servern dauerhaft auffindbar bleiben. Nature begründet seine hohen Preise ausdrücklich mit dem redaktionellen Aufwand und der hohen Ablehnungsquote.

Vor allem aber verkaufen Verlage etwas, das sich nicht in Produktionskosten fassen lässt: das Prestigesignal. Ein Artikel in einem renommierten Journal sagt „hier wurde streng ausgewählt”, und dieses Signal ist für Karrieren bares Geld wert. Nur ist Prestige eben teilweise ein selbsterfüllendes Artefakt: Das Journal ist begehrt, weil es begehrt ist. Die San Francisco Declaration on Research Assessment (DORA, 2012) versucht seit Jahren, genau diesen Fetisch zu brechen, und fordert, Forschung nach ihrem Inhalt zu bewerten statt nach dem Impact Factor des Journals, in dem sie erschien. Auch hier grüßt Goodhart.

Open Access und die Falle darin

Die naheliegende Reformidee heißt Open Access: Artikel sollen frei zugänglich sein, finanziert nicht mehr über Abos, sondern über eine einmalige Publikationsgebühr, die sogenannte Article Processing Charge (APC), bezahlt von den Autorinnen und Autoren beziehungsweise ihren Institutionen. Klingt gut, verschiebt die Kosten aber oft nur vom Leser zu den Forschenden. Übliche APCs liegen zwischen 1.000 und 3.000 Euro. Bei Nature kostet die Open-Access-Option inzwischen 10.850 Euro pro Artikel; gestartet war sie 2021 bei 9.500 Euro (Nature, o. D.). Die Folge ist ein Zugangs­problem an anderer Stelle: Lesen darf jeder, publizieren nur, wer zahlen kann. Der europäische Plan S versucht seit 2018 gegenzusteuern, unter anderem mit der Ambition, Gebühren zu deckeln (cOAlition S, 2018).

Nun könnte man denken, Open Access sei für die Verlage ein notwendiges Übel, dem sie sich widerwillig beugen. Eine einfache Rechnung zeigt das Gegenteil, und sie ist der vielleicht wichtigste Gedanke dieses Textes.

Im Abo-Modell verkauft ein Verlag Knappheit. Die Einnahmen eines Journals sind durch die Abo-Verträge weitgehend fixiert und hängen nicht davon ab, wie viele Artikel es veröffentlicht. Im APC-Modell verkauft ein Verlag Masse. Die Einnahmen sind schlicht Gebühr mal Artikelzahl, sie wachsen also mit jedem angenommenen Manuskript. Was kostet den Verlag ein Artikel tatsächlich? Grossmann und Brembs (2021), der eine ehemaliger Verlagsmanager bei Wiley und Springer, der andere Neurobiologe, haben die Produktionskosten Schritt für Schritt durchgerechnet: je nach Aufwand zwischen knapp 200 und rund 1.000 Dollar, ein repräsentativer Artikel etwa 400.

Setzt man diese Zahlen zusammen, ergibt sich folgendes Bild. Im Abo-Modell bringt der nächste zusätzliche Artikel dem Verlag praktisch nichts, die Bibliothek zahlt ihr Abo ohnehin. Im Standard-Open-Access bringt derselbe Artikel bei 2.500 Euro Gebühr und 400 Euro Kosten gut 2.100 Euro Deckungsbeitrag. Bei Nature sind es knapp 9.900 Euro. Pro Artikel.

Das ist eine bewusst vereinfachte, illustrative Rechnung, keine Bilanzanalyse, und die Verlage bestreiten die Kostenschätzungen. Sie gilt auch nicht universell: Ein hochselektives Nischenjournal kann im Abo besser fahren. Aber die Richtung des Anreizes ist eindeutig, und sie ist das Beunruhigende. Im Abo-Modell baute Selektivität das Prestige auf, das den Preis rechtfertigte. Im APC-Modell ist jedes abgelehnte Paper entgangener Umsatz. Der Anreiz kippt von Auswahl auf Durchsatz. Man sieht das Ergebnis an den sogenannten Mega-Journals, die Zehntausende Artikel pro Jahr zu vierstelligen Gebühren verarbeiten, und in seiner dreistesten Form an hybriden Journals, die für denselben Inhalt Abo und APC gleichzeitig kassieren, das sogenannte double dipping. Grossmann und Brembs (2021) schätzen im Übrigen, dass der größte Teil der Verlagserlöse ohnehin nicht in die Produktion fließt, sondern in Markenpflege, Lobbying und Rechtsabteilungen, gefolgt vom Gewinn.

Und nun schließt sich der Kreis zu den Paper Mills von vorhin: Ein System, in dem jeder zusätzliche Artikel Geld bringt und die Qualitätskontrolle ein Vertrauenssystem ist, hat einen eingebauten Markt für fabrizierte Ware geschaffen. Der Hindawi-Kollaps war kein Betriebsunfall. Er war die logische Konsequenz der Anreize.

Der deutsche Aufstand: Projekt DEAL

Dass die Abnehmerseite nicht machtlos ist, zeigt ausgerechnet ein deutsches Beispiel. Unter dem Namen Projekt DEAL verhandeln die deutschen Wissenschaftsorganisationen seit 2016 gebündelt mit den drei größten Verlagen, deren Titel in vielen Bibliotheksbudgets 50 bis 60 Prozent der Ausgaben binden. Als Elsevier sich querstellte, ließen rund 200 Einrichtungen ihre Verträge schlicht auslaufen. Elsevier sperrte zeitweise den Zugang, Dutzende deutsche Forschende traten aus Protest als Herausgeber zurück, die Max-Planck-Gesellschaft kündigte ebenfalls (Fraser et al., 2023). Ich erinnere mich an diese Zeit, weil auch meine Universität daran beteiligt war und ich auf einmal auf die für meine Dissertation notwendige Fachliteratur nicht mehr zugreifen konnte. Deutschland lebte jahrelang ohne Elsevier-Vertrag, und die Wissenschaft brach nicht zusammen.

Mit Wiley (2019) und Springer Nature (2020) kamen Verträge zustande, die Lesen und Open-Access-Publizieren zu einem Preis von je 2.750 Euro pro Artikel bündeln. Elsevier lenkte erst 2023 ein. Man kann über die Konditionen streiten, und Kritiker merken zu Recht an, dass solche Verträge das APC-Modell und damit den oben beschriebenen Mengenanreiz zementieren. Aber DEAL beweist etwas Wichtiges: Die Verhandlungsmacht liegt nicht naturgesetzlich bei den Verlagen. Sie liegt dort, wo man sie kollektiv hinträgt.

Der Weg zur Professur, oder: warum das alles existenziell ist

Bis hierher könnte man den Eindruck haben, es gehe um ein Verteilungsproblem zwischen Bibliotheken und Konzernen. Der eigentliche Grund, warum dieser Apparat so viel Macht hat, ist ein anderer: Er ist die Anzeigetafel, auf der über wissenschaftliche Existenzen entschieden wird.

Der Weg zur Professur führt in Deutschland über die Promotion, eine oder mehrere Postdoc-Stationen und gegebenenfalls die Habilitation, fast durchgehend auf befristeten Stellen. Das Wissenschaftszeitvertragsgesetz erlaubt bis zu zwölf Jahre Befristung, sechs vor und sechs nach der Promotion (WissZeitVG, § 2). Danach gilt: hinauf oder hinaus. 92 Prozent des hauptberuflichen wissenschaftlichen Personals unter 45 Jahren, Professuren ausgenommen, arbeiten befristet (BuWiN, 2021); die durchschnittliche Vertragslaufzeit lag zuletzt bei 20 Monaten (BMBF, 2022). Die erste Professur kommt im Schnitt erst mit Anfang 40, und ob sie kommt, gleicht einem Lotteriespiel. Unter dem Hashtag #IchBinHanna haben Tausende Betroffene diese Bedingungen 2021 öffentlich gemacht.

Und was entscheidet in diesem Lotteriespiel über die Gewinnchancen? Im Kern die Publikationsliste: genug Artikel, in ausreichend renommierten Journals, plus eingeworbene Drittmittel. Man könnte sagen: Der Filter misst nicht, ob eine Forschungsarbeit wahr oder wertvoll ist. Er misst, ob genug davon, schnell genug, an den richtigen Orten erschienen ist. Goodhart, zum dritten. Das ist ein wenig überspitzt formuliert. Ich habe selbst an Berufungskommissionen teilgenommen und konnte zwei Trends beobachten. Einerseits lesen die Kommissionsmitglieder die Texte der Kandidatinnen und Kandidaten sehr genau und üben auch Kritik daran. Die Qualität wird also durchaus herangezogen. Andererseits ist gerade in der ersten Reihe der Begutachtungen, wenn noch sehr viele Bewerbungen vorliegen, eine Publikation in einem A-Journal ein entscheidender positiver Faktor, um später auf die Short-List zu kommen und auch eingeladen zu werden. Das Signal wirkt also.

Ich schreibe das nicht als neutraler Beobachter. Ich habe die Wissenschaft nach Jahren als Postdoc verlassen, weil mein Publikationsoutput, aus verschiedenen Gründen, schlicht nicht konkurrenzfähig war. Ich erwähne das nicht, um eine Rechnung zu begleichen, das System hat in seiner eigenen Logik korrekt funktioniert. Ich erwähne es, weil es den Punkt illustriert: Der Filter sortiert nicht primär nach Wahrheitsgehalt und Qualität, sondern nutzt kostengünstige Signale (nämlich die Reputation des Journals), oftmals auch durch den Zwang aus Hunderten von Bewerbungen die besten Leute zu finden.

Die Schublade, in der die Wahrheit verschwindet

Ein letzter Baustein fehlt noch, und er ist der wichtigste, weil er das Publikationssystem direkt mit der Replikationskrise verdrahtet: der Publication Bias.

Journals bevorzugen positive, neue, überraschende Ergebnisse. Eine Studie, die einen Effekt findet, ist eine Geschichte. Eine Studie, die keinen findet, ist keine, und landet in der Schublade. Robert Rosenthal hat dafür schon 1979 den Begriff des „file drawer problem” geprägt und vorgerechnet, wie wenige unveröffentlichte Nullbefunde genügen, um eine scheinbar gesicherte Befundlage zu kippen (Rosenthal, 1979).

Die Konsequenz ist heimtückischer als jeder Einzelbetrug: Selbst wenn jedes publizierte Paper für sich genommen ehrlich wäre, wäre die publizierte Literatur als Ganzes verzerrt. Effektstärken werden systematisch überschätzt, Widerlegungen bleiben unsichtbar, und Forschende, die im Publikations-Turnier bestehen müssen, haben jeden Anreiz, aus ihren Daten irgendetwas Signifikantes herauszupressen. Wie ich im ersten Teil der Reihe schon sagte: Jemand, der jahrelang mühsam Daten für seine Dissertation erhebt, kann es sich eigentlich nicht erlauben, ein „Tjoa, nichts gefunden”-Paper zu schreiben, denn dieses ist vermutlich kaum zu publizieren und damit ist die wissenschaftliche Karriere beendet, bevor sie begonnen hat. Der Filter selektiert nicht auf Wahrheit, sondern auf Erzählbarkeit. Praktiken wie p-Hacking (von einem Kollegen mal als “In den Dialog mit den Daten treten” bezeichnet) sind keine Charakterfehler, sie sind die rationale Antwort auf diesen Anreiz.

Damit ist die Brücke geschlagen: Die Replikationskrise, um die es in dieser Reihe geht, ist kein rätselhafter Qualitätseinbruch. Sie ist das sichtbar gewordene Ergebnis eines Publikationssystems, das Neuheit belohnt, Überprüfung nicht bezahlt und Nullbefunde verschwinden lässt. Wer verstehen will, warum Fundamente aus Sand gebaut wurden, muss verstehen, wer den Sand liefert und wer daran verdient.

Kein „alles kaputt”

Ich will nicht mit der Anklage enden, denn das wäre unehrlich. Es bewegt sich einiges, und manches davon greift genau an den beschriebenen Stellen an.

Preprint-Server wie arXiv entkoppeln die Verbreitung von Ergebnissen vom Nadelöhr der Journals. Plattformen wie PubPeer ermöglichen öffentliche Kritik nach der Publikation, und Dienste wie Retraction Watch machen sichtbar, was früher lautlos verschwand. Die Zeitschrift eLife hat ihr Modell umgestellt und publiziert erst, begutachtet dann öffentlich. DORA arbeitet daran, Berufungskommissionen vom Impact Factor zu entwöhnen. Und die für mich vielversprechendste Reform sind Registered Reports: Studien werden begutachtet und zur Publikation angenommen, bevor die Ergebnisse bekannt sind, allein auf Basis von Fragestellung und Methode. Damit verliert der Publication Bias seinen Ansatzpunkt, denn ein Nullbefund ist dann genauso publikabel wie ein spektakulärer Effekt.

Keines dieser Instrumente ist ein Allheilmittel, und einige schaffen neue Probleme. Aber sie zeigen, dass die Wissenschaft an sich selbst arbeitet, öffentlich und überprüfbar. Das ist, wie ich an anderer Stelle argumentiert habe, kein Zeichen von Schwäche, sondern die einzige Form von Glaubwürdigkeit, die eine Institution haben kann, deren Geschäft die Wahrheitssuche ist.

Wer künftig liest, dass eine Studie „peer-reviewed” sei, weiß jetzt, was das bedeutet, und was nicht. Es bedeutet: Fachleute haben unbezahlt geprüft, ob die Argumentation trägt. Es bedeutet nicht: Jemand hat nachgerechnet. Zwischen diesen beiden Sätzen liegt der Maschinenraum der Wissenschaft. Und ziemlich genau dort beginnt der Rest dieser Reihe.

Teilen

Quellenverzeichnis

• Aczel, B., Szaszi, B. & Holcombe, A. O. (2021). A billion-dollar donation: Estimating the cost of researchers’ time spent on peer review. Research Integrity and Peer Review, 6, 14. https://doi.org/10.1186/s41073-021-00118-2

• Baldwin, M. (2015). Credibility, peer review, and Nature, 1945–1990. Notes and Records: The Royal Society Journal of the History of Science, 69(3), 337–352. https://doi.org/10.1098/rsnr.2015.0029

• Banks, D. (2009). Starting science in the vernacular. Notes on some early issues of the Philosophical Transactions and the Journal des Sçavans, 1665–1700. ASp, 55. https://doi.org/10.4000/asp.213

• Bundesministerium für Bildung und Forschung. (2022). Evaluation des Wissenschaftszeitvertragsgesetzes: Abschlussbericht. BMBF. https://www.bmftr.bund.de/SharedDocs/Downloads/DE/2022/abschlussbericht-evaluation-wisszeitvg.html

• Bundesbericht Wissenschaftlicher Nachwuchs. (2021). BuWiN 2021. https://www.buwin.de/

• cOAlition S. (2018). Plan S: Making full and immediate open access a reality. https://www.coalition-s.org

• Committee on Publication Ethics & STM. (2022). Paper mills research report. https://doi.org/10.24318/jtbG8IHL

• DORA. (2012). San Francisco Declaration on Research Assessment. https://sfdora.org

• Fraser, N. et al. (2023). No deal: German researchers’ publishing and citing behaviors after Big Deal negotiations with Elsevier. Quantitative Science Studies, 4(2).

• Grossmann, A. & Brembs, B. (2021). Current market rates for scholarly publishing services. F1000Research, 10, 20. https://doi.org/10.12688/f1000research.27468.2

• JSTOR Daily. (2025). The history of peer review is more interesting than you think. https://daily.jstor.org/the-history-of-peer-review-is-more-interesting-than-you-think/

• Nature. (o. D.). Publishing options. https://www.nature.com/nature/for-authors/publishing-options

• Nature Materials. (2023). In praise of peer review [Editorial]. Nature Materials, 22, 1041. https://doi.org/10.1038/s41563-023-01661-7

• RELX. (2025). Annual report and financial statements 2024. https://www.relx.com/investors/annual-reports/2025

• Retraction Watch. (2014, 8. Juli). SAGE Publications busts “peer review and citation ring”. https://retractionwatch.com/2014/07/08/sage-publications-busts-peer-review-and-citation-ring-60-papers-retracted/

• Retraction Watch. (2017, 20. April). A new record: Major publisher retracting more than 100 studies from cancer journal over fake peer reviews. https://retractionwatch.com/2017/04/20/new-record-major-publisher-retracting-100-studies-cancer-journal-fake-peer-reviews/

• Rosenthal, R. (1979). The file drawer problem and tolerance for null results. Psychological Bulletin, 86(3), 638–641. https://doi.org/10.1037/0033-2909.86.3.638

• Royal Society. (o. D.). History of Philosophical Transactions. https://royalsociety.org/journals/publishing-activities/publishing350/history-philosophical-transactions/

• Scancar, B., Byrne, J. A., Causeur, D. & Barnett, A. G. (2026). Machine learning based screening of potential paper mill publications in cancer research. BMJ, 392. https://doi.org/10.1136/bmj-2025-087581

• Schmitt, J. (Regie). (2018). Paywall: The business of scholarship [Film].

• Strathern, M. (1997). ‘Improving ratings’: Audit in the British University system. European Review, 5(3), 305–321.

• Van Noorden, R. (2023). More than 10,000 research papers were retracted in 2023: A new record. Nature, 624(7992), 479–481. https://doi.org/10.1038/d41586-023-03974-8

• Wilhite, A. W. & Fong, E. A. (2012). Coercive citation in academic publishing. Science, 335(6068), 542–543. https://doi.org/10.1126/science.1212540

• Wissenschaftszeitvertragsgesetz (WissZeitVG). https://www.gesetze-im-internet.de/wisszeitvg/

Vor nichtmal zwei Wochen ist „Fundamente aus Sand” in Nürnberg mit dem Alternativen Medienpreis 2026 in der Kategorie Macht ausgezeichnet worden. Bei der Verleihung selbst war ich nicht dabei; die Bahn hat, sagen wir, ihre eigene Vorstellung von verlässlicher Infrastruktur. Was ich heute schon teilen kann, ist ein kurzes Interview, in dem ich ein paar Fragen zum Artikel beantworte.

Wer „Fundamente aus Sand” noch nicht kennt: Der Essay ist Teil einer dreiteiligen Reihe zur Replikationskrise. Die ganze Reihe (drei Texte) gibt es hier:

• Teil 1: Fundamente aus Sand

• Teil 2: Wenn das Fundament bröckelt: Die (tödlichen) Folgen der Replikationskrise

• Teil 3: Die Held*innen der Replikationskrise: Visionär*innen im Kampf für bessere Wissenschaft

Ein Preis ist eine schöne Sache. Er ist nur kein Freispruch, weder für mich noch für den Gegenstand. Das Problem, über das der Essay handelt, verschwindet nicht, weil jemand einem dafür eine Urkunde überreicht. Also ein paar Gedanken dazu, warum mir dieses Thema wichtig genug ist, um es weiterzuverfolgen.

Eine Krise, von der draußen kaum jemand weiß

Die Replikationskrise ist innerhalb der Wissenschaft, insbesondere der Psychologie, seit gut fünfzehn Jahren bekannt. Außerhalb ist sie es bis heute kaum. Das ist bemerkenswert, denn es geht nicht um eine akademisch-methodische Spitzfindigkeit, sondern um eine einfache Frage: Wie viel von dem, was als gesichertes Wissen gilt, hält einer Wiederholung stand? In erschreckend vielen Fällen lautet die Antwort: weniger, als man hoffen würde. Genau das war der Anlass für den Text: eine Krise, die im Maschinenraum der Wissenschaft längst verhandelt wird, sollte auch dort ankommen, wo über das Vertrauen in diese Wissenschaft entschieden wird.

Warum das mehr ist als ein Methodenstreit

Als Gesellschaft haben wir uns so organisiert, dass Forschung, insbesondere Grundlagenforschung, und die dazu passende Lehre vor allem an staatlich getragenen Einrichtungen stattfinden, allen voran den Universitäten. Verwaltungsrechtlich sind diese tatsächlich ein Stück weit Staat: staatliche Einrichtungen, finanziert und rechtlich beaufsichtigt von den Wissenschaftsministerien der Länder. Zugleich aber sind sie selbstverwaltete Körperschaften des öffentlichen Rechts, und genau diese zweite Hälfte macht den Unterschied. Universitäten sind keine Behörden wie andere. Sie sind besonders geschützte Pfeiler der demokratischen Ordnung, und dieser Schutz ist kein Privileg um seiner selbst willen. Die Freiheit von Forschung und Lehre steht in Artikel 5 Absatz 3 des Grundgesetzes, weil eine offene Gesellschaft eine Instanz braucht, die unabhängig von Markt und Mehrheitsmeinung prüfen darf, was wahr ist. Diese Unabhängigkeit ist teuer erkauft: mit Beamtenstatus für Professorinnen und Professoren, mit Grundfinanzierung, mit der Zusicherung, sich nicht politisch rechtfertigen zu müssen.

Mit einer so weitreichenden Freiheit gehen Pflichten einher. Nicht nur moralische Pflichten einzelner Forschender, von denen die allermeisten gewissenhaft arbeiten, sondern auch eine systemische: dafür zu sorgen, dass die Methode hält, was die Freiheit verspricht. Die Replikationskrise ist der Befund, dass dieses Versprechen vielerorts nicht eingelöst wird. Und zwar nicht aus Bosheit, sondern weil die Anreize falsch stehen: Wer veröffentlicht, wird belohnt; wer repliziert, prüft oder Nullbefunde meldet, selten. Das ist ein Strukturproblem, kein Charakterproblem, und genau deshalb lässt es sich auch nur strukturell lösen.

Das Vertrauen ist da, noch

An dieser Stelle wird gern die große Verfallserzählung bemüht: Das Vertrauen in die Wissenschaft breche zusammen. Die Daten geben das so nicht her, und Genauigkeit ist hier Pflicht. Laut dem Wissenschaftsbarometer 2025 ist das Vertrauen in Wissenschaft und Forschung in Deutschland stabil; rund die Hälfte der Befragten hat ein hohes Vertrauen (weitere 34% ein mittleres), etwa auf dem Niveau von vor der Pandemie (Wissenschaft im Dialog, 2025). Eine knappe Mehrheit vertraut einer Institution, deren Kerngeschäft die Wahrheitsfindung ist, kein üppiger Wert, aber immerhin ein stabiler.

Zwei andere Befunde sind beunruhigender. Erstens ist die Nachfrage nach wissenschaftsbasierter Politik eingebrochen: Wollten 2020/21 noch fast drei Viertel, dass politische Entscheidungen auf Forschung beruhen, ist es heute nur noch etwa jeder Zweite. Zweitens hält schon jetzt eine Mehrheit den Einfluss von Wirtschaft und Politik auf die Wissenschaft für zu groß (Wissenschaft im Dialog, 2025). Das allgemeine Institutionenvertrauen wiederum erodiert in vielen westlichen Ländern messbar weiter; der Edelman Trust Barometer zeichnet ein düsteres Bild, gerade für Deutschland (Edelman, 2026).

Anders gesagt: Die Öffentlichkeit scheint bereits zu ahnen, dass mit den Anreizstrukturen der Wissenschaft etwas nicht stimmt. Die Replikationskrise liefert dieser diffusen Ahnung einen Namen und einen Mechanismus. Das System lebt damit auf einem Kredit, den es sich nicht vollständig verdient hat, und Kredite kann man kündigen.

Kritisierbar, und damit angreifbar

Hier liegt das eigentliche Dilemma, und ich will es nicht umgehen. Wer die Replikationskrise öffentlich macht, reicht denjenigen Munition, die Universitäten ohnehin schon als Hort einer abgehobenen Elite verachten und von „Reformen” träumen, die das System epistemisch nicht verbessern würden, sondern es nur zu ihren Gunsten umbauen würden. Man kann daraus den Schluss ziehen, besser zu schweigen: intern kritisieren, nach außen die Reihen schließen.

Ich halte das für den gefährlicheren Weg. Die Glaubwürdigkeit der Wissenschaft ruht nicht darauf, dass sie fehlerfrei wäre, denn das ist keine Institution, sondern darauf, dass sie ihre Fehler selbst und sichtbar korrigiert. Selbstkorrektur unter Verschluss ist keine Selbstkorrektur. Wer Kritik unterdrückt, um die Wissenschaft nicht angreifbar zu machen, beschädigt genau das, was er zu schützen vorgibt. Ich habe in diesem Newsletter selbst schon öffentlich Positionen revidiert, als die Datenlage es verlangte. Das ist unangenehm. Es ist aber das Einzige, was die Glaubwürdigkeit am Ende trägt.

Reform, ohne die Freiheit zu opfern

Bleibt die schwierigste Frage: Was tun? Eine staatliche Kontrollarchitektur über die Wissenschaft zu legen, wäre das falsche Mittel: solche Strukturen lassen sich missbrauchen, und sie würden genau die Unabhängigkeit beschädigen, die den Wert der Wissenschaft ausmacht.

Die entscheidende Unterscheidung ist die zwischen Inhalt und Verfahren. Artikel 5 Abs. 3 GG schützt die Freiheit, was erforscht wird – nicht in gleichem Maße, wie methodisch sauber dies geschieht. Präregistrierung, Daten- und Codeverfügbarkeit sowie offene Methodik sind keine inhaltlichen Vorgaben, sondern Qualitätsbedingungen, die der Wissenschaftsfreiheit selbst dienen, indem sie ihre Glaubwürdigkeit sichern. Diese Standards lassen sich an einen Hebel knüpfen, der die Freiheit nicht antastet: die großen, kompetitiven Förderprogramme von Bund und Ländern. Wer zusätzliche öffentliche Mittel über die Grundfinanzierung hinaus beansprucht, kann zu Recht an höhere Transparenz- und Qualitätsstandards gebunden werden. Niemand wird gezwungen, denn es handelt sich um Bedingungen für ein Mehr an Ressourcen, nicht um einen Eingriff in die bestehende Grundausstattung der Einrichtungen. Dies ist insbesondere deshalb wichtig, weil eine zu strenge oder starre Festlegung auf bestimmte Methoden exploratives Forschen erschweren und innovative Ansätze behindern könnte. Zudem sind solche Standards nicht in allen Disziplinen und Forschungsbereichen universell anwendbar.

Vieles davon existiert auf dem Papier bereits, etwa die Leitlinien zur Sicherung guter wissenschaftlicher Praxis oder Open-Access-Auflagen (Deutsche Forschungsgemeinschaft, 2019). Die Frage ist, ob diese Standards mehr sind als Papier. Genau das will ich noch dieses Jahr empirisch prüfen: anhand einiger Exzellenzcluster und dreier einfacher, binärer Kriterien. Gibt es Präregistrierung, sind die Daten zugänglich, ist der Code verfügbar? Hier sehe ich Landes- wie Bundesregierung in der Pflicht, vorhandene Hebel endlich mit Zähnen zu versehen.

Der Preis war ein schöner Anlass, noch einmal über all das nachzudenken. Die Arbeit fängt damit erst an.

Quellenverzeichnis

Deutsche Forschungsgemeinschaft. (2019). Leitlinien zur Sicherung guter wissenschaftlicher Praxis: Kodex. Deutsche Forschungsgemeinschaft. https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/gwp/kodex

Edelman. (2026). 2026 Edelman Trust Barometer. Edelman Trust Institute. https://www.edelman.com/trust/2026/trust-barometer

Wissenschaft im Dialog. (2025). Wissenschaftsbarometer 2025. https://wissenschaft-im-dialog.de/projekte/wissenschaftsbarometer/

In eigener Sache: Dieser Artikel hat den Alternativen Medienpreis 2026 gewonnen.

Vor gut einem Jahr erschien an dieser Stelle „Fundamente aus Sand”, mein Versuch, die Replikationskrise nicht als Sammlung von Einzelskandalen zu erzählen, sondern als das, was sie ist: ein systemisches Problem. Ein Anreizsystem, das Quantität über Wahrhaftigkeit stellt, ein Peer-Review, das Manipulation nicht erkennt, und Institutionen, die wenig Interesse haben, daran etwas zu ändern.

Die Jury des Alternativen Medienpreises hat diesen Text nun in der Kategorie „Macht” ausgezeichnet. Das freut mich aus zwei Gründen. Erstens, weil die Einordnung trifft: Die Replikationskrise ist im Kern ein Machtproblem, kein Methodenproblem. Wer wissenschaftlich publizieren darf, wer Mittel erhält, wessen Befunde Leitlinien prägen, das sind Machtfragen. Zweitens, weil der Preis zeigt, dass diese Themen ein Publikum finden, auch ohne Redaktion, Sendeplatz und Rechercheteam im Rücken.

Seit der Veröffentlichung hat sich die Diagnose eher erhärtet als entspannt. Die großen SCORE-Studien in Nature vom April dieses Jahres haben die Größenordnung des Problems erstmals systematisch vermessen. Wer den Artikel im April verpasst hat: Hier ist er, unverändert.

Danke an alle, die hier lesen, kommentieren und widersprechen. Genau davon lebt dieses Projekt.

TL;DR: US-Vizepräsident JD Vance twitterte über die Reproduzierbarkeitskrise – und hatte recht. Nur 36 % psychologischer Studien lassen sich replizieren, in der Medizin teils nur 11 %. Das kostet Milliarden und zerstört Vertrauen in Wissenschaft. Ein kaputtes Anreizsystem belohnt Quantität statt Qualität. p-Hacking wird zur Norm – auch ich habe das erlebt. Das Problem ist real. Die Gefahr: Populisten wie Vance nutzen diese Schwächen als Waffe. Trumps neue Executive Order erklärt Reproduzierbarkeit zum Maßstab – und schießt dabei gezielt gegen DEI, Klima- und Gesundheitspolitik.

Die Wahl ist klar: Reformieren wir uns selbst – oder überlassen wir das Feld denen, die Wissenschaft entkernen wollen?

10.07.2026: Update. Es gibt einen zweiten Post, der die Folgen der Replikationskrise ausführlicher beleuchtet. Dieser ist hier zu finden.

Anlass zur Sorge

Vergangenen Samstag (24.5.2025) twitterte US-Vizepräsident JD Vance: "Es gibt eine außergewöhnliche 'Reproduzierbarkeitskrise' in den Wissenschaften, besonders in der Biologie, wo die meisten veröffentlichten Studien nicht replizierbar sind."

Diese Nachricht traf mich mit voller Wucht. Nicht weil er unrecht hätte. Sondern weil er verdammt noch mal recht hat.

Vor ziemlich genau einem Jahr saß ich in einem Besprechungsraum und machte gegenüber Kolleg*innen eine unangenehme Vorhersage: Wenn ich als AfD das deutsche Universitätssystem angreifen und deligitimieren wollte, würde ich mich auf die Forschungsreproduzierbarkeit konzentrieren. Das ist unser verwundbarster Punkt. Der Ort, wo auch Kritiker mit schlechten Absichten uns treffen können, ohne wissenschaftsfeindlich zu wirken. Jetzt macht genau das ein amerikanischer Politiker, den die meisten deutschen Akademiker*innen verachten. Und wir haben ihm die Munition höchstpersönlich geliefert.

Am selben Wochenende wurde klar, dass es nicht bei Tweets bleiben wird. Nur einen Tag vor Vances Post, am 23. Mai 2025 - von mir aber erst in der Folgewoche wahrgenommen-, unterzeichnete Präsident Trump die Executive Order „Restoring Gold Standard Science“. Darin verpflichtet er alle Bundesbehörden, neue Standards für Transparenz, Reproduzierbarkeit und Unabhängigkeit wissenschaftlicher Beratung einzuführen. Was nach einem Manifest der Open-Science-Bewegung klingt, entpuppt sich bei genauerem Hinsehen als politische Instrumentalisierung: Die Order kritisiert ausdrücklich Diversitätsmaßnahmen, verweist auf „missbräuchliche“ COVID-Leitlinien der CDC und auf Klimamodelle, die zu pessimistisch seien. In der Summe ergibt sich ein Muster: Reale wissenschaftliche Schwächen werden genutzt, um ganze Forschungsbereiche – Public Health, Umwelt, soziale Gerechtigkeit – zu delegitimieren. Die Replikationskrise wird zur Waffe.

Das Problem ist nicht, dass Populisten wissenschaftliche Institutionen angreifen. Das Problem ist, dass sie dabei echte Schwachstellen treffen. Wenn JD Vance oder hierzulande die AfD - vermutlich bald - über die "Replikationskrise" sprechen, können wir nicht einfach "Wissenschaftsfeindlichkeit!" rufen und hoffen, dass das Problem verschwindet. Denn die Krise ist real.

Ich schreibe das nicht als Außenstehender, der mit dem Finger auf andere zeigt. Ich schreibe es als jemand, der mittendrin war und immer noch mittendrin ist. Als Promovierter, der das System von innen kennt. Als Diversity-Praktiker, der täglich sieht, wie fragwürdige Forschung zu teurer Politik wird. Genau deshalb habe ich diesen Substack gestartet, nämlich um auf die Qualitätsprobleme in der DEI-Forschung hinzuweisen, die mein Arbeitsfeld untergraben.

Dieser Artikel über die Replikationskrise war schon lange geplant, sollte aber erst deutlich später erscheinen. Vances Tweet hat mich dazu gebracht, ihn vorzuziehen. Denn wenn extreme Politiker*innen beginnen, unsere verwundbarsten Punkte zu attackieren, können wir nicht länger warten und hoffen, dass es schon irgendwie gut wird.

"Security through obscurity" funktioniert nicht mehr. Die Strategie, wissenschaftliche Probleme unter Verschluss zu halten und zu hoffen, dass sie niemand außerhalb der Universitäten bemerkt, ist gescheitert. Die Replikationskrise ist längst öffentlich, die Skandale sind dokumentiert, die Schwachstellen sind bekannt. Populisten wie Vance brauchen keine Insider-Informationen - sie können einfach auf PubPeer, Retraction Watch oder Data Colada verweisen. Das Internet hat die Mauern des Elfenbeinturms eingerissen und verteilt unsere schmutzige Wäsche in der Öffentlichkeit.

Wir stehen vor einer Wahl: Reformieren wir uns selbst, oder lassen wir es uns von Politikern aufzwingen, die unsere Institutionen nicht stärken, sondern schwächen wollen?

Wie schlimm ist die Lage?

Aber wie schlimm ist die Lage eigentlich? Über jahrelange Einzelfälle und Anekdoten hinaus: Gibt es harte Zahlen zum Ausmaß der Replikationskrise?

Großangelegte Replikationsprojekte der letzten Jahre zeichnen ein ernüchterndes Bild über verschiedene Forschungsgenerationen hinweg. So zeigten beispielsweise die Many Labs-Projekte (2015-2020), dass viele klassische psychologische Effekte unter vielfältigen Bedingungen nicht immer robust replizierbar sind. Dass dieses Problem aber keineswegs nur die "alten Meister" betrifft, sondern auch die moderne Forschung, offenbarte dann mit voller Wucht das „Reproducibility Project: Psychology“: Diese 2015 veröffentlichte Bestandsaufnahme von Studien, die 2008 publiziert wurden, konnten nur 36 % von 100 Forschungsarbeiten erfolgreich repliziert werden. In der experimentellen Ökonomie ließen sich nur 11 von 18 Studien replizieren.

In der Medizin ist die Lage noch dramatischer. Ein Pharmaunternehmen versuchte, 53 bahnbrechende Krebsstudien zu reproduzieren - erfolgreich war es nur in 6 Fällen, eine Versagensquote von 89%. Noch erschütternder war die Einschätzung von Richard Horton, dem ehemaligen Chefredakteur der renommierten Medizinzeitschrift The Lancet: "Vieles von der wissenschaftlichen Literatur, vielleicht die Hälfte, könnte schlicht unwahr sein. Geplagt von Studien mit kleinen Stichproben, winzigen Effekten, ungültigen explorativen Analysen und eklatanten Interessenskonflikten hat die Wissenschaft eine Wendung zur Dunkelheit genommen" [eigene Übersetzung]. Aktuellere Untersuchungen wie das „Reproducibility Project: Cancer Biology“ (2021) stützen diese Einschätzung mit einer Replikationsrate von nur 46 % für Krebsstudien.

Mit anderen Worten: In weiten Teilen der Wissenschaft scheitert bis zu der Hälfte aller Replikationsversuche. Das bedeutet nicht automatisch, dass die ursprünglichen Studien falsch waren - aber es zeigt, dass unsere Methoden weit weniger robust sind, als wir dachten.

Der Preis der Krise: Milliardenverluste und erodiertes Vertrauen

Die Krise der Reproduzierbarkeit ist kein abstraktes, akademisches Problem. Ihre Konsequenzen sind real, sie sind teuer und sie untergraben die Fundamente unserer Wissensgesellschaft. Die Kosten lassen sich in zwei Währungen bemessen: in Milliarden von Euro und Dollar, die verschwendet werden, und in einer Währung, die ungleich schwerer zurückzugewinnen ist – öffentliches Vertrauen.

Die wirtschaftlichen Kosten: Ein System verbrennt Geld

Die Zahlen sind erschütternd: Konservative Schätzungen gehen davon aus, dass 50-90% der präklinischen Forschung nicht reproduzierbar ist. Pharmaunternehmen erwarten inzwischen routinemäßig, dass nur 10-25% der akademischen Studien in ihren eigenen Laboren replizierbar sind. Das Resultat ist eine gigantische Verschwendung von Ressourcen. Allein in den USA werden jährlich 28-50 Milliarden Dollar für irreproduzierbare biomedizinische Forschung verschwendet. In Europa dürften die Zahlen ähnlich verheerend sein. Bei 129,7 Milliarden Euro jährlichen Ausgaben in Deutschland sprechen wir von zig Milliarden Euro Verschwendung pro Jahr.

Ein besonders erschütterndes Beispiel ist die Alzheimer-Forschung. 2022 deckte ein Vanderbilt-Forscher namens Matthew Schrag auf, dass eine wegweisende Studie von 2006 über Amyloid-beta-Proteine möglicherweise auf gefälschten Bildern basierte, wie das Magazin Science ausführlich berichtete. Diese Studie wurde über 2.300 Mal zitiert und beeinflusste die Richtung der Alzheimer-Forschung für 16 Jahre. Die NIH-Förderung für Amyloid-bezogene Alzheimer-Forschung stieg von praktisch null im Jahr 2006 auf 287 Millionen Dollar in 2021. Darauf basierend wurden Medikamente wie Aduhelm entwickelt, das trotz schwacher und widersprüchlicher Evidenz eine FDA-Zulassung erhielt. Die Folgen waren fatal: Bei einem erheblichen Teil der Patient*innen kam es zu schwerwiegenden Nebenwirkungen wie Hirnschwellungen und Mikroblutungen. Mehrere Todesfälle stehen im Zusammenhang mit der Behandlung, während die erhoffte kognitive Verbesserung ausblieb. Milliarden US-Dollar flossen in eine Forschungsrichtung, die nicht nur therapeutisch versagte, sondern teilweise auf Daten beruhte, deren wissenschaftliche Integrität mittlerweile stark angezweifelt wird.

Aber das ist nur die Spitze des Eisbergs. Die indirekten Kosten sind noch dramatischer: Jahre der Folgeforschung, die auf falschen Grundlagen aufbaut, und eine Medikamentenentwicklung, die teure Sackgassen verfolgt. Die Industrie hat darauf reagiert, indem sie akademische Forschung zunehmend ignoriert und routinemäßig eigene Validierungsstudien durchführt, bevor sie Millionen in die Entwicklung investiert. Das schafft ein "Valley of Death" zwischen akademischer Forschung und praktischer Anwendung – eine Kluft, die durch mangelnde Reproduzierbarkeit entstanden ist.

Diese Kosten gehen weit über die Biomedizin hinaus. Im DEI-Bereich sehe ich täglich, wie deutsche Organisationen Millionen für Diversity-Programme ausgeben, deren wissenschaftliche Grundlage erschreckend dünn ist. Allein in den USA geben Unternehmen, laut Berichten wie sie die britische Regierung zitiert, über 8 Milliarden Dollar jährlich für Diversity-Trainings aus, obwohl die Evidenz für deren Wirksamkeit gemischt bis nicht vorhanden ist. Politische Entscheidungen in Bildung, Wirtschaft und Sozialpolitik basieren auf Studien, die möglicherweise nicht replizierbar sind. Jede falsche Politikempfehlung kostet nicht nur Geld, sondern auch Vertrauen in evidenzbasierte Entscheidungsfindung

Der Vertrauensverlust: Wenn Wissenschaft ihre Glaubwürdigkeit verspielt

Der größte Schaden ist aber möglicherweise der Vertrauensverlust. Die Replikationskrise untergräbt das öffentliche Vertrauen in die Wissenschaft genau zu dem Zeitpunkt, an dem wir es am dringendsten brauchen. Wenn Menschen hören, dass "die Hälfte aller Studien möglicherweise falsch ist", warum sollten sie dann Impfempfehlungen vertrauen? Warum Klimawandel-Forschung ernst nehmen? Die Krise liefert Wissenschaftsskeptikern und Verschwörungstheoretikern die perfekte Munition.

Dies war bereits während der COVID-19-Pandemie zu sehen, als mangelndes Vertrauen in die Wissenschaft ein starker Prädiktor für Impfskepsis war. Impfgegner verwiesen auf die "Krise der Wissenschaft", um ihre Position zu rechtfertigen – und konnten dabei auf echte Beispiele wissenschaftlichen Versagens zurückgreifen. Der Schatten von Andrew Wakefields betrügerischer 1998er Lancet-Studie, deren Rückzug auf Retraction Watch dokumentiert ist, liegt noch immer über der Impfdebatte

Jede Schlagzeile über gefälschte Daten oder zurückgezogene Studien stärkt diejenigen, die behaupten, man könne "den Experten" nicht trauen. Dieser Vertrauensverlust ist messbar und zeigt sich in der wachsenden Politisierung wissenschaftlicher Themen. Und genau hier schließt sich der Kreis zu JD Vances Tweet. Wenn Populisten wissenschaftliche Institutionen angreifen, können wir nicht mehr einfach rufen: "Das ist wissenschaftsfeindlich!", denn sie haben teilweise recht. Sie nutzen reale Probleme der Wissenschaft als Waffe gegen wissenschaftliche Institutionen. Das ist das Perfide an der Situation: Die Kritik ist berechtigt, aber die vorgeschlagenen "Lösungen" würden das Problem verschlimmern, nicht verbessern.

Die kaputte Maschinerie: Warum die Wissenschaft sich selbst sabotiert

Bevor wir verstehen können, warum die Replikationskrise entstanden ist, müssen wir verstehen, wie Wissenschaft eigentlich funktioniert. Nicht die idealistische Version aus Uni-Broschüren, sondern die wirtschaftliche Realität.

Wissenschaft ist ein Milliardengeschäft, das größtenteils mit Steuergeldern finanziert wird. Allein in Deutschland wurden 2023 insgesamt 129,7 Milliarden Euro für Forschung und Entwicklung ausgegeben - das ist mehr als der gesamte Bundeshaushalt für Verteidigung. Das Geld wandert von Steuerzahlern über Ministerien und Förderorganisationen wie die DFG zu Universitäten, die damit Forscher*innen bezahlen, Doktoranden finanzieren, Probanden entlohnen und teure Geräte kaufen. Mit diesen Geldern führen Wissenschaftler*innen dann Studien durch, erheben Daten und analysieren diese, schreiben ein Manuskript und reichen dieses bei einer einschlägigen Fachzeitschrift (engl. Journal) ein.

Und dann kommt das Peer-Review-System ins Spiel – theoretisch die umfassende Qualitätskontrolle der Wissenschaft. In der Praxis jedoch klafft oft eine Lücke zwischen diesem Anspruch und der Realität: Das System kann die hohen Erwartungen an eine fehlerfreie Validierung häufig nicht einlösen und erfüllt stattdessen eher die Funktion einer kritischen, tiefergehenden Plausibilitätsprüfung durch Fachkolleg*innen.

Peer Review kann viele Dinge: Es kann offensichtliche Methodenfehler erkennen, Argumentationslücken aufdecken, und sicherstellen, dass Studien dem aktuellen Stand der Forschung entsprechen. Was es nicht kann: Datenfälschung aufdecken. Wenn Francesca Gino (zu ihr später mehr) behauptet, 13.000 Versicherungspolicen ausgewertet zu haben, obwohl ihr nur 3.700 vorlagen, kann das kein* Gutachter*in erkennen – es sei denn, er verlangt die Rohdaten, was praktisch nie passiert. Und selbst wenn Studien versprechen, dass Daten 'auf Anfrage erhältlich' seien, ist dies oft ein leeres Versprechen. Eine aktuelle (und noch unveröffentlichte) Studie von Ian Hussy zeigte eindrücklich, dass solche Anfragen häufig erfolglos bleiben oder gar nicht erst beantwortet werden. Die postulierte Überprüfbarkeit der Forschung wird so auch nach der Publikation oft unterlaufen.

Selbst in Fällen, in denen die Rohdaten und der Analysecode zur Verfügung gestellt wird, ist es nicht üblich, dass Peer-Reviewer die Analyse der Autor*innen nochmals nachrechnen. Das wäre auch kaum zu machen, denn das Peer-Review-System basiert auf der freiwilligen Arbeit von Wissenschaftler*innen, die dies zumeist unentgeltlich und neben ihren eigentlichen Forschungs- und Lehraufgaben leisten. So wird das System des Peer-Reviews indirekt mit Steuergeldern finanziert, obwohl es primär den Fachzeitschriften zugutekommt, die sich im privaten Besitz weniger, oft hochprofitabler Verlage befinden.

Schlimmer noch: Das System lädt auch zu Missbrauch ein. Reviewer können Autoren dazu zwingen, ihre eigenen Arbeiten zu zitieren - der berüchtigte "bitte zitieren Sie diese fünf Arbeiten von mir"-Kommentar. Peer-Reviewer können konkurrierende Forschung blockieren, innovative Ansätze ablehnen, oder schlicht ihre persönlichen Befindlichkeiten austoben.

Das Resultat: Ein System, das Konformität belohnt und Risiken bestraft. Genau das Gegenteil von dem, was Wissenschaft braucht. Dadurch entsteht ein perverses System aus Anreizen, das Quantität über Qualität belohnt. Forscher müssen "publish or perish" - veröffentlichen oder untergehen. Ihre Karriere hängt nicht davon ab, ob ihre Studien replizierbar sind, sondern davon, wie viele Publikationen sie vorweisen können und in welchen Zeitschriften diese erscheinen.

Aber hier wird es erst richtig absurd: Die Forschung, die mit öffentlichen Geldern finanziert und peer-reviewt wurde, verschwindet hinter den Paywalls gewinnorientierter Verlage. Universitäten zahlen doppelt - erst für die Durchführung der Forschung, dann noch einmal für den Zugang zu den Ergebnissen. Der Steuerzahler finanziert Forschung, die er anschließend nicht lesen kann, ohne erneut zu zahlen. Wissenschaftliche Ergebnisse sind daher in der Regel der breiten Öffentlichkeit nicht zugänglich.

So entsteht eine Maschinerie, die darauf programmiert ist, möglichst viele "signifikante" Ergebnisse zu produzieren - unabhängig davon, ob sie der Wahrheit entsprechen. Das ist der perfekte Nährboden für eine Replikationskrise.

Die Erosion der Autorität: Wenn Superstars fallen

Die abstrakte Replikationskrise bekam in den letzten Jahren Gesichter. Und diese Gesichter gehörten zu den Stars der Verhaltensforschung - Menschen, die TED Talks hielten, Bestseller schrieben und als Experten für Ehrlichkeit und ethisches Verhalten galten. Ihr Fall zeigt: Die Krise hat die Elite der Wissenschaft erreicht.

Francesca Gino war ein Superstar. Harvard Business School, über 100 Publikationen, eine der meistzitierten Forscherinnen ihres Feldes. Sie erforschte Unehrlichkeit - warum Menschen lügen, betrügen und sich unethisch verhalten. 2012 veröffentlichte sie eine bahnbrechende Studie , die zeigte, dass Menschen 10% ehrlicher in Steuerformularen sind, wenn sie die Ehrlichkeitserklärung am Anfang statt am Ende unterschreiben. Die Obama-Regierung wurde aufmerksam, Regierungen weltweit studierten, ob sie mit diesem simplen Trick Milliarden an Steuerausfällen zurückholen könnten.

Die bittere Ironie: Eine Forscherin, die berühmt dafür war, Unehrlichkeit zu studieren, wurde selbst der Datenmanipulation in genau dieser Ehrlichkeitsstudie beschuldigt und mittlerweile wurde die Studie von der Fachzeitschrift zurückgezogen.

Im Mai 2025 vollzog Harvard einen beispiellosen Schritt: Zum ersten Mal seit über 80 Jahren entzog sie einer Professorin die Tenure - die praktisch unkündbare Anstellung auf Lebenszeit. Der Grund: Forschungsmissbrauch in mehreren Studien, aufgedeckt durch den Data Colada Blog von Uri Simonsohn, Leif Nelson und Joe Simmons.

Tatsächlich ist Ginos Fall keine Ausnahme. Er ist nur außergewöhnlich, weil sie ertappt wurde. Fälle wie der niederländische Sozialpsychologe Diederik Stapel, der Dutzende von Studien erfand, oder die zahllosen Rückzüge fragwürdiger Studien zeigen: Die Wissenschaft hat ein systemisches Problem. Die Webseite Retractionwatch.com versucht, diese Fälle zu dokumentieren und führt sogar ein “Leaderboard”, bei dem Fachzeitschriften bei den Top platzierten Kandidat*innen zwischen 48 und 220 ihrer wissenschaftlichen Artikel zurückzogen.

Dabei sind es oft nicht die Institutionen selbst, die diese Probleme aufdecken. Für jemanden mit statistischem Hintergrund ist es bemerkenswert, dass in 80 Jahren an der Universität Harvard mit (Stand allein 2023: 903 “tenured faculty”) Tausenden von Professor*innen jetzt zum ersten mal jemand entlassen wurde. Das deutet entweder auf einer aussergewöhnlich ehrliche Kultur oder auf eine hohe Zahl unentdeckter Fälle hin. Stattdessen sind es Wissenschaftler*innen wie die drei Forscher hinter Data Colada, die in ihrer Freizeit akribisch Studien prüfen und dabei Unregelmäßigkeiten finden oder die Mikrobiologin Elizabeth Bik, die in hunderten Studien Bildmanipulationen aufgedeckt hat. Es sind Plattformen wie Retraction Watch, die zurückgezogene Studien dokumentieren und eine Datenbank zur Erfassung des Status Quo angelegt haben. Es sind Initiativen wie FORRT (Framework for Open and Reproducible Research Training), die versuchen, die nächste Generation von Forschern besser auszubilden. All das passiert größtenteils ehrenamtlich - Menschen, die die Wissenschaft lieben und sie verbessern wollen.

Von mittendrin: Meine eigene Reise von Komplize zu Kritiker

Ich schreibe das nicht als Außenstehender, der mit dem Finger auf andere zeigt. Ich schreibe es als jemand, der selbst Teil des Problems war.

Es war während meiner Promotion, als ein erfahrener Forscher mir einen Rat gab, der mich bis heute verfolgt: "Du musst einen Dialog mit deinen Daten führen." Es klang fast poetisch. Was er meinte, war alles andere als das. Er ermutigte mich, so lange an den Daten herumzuprobieren, bis sie mir erzählten, was ich hören wollte, so lange, bis ich eine Story fand, die ich publizieren konnte.

Er wollte nicht betrügen. Er wollte mir helfen, meine Karriere zu sichern. Denn jahrelang Daten zu erheben und dann nichts Signifikantes zu finden, ist praktisch das Ende für eine frische wissenschaftliche Laufbahn. Je nach System bedeutet keine Publikation in einer Fachzeitschrift keine oder eine schlechter bewertete Promotion, keine Postdoc-Position, keine Professur. Er kannte das System und versuchte, mich durch die Fallstricke zu navigieren.

Das war der Moment, in dem ich verstand, wie normalisiert questionable research practices in der Wissenschaft sind. Nicht als bewusste Böswilligkeit, sondern als "clevere" Forschungstaktik, die von wohlmeinenden Mentoren an verzweifelte Nachwuchswissenschaftler weitergegeben wird um in einem maximal auf Konkurrenzgedanken ausgelegten System erfolgreich zu sein:

"Schau, ob du die Ausreißer entfernen kannst."

"Probier mal eine andere statistische Transformation."

"Vielleicht funktioniert es, wenn du die Gruppen anders aufteiltest."

"Schau doch mal ob sich hier nicht noch ein Interaktionseffekt versteckt"

Jahre später, als ich in den DEI-Bereich wechselte, begegnete mir das Problem erneut - nur diesmal von der anderen Seite. Plötzlich war ich derjenige, der Studien implementieren sollte, die andere mit fragwürdigen Methoden produziert hatten.

Ich sah deutsche Organisationen große Summen für Diversity-Trainings ausgeben, basierend auf Studien zur Effektivität solcher Programme, die sich bei genauerem Hinsehen als erschreckend dünn erwiesen. Ich beobachtete, wie Konzepte wie Mikroaggressionen oder Triggerwarnungen oder Bias-Trainings in Richtlinien übernommen wurden, obwohl die zugrundeliegende Forschung weit weniger robust war, als die Medienberichterstattung suggerierte.

Das Perfide: Im DEI-Bereich ist die Versuchung besonders groß, schwache Evidenz zu akzeptieren, weil die Ziele so ehrenhaft erscheinen. Wer will schon gegen Vielfalt und Inklusion argumentieren? Aber genau diese moralische Klarheit macht die Forschung anfällig für politisch motivierte Interpretation.

Systemische Gründe

Um die wahren Ursachen der Krise zu verstehen, müssen wir zwischen zwei Problemen unterscheiden: dem bewussten Betrug und den systemisch geförderten "fragwürdigen Forschungspraktiken" (Questionable Research Practices, QRPs).

Fälle wie Diederik Stapel, der Datensätze fälschte, oder die Datenmanipulationen im Fall Francesca Gino sind spektakulärer, krimineller Betrug. Sie sind die Spitze des Eisbergs. Das viel größere und für die Stabilität der Wissenschaft gefährlichere Problem liegt jedoch in der Grauzone darunter: den QRPs. Dabei handelt es sich nicht um erfundenen Daten, sondern um die subtile, oft nicht einmal als Betrug wahrgenommene Manipulation von echten Daten durch p-Hacking, selektives Berichten oder das nachträgliche Anpassen von Hypothesen.

Genau hier setzt die eigentliche systemische Analyse an. Denn während man für bewussten Betrug keine komplexe Erklärung außer krimineller Energie braucht, entstehen QRPs direkt aus dem Druck und den Strukturen des Wissenschaftsbetriebs. Warum ist das so? Die Antwort führt uns zu einer der unbequemsten Erkenntnisse der Wissenschaftsforschung: Nicht alle Wissenschaften sind gleich anfällig für diese Probleme aber bei allen Wissenschaften stecken die selben Incentives dahinter.

Der italienische Forscher Daniele Fanelli stellte dazu eine einfache, aber brutale Frage: Wie oft finden verschiedene wissenschaftliche Disziplinen positive Ergebnisse? Er analysierte über 2.000 Studien aus verschiedenen Feldern und entdeckte ein erschütterndes Muster.

Die Weltraumforschung hatte die niedrigste Rate positiver Ergebnisse (70,2%), während Psychologie und Psychiatrie die höchste aufwiesen (91,5%). Die Wahrscheinlichkeit, dass eine Studie ihre Hypothese(n) bestätigt, war in den Psychologie und Psychiatrie 5-mal höher als in der Weltraumforschung, in den Sozialwissenschaften insgesamt 2,3-mal höher als in den Naturwissenschaften.

Fanellis "Hierarchie-Hypothese" ist so elegant wie vernichtend: Je "weicher" eine Wissenschaft, desto weniger Beschränkungen gibt es für bewusste und unbewusste Verzerrungen der Forscher. Physiker können nicht einfach entscheiden, dass die Lichtgeschwindigkeit doch anders ist. Psychologen haben deutlich mehr Spielraum bei der Interpretation ihrer Daten.

Das bringt uns zu dem Konzept, das im Zentrum der Replikationskrise steht: die "researcher degrees of freedom" - die Freiheitsgrade der Forscher. Ein Team um Simmons, Nelson und Simonsohn identifizierte 6 verschiedene Entscheidungspunkte, an denen Forscher ihre Daten beeinflussen können: Welche Teilnehmer werden ausgeschlossen? Welche statistischen Tests werden verwendet? Wie werden Variablen definiert und kombiniert?

Jeder dieser Entscheidungspunkte ist für sich genommen völlig legitim. Das Problem entsteht, wenn Forscher diese Entscheidungen treffen, wenn sie wissen oder ahnen, wie sich diese auf das Ergebnis auswirken. Es ist der Unterschied zwischen einem Münzwurf und dem Anschauen der Münze, bevor man "Kopf" oder "Zahl" ruft.

In der Teilchenphysik zum Beispiel sind diese Freiheitsgrade extrem eng gefasst. Wenn Forscher am CERN nach einem neuen Teilchen suchen, wird die Analysemethode oft "blind" entwickelt. Das heisst, sie wird an simulierten Daten getestet und finalisiert, bevor die Wissenschaftler die echten Messergebnisse zu Gesicht bekommen. Dies verhindert, dass sie – selbst unbewusst – ihre Analyse so anpassen, dass ein erhofftes Signal erscheint. In der Psychologie hingegen ist fast alles interpretierbar: Was zählt als "Ausreißer"? Wie lange sollte eine Reaktionszeit sein, um noch als "normal" zu gelten? Welche demografischen Variablen sollte man mit einbeziehen?

Diese Flexibilität verwandelt ehrliche Wissenschaftler in unfreiwillige p-Hacker. Sie testen eine Hypothese, finden p = 0,07 - "nicht signifikant". Also entfernen sie ein paar extreme Werte: p = 0,053. Immer noch nicht unter 0,05. Vielleicht eine andere statistische Transformation? p = 0,048. Bingo! Publikation gesichert.

Der Forscher denkt nicht, dass er betrügt. Er denkt, er optimiert seine Analyse. Aber statistisch gesehen hat er seine α-Fehler-Rate von 5% auf möglicherweise 30% oder höher erhöht, ohne es zu merken.

Das bringt uns zu einem der fundamentalsten Probleme der modernen Wissenschaft: der Vermischung von explorativer und konfirmatorischer Forschung.

Confirmatory vs. Exploratory Research

Es gibt zwei grundlegend verschiedene Arten, Wissenschaft zu betreiben. Die eine ist Exploration - das Durchforsten von Daten auf der Suche nach interessanten Mustern. Die andere ist Konfirmation - das gezielte Testen vorab formulierter Hypothesen. Beide sind legitim und notwendig. Das Problem entsteht, wenn man sie vermischt und so tut, als wäre Exploration Konfirmation.

Stellen Sie sich vor, Sie gehen in ein Casino und setzen auf Rot beim Roulette. Die Kugel fällt auf Schwarz. Jetzt sagen Sie: "Eigentlich hatte ich auf Schwarz gesetzt." Das ist genau das, was in der Wissenschaft ständig passiert - nur subtiler und unbewusster.

Explorative Forschung ist wie eine Expedition in unbekanntes Terrain. Sie sammeln Daten und schauen, was Sie finden. Vielleicht entdecken Sie interessante Korrelationen, unerwartete Muster, neue Hypothesen. Das Problem: Bei genügend Variablen finden Sie immer irgendetwas. Die Website Spurious Correlations illustriert das perfekt - dort korreliert der Käsekonsum pro Kopf mit der Anzahl der Menschen, die sich in Betttüchern verheddern und sterben (r = 0,95). Rein zufällig.

Konfirmatorische Forschung funktioniert umgekehrt. Sie haben eine spezifische Hypothese, legen vorab fest, wie Sie sie testen werden, sammeln neue Daten und schauen, ob Ihre Vorhersage stimmt. Nur so können Sie wirklich "bestätigen", dass Sie etwas entdeckt haben und auch das nur mit starken Einschränkungen.

Das Problem wird noch schlimmer durch die theoretische Schwäche vieler Bereiche. In Feldern wie Organizational Behavior oder weiten Teilen der Psychologie sind die Theorien so vage und widersprüchlich, dass man praktisch jedes Ergebnis nachträglich "begründen" kann.

Ein klassisches Szenario: Sie erheben Daten und finden, dass Führungskräfte mit höherer emotionaler Intelligenz schlechtere Teamleistung erzielen. Das passt nicht zu Ihrer ursprünglichen Hypothese? Kein Problem. Sie wechseln einfach die theoretische Begründung: "Wie die Theorie der optimalen Herausforderung zeigt, könnten übermäßig empathische Führungskräfte ihre Teams unterfordern..."

Noch absurder wird es, wenn Peer-Reviewer sagen: "Die Theorie überzeugt mich nicht, nehmen Sie eine andere" - obwohl die Datenerhebung längst abgeschlossen ist. Also tauscht man einfach die Begründung aus, ohne ein einziges Datum zu ändern. Dasselbe Ergebnis wird nun durch eine völlig andere "Theorie" erklärt.

Das ist kein Einzelfall, sondern Alltag in vielen Bereichen der Wissenschaft. Die theoretische Beliebigkeit, insbesondere der Sozialwissenschaften, macht es unmöglich, echte Vorhersagen zu treffen oder Theorien zu falsifizieren. Alles kann erklärt werden, nichts kann widerlegt werden.

Das bringt uns zu einem fundamentalen Problem: Selbst wenn Einzelforscher ehrlich sein wollen, schafft das System Anreize, die sie in die Grauzone fragwürdiger Praktiken drängen können.

Die Tragödie der Allmende: Warum individuelle Tugend nicht reicht

Die Replikationskrise ist ein klassisches Beispiel für eine Tragödie der Allmende. Jeder Einzelne hat einen Anreiz, sich schlecht zu verhalten, auch wenn das kollektive Ergebnis für alle schädlich ist.

Stellen Sie sich vor, Sie sind ein ehrlicher Nachwuchsforscher. Sie führen eine saubere, gut gepowerte Studie durch, präregistrieren Ihre Hypothesen, und finden... nichts: p = 0,23. Kein signifikantes Ergebnis. Ihr Kollege am Nachbarlabor macht dasselbe, aber probiert so lange verschiedene Analysen aus, bis er p = 0,047 erreicht. Er publiziert in einer guten Zeitschrift, Sie nicht.

Wer bekommt den Postdoc? Wer die Professur? Wer die Forschungsgelder?

Das System wird noch perverser durch den "publication bias": Journals akzeptieren fast ausschließlich "positive" Ergebnisse. Nullbefunde - egal wie sauber durchgeführt, egal wie wichtig für das Forschungsfeld - landen in der Schublade. Ein gescheiterter Replikationsversuch ist für Editor*innen "uninteressant", auch wenn er zeigt, dass ein weitverbreiteter Befund falsch ist.

Zwar gibt es inzwischen wichtige Open-Access-Journale wie PLOS ONE, die Forschung auf Basis methodischer Solidität und unabhängig vom Ergebnis publizieren (was Nullbefunde und Replikationen einschließt), oder spezialisiertere Zeitschriften wie das Journal of Null Results, die explizit auch negative Ergebnisse fördern, und Formate wie 'Registered Reports', bei denen Studien vor der Datenerhebung zur Publikation akzeptiert werden, rein basiert auf der Qualität des Vorhabens. Aber das ist eine verschwindende Minderheit im Wissenschaftsbetrieb.

Das System belohnt systematisch diejenigen, die questionable research practices anwenden, und bestraft diejenigen, die ehrlich sind. Rigoros zu sein bedeutet weniger Publikationen, langsamere Karrieren, weniger Anerkennung.

In Deutschland ist dieser Druck besonders extrem. Hier gibt es praktisch nur eine einzige unbefristete Stelle im Wissenschaftsbetrieb: die Professur. Alles andere - vom Postdoc bis zur Juniorprofessur - ist befristet. Das Wissenschaftszeitgesetz sorgt dafür, dass Forscher nach maximal 12 Jahren (6 Jahre vor, 6 Jahre nach der Promotion) entweder eine Professur bekommen oder das System verlassen müssen.

Die Zahlen sind brutal: Nur etwa 7% aller Promovierten werden jemals Professor*in. Das bedeutet, 93% aller Nachwuchswissenschaftler kämpfen jahrelang in einem System, das sie am Ende ausspucken wird. Unter diesem existenziellen Druck wird jede Publikation zur Überlebensfrage.

Wenn Sie wissen, dass Sie nur wenige Jahre haben, um genügend hochkarätige Publikationen zu sammeln, um vielleicht eine der raren Professuren zu ergattern - was machen Sie dann mit einem ehrlich durchgeführten Experiment, das null Ergebnisse zeigt? Sie können sich keine leeren Jahre leisten.

Das Perfide: Jeder weiß, dass es so ist. Aber jeder denkt: "Wenn ich als Einziger ehrlich bin, während alle anderen tricksen, zerstöre ich nur meine eigene Karriere, ohne das System zu ändern." Also macht jeder mit, in der Hoffnung, dass irgendwann alle anderen damit aufhören.

Aber es wäre zu einfach, nur die individuellen Forscher zu beschuldigen. Die wahren Schuldigen sitzen in den Universitätsleitungen, Berufungskommissionen und Forschungsförderungsorganisationen und Verlagen, die diese perversen Anreize geschaffen haben und aufrechterhalten.

Universitäten predigen Exzellenz und Integrität, aber ihre Entscheidungen sprechen eine andere Sprache. Wen stellen sie ein? Den Kandidaten mit 50 Publikationen oder den mit 10 sauberen, replizierten Studien voller Nullbefunde? Wen fördern sie? Den Professor, der mediale Aufmerksamkeit generiert, oder den, der methodisch solide, aber "langweilige" Grundlagenforschung betreibt?

Die Antwort kennt jeder, der jemals in einer Berufungskommission gesessen hat. Es zählt Quantität, nicht Qualität. Und wenn von Qualität gesprochen wird, wird dieser oft über den Impact Factor oder das Ranking der Fachzeitschrift abgeleitet, nicht über die Qualität des einzelnen Aufsatzes.

Universitäten lieben "Rockstar"-Wissenschaftler wie Francesca Gino - bis die Blase platzt. Sie profitieren von den TED Talks, den Medienauftritten, den Beratungsverträgen mit Fortune-500-Unternehmen. Die methodischen Zweifel ignorieren sie, solange die Publicity stimmt. Harvard hat Ginos fragwürdige Arbeitsweise jahrelang übersehen, weil sie der Universität Prestige und Aufmerksamkeit brachte.

Freiwillige Selbstverpflichtung zur Rettung?

Die stärkste Gegenbewegung zu den beschriebenen Systemfehlern läuft unter dem Banner der "Open Science"-Bewegung. Ihr Ziel ist es, die Wissenschaft durch Prinzipien wie radikale Transparenz (Open Data, Open Code), freien Zugang zu Wissen (Open Access) und Überprüfbarkeit (Präregistrierung) zu ihren Grundwerten zurückzuführen.

Ein entscheidender Hebel, den diese Bewegung identifiziert hat, ist die Reform der veralteten Forschungsbewertung. Genau hier setzen die ambitioniertesten Initiativen an: Die Coalition for Advancing Research Assessment (COARA) ist die ambitionierteste davon. Über 700 Organisationen haben sich verpflichtet, ihre Bewertungskriterien zu reformieren - weg von reinen Publikationsmetriken, hin zu qualitativer Beurteilung und Anerkennung diverser Forschungsbeiträge.

Die 10 Kernverpflichtungen von COARA klingen vielversprechend: Anerkennung der Vielfalt von Forschungsbeiträgen, primär qualitative Bewertung durch Peer Review, Abschaffung unangemessener Journal-Metriken wie des Impact Factors. Ähnlich versucht die Declaration on Research Assessment (DORA), Universitäten von der Fixierung auf Journal-Impact-Faktoren wegzubringen.

Das Problem: Die Implementierungslücke ist gewaltig. COARA respektiert explizit die "Autonomie der Organisationen" - was in der Praxis bedeutet, dass jede Universität selbst entscheiden kann, wie ernst sie die Reformen nimmt.

Aber das eigentliche Problem liegt tiefer: Die Entscheidungsprozesse in Universitäten liegen fest in den Händen derjenigen, die im alten System erfolgreich waren und sind. Professoren dominieren Berufungskommissionen, Fakultätsräte und Senate. Das sind Menschen, die ihre Karriere genau in dem System gemacht haben, das nun reformiert werden sollen. Sie haben ihre Publikationen gesammelt, Impact-Faktoren gejagt, und quantitative Metriken gespielt - und damit Erfolg gehabt.

Warum sollten sie ein System ändern, das sie an die Spitze gebracht hat? Wenn sie zugeben, dass publikationsbasierte Bewertung problematisch ist, stellen sie implizit ihre eigene Karriere in Frage.

Als rhetorisches Schutzschild für diese Beharrungskräfte dient dabei oft das hohe Gut der 'Freiheit von Forschung und Lehre' aus dem Grundgesetz. Jeglicher Versuch, verbindliche Qualitätsstandards oder transparentere Berufungsverfahren einzuführen, wird als Angriff auf die Autonomie der Wissenschaft abgewehrt. Dabei wird der ursprüngliche Sinn dieses Grundrechts pervertiert: Es wurde geschaffen, um die Forschung vor politischer Zensur zu schützen, nicht um sie von wissenschaftlicher Sorgfaltspflicht zu befreien. Die Freiheit der Forschung ist nicht gleichbedeutend mit der Freiheit von jeder Rechenschaftspflicht. Denn wer im Auftrag und auf Kosten der Gesellschaft forscht, ausgestattet mit dieser Freiheit und den damit verbundenen Privilegien, schuldet ihr im Gegenzug auch die Einhaltung angemessener Forschungsstandards.

Die meisten Universitäten behandeln solche Initiativen allerdings als PR-Übung. Sie unterzeichnen die Erklärungen, halten ein paar Symposien ab, und machen dann weiter wie bisher. Wenn der nächste "Rockstar"-Kandidat mit 100 Publikationen zur Berufung ansteht, sind die schönen Worte über "qualitative Bewertung" schnell vergessen und niemand fragt danach, ob die Befunde replizierbar sind.

Das ist der Grund, warum freiwillige Reformen scheitern. Organisationen ändern sich nur unter Druck - externem Druck. Pharmaunternehmen haben ihre Forschungspraktiken nicht aus Einsicht verbessert, sondern weil Regulatoren sie dazu zwangen. Banken haben ihre Risikomanagement-Systeme nicht freiwillig verschärft, sondern nach der Finanzkrise.

Universitäten brauchen ähnlichen Druck. Forschungsförderorganisationen müssen ihre Kriterien ändern. Journals müssen Studien ohne Präregistrierung ablehnen, bzw. wesentlich kritischer bewerten. Akkreditierungsagenturen sollten zukünftig die Qualität der Forschungspraktiken bewerten, nicht nur die Anzahl der Publikationen. Aber dieser Druck kommt zu langsam und zu schwach. Während Wissenschaftler noch darüber diskutieren, ob und wie sie sich reformieren sollen, nutzen Politiker wie JD Vance die Schwachstellen des Systems bereits für ihre Zwecke.

Lösungen, die tatsächlich funktionieren

Die gute Nachricht: Die Lösungen für die Replikationskrise sind bekannt und es gibt sehr viele motivierte, exzellente Akteur*innen, die diese voran bringen. Die schlechte Nachricht: Sie erfordern systematische Veränderungen, die viele in der Wissenschaft nicht wollen.

Methodische Ansätze

Präregistrierung von Studien ist der wichtigste Hebel. Forscher müssen ihre Hypothesen, Methoden und Analysepläne öffentlich registrieren, bevor sie Daten sammeln. Das macht p-hacking unmöglich - man kann nicht nachträglich die Zielscheibe um den Pfeil malen, wenn das Ziel schon feststeht. Plattformen wie OSF (Open Science Framework) machen das heute einfacher als je zuvor.

Registered Reports gehen noch weiter: Journals bewerten und akzeptieren Studien bereits vor der Datensammlung, basierend auf Fragestellung und Methoden. Das Ergebnis ist egal - positive wie negative Befunde werden publiziert. Das beseitigt den publication bias auf einen Schlag. Wie die Studie von Scheel et al. (2021) zeigt, reduziert sich die Anzahl der bestätigten Hypothesen deutlich, wenn Studien registriert sind, schlichtweg, weil die Publikation vom Ergebnis der Studie unabhängig ist.

Open Data und Open Code bedeuten, dass andere Forscher die Analysen überprüfen können. Die aufwendige Aufdeckung der Datenmanipulationen in Francesca Ginos Studien durch Data Colada war nur möglich, weil die Forscher Zugang zu einigen Datensätzen erlangten. Wären ihre Rohdaten jedoch im Sinne umfassender Open-Data-Praktiken von Beginn an standardmäßig und transparent für alle zugänglich gewesen, wären die Manipulationen potenziell deutlich früher oder durch eine breitere wissenschaftliche Gemeinschaft entdeckt worden. Transparency ist der natürliche Feind des Betrugs.

Aber methodische Überlegungen alleine reichen nicht. Das Anreizsystem muss sich ändern - und das bedeutet, dass Universitäten, Journals und Forschungsförderung umdenken müssen.

Strukturelle Ansätze

Universitäten müssen ihre Berufungskriterien reformieren. Anstatt lange Publikationslisten als primäres Maß zu verwenden, sollten sie sich auf die tiefgehende inhaltliche Bewertung weniger, beispielsweise der 3-5 wichtigsten und aussagekräftigsten Forschungsleistungen der Kandidat*innen, konzentrieren. Dieser 'Best-of'-Ansatz sollte explizit die Möglichkeit einschließen, auch qualitativ herausragende, aber vielleicht noch unveröffentlichte Manuskripte, Preprints, wichtige Datensätze oder entwickelte Software als zentrale Leistungsnachweise zu werten. Die Bewertung muss primär qualitativ und auf den Inhalt bezogen erfolgen, nicht quantitativ.

Journals müssen Replikationen und Nullbefunde priorisieren. Das Journal of Null Results und Initiativen wie PLOS ONE's Fokus auf methodische Qualität zeigen, wie es geht. Jede große Zeitschrift sollte verpflichtet werden, einen bestimmten Prozentsatz ihrer Ausgaben für Replikationsstudien zu reservieren.

Forschungsförderung muss Replikationen finanzieren. Obwohl die Deutsche Forschungsgemeinschaft (DFG) sich dem Thema langsam öffnet, gibt es noch immer keine etablierten, breit angelegten Förderlinien, die es unkompliziert ermöglichen, reine Replikationsstudien zu finanzieren. Systematische Replikationen bleiben damit im Fördersystem die Ausnahme, nicht die Regel.

COARA-Commitments müssen bindend werden. Die schönen Erklärungen über qualitative Bewertung müssen in konkrete Personalentscheidungen übersetzt werden. Universitäten, die COARA unterzeichnet haben, aber weiterhin nur publikationsbasiert befördern, gehören öffentlich bloßgestellt. Da es sich hier um ein Problem der Allmende handelt, ist hier ggf. auch der Gesetzgeber gefragt die notwendigen Rahmenbedingungen zu setzen.

Das deutsche Wissenschaftszeitgesetz muss reformiert werden. Solange nur 7% aller Promovierten eine Professur erhalten und alle anderen nach maximal 12 Jahren das System verlassen müssen, bleibt der Druck zur Publikationsjagd existenziell. Deutschland braucht mehr permanente Mittelbau-Stellen für Forscher, die nicht Professor werden wollen oder können. Andere Länder zeigen, dass es geht: In den USA, UK oder Frankreich gibt es deutlich mehr unbefristete Forschungsstellen unterhalb der Professur.

Berufungsverfahren müssen transparent werden. Deutsche Universitäten müssen offenlegen, nach welchen Kriterien sie tatsächlich berufen - nicht was sie in Stellenausschreibungen behaupten. Wenn Qualität vor Quantität stehen soll, muss das in den Protokollen der Berufungskommissionen nachvollziehbar sein. Im Sinne einer Professionalisierung muss die Freiheit der Fakultäten, diese Verfahren nach Belieben zu gestalten, eingeschränkt werden.

Training der nächsten Generation ist entscheidend: Alle Doktoranden sollten verpflichtende Kurse in Forschungsethik, statistischen Methoden und Open Science absolvieren. Initiativen wie FORRT zeigen, wie solche Programme aussehen können. Zusätzlich sollten Replikationen Teil jeder Dissertationsarbeit sein.

Internationale Koordination ist unverzichtbar. Die Wissenschaft ist global, aber die Reformen sind fragmentiert. Die EU sollte COARA-Prinzipien zur Bedingung für Horizon Europe-Förderung machen. Universitäten, die Lippenbekenntnisse zur Reform abgeben, aber nichts ändern, sollten von EU-Geldern ausgeschlossen werden.

Verlage müssen in die Pflicht genommen werden. Elsevier, Springer Nature und andere Wissenschaftsverlage verdienen Milliarden mit öffentlich finanzierter Forschung. Sie könnten morgen beschließen, nur noch präregistrierte Studien zu publizieren oder alle Artikel mit Open Data zu verknüpfen. Hier braucht es regulatorischen Druck.

Whistleblower müssen geschützt werden. Menschen wie Matthew Schrag, der Betrug in der Alzheimer-Forschung aufdeckte und dabei sogar Probleme in den Arbeiten seines eigenen Mentors fand, riskieren ihre Karriere. Es braucht institutionelle Schutzräume und finanzielle Absicherung für Forscher, die wissenschaftliches Fehlverhalten melden.

Die Replikationskrise ist also nicht nur ein internes Problem der Wissenschaft – sie ist zur politischen Angriffsfläche geworden. Mit der Executive Order vom 23. Mai macht die US-Regierung ernst: Wissenschaftliche Standards werden nun per Dekret neu definiert. Und obwohl viele Forderungen oberflächlich begrüßenswert sind, etwa mehr Datenzugänglichkeit oder methodische Transparenz, zeigt der Kontext eine klare Schlagrichtung. Es geht nicht um bessere Wissenschaft, sondern um eine andere Wissenschaft. Eine, die politische Intervention kaschiert, indem sie sich in das Gewand "neutraler Standards" kleidet.

Am Wendepunkt: Reform als Gebot der Selbsterhaltung

Die Liste der notwendigen Reformen ist lang und ihre Umsetzung braucht Zeit – Zeit, die wir möglicherweise nicht haben. Denn während die Wissenschaft noch über das "Wie" der Reformen debattiert, ist die Krise längst zur politischen Waffe geworden. Populisten wie JD Vance in den USA oder die AfD in Deutschland warten nicht auf unsere Selbstheilung. Sie nutzen die realen, gut dokumentierten Schwachstellen des Systems bereits heute als Hebel, um die Glaubwürdigkeit der Wissenschaft an sich zu untergraben.

Dabei ist es entscheidend, zwischen zwei Arten von Kritik zu unterscheiden: der konstruktiven und der destruktiven. Konstruktive Kritiker wie die Forscher hinter Data Colada lieben die Wissenschaft und wollen sie durch Transparenz und rigorose Methoden retten. Destruktive Kritiker nutzen dieselben Beispiele – einen Fall wie Francesca Gino –, um ein anderes Ziel zu erreichen: die Delegitimierung von Expertise und evidenzbasierter Politik. Ihre Botschaft lautet nicht: "Macht die Wissenschaft besser!", sondern: "Traut den Expert*innen nicht!".

Genau deshalb ist ein defensives Leugnen der Probleme die schlechteste aller Strategien. Die erste und unbequemste Wahrheit lautet: Die Kritiker haben in der Sache recht. Die Krise ist real. Wenn Superstars wie Gino fallen, sind die Institutionen wie Harvard mitschuldig, die sie jahrelang wegen ihres Prestiges gefeiert haben. Die Probleme sind, wie meine eigene Reise vom Mitwisser zum Kritiker zeigt, keine bedauerlichen Einzelfälle, sondern die logische Folge eines Systems, das in einer "Tragödie der Allmende" systematisch Quantität über Qualität belohnt.

Aus dieser Einsicht folgt zwingend: Appelle an die individuelle Tugend reichen nicht. Es braucht kollektive, systemische Lösungen. Die Anreize in Berufungsverfahren, bei Forschungsförderorganisationen und im Publikationswesen müssen konsequent geändert werden. Die schönen Worte von Initiativen wie COARA müssen in die Tat umgesetzt und das deutsche Wissenschaftszeitgesetz muss reformiert werden, um den existenziellen Druck zu mindern.

Diese Reformen sind nicht länger nur wissenschaftlich notwendig, sie sind politisch überlebenswichtig. Denn am Ende steht eine einfache, brutale Wahl: Reformieren wir uns selbst, oder lassen wir es uns von Politikern aufzwingen, die unsere Institutionen nicht stärken, sondern schwächen wollen?

Die Krise, so gefährlich sie ist, bietet auch eine historische Chance: die Wissenschaft so zu reformieren, wie sie immer hätte sein sollen. Transparenter, robuster, ehrlicher. Eine Wissenschaft, die der Wahrheit verpflichtet ist, nicht dem Karrieredruck. Eine Wissenschaft, die Qualität über Quantität stellt. Eine Wissenschaft, die stark genug ist, um politische Instrumentalisierung zu überstehen. Die USA haben diese Wahl in Teilen bereits getroffen – und sie zeigt, wie dünn die Linie ist zwischen wissenschaftlicher Qualitätsverbesserung und ideologischer Säuberung. Die Replikationskrise ist real. Aber die Antwort auf sie entscheidet, ob die Wissenschaft gestärkt oder ausgehöhlt daraus hervorgeht.

Die Frage ist nur: Haben wir den Mut, diesen Kampf zu führen, bevor andere ihn für uns entscheiden?

Hier geht es zum 2. Teil, wo die Folgen der Replikationskrise ausführlicher beleuchtet werden.

Wissenschaftskommunikation hat ein systemisches Problem. Nicht weil Journalistinnen und Journalisten lügen oder Forschende ihre Daten fälschen, das kommt zwar vor, ist aber die Ausnahme. Das eigentliche Problem ist subtiler: Es liegt in den Anreizen, die bestimmen, was publiziert wird, wie es dargestellt wird, und vor allem, was passiert, wenn etwas schiefläuft.

Ich möchte drei Fälle beschreiben, die ich in den vergangenen Monaten aus nächster Nähe beobachtet oder selbst erlebt habe. Sie betreffen sehr unterschiedliche Akteure: ein Qualitätsmedium, eine Publikumszeitschrift und mich selbst. Was sie verbindet, ist eine gemeinsame Schwachstelle: der Umgang mit Fehlern, Unsicherheiten und Interessenkonflikten.

Jetzt abonnieren

Wissenschaftskommunikation bewegt sich strukturell zwischen drei Anforderungen, die sich gegenseitig unter Druck setzen:

• Aktualität verlangt, relevante Forschung zeitnah aufzugreifen.

• Korrektheit verlangt, Befunde nicht zu überinterpretieren.

• Transparenz verlangt, Unsicherheiten, Limitationen und eigene Interessen offenzulegen.

Keine dieser drei lässt sich vollständig maximieren, ohne die anderen zu beschneiden. Wer wartet, bis alles gesichert ist, kommuniziert zu spät. Wer schnell kommuniziert, riskiert Überinterpretation. Wer jeden Vorbehalt nennt, verliert die Leser. Das ist kein moralisches Versagen einzelner Redaktionen, es ist ein Systemzwang, der in kommerziellen Erscheinungsformen natürlich noch deutlich stärker auftritt, als bei einem Hobby-Blog.

Aber innerhalb dieses Zwangs gibt es Entscheidungen. Und an diesen Entscheidungen lässt sich Qualität ablesen.

Fall 1: DIE ZEIT und der unsichtbare Interessenkonflikt

Im Mai 2026 veröffentlichte DIE ZEIT ein Interview mit Valter Longo, Direktor des Longevity Institute an der University of Southern California. Der Titel war eindeutig: „Der Proteintrend wird große gesundheitliche Probleme verursachen.“ Longo vergleicht darin den Protein-Hype mit dem Rauchen der 1950er Jahre: damals beliebt, heute als Krebsursache bekannt. Protein, so sein Argument, aktiviere Wachstumspfade, die langfristig mit erhöhter Krebssterblichkeit und beschleunigtem Altern assoziiert seien. Die Botschaft ist klar, die Sprache drastisch, die Reichweite groß.

Was das Interview nicht erwähnt: Valter Longo ist Gründer von L-Nutra, dem Unternehmen hinter ProLon, einer kommerziellen „Scheinfasten-Box“, die auf seinem Forschungskonzept basiert und im deutschsprachigen Raum vertrieben wird. Sein Anti-Protein-Argument ist wissenschaftlich nicht unplausibel. Aber es ist auch das Fundament seines Geschäftsmodells. Wer weniger Protein essen und öfter fasten soll, ist eine potenzielle ProLon-Kundin. Longo gibt an, seine Unternehmensanteile zu 100 Prozent in eine gemeinnützige Stiftung einzubringen, das mildert den Konflikt, löst ihn aber nicht auf. Er entwickelt die Wissenschaft, die sein Produkt legitimiert, und er profitiert institutionell und reputational von dieser Verbindung.

Das Problem ist nicht, dass Longo interviewt wurde. Auch Forscher mit Interessenkonflikten haben relevante Perspektiven. Das Problem ist die fehlende Deklaration. Eine Nachrichtenagentur, ein Factchecker, jeder aufmerksame Leser findet diese Information mit einer einzigen Google-Suche. DIE ZEIT hat es nicht getan oder es nicht für nötig gehalten.

Dazu kommt ein strukturelles Problem des Interview-Formats, das für alle Interviews zutrifft, nicht nur dieses: Ein Forscher, eine Perspektive, kein Gegengewicht. DIE ZEIT hat Longo zweimal sachlich unterbrochen, erstens mit dem Hinweis auf Beobachtungsstudien, die keine Kausalität belegen, und zweitens auf den Umstand, dass die Risiken vor allem bei sehr hoher Proteinzufuhr auftreten. Das ist mehr als viele Redaktionen tun. Zudem wurde auch die Empfehlung der Deutschen Gesellschaft für Ernährung bezüglich der empfohlenen Menge des Proteins verwiesen. Es reicht meiner Meinung nach aber nicht, um die Abwesenheit einer Gegenstimme zu kompensieren. Longos Thesen sind in der Ernährungsforschung keineswegs Konsens und die Datenlage ist in meiner Einschätzung nicht so robust, wie er sie darstellt. Das bleibt im Interview unsichtbar, weil eben nur eine Position zu Wort kommt.

Besonders unglücklich fand ich einen inhaltlichen Punkt, den DIE ZEIT hätte prüfen können: Longo führt die sogenannten “Blue Zones” (Okinawa, Süditalien, Sardinien) als Beleg dafür an, dass proteinarm lebende Menschen besonders alt werden. Das ist ein Argument, das in den letzten Jahren erheblich unter Druck geraten ist. Saul Newman hat systematisch gezeigt, dass wahrscheinlich ein Großteil der behaupteten Langlebigkeit in diesen Regionen auf schlechte Geburts- und Sterberegister sowie in einigen Fällen auf Rentenbetrug zurückzuführen ist. Die Blue Zones sind kein robuster empirischer Befund. Sie sind eine anschauliche Geschichte und als solche hätte DIE ZEIT sie meiner Meinung nach auch kennzeichnen müssen.

Auf Instagram verdichtet sich das alles noch einmal. Was im Interview zumindest mit Nachfragen abgefedert wird, verschwindet auf Social Media vollständig. Übrig bleibt: Professor warnt vor Protein. Hier sind die Einwände zum Beobachtungsstudien-Vorbehalt, der Altersabhängigkeit und des Interessenkonflikts auch nicht sichtbar. Dieser Post erreicht ein anderes, oft jüngeres Publikum als der Artikeltext und er ist permanent, weil Instagram die nachträgliche Bearbeitung von Bildern nicht ermöglicht (dazu mehr unten). Selbst wenn DIE ZEIT morgen eine Gegendarstellung publizieren würde: Der Post bliebe, es bliebe nur eine vollständige Löschung.

Gleichzeitig sind diese Kacheln aber auch das Einzige, was viele Personen von diesem Beitrag lesen werden und können zudem im digitalen Ökosystem der sozialen Medien extrem einfach geteilt und weiterverbreitet werden.

Fall 2: Die Apotheken Umschau und die Kunst der Schein-Korrektur

Im Februar 2025 veröffentlichte die Apotheken Umschau einen Artikel (in der Originalversion verfügbar über die WayBack Machine des Internet Archives) zur sogenannten „Silver Splits“-Studie, die ich an dieser Stelle bereits ausführlich besprochen habe.

Das Kernproblem: Es handelt sich um eine Beobachtungsstudie mit winzigen absoluten Effektgrößen. 0,3 Prozentpunkte Unterschied im Trennungsrisiko, wurde zur Schlagzeile „Männer verlassen ihre kranken Partnerinnen“ aufgeblasen. Der stärkere Effekt in denselben Daten (depressive Männer haben ein dreifach erhöhtes Trennungsrisiko) fand keine Erwähnung. Kausalität und Korrelation wurden vermischt, statistische Signifikanz unsauber verwendet. Viele der wirklichen Schwächen der Studie wurden auch erst bei einer genauen Lesung des Appendix offenbar.

Da ich das für eine grobe Fehldarstellung der Studie betrachtete, habe ich die Redaktion kontaktiert. Was folgte, war eine Lektion in institutionellem Korrektur-Reflex:

• Ende Juli 2025: Erste Kritik meinerseits, freundliche Antwort, Weiterleitung an die Wissenschaftsredaktion.

• Mitte August 2025: Rückmeldung, der Artikel sei „angepasst und präzisiert“. Beim Nachprüfen zeigt sich: Es gab keine von mir erkennbaren Änderungen.

• September bis Oktober 2025: Mehrfaches Nachhaken meinerseits, sachliche Argumentation.

• 23. Oktober 2025: Endgültige Absage — der Artikel habe „seine Richtigkeit“ und bliebe so.

Für die Redaktion war das Thema damit erledigt. Für mich nicht.

Im November reichte ich eine Beschwerde beim Deutschen Presserat ein, wegen Verstoßes gegen die journalistische Sorgfaltspflicht (Ziffer 2 des Pressekodex). Im Januar leitete der Presserat das Verfahren ein und forderte eine Stellungnahme an.

Nach der Presserat die Apothekenumschau über die Beschwerde informierte, bewegte sich etwas: Im Februar 2026, sieben Monate nach meiner ersten Kritik, wurde der Artikel tatsächlich überarbeitet. Die Überschrift entschärft, die methodischen Schwächen ergänzt, die Effektgrößen korrekt eingeordnet.

Letztendlich sprach der Presserat eine Missbilligung gegenüber der Apothekenumschau aus und sah die journalistische Sorgfaltspflicht durch die mangelhafte Darstellung der Studienergebnisse als verletzt an.

Das ist, vorsichtig formuliert, kein Ruhmesblatt für die Korrekturkultur eines großen Gesundheitsmediums. Berechtigte, sachlich vorgetragene Kritik wurde monatelang wegmoderiert, bis externer institutioneller Druck entstand. Das ist kein Einzelfall. Es ist der vorhersehbare Ausgang, wenn Korrekturbereitschaft institutionell nicht belohnt wird.

Aber die eigentlich symptomatische Pointe kommt noch.

Der Instagram-Post der Apotheken Umschau zur Silver-Splits-Studie steht heute noch fast so online wie vor meiner Kritik. Unverändert mit einer Ausnahme: Der Beschreibungstext wurde geringfügig geändert um auf die Überinterpretation der Studienbefunde hinzuweisen (siehe Bild unten). Der Website-Artikel wurde korrigiert — der Social-Media-Kanal nicht, oder zumindest nicht vollständig, die Kacheln mit dem weiterhin fehlerhaften Inhalt bleiben bestehen. Das bedeutet: Die Korrektur existiert, erreicht aber nicht den Kanal, der die Fehlinformation am weitesten verbreitet hat.

Das ist keine Nachlässigkeit. Es ist strukturell: Redaktionen haben Workflows für Website-Korrekturen. Für Social-Media-Korrekturen existieren weniger klare Zuständigkeiten und es gibt weniger institutionelle Anreize zur Korrektur und manchmal sind auch die technischen Möglichkeiten eingeschränkt. Bei Instagram müsste man den Post gänzlich löschen und die Bilder neu erstellen, doch der Post bringt noch immer Reichweite.

Dieser Fall hat noch eine weitere Dimension, die ich erst später verfolgt habe: die wissenschaftliche Primärquelle selbst. Ich habe Spencer Olmstead, den Editor des Journals, in dem die Silver-Splits-Studie erschienen ist, mit meiner methodischen Kritik konfrontiert. Er hat sie ernst genommen und die Autoren zu einem Korrigendum aufgefordert. Dieses Korrigendum steht zum Zeitpunkt der Veröffentlichung dieses Artikels noch aus. Die Studie ist online, leider ohne Hinweis auf die laufende Überprüfung.

Das ist kein Vorwurf an Olmstead. Er und die Autorinnen arbeiten an diesem Prozess nebenher, ohne Vergütung, neben ihren eigentlichen wissenschaftlichen Verpflichtungen. Das ist das Normalmodell im akademischen Peer-Review- und Korrekturbetrieb. Es zeigt aber, wie langsam wissenschaftliche Selbstkorrektur auch unter wohlwollenden Bedingungen ist und wie weit die verschiedenen Korrekturrunden zeitlich auseinanderliegen können.

Wenn man die drei Ebenen übereinanderlegt, ergibt sich eine Korrektur-Pyramide:

1. Das Journal hat ein Korrigendum eingeleitet — noch ausstehend.

2. Der Website-Artikel wurde korrigiert — nach sieben Monaten und einem Presserat-Verfahren.

3. Der Instagram-Post steht fast unverändert.

Fall 3: Wie ich versuche damit umzugehen

Ich möchte hierbei weder DIE ZEIT noch die Apothekenumschau persönlich angreifen, sondern die Schwierigkeiten der Wissenschaftskommunkation und der Korrektur im System beleuchten, denn auch in meinem Blog gibt es dazu Vorälle. Im März 2026 veröffentlichte ich einen Artikel über ideologische Homogenität in den Sozialwissenschaften — „The Garden of Forking Paths“. Darin stützte ich mich unter anderem auf eine Studie von Borjas und Breznau, die argumentiert, ideologische Vorannahmen der Forschenden seien ein wesentlicher Treiber für die massive Streuung von Ergebnissen in der sozialwissenschaftlichen Forschung.

Kurz nach der Veröffentlichung erschien ein methodischer Kommentar von Auspurg und Brüderl (LMU München), der die Kernergebnisse erheblich relativiert. Die Autoren konnten die numerischen Resultate zwar reproduzieren, zeigten aber, dass der Ideologie-Effekt ausschließlich unter drei spezifischen Modellentscheidungen auftritt und in 81 von 84 alternativen, methodisch vertretbaren Spezifikationen verschwindet. Details sind im Addendum meines Originalartikels nachzulesen.

Was bedeutete das für meinen Artikel? Ich hatte keinen Rechenfehler gemacht und keine falsche Zahl zitiert. Aber ich hatte einen Befund als Beleg verwendet, der sich im Nachhinein als deutlich fragiler erwies als zum Zeitpunkt meiner Veröffentlichung erkennbar war.

Ich habe einen Disclaimer an den Anfang des Artikels gesetzt und am Ende eine ausführliche Einordnung ergänzt, sowie eine Note auf Substack publiziert. Zudem habe ich meine Texte auf X und LinkedIn entsprechend angepasst, in denen ich auf den Artikel aufmerksam gemacht habe. Öffentlich, ohne Defensivität, mit vollem Quellennachweis.

Was mich an diesem Fall am meisten beschäftigt, ist eine Ironie, die ich mir nicht ausgedacht haben könnte: Eine Studie über ideologischen Bias in der Forschung weist selbst methodische Fragilität auf, die erst durch unabhängige Nachprüfung sichtbar wird und illustriert damit unfreiwillig genau das Argument für Replikation und Transparenz, das der Artikel macht.

Für mich ist der Umgang mit dieser Situation der einzige Maßstab, der zählt. Niemand, der regelmäßig über aktuelle Forschung schreibt, wird dauerhaft fehlerfrei bleiben. Die Frage ist nur, was man macht, wenn die Replikation erscheint oder man auf Fehler hingewiesen wird. In anderen Posts habe ich Korrekturen im Text durch einen redaktionellen Hinweis mit Datum und Erklärung kenntlich gemacht, um hier Transparent zu bleiben.

Was daraus folgt

Ich will keine Medienschelte betreiben. DIE ZEIT ist kein schlechtes Blatt, die Apotheken Umschau ist kein Hetzorgan, und Spencer Olmsteads Umgang mit meiner Kritik war mustergültig. Das ist nicht der Punkt.

Der Punkt ist: Alle drei Fälle zeigen, wo konkret gespart wird und zwar nicht aus Bosheit, sondern aus Zeitdruck, Formatlogik und fehlenden Anreizen.

• Der erste Sparpunkt ist die Primärquelle selbst. Wer nur die Pressemitteilung oder das Abstract liest, übersieht die Stellen, an denen Studien ihre eigenen Grenzen offenbaren, oft gut versteckt im Anhang. Bei der Silver-Splits-Studie standen die schwachen Signifikanzniveaus von p < 0,10 nicht im Haupttext, sondern in den Appendizes. Ich bin nur deshalb darauf aufmerksam geworden, weil es mich als Sozialwissenschaftler massiv irritiert hat, dass in der Studie selbst keine Tabellen auftauchten und die Beschreibungen der Befunde vage waren. Wer den Appendix gelesen hätte, hätte gewusst: Das Fundament der Schlagzeile ist brüchig. Wer sie nicht liest, schreibt die Schlagzeile trotzdem. Dasselbe gilt für Effektgrößen: Eine Studie kann statistisch signifikant sein und praktisch bedeutungslos, hier ist kritische Hinterfragung notwendig.

• Der zweite Sparpunkt ist der Kontext des Forschenden. Wer ist diese Person, und welches Interesse hat sie an ihrer eigenen These? Das ist keine Unterstellung, sondern eine Frage, die bei jedem Experten-Interview gestellt werden muss. Im Longo-Fall hätte eine einzige Suche gereicht.

• Der dritte Sparpunkt ist der Kanal. Ein korrigierter Text und ein unkorrigierter Instagram-Post sind nicht dasselbe. Wer Wissenschaft auf Social Media kommuniziert, übernimmt damit eine Verantwortung, die nicht am Website-Artikel endet.

• Der vierte Sparpunkt, der mich selbst betrifft: das Bewusstsein, dass auch gut belegte Befunde fragil sein können und dass die Antwort darauf nicht Schweigen, sondern sichtbare Korrektur ist.

Das sind keine abstrakten Forderungen. Es sind Entscheidungen, die in der täglichen Arbeit getroffen werden: Lese ich den Appendix? Suche ich nach Interessenkonflikten? Korrigiere ich auf demselben Kanal, auf dem ich den Fehler gemacht habe? Gestehe ich öffentlich ein, wenn ein Befund, auf den ich mich gestützt habe, ins Wanken gerät?

Wer das regelmäßig tut, wird nicht fehlerfrei sein. Aber er oder sie wird glaubwürdig sein und das ist, auf lange Sicht, das Einzige, was zählt.

Praktische Orientierung: Worauf ich bei Studien achte

(Eine leicht Ausführlichere Version habe ich auch auf wissenschaftskommunikation.de veröffentlicht)

• Zur Studie selbst: Ist sie in einem bekannten Journal erschienen? Sind Daten und Code verfügbar? Wurde sie präregistriert? Gibt es Post-Publication-Kritik auf PubPeer?

• Zu den Autorinnen und Autoren: Gibt es deklarierte oder nicht deklarierte Interessenkonflikte? Gibt es auffällig hohe Publikationsfrequenzen oder ungewöhnliche Autorenkombinationen?

• Zum Text selbst: Was steht im Anhang,insbesondere zu Signifikanzniveaus, Sensitivitätsanalysen und Limitationen? Wie groß sind die absoluten Effektgrößen, nicht nur die relativen?

• Hilfreiche Tools:

  • PubPeer (Post-Publication-Review)

  • Retraction Watch Database (zurückgezogene Artikel)

  • Open Science Framework (Präregistrierungen)

Es gibt eine Zahl, die in fast jedem Zeitungsartikel, jeder Talkshow und jedem politischen Strategiepapier zur Einsamkeit auftaucht: Einsamkeit sei so schädlich wie das Rauchen von fünfzehn Zigaretten am Tag. Die Zahl ist eingängig, sie ist alarmierend, und sie hat maßgeblich dazu beigetragen, dass Regierungen weltweit die Einsamkeit als gesundheitspolitisches Handlungsfeld entdeckt haben.

Sie hat nur einen Schönheitsfehler. Die Forscherin, auf deren Arbeit sie zurückgeht, Julianne Holt-Lunstad, hat sich von ihr inzwischen selbst distanziert. Die ursprüngliche Metaanalyse von 2010 untersuchte nicht Einsamkeit, sondern soziale Beziehungen insgesamt, und die Übertragung auf “fünfzehn Zigaretten” überdehnt die Evidenz auf eine Weise, die Holt-Lunstad und Kollegen 2023 in einer ausdrücklichen Klarstellung als Vereinfachung kritisierten, die das Risiko überzeichnet.

Das ist kein nebensächliches Detail. Es ist das Muster des gesamten Feldes im Kleinen: Eine Forschungslage, die nuancierter, schwächer und widersprüchlicher ist, als ihre öffentliche Rezeption suggeriert. Dieser Artikel geht drei Fragen nach. Erstens: Was ist Einsamkeit überhaupt? Zweitens: Haben wir tatsächlich eine Epidemie? Und drittens: Funktionieren die Interventionen, in die nun öffentliche Mittel fließen?

Teil 1: Was ist Einsamkeit?

Bevor man über Trends und Interventionen sprechen kann, muss man wissen, wovon man redet. Und das ist beim Thema Einsamkeit weniger selbstverständlich, als es scheint.

Einsamkeit ist in der Forschung definiert als das subjektive, schmerzhaft empfundene Missverhältnis zwischen den sozialen Beziehungen, die man hat, und denen, die man sich wünscht. Entscheidend ist das Wort subjektiv. Einsamkeit ist nicht dasselbe wie soziale Isolation, das ist der objektive Zustand, wenige soziale Kontakte zu haben. Man kann von Menschen umgeben und zutiefst einsam sein, und man kann weitgehend allein leben, ohne sich einsam zu fühlen. Diese Unterscheidung klingt akademisch, aber sie ist der Dreh- und Angelpunkt der gesamten Debatte. Denn Politik und Medien werfen beide Begriffe permanent in einen Topf und behandeln dann die objektiv messbare Größe (wie viele Menschen leben allein?) als Beleg für die subjektive (wie viele fühlen sich einsam?). Das sind zwei verschiedene Dinge, die sich empirisch erstaunlich schlecht aufeinander abbilden lassen.

Eine zweite Differenzierung geht auf den Soziologen Robert Weiss zurück, der bereits 1973 zwischen emotionaler und sozialer Einsamkeit unterschied. Emotionale Einsamkeit ist das Fehlen einer engen, vertrauten Bezugsperson, z.B. eines Partners oder einer intimen Freundschaft. Soziale Einsamkeit ist das Fehlen eines breiteren Netzwerks, einer Gemeinschaft, in die man eingebunden ist. Die beiden hängen mit unterschiedlichen Dingen zusammen und können durch unterschiedliche Interventionen adressiert werden. Wer seinen Partner verloren hat, dem hilft kein Nachbarschaftstreff; wer in eine neue Stadt gezogen ist, dem hilft keine Paartherapie.

Und drittens, vielleicht am wichtigsten für alles, was folgt: der Unterschied zwischen episodischer und chronischer Einsamkeit. Episodische Einsamkeit ist allgegenwärtig und vollkommen normal. Sie gehört zu Lebensübergängen: zum Umzug, zur Trennung, zum ersten Semester in einer fremden Stadt, zum Renteneintritt. Fast jeder Mensch erlebt sie irgendwann. Chronische Einsamkeit dagegen, d. h. Einsamkeit, die über Jahre persistiert, ist ein anderes Phänomen. Sie betrifft je nach Definition fünf bis zehn Prozent der Bevölkerung, und sie ist es, die mit gesundheitlichen Folgen assoziiert wird. Das eine ist eine normale menschliche Erfahrung. Das andere ist ein gesundheitliches Problem. Wer beide unter einem Begriff zusammenfasst, produziert zwangsläufig dramatische Zahlen und löst zugleich das eigentliche Problem nicht.

Damit sind wir bei der Messung, und hier wird es heikel. Das weltweit dominante Instrument ist die UCLA Loneliness Scale, meist in ihrer revidierten Version mit zwanzig Fragen, die jeweils von “nie” bis “oft” beantwortet werden. Sie formuliert indirekt, d. h. sie fragt nicht “Sind Sie einsam?”, sondern “Wie oft fühlen Sie sich von anderen ausgeschlossen?”. Daneben gibt es die in Europa verbreitete De-Jong-Gierveld-Skala und, vor allem in großen Bevölkerungsumfragen, einfache Einzelfragen (”Fühlen Sie sich oft einsam?”).

Diese Instrumente sind nicht austauschbar. Direkte Einzelfragen produzieren systematisch niedrigere Werte, weil das Wort “einsam” stigmatisiert ist und die Leute zögern, es auf sich anzuwenden. Wie groß dieser Effekt ist, zeigte das BBC Loneliness Experiment eindrücklich: Wurde Einsamkeit indirekt statt direkt erhoben, wechselte ein erheblicher Anteil der Befragten von “nie einsam” zu “manchmal einsam”. Dieselbe Person, dasselbe Gefühl, eine andere Frageformulierung und eine deutlich andere Prävalenzzahl. Man sollte sich diese Skalierung merken, denn sie wird uns in Teil 3 als Maßstab wieder begegnen.

Teil 2: Haben wir eine Epidemie der Einsamkeit?

Die kurze Antwort lautet: Es kommt darauf an, wen man fragt, wo man misst und über welchen Zeitraum man spricht. Die etwas längere Antwort ist, dass die These eines flächendeckenden, dramatischen Anstiegs der Einsamkeit über die letzten Jahrzehnte für weite Teile Europas schlicht nicht belegt ist.

Ein historisches Lehrstück

Beginnen wir mit einer Geschichte, die sich gut zwanzig Jahre vor der heutigen Debatte abspielte. 2006 veröffentlichten McPherson und Kollegen im American Sociological Review eine Studie, die für Aufsehen sorgte: Der Anteil der Amerikaner, die niemanden hatten, mit dem sie über wichtige Dinge reden konnten, habe sich zwischen 1985 und 2004 dramatisch erhöht. Die Befunde wurden weltweit als Beleg für den Zerfall sozialer Bindungen rezipiert.

Drei Jahre später nahm sich der Soziologe Claude Fischer die Daten noch einmal vor. Sein Ergebnis, ebenfalls im American Sociological Review: Der spektakuläre Anstieg war höchstwahrscheinlich ein Artefakt der Erhebung. Veränderungen in der Position des Fragebogens, sinkende Rücklaufquoten und technische Effekte hatten einen Trend vorgetäuscht, den es so nicht gab. Die tatsächliche Rate enger sozialer Beziehungen war weitgehend stabil geblieben.

Diese Geschichte ist deshalb lehrreich, weil sie sich fast wörtlich wiederholt hat. Eine der zentralen Datenquellen, auf die sich der amerikanische Surgeon General 2023 bei seiner Proklamation einer “Einsamkeitsepidemie” stützte, war eine Analyse, die einen drastischen Anstieg sozialer Isolation behauptete. Auch sie wurde von mehreren unabhängigen Forschungsteams reanalysiert, mit dem Ergebnis, dass abgeschnittene Diagrammachsen, die Betonung statistischer Signifikanz ohne Effektstärken und die Einbeziehung des Pandemiejahres 2020 das Bild dramatisiert hatten. Der “Niedergang der sozialen Bindungen” ist, so scheint es, ein wiederkehrendes Motiv, das jede Generation neu für sich entdeckt und das bei genauerer Prüfung jedes Mal kleiner wird.

Die “fünfzehn Zigaretten” und ihre Geschichte

Kehren wir zur Eingangszahl zurück, denn sie verdient eine genauere Betrachtung. Die Metaanalyse von Holt-Lunstad, Smith und Layton aus dem Jahr 2010 wertete 148 Studien aus und fand, dass Menschen mit stärkeren sozialen Beziehungen eine geringere Sterblichkeit aufwiesen. Daraus wurde die Analogie zu den fünfzehn Zigaretten abgeleitet. Das Problem: Die Analyse betraf soziale Beziehungen insgesamt und damit Dinge wie Netzwerkgröße, soziale Unterstützung, Isolation und Einsamkeit als Sammelbegriff, nicht die subjektive Einsamkeit im engeren Sinn.

Als die Forschungsgruppe 2015 spezifisch die Einsamkeit untersuchte, fiel der Effekt deutlich schwächer aus. Und 2023 stellte Holt-Lunstad gemeinsam mit Kollegen ausdrücklich klar, dass die populäre Analogie die Evidenz vereinfache und das Risiko womöglich überbetone. Das ist ein bemerkenswerter Vorgang: Die Urheberin der wirkmächtigsten Zahl der Einsamkeitspolitik distanziert sich von ihrer Verwendung, während die Zahl in Strategiepapieren munter weiterzirkuliert.

Was die belastbarsten Studien zeigen

Damit ist nicht gesagt, dass sich gar nichts verändert hätte. Es gibt durchaus robuste Befunde, aber sie sind spezifischer, als die Schlagzeilen vermuten lassen.

Bei jungen Erwachsenen zeigt die methodisch sauberste Arbeit, eine präregistrierte Metaanalyse von Buecker und Kollegen aus dem Jahr 2021, die 437 Stichproben über den Zeitraum von 1976 bis 2019 zusammenführte, tatsächlich einen Anstieg von etwa einer halben Standardabweichung. Allerdings primär in nordamerikanischen Stichproben, abgeschwächt anderswo. Und die Autoren selbst mahnen zur Vorsicht: Alters-, Perioden- und Kohorteneffekte lassen sich in solchen Daten nicht sauber trennen.

Bei Jugendlichen verweisen Twenge und Kollegen (2021) auf die internationalen PISA-Daten, die ab etwa 2012 in fast allen untersuchten Ländern einen Anstieg der schulbezogenen Einsamkeit zeigen. Zusätzlich räumen die Autoren selbst ein, dass die Messung in den verschiedenen Erhebungswellen nicht durchgängig vergleichbar ist, ein Problem, das in der Methodenforschung “fehlende Messinvarianz” heißt. Etwas vereinfacht: Wenn dieselbe Frage in zwei Erhebungen oder zwei Ländern unterschiedlich verstanden wird, kann man die Mittelwerte nicht direkt nebeneinanderstellen, auch wenn die Zahlen das nahezulegen scheinen. Bei den PISA-Daten ist genau das teilweise der Fall.

Am aufschlussreichsten für unsere Frage ist die Arbeit von Infurna und Kollegen aus dem Jahr 2024, die harmonisierte Längsschnittdaten aus den USA und dreizehn europäischen Ländern zusammenführte. Ihr Befund: Einen historischen Anstieg der Einsamkeit im mittleren Lebensalter gibt es, aber im Wesentlichen in den USA und Teilen Südeuropas. In Kontinental- und Nordeuropa zeigt sich kein solcher Anstieg, eher das Gegenteil. Und das amerikanische Niveau liegt deutlich über jedem europäischen Vergleichswert.

Bleibt die Pandemie. Hier gab es zweifellos einen Anstieg, eine präregistrierte Metaanalyse von Ernst und Kollegen (2022) bestätigt ihn. Aber die Autoren wählen bemerkenswert nüchterne Worte: Die beobachteten Effekte seien klein und heterogen, und Sorgen über eine “Einsamkeitspandemie” seien zu diesem Zeitpunkt wahrscheinlich übertrieben.

Was die europäischen Daten zeigen

Wenn man von Europa und besonders von Deutschland spricht, kippt das Bild der Epidemie fast vollständig.

Eine präregistrierte Auswertung des European Social Survey für 17 Länder über den Zeitraum 2006 bis 2015 ergab keinen Anstieg, sondern einen leichten Rückgang der Einsamkeitsprävalenz. Für ältere Deutsche dokumentierten Hülür und Kollegen (2016) sogar einen substanziellen Rückgang über zwei Jahrzehnte. In den Niederlanden: ein leichter Rückgang. In Schweden: keine Veränderung. Eine systematische Übersicht über 113 Länder fand, soweit Trenddaten verfügbar waren, keinen konsistenten globalen Anstieg über die beiden Jahrzehnte vor der Pandemie.

Die deutschen SOEP-Daten – die methodisch hochwertigste Quelle für Deutschland – zeichnen ein klares Bild: zwischen 1992 und 2017 eine stabile bis leicht rückläufige Einsamkeitsbelastung, dann der pandemiebedingte Sprung, dann eine weitgehende Rückkehr in Richtung Ausgangsniveau. Mit einer wichtigen Ausnahme, auf die wir gleich zurückkommen: den jüngeren Erwachsenen, die sich nicht vollständig erholt zu haben scheinen.

Die Pointe lässt sich kaum vorsichtiger formulieren: Die “Einsamkeitsepidemie” ist in erster Linie ein US-amerikanisches Phänomen mit einem teilweise validen Kern. Für Kontinentaleuropa und insbesondere Deutschland gibt es vor der Pandemie keinen Beleg für einen säkularen Anstieg.

Warum die Trendfrage so schwer zu beantworten ist

An dieser Stelle lohnt ein methodischer Einschub, denn er erklärt, warum so unterschiedliche Zahlen kursieren.

Erstens messen verschiedene Instrumente verschiedene Dinge, wie wir in Teil 1 gesehen haben. Trendaussagen, die über unterschiedliche Skalen hinweg gebildet werden, sind nur mit Vorsicht zu genießen.

Zweitens, und das ist der klassische Fallstrick der Lebensspannenforschung, lässt sich aus Querschnittsdaten kaum auf Entwicklung schließen. Eine Metaanalyse von Mund und Kollegen (2020) über 75 Längsschnittstudien zeigte, dass viele scheinbare “Altersmuster” der Einsamkeit verschwinden, sobald man dieselben Menschen über die Zeit verfolgt, statt verschiedene Altersgruppen zu einem Zeitpunkt zu vergleichen. Was wie ein Alterseffekt aussieht, ist oft ein Kohorteneffekt: also kein Unterschied zwischen Lebensphasen, sondern zwischen Generationen, die in unterschiedlichen Zeiten aufgewachsen sind. Dass die heute 75-Jährigen einsamer wirken als die heute 40-Jährigen, könnte schlicht daran liegen, dass sie eine andere Kindheit, andere Familienstrukturen und eine andere Sozialgeschichte hinter sich haben, nicht daran, dass das Alter selbst einsam macht.

Drittens, und das ist für den internationalen Vergleich besonders relevant: Die gängigen Skalen sind nicht ohne Weiteres kulturübergreifend vergleichbar. Eine Studie von Hudiyana und Kollegen (2022) prüfte die Messinvarianz der UCLA-Skala in Deutschland, den USA und Indonesien an über 2.300 Personen. Das Ergebnis ist alles andere als großartig: Weder die zwanzig- noch die achtteilige Version erfüllte die Kriterien für kulturübergreifende Vergleichbarkeit. Zwei Items der Kurzversion, die nicht direkt mit sozialer Isolation zu tun haben, brachen die Invarianz. Erst eine auf sechs Items reduzierte Variante, die sich strikt auf das Gefühl des Ausgeschlossenseins konzentriert, war wirklich vergleichbar. Das heißt im Klartext: Ein erheblicher Teil der publizierten Länderrankings der Einsamkeit könnte zumindest teilweise ein Messartefakt sein – also ein Schein-Befund, der nicht aus realen Unterschieden, sondern aus der unterschiedlichen Funktionsweise des Instruments in verschiedenen Kulturen entsteht.

Die Subgruppen, in denen es ein reales Problem gibt

Nichts von alledem bedeutet, dass Einsamkeit kein Problem wäre. Es bedeutet nur, dass das Problem ein anderes ist als das in der öffentlichen Debatte gezeichnete. Es gibt identifizierbare Gruppen mit real erhöhter Einsamkeit: die chronisch Einsamen, jene fünf bis zehn Prozent, für die Einsamkeit ein dauerhafter Zustand ist; die Hochbetagten jenseits der 75, bei denen Verwitwung und gesundheitliche Einschränkungen zusammenkommen; und die jungen Erwachsenen (vor allem Männer), deren Werte nach der Pandemie erhöht geblieben sind, wobei noch unklar ist, ob das ein neues, stabiles Niveau ist oder eine vorübergehende Nachwirkung.

Das ist die eigentliche Erkenntnis von Teil 2: Es gibt keine populationsweite Einsamkeitskrise in Deutschland. Es gibt reale, demografisch weitgehend stabile Subgruppen mit erhöhter Einsamkeit. Und das ist eine ganz andere Diagnose mit ganz anderen Konsequenzen für die Therapie.

Teil 3: Funktionieren die Interventionen?

Nehmen wir für einen Moment an, man wolle der Einsamkeit mit Programmen begegnen. Dann stellt sich die entscheidende Frage: Wirken sie? Und hier ist die Antwort, vorsichtig formuliert, ernüchternd.

Was die Metaanalysen sagen

Der klassische Referenzpunkt ist die Metaanalyse von Masi und Kollegen aus dem Jahr 2011. Sie unterschied vier Typen von Interventionen: die Verbesserung sozialer Fertigkeiten, die Erhöhung sozialer Unterstützung, das Schaffen von Gelegenheiten für Kontakt und die Veränderung verzerrter sozialer Denkmuster. Das Ergebnis war bereits damals aufschlussreich: In den methodisch strengsten Studien, den randomisierten kontrollierten Versuchen, war der durchschnittliche Effekt klein. Und nur ein Interventionstyp zeigte robuste Wirkung, nämlich die kognitive Umstrukturierung verzerrter Denkmuster, also ein psychotherapeutischer Ansatz. Ausgerechnet das Schaffen von Begegnungsgelegenheiten, also genau das, was der Großteil kommunaler Einsamkeitsprogramme finanziert, schnitt am schwächsten ab.

Diese Befunde sind kein Relikt. Eine umfassende Übersicht von Hickin und Kollegen (2021) bestätigte sie an einer kleineren, neueren Studienbasis. Die bislang größte und methodisch sauberste Arbeit ist jedoch eine präregistrierte Meta-Analyse von Lasgaard und Kollegen, 2025 im American Psychologist erschienen. Sie wertete 280 Studien mit insgesamt rund 30.000 Teilnehmenden aus, davon 146 randomisierte kontrollierte Versuche. Für diese RCTs ergab sich ein moderater Kurzzeiteffekt von SMD = −0,50 auf die Einsamkeit. Übersetzt in die UCLA-Skala wären das rund fünf Punkte Reduktion. Auf den ersten Blick ein respektables Ergebnis.

Doch die Autoren selbst betonen, dass die Evidenzqualität nach dem international standardisierten GRADE-System nur als “niedrig” einzustufen ist. Was das in der Praxis heißt, lässt sich an einem methodischen Werkzeug zeigen, das in der politischen Rezeption von Meta-Analysen kaum vorkommt: dem Prediction Interval.

Was ein Prediction Interval ist und warum es wichtig ist

Wenn eine Meta-Analyse einen Mittelwert von SMD = −0,50 berichtet, klingt das, als wüssten wir nun, wie wirksam Einsamkeitsinterventionen sind. Tatsächlich beschreibt diese Zahl aber nur den Durchschnitt vergangener Studien. Sie sagt wenig darüber aus, was eine künftige Intervention, irgendwo in der realen Welt mit echten Menschen umgesetzt, bewirken würde. Genau dafür gibt es das Prediction Interval. Es schätzt die Spannweite, in der die Effekte künftiger Studien wahrscheinlich liegen werden.

Für die RCTs der Lasgaard-Analyse reicht dieses Intervall von −1,51 bis +0,52. Im Klartext: Wenn morgen eine neue Studie zu einer Einsamkeitsintervention durchgeführt würde, könnte sie eine dramatische Verbesserung zeigen, einen moderaten Effekt – oder eine leichte Verschlechterung der Einsamkeit. Das ist keine theoretische Möglichkeit, sondern die mathematische Konsequenz der enormen Heterogenität zwischen den bisherigen Studien.

Diese Spannweite ist methodisch das Wichtigste, was man über das Feld wissen muss. Sie sagt: Der gemittelte Punktwert von SMD = −0,50 beschreibt eine Wolke höchst unterschiedlicher Befunde, deren Mittelung statistisch zulässig, aber inhaltlich wenig aussagekräftig ist. Was eine konkrete Intervention bei konkreten Menschen bewirkt, ist mit diesem Mittelwert nicht beantwortet.

Lasgaard und Kollegen benennen die Gründe für diese ernüchternde Lage offen. In 56 Prozent der RCTs war der Randomisierungsprozess unklar dokumentiert. In über der Hälfte gab es hohe oder unklare Abbruchquoten. Viele Studien hatten kleine Stichproben ohne vorherige Power-Berechnung. Und – besonders folgenreich – viele Studien rekrutierten nicht gezielt einsame Menschen, sondern Populationen, von denen man annahm, sie seien einsam: Bewohner von Pflegeheimen, Studierende, Menschen mit chronischen Erkrankungen. Wo wenig Einsamkeit ist, kann auch wenig reduziert werden.

Innerhalb dieser schwachen Gesamtevidenz zeichnet sich allerdings ein Muster ab, das robust ist und das durch Lasgaard, Hickin und Masi gleichermaßen bestätigt wird. Psychologische Interventionen – also Therapien, die maladaptive Kognition adressieren – erzielen die größten Effekte (SMD = −0,59 in RCTs). Soziale Netzwerk-Interventionen und Skills-Trainings folgen mit moderaten Werten (SMD = −0,46 und −0,42). Reine Sozialunterstützungs-Interventionen zeigen die schwächsten Resultate (SMD = −0,32) und sind in dieser Hinsicht statistisch signifikant schwächer als die anderen Strategien. Über vierzehn Jahre und drei methodisch unabhängige Meta-Analysen hinweg bleibt das Muster gleich: Was wirkt, ist psychotherapeutische Arbeit, nicht die bloße Bereitstellung von Begegnung.

Was eine kleine Effektstärke konkret bedeutet

An dieser Stelle möchte ich kurz innehalten, denn “moderater Effekt” ist eine wissenschaftliche Formulierung, die wenig anschaulich ist. Übersetzen wir sie in die Skala, auf der Einsamkeit tatsächlich gemessen wird.

Die UCLA Loneliness Scale reicht, wie erwähnt, von 20 bis 80 Punkten. In der Allgemeinbevölkerung liegt der Mittelwert bei etwa 40 bis 45 Punkten, die Streuung – also die statistische Standardabweichung – bei rund 10 Punkten. Als klinisch erhöht gilt grob ein Wert ab 50.

Ein Effekt von SMD = −0,50, wie ihn Lasgaard für die RCTs findet, entspricht dann etwa 5 Punkten Reduktion. Stellen wir uns einen typischen Teilnehmer vor: Er kommt mit 50 Punkten in die Studie und verlässt sie mit 45. Auf zwanzig Fragen verteilt heißt das, dass sich bei drei oder vier der zwanzig Fragen die Antwort um eine Stufe verschoben hat, etwa von “manchmal” zu “selten”. Bei den übrigen sechzehn oder siebzehn Fragen hat sich nichts geändert.

Hier kommt es entscheidend darauf an, womit man vergleicht. Viele Studien stellen die Intervention einer bloßen Wartelisten-Kontrolle gegenüber, einer Gruppe, die gar nichts erhält und erst nach Studienende behandelt wird. Dieser Vergleich überschätzt den wahren Effekt aber systematisch, weil er auch die bloße Zuwendung, die Aufmerksamkeit und die Besserungserwartung der Teilnehmer mitmisst. Das sind aber alles Dinge, die mit dem eigentlichen Wirkmechanismus nichts zu tun haben. Aus der breiteren Psychotherapieforschung ist gut dokumentiert, dass Effekte im Vergleich zu aktiven Kontrollgruppen, also Gruppen, die ebenfalls ein Angebot bekommen, nur ohne den spezifischen therapeutischen Inhalt, deutlich kleiner ausfallen können und bisweilen ganz verschwinden. Was als wirksame Intervention erscheint, könnte zu erheblichen Teilen schlicht Zuwendungseffekt sein.

Man könnte einwenden: Es gibt doch auch erfolgreichere Studien. Das stimmt. Nehmen wir eine der besten – eine internetbasierte kognitive Verhaltenstherapie, die Käll und Kollegen (2020) gegen eine Warteliste testeten und mit der sie einen statistisch großen Effekt erzielten. Die Teilnehmer kamen im Schnitt mit etwa 53 Punkten und gingen mit etwa 45 Punkten, also eine Verbesserung um rund 8 Punkte. Und doch: Sie landeten bei 45 Punkten, immer noch im Bereich des Bevölkerungsdurchschnitts. Sie waren danach etwas weniger einsam. Niemand von ihnen würde sagen, er sei nicht mehr einsam.

Wenn wir also in der Literatur von Effektstärken lesen, klingt das nach substanzieller Wirkung. Übersetzt in die Skala, auf der Einsamkeit tatsächlich gemessen wird, sieht es nüchterner aus: Ein typischer Studienteilnehmer kommt mit 50 Punkten herein und geht mit 45 hinaus. Bei drei oder vier von zwanzig Fragen hat sich die Antwort verschoben. Das ist statistisch signifikant. Es ist auch das, was ein öffentliches Programm als Wirksamkeitsbeleg seiner Investition anführen würde. Aber die wenigsten Teilnehmer würden sagen, sie seien nun nicht mehr einsam. Und je nachdem, womit verglichen wurde, könnte der spezifische therapeutische Effekt noch kleiner sein, als die Mittelwerte vermuten lassen.

Das ist übrigens kein Sonderbefund der Einsamkeitsforschung. Sozialpsychologische und verhaltensorientierte Interventionen produzieren fast durchgängig Effekte in dieser Größenordnung, egal ob es um Vorurteilsabbau, Gesundheitsverhalten oder Lernmotivation geht. Das macht den Befund nicht harmloser, sondern im Gegenteil bedeutsamer: Wir haben es mit einer strukturellen Eigenschaft eines ganzen Forschungsfelds zu tun. Was in der Fachliteratur als “moderater Effekt” gilt, ist auf der Ebene des einzelnen Menschen oft schwer zu spüren und das ist eine Information, die in der politischen Übersetzung dieser Befunde regelmäßig verloren geht.

Das britische Modell – ein Vorbild?

Großbritannien hat 2018 als erstes Land ein Einsamkeitsministerium geschaffen und auf das sogenannte Social Prescribing gesetzt: Hausärzte verweisen Patienten an Vermittler, die sie in Vereinsaktivitäten, Kurse oder Gemeinschaftsangebote einbinden. Das Modell ist politisch enorm populär und wird international als Vorbild gehandelt.

Nur fehlt der Wirksamkeitsnachweis. Ein systematischer Review im BMJ Open schon 2017 kam zu dem Schluss, dass die Evidenzbasis dünn sei: viel Rhetorik, wenig belastbare Wirkungsdaten. Eine aktualisierte Übersicht von 2021 fand ebenfalls keine robusten Effekte auf die Einsamkeit. Das Modell wird also exportiert, bevor gezeigt wurde, dass es funktioniert.

Zwei Gründe, warum Breitenprogramme scheitern

Es lohnt sich zu verstehen, warum die populärsten Interventionen so schwach abschneiden. Zwei Probleme stechen hervor.

Das erste ist ein Selektionsproblem. Niedrigschwellige Angebote, z.B. der Nachbarschaftstreff, der Seniorennachmittag, der “Plaudertisch”, ziehen vor allem jene an, die ohnehin sozial einigermaßen eingebunden und aktiv genug sind, um sich aus eigenem Antrieb anzumelden. Man predigt, etwas zugespitzt, zu den bereits Bekehrten. Die schwer erreichbaren, tief Vereinsamten kommen gar nicht erst.

Das zweite ist ein Mismatch-Problem. Wer wirklich chronisch einsam ist, leidet häufig unter einer Verzerrung der sozialen Wahrnehmung, die der Sozialpsychologe John Cacioppo beschrieben hat: eine erhöhte Wachsamkeit gegenüber sozialer Bedrohung, ein Hang, neutrale soziale Signale als ablehnend zu interpretieren, ein daraus folgender Rückzug, der die Ablehnung dann tatsächlich provoziert. Für diese Menschen ist ein Begegnungsangebot allein nicht nur unzureichend – es kann die negative Erfahrung sogar bestätigen. Was sie brauchen, ist eine psychotherapeutische Bearbeitung dieser Denkmuster, nicht ein weiterer Raum, in dem sie sich falsch fühlen.

Damit schließt sich der Kreis zur eigentlichen Pointe von Teil 3: Was nachweislich wirkt, nämlich psychotherapeutische, individuelle Interventionen für chronisch Einsame mit moderaten, aber heterogenen Effekten, ist nicht das, was öffentliche Programme typischerweise fördern. Und selbst die wirksamsten dokumentierten Interventionen führen die Teilnehmer nicht aus der Einsamkeit heraus. Sie lassen sie ein wenig weniger einsam zurück.

Damit stellt sich die eigentliche Frage, die das ganze Feld betrifft und die in der politischen Übersetzung dieser Forschung systematisch unterbleibt: Lohnt es sich überhaupt, Effekte dieser Größenordnung in flächendeckende politische Maßnahmen zu überführen? Die Antwort ist nicht trivial. Statistische Signifikanz ist keine Antwort darauf, sie sagt nur, dass der Effekt wahrscheinlich nicht null ist. Die Frage, ob der Effekt groß genug ist, um den Aufwand, die Opportunitätskosten und die möglichen Nebenwirkungen einer flächendeckenden Intervention zu rechtfertigen, ist eine andere und sie wird in der Einsamkeitsdebatte selten gestellt.

Teil 4: Wie ist die Lage zu beurteilen?

Fügt man die Befunde zusammen, ergibt sich ein Bild, das der politischen Rhetorik diametral entgegensteht, aber kein zynisches Bild ist.

Drei Phänomene unter einem Namen

Das Grundproblem der Debatte ist, dass unter dem Wort “Einsamkeit” drei verschiedene Dinge verhandelt werden, die sich in Verlauf, Ursache und sinnvoller Reaktion erheblich unterscheiden.

Da ist erstens der Pandemieschock: real, gut dokumentiert, aber weitgehend abgeklungen. Zweitens der säkulare Anstieg im mittleren Lebensalter, der in den USA stattgefunden hat, aber nicht auf Europa übertragbar ist. Und drittens das demografisch stabile, klinisch relevante Phänomen der chronischen Einsamkeit in identifizierbaren Risikogruppen – real, aber kein neues, krisenhaftes Geschehen. Der politische Diskurs behandelt alle drei als ein einheitliches Problem und fördert flächendeckende Programme, die für keines der drei spezifisch zugeschnitten sind.

Ein bekanntes Muster

Wer die Debatten der letzten Jahre verfolgt hat, erkennt hier ein wiederkehrendes Muster, das nicht auf die Einsamkeitspolitik beschränkt ist: Ein akuter Anlass, hier die Pandemie, erzeugt politischen Handlungsdruck. Es werden Programme aufgelegt und in die Fläche gebracht. Eine ernsthafte Wirkungsevaluation findet entweder nicht statt oder dringt im öffentlichen Diskurs nicht durch. Und methodisch besser belegte Alternativen, die gezielte psychotherapeutische Versorgung der wirklich Betroffenen, geraten ins Hintertreffen, weil sie weniger sichtbar und politisch weniger dankbar sind.

Es ist dasselbe Muster, das man aus anderen gut gemeinten, aber schwach belegten Interventionsfeldern kennt. Und die Lehre daraus ist nicht, nichts zu tun, sondern strukturierter zu denken: Wirkung messen statt Aktivität feiern.

Was zur Diskussion steht – und was suggeriert wird

Man halte sich noch einmal die Größenordnung vor Augen. Selbst wenn jedes geförderte Programm die Effektstärke der besten dokumentierten Studien erreichte, eine zugegebenermaßen sehr optimistische Annahme, redeten wir im Mittel über etwa fünf Punkte Veränderung auf einer Skala von 20 bis 80. Das ist die Realität, die hinter den Zahlen steht. Es ist nicht die Realität, die das Wort “Epidemie” suggeriert.

Damit ist die in Teil 3 aufgeworfene Meta-Frage nach dem Nutzen der Maßnahmen unausweichlich. Sie zu beantworten heißt, mindestens drei Dimensionen ehrlich nebeneinanderzulegen.

Die erste ist die schlichteste: das Verhältnis von Effekt und Aufwand. Eine Intervention, die nur wenige Punkte auf der Einsamkeitsskala bewegt, kann pro Person erhebliche Kosten verursachen: Personal, Räumlichkeiten, Schulungen, Koordination. Multipliziert mit einer flächendeckenden Implementierung wird daraus schnell ein zweistelliger Millionenbetrag. Das ist nicht automatisch ein Argument gegen die Maßnahme. Aber es ist eine Frage, die gestellt werden muss, bevor die Mittel fließen und nicht erst danach, wenn die Programme bereits institutionalisiert sind und ihre eigene politische Trägheit entwickelt haben.

Die zweite Dimension sind die Opportunitätskosten. Jeder Euro, der in eine schwach wirksame Breitenmaßnahme fließt, fließt nicht in eine möglicherweise stark wirksame gezielte Maßnahme. Wenn die psychotherapeutische Versorgung der chronisch Einsamen unterfinanziert bleibt, weil gleichzeitig Begegnungsangebote in die Fläche gerollt werden, ist das keine neutrale Allokationsentscheidung. Es ist eine, die mit der Wirksamkeitsfrage direkt zusammenhängt und die durch die Verwechslung von “etwas tun” mit “Wirksames tun” verdeckt wird.

Die dritte Dimension ist die unangenehmste, weil sie der Logik der Wohltat zuwiderläuft: die Möglichkeit iatrogener Effekte. Großflächige Aufmerksamkeitskampagnen für ein Phänomen können das Phänomen mit erzeugen, indem sie eine normale menschliche Erfahrung, die episodische Einsamkeit, in den Rahmen einer Pathologie verschieben. Wer lernt, dass Einsamkeit so schädlich ist wie fünfzehn Zigaretten am Tag, interpretiert vielleicht das eigene Einsamkeitsgefühl nach einer Trennung oder einem Umzug nicht mehr als das, was es meistens ist: ein vorübergehender, oft selbstkorrigierender Zustand. Sondern als alarmierendes Symptom, das Intervention braucht. Solche Effekte sind aus anderen Bereichen der Gesundheitskommunikation gut dokumentiert, von der Diagnoseinflation bei ADHS bis zur Pathologisierung normaler Trauer.

Wenn man diese drei Dimensionen ernst nimmt, ergibt sich kein Argument für Untätigkeit. Aber ein Argument für Präzision: dafür, gezielt zu intervenieren, wo die Effekte wirklich relevant sind, statt flächendeckend etwas zu unternehmen, das im Mittel kaum spürbar wird. Es ist der Unterschied zwischen einer Politik, die etwas tut, und einer Politik, die etwas bewirkt.

Wie eine evidenzbasierte Einsamkeitspolitik aussähe

Eine evidenzbasierte Einsamkeitspolitik würde, erstens, sauber beobachten, ohne in Alarmrhetorik zu verfallen. Sie würde, zweitens, die tatsächlich chronisch Einsamen identifizieren und ihnen gezielt psychotherapeutische Versorgung anbieten, statt auf Breitenangebote zu setzen. Sie würde, drittens, strukturelle Maßnahmen, z.B. in der Pflege, der Mobilität, dem Wohnen, in ihrer eigenen Begründungslogik verfolgen, statt sie als Einsamkeitsbekämpfung umzuetikettieren. Sie würde, viertens, jedes geförderte Programm einer präregistrierten Wirkungsevaluation unterziehen. Und sie würde, fünftens, mit dramatischer Sprache zurückhaltend sein. Nicht aus Verharmlosung, sondern weil die Pathologisierung einer normalen menschlichen Erfahrung eigene Schäden anrichten kann.

Eine Anmerkung zum deutschen Kontext

Auch in Deutschland gibt es seit 2023 eine Strategie der Bundesregierung gegen Einsamkeit, begleitet von Initiativen auf Landes- und kommunaler Ebene. Sie reagiert auf einen realen Pandemieeffekt, dessen langfristige Persistenz sich noch nicht abschließend beurteilen lässt. Wie bei jeder sozialpolitischen Intervention wird ihre Wirksamkeit davon abhängen, ob präregistrierte Evaluationen Teil des Programms werden und ob die hier beschriebenen Selektions- und Mismatch-Probleme ernst genommen werden. Das ist keine Kritik an guten Absichten. Es ist die schlichte Feststellung, dass gute Absichten und nachgewiesene Wirkung zwei verschiedene Dinge sind.

Schluss

Kehren wir zum Anfang zurück, zu den fünfzehn Zigaretten. Die Zahl ist deshalb so verführerisch, weil sie etwas Wahres zu enthalten scheint und zugleich eine klare Handlungsaufforderung liefert. Doch sie ist, wie das ganze Feld, mehr Versprechen als Befund. Die Aufgabe ist nicht, die Einsamkeit zu ignorieren, denn sie ist ist für jene, die sie chronisch erleben, ein ernstes Leid. Die Aufgabe ist, sie präzise zu adressieren: das reale Problem von der dramatisierten Erzählung zu trennen, die wirklich Betroffenen von den statistisch Mitgezählten, die wirksamen Interventionen von den wohlmeinenden zu unterscheiden.

Anmerkung: Dieser Beitrag gibt ausschließlich die Position des Autors als Wissenschaftskommunikator wieder.

Literatur

• Buecker, S., Mund, M., Chwastek, S., Sostmann, M., & Luhmann, M. (2021). Is loneliness in emerging adults increasing over time? A preregistered cross-temporal meta-analysis and systematic review. Psychological Bulletin, 147(8), 787–805. https://doi.org/10.1037/bul0000332

• Bundesministerium für Familie, Senioren, Frauen und Jugend. (2024). Einsamkeitsbarometer 2024. BMFSFJ.

• Cacioppo, J. T., & Hawkley, L. C. (2009). Perceived social isolation and cognition. Trends in Cognitive Sciences, 13(10), 447–454. https://doi.org/10.1016/j.tics.2009.06.005

• Ernst, M., Niederer, D., Werner, A. M., Czaja, S. J., Mikton, C., Ong, A. D., Rosen, T., Brähler, E., & Beutel, M. E. (2022). Loneliness before and during the COVID-19 pandemic: A systematic review with meta-analysis. American Psychologist, 77(5), 660–677. https://doi.org/10.1037/amp0001005

• Fischer, C. S. (2009). The 2004 GSS finding of shrunken social networks: An artifact? American Sociological Review, 74(4), 657–669. https://doi.org/10.1177/000312240907400408

• Hickin, N., Käll, A., Shafran, R., Sutcliffe, S., Manzotti, G., & Langan, D. (2021). The effectiveness of psychological interventions for loneliness: A systematic review and meta-analysis. Clinical Psychology Review, 88, Artikel 102066. https://doi.org/10.1016/j.cpr.2021.102066

• Holt-Lunstad, J., Smith, T. B., Baker, M., Harris, T., & Stephenson, D. (2015). Loneliness and social isolation as risk factors for mortality: A meta-analytic review. Perspectives on Psychological Science, 10(2), 227–237. https://doi.org/10.1177/1745691614568352

• Holt-Lunstad, J., Smith, T. B., & Layton, J. B. (2010). Social relationships and mortality risk: A meta-analytic review. PLOS Medicine, 7(7), Artikel e1000316. https://doi.org/10.1371/journal.pmed.1000316

• Hudiyana, J., Lincoln, T. M., Hartanto, S., Shadiqi, M. A., Milla, M. N., Muluk, H., & Jaya, E. S. (2022). How universal is a construct of loneliness? Measurement invariance of the UCLA Loneliness Scale in Indonesia, Germany, and the United States. Assessment, 29(8), 1795–1809. https://doi.org/10.1177/10731911211034564

• Hülür, G., Drewelies, J., Eibich, P., Düzel, S., Demuth, I., Ghisletta, P., Steinhagen-Thiessen, E., Wagner, G. G., Lindenberger, U., & Gerstorf, D. (2016). Cohort differences in psychosocial function over 20 years: Current older adults feel less lonely and less dependent on external circumstances. Gerontology, 62(3), 354–361. https://doi.org/10.1159/000438991

• Infurna, F. J., Dey, N. E. Y., Gonzalez Avilés, T., Grimm, K. J., Lachman, M. E., & Gerstorf, D. (2024). Loneliness in midlife: Historical increases and elevated levels in the United States compared with Europe. American Psychologist, 79(3), 412–427. https://doi.org/10.1037/amp0001322

• Käll, A., Jägholm, S., Hesser, H., Andersson, F., Mathaldi, A., Norkvist, B. T., Shafran, R., & Andersson, G. (2020). Internet-based cognitive behavior therapy for loneliness: A pilot randomized controlled trial. Behavior Therapy, 51(1), 54–68. https://doi.org/10.1016/j.beth.2019.05.001

• Lasgaard, M., Qualter, P., Løvschall, C., Laustsen, L. M., Lim, M. H., Sjøl, S. E., Burke, L., Blæhr, E. E., Maindal, H. T., Hargaard, A.-S., Christensen, R., & Christiansen, J. (2025). Are loneliness interventions effective in reducing loneliness? A meta-analytic review of 280 studies. American Psychologist, 81(1), 36–52. https://doi.org/10.1037/amp0001397

• Masi, C. M., Chen, H.-Y., Hawkley, L. C., & Cacioppo, J. T. (2011). A meta-analysis of interventions to reduce loneliness. Personality and Social Psychology Review, 15(3), 219–266. https://doi.org/10.1177/1088868310377394

• McPherson, M., Smith-Lovin, L., & Brashears, M. E. (2006). Social isolation in America: Changes in core discussion networks over two decades. American Sociological Review, 71(3), 353–375. https://doi.org/10.1177/000312240607100301

• Mund, M., Freuding, M. M., Möbius, K., Horn, N., & Neyer, F. J. (2020). The stability and change of loneliness across the life span: A meta-analysis of longitudinal studies. Personality and Social Psychology Review, 24(1), 24–52. https://doi.org/10.1177/1088868319850738

• Smith, T. B., Holt-Lunstad, J., & Kawachi, I. (2023). Benchmarking social isolation, loneliness, and smoking: Challenges and opportunities for public health. American Journal of Epidemiology, 192(8), 1238–1242. https://doi.org/10.1093/aje/kwad121

• Twenge, J. M., Haidt, J., Blake, A. B., McAllister, C., Lemon, H., & Le Roy, A. (2021). Worldwide increases in adolescent loneliness. Journal of Adolescence, 93, 257–269. https://doi.org/10.1016/j.adolescence.2021.06.006

• U.S. Department of Health and Human Services. (2023). Our epidemic of loneliness and isolation: The U.S. Surgeon General’s advisory on the healing effects of social connection and community. Office of the U.S. Surgeon General.

• Weiss, R. S. (1973). Loneliness: The experience of emotional and social isolation. MIT Press.

Weiterführende Literatur

• Amendola, S., & von Wyl, A. (2025). Trends in loneliness in 17 European countries between 2006 and 2015: A secondary analysis of data from the European Social Survey. Journal of Health Psychology, 30(7), 1657–1672. https://doi.org/10.1177/13591053241278473

• Barreto, M., Victor, C., Hammond, C., Eccles, A., Richins, M. T., & Qualter, P. (2021). Loneliness around the world: Age, gender, and cultural differences in loneliness. Personality and Individual Differences, 169, Artikel 110066. https://doi.org/10.1016/j.paid.2020.110066

• Bickerdike, L., Booth, A., Wilson, P. M., Farley, K., & Wright, K. (2017). Social prescribing: Less rhetoric and more reality. A systematic review of the evidence. BMJ Open, 7(4), Artikel e013384. https://doi.org/10.1136/bmjopen-2016-013384

• Dahlberg, L., Andersson, L., McKee, K. J., & Lennartsson, C. (2018). Predictors of loneliness among older women and men in Sweden: A national longitudinal study. Aging & Mental Health, 22(2), 190–196. https://doi.org/10.1080/13607863.2016.1247425

• De Jong Gierveld, J., & Van Tilburg, T. (2006). A 6-item scale for overall, emotional, and social loneliness: Confirmatory tests on survey data. Research on Aging, 28(5), 582–598. https://doi.org/10.1177/0164027506289723

• Eccles, A. M., & Qualter, P. (2021). Review: Alleviating loneliness in young people – A meta-analysis of interventions. Child and Adolescent Mental Health, 26(1), 17–33. https://doi.org/10.1111/camh.12389

• Hawkley, L. C., Buecker, S., Kaiser, T., & Luhmann, M. (2022). Loneliness from young adulthood to old age: Explaining age differences in loneliness. International Journal of Behavioral Development, 46(1), 39–49. https://doi.org/10.1177/0165025420971048

• Luhmann, M., & Hawkley, L. C. (2016). Age differences in loneliness from late adolescence to oldest old age. Developmental Psychology, 52(6), 943–959. https://doi.org/10.1037/dev0000117

• Maes, M., Qualter, P., Lodder, G. M. A., & Mund, M. (2022). How (not) to measure loneliness: A review of the eight most commonly used scales. International Journal of Environmental Research and Public Health, 19(17), Artikel 10816. https://doi.org/10.3390/ijerph191710816

• Mund, M., Lüdtke, O., & Neyer, F. J. (2023). Owner of a lonely heart: The assessment of loneliness with single-item and multi-item measures. Assessment, 30(7), 2052–2071. https://doi.org/10.1177/10731911221127084

• Reinhardt, G. Y., Vidovic, D., & Hammerton, C. (2021). Understanding loneliness: A systematic review of the impact of social prescribing initiatives on loneliness. Perspectives in Public Health, 141(4), 204–213. https://doi.org/10.1177/1757913920967040

• Russell, D. W. (1996). UCLA Loneliness Scale (Version 3): Reliability, validity, and factor structure. Journal of Personality Assessment, 66(1), 20–40. https://doi.org/10.1207/s15327752jpa6601_2

• Spithoven, A. W. M., Bijttebier, P., & Goossens, L. (2017). It is all in their mind: A review on information processing bias in lonely individuals. Clinical Psychology Review, 58, 97–114. https://doi.org/10.1016/j.cpr.2017.10.003

• Surkalim, D. L., Luo, M., Eres, R., Gebel, K., van Buskirk, J., Bauman, A., & Ding, D. (2022). The prevalence of loneliness across 113 countries: Systematic review and meta-analysis. BMJ, 376, Artikel e067068. https://doi.org/10.1136/bmj-2021-067068

• Victor, C. R., Qualter, P., & Barreto, M. (2019). What is loneliness? Insights from the BBC Loneliness Experiment. Innovation in Aging, 3(Suppl. 1), S373. https://doi.org/10.1093/geroni/igz038.1366

In den ersten beiden Teilen dieser Reihe habe ich zwei Probleme der populären Smartphone-Debatte herausgearbeitet. In Teil 1 ging es um die empirische Schwäche der behaupteten Schadenswirkungen, denn Effektgrößen sind klein, Meta-Analysen widersprechen sich, die methodische Qualität vieler vielzitierter Studien hält genauer Betrachtung nicht stand. In Teil 2 ging es um die selektive Rezeption: Haidt argumentiert eigentlich zweispurig. Einerseits der Einfluss der Smartphones plus der Verlust unbegleiteter Kindheit. In der öffentlichen Debatte hört man aber fast nur die erste Spur. Die soziologische Dimension verschwindet, und damit auch die Klassen- und Milieufrage, die sich an die zweite Spur anschließt.

Heute geht es um eine dritte Schwachstelle, die unabhängig von den ersten beiden besteht: die Kausalitätsfrage. Was verursacht eigentlich was? Und warum haben wir vergessen, wie oft wir diese Debatte schon geführt haben?

Anlass ist ein neuer Datensatz. Am 14. Mai 2026 veröffentlichte das amerikanische Institute for Family Studies (IFS) gemeinsam mit Haidts eigener Initiative The Anxious Generation Movement den State of Childhood Survey 2026, eine Befragung von rund 24.000 amerikanischen Eltern. Bevor wir uns ansehen, was dort steht, lohnt ein kurzer Blick zurück. Denn dieselbe Debatte, mit ähnlich starken Behauptungen, ist in Deutschland schon zweimal geführt worden.

Ein Buch aus dem Jahr 1991

Im Jahr 1991 erschien bei Nomos in Baden-Baden ein Buch mit dem Titel ”Kriminalisierung von Kindern und Jugendlichen durch Medien. Wirkungen gewalttätiger, sexueller, pornographischer und satanischer Darstellungen”. Sein Autor: Werner Glogauer, emeritierter Pädagogikprofessor aus Augsburg. Seine zentrale These: Mindestens jedes zehnte Gewaltverbrechen, das jugendlichen Tätern angelastet wird, geht auf das Konto der Medien.

Das Buch verkaufte sich gut. Es erlebte vier Auflagen bis 1994. Glogauer wurde in Talkshows eingeladen, beriet Politik und Behörden, schrieb an Gerichte in England wegen eines Mordes, den er auf den Film “Chucky 3” zurückführte. Sein Buch erschien in einer Zeit, in der die rechtspolitische Debatte um Mediengewalt längst Wirkung entfaltet hatte. Bereits 1985 war der Gewaltparagraf §131 StGB verschärft worden, um den sogenannten “Videosumpf” trockenzulegen; in den Jahren danach wurden Hunderte von Filmen beschlagnahmt. Parallel arbeitete eine eigens eingesetzte Unabhängige Regierungskommission zur Verhinderung und Bekämpfung von Gewalt (kurz: Gewaltkommission) an einem mehrbändigen Bericht, in dem auch Medieneinflüsse als Risikofaktor diskutiert wurden. Glogauer lieferte nicht den Anstoß für diese Maßnahmen, aber er lieferte das populärwissenschaftliche Narrativ, das sie nachträglich plausibilisierte und das bei jeder neuen Mediendebatte wieder hervorgeholt wurde.

Methodische Kritik gab es schon damals: Hans-Dieter Kübler etwa publizierte mehrere kritische Auseinandersetzungen mit dem damals dominanten Medien-Wirkungs-Narrativ in der Fachzeitschrift medien praktisch. Michael Kunczik publizierte in Media Perspektiven differenzierte Gegenstudien. Aber die Kritik blieb akademisch. Die öffentliche Wirkung war eine andere: Glogauer wurde zitiert, sein Buch verkaufte sich, der Paragraf wurde verschärft.

Im Rückblick ist die Sache klar. Glogauers methodisches Vorgehen, eine Sammlung von Einzelfällen, in denen ein Täter Medieninhalte konsumiert hatte, dekontextualisierte Inhaltsanalysen und kausale Zuschreibungen ohne Kontrollgruppen gilt heute als Lehrbuchbeispiel für was man nicht tun sollte. Die taz schrieb 2003 in einem Rückblick, die ganze Empörung habe “einer Doppelmoral” gefolgt und sei “im Rückblick auch ökonomisch motiviert” gewesen, weil Videotheken als Konkurrenz zum etablierten Markt ausgeschaltet werden sollten. Der wissenschaftliche Konsens heute ist nuancierter: Medieninhalte haben Effekte, aber sie sind klein, kontextabhängig, durch andere Faktoren moderiert, und sie erklären keinesfalls 10% der Jugendgewalt.

Zweite Runde, 2012. Manfred Spitzer, Hirnforscher in Ulm, veröffentlicht ”Digitale Demenz. Wie wir uns und unsere Kinder um den Verstand bringen”. Bestseller. Die Liste der von Spitzer behaupteten Schäden durch digitale Medien umfasst, Zitat: “Lese- und Aufmerksamkeitsstörungen, Ängste und Abstumpfung, Schlafstörungen und Depressionen, Übergewicht, Gewaltbereitschaft und sozialer Abstieg”. Wer das mit Haidts Klappentext von 2024 nebeneinanderlegt, hat Mühe, einen substanziellen Unterschied zu finden.

Auch hier gab es methodische Kritik in Echtzeit. Der Pädagoge Beat Döbeli Honegger erwischte Spitzer schon auf Seite 2 seiner Einleitung bei einem Rechenfehler in zitierten Mediennutzungszahlen. Andere wiesen nach, dass Spitzer aus dem Zusammenhang gerissene Tierversuche zitierte, Korrelation mit Kausalität verwechselte, Hirnscans ohne ausreichende Erläuterung verwendete. Der Wikipedia-Eintrag zu “Digitale Demenz” fasst heute trocken zusammen: ”Laut Medienpsychologen sei nur eine geringe negative Korrelation zwischen Internetnutzung und dem Wohlbefinden statistisch nachweisbar.”

Geringe negative Korrelation. Auf Deutsch: kleiner Effekt. Genau das, was Teil 1 dieser Reihe für die aktuelle Smartphone-Forschung gezeigt hat.

Ich erzähle diese Geschichte nicht, um Haidt mit Glogauer oder Spitzer gleichzusetzen. Haidt ist methodisch sorgfältiger, sein Argument differenzierter, seine Datenbasis breiter. Aber die Struktur der Debatte ist erstaunlich konstant: alarmistische Kausalbehauptung, anekdotische Belege, politische Wirksamkeit, akademische Kritik ohne breite Resonanz, im Rückblick differenziertere Einordnung. Wer heute zur Smartphone-Diskussion ohne historisches Gedächtnis antritt, läuft Gefahr, die Lektionen der letzten zwei Runden ein drittes Mal zu verpassen.

Mit dieser Einordnung im Hinterkopf jetzt zum eigentlichen Stoff.

Was der IFS-Survey 2026 zeigt und was nicht

Der State of Childhood Survey 2026 hat methodisch interessante Befunde. Drei sind besonders relevant:

Erstens: Selbst in baulich sicheren, walkbaren Wohngegenden gestatten amerikanische Eltern ihren Kindern auffallend wenig unbegleitete Aussenzeit. Die Walkability einer Nachbarschaft korreliert kaum mit der elterlichen Erlaubnis zu unbeaufsichtigtem Spielen. Übersetzt: Die elterliche Restriktion folgt nicht aus realer Gefährdung. Sie ist ein eigenständiges Phänomen.

Zweitens: Bildschirmzeiten sind hoch, technische Schutzmaßnahmen niedrig, und Kinder nutzen Plattformen weit unterhalb deren formaler Mindestalter.

Drittens: Der gesamte Alterseffekt auf unbeaufsichtigte Sozialzeit wird statistisch über Mobilitätsfreiheit vermittelt. Ohne Mobilität keine unbegleiteten Sozialräume.

Methodisch eingeordnet: Das ist ein Eltern-Survey, kein peer-reviewter Forschungsartikel. Herausgeber ist das Institute for Family Studies, ein sozial-konservativ ausgerichteter Think Tank. Partner ist Haidts eigene Bewegung. Das bedeutet nicht, dass die Daten falsch sind, denn die Walkability-Analyse ist methodisch elegant und das Hauptargument trägt. Aber das Framing ist nicht neutral, und der Survey ist Advocacy-Forschung mit Datenanteil, nicht unabhängige Sozialforschung.

Spannender als die amerikanischen Befunde ist die Frage: Wie sieht die Lage in Deutschland aus?

Deutsche Daten zur Kinder- und Jugendmobilität

Die Mobilitätsseite ist gut dokumentiert. Daten des infas Instituts zeigen, dass der Anteil selbstständig zurückgelegter Wege bei 7- bis 10-Jährigen zwischen 1985 und 2010 von 35% auf 20% gefallen ist. Eine Halbierung in einer Generation, lange vor dem iPhone-Launch.

Eine repräsentative YouGov-Befragung für Die Zeit aus dem Jahr 2015 (n=1.002 Eltern von 5- bis 15-Jährigen) ergab: 56% der Eltern erlauben unbeaufsichtigtes Spielen nur auf dem eigenen Grundstück oder in unmittelbarer Nachbarschaft; 10% lassen ihre Kinder generell nicht alleine nach draußen. Die Konrad-Adenauer-Stiftung veröffentlichte 2018 unter Leitung von Christiane Richard-Elsner die Studie ”Draußen spielen”, die die pädagogischen Folgen dieser Restriktion systematisch aufarbeitet.

Interessant ist eine Beobachtung des BMFSFJ-Familienreports 2017: In Deutschland sind die Aktionsradien von Kindern umgekehrt zur amerikanischen Erzählung verteilt. Größere Radien finden sich bei einkommensschwächeren Familien, wohl eher aus Notwendigkeit, nicht aus Programmatik. Wenn beide Eltern arbeiten und keine Zeit für strukturierte Freizeitbegleitung haben, bewegen sich Kinder häufiger unbegleitet. Das ist eine wichtige Differenz zur US-Lage und ein erster Hinweis darauf, dass die Klassenstruktur dieser Debatte hierzulande nicht eins zu eins funktioniert.

Deutsche Daten zur Mediennutzung: die KIM-Studie als Goldstandard

Für die Mediennutzung haben wir in Deutschland ein wirklich gutes Instrument: die KIM-Studie des Medienpädagogischen Forschungsverbunds Südwest, seit 1999 alle zwei Jahre, mit n=1.225 repräsentativ befragten Kindern zwischen 6 und 13 Jahren und ihren Hauptbetreuungspersonen. Öffentlich-rechtlich finanziert, methodisch sauber, mit einem Längsschnitt, der inzwischen ein Vierteljahrhundert abdeckt.

Die Kernbefunde der aktuellsten Welle (2024):

Das erste Smartphone erhalten Kinder im Durchschnitt mit 8,5 Jahren. Bei 6- bis 7-Jährigen besitzen 11% bereits ein eigenes Gerät; bei 12- bis 13-Jährigen sind es 79%. 54% der internetnutzenden Kinder sind täglich online — das sind 7 Prozentpunkte mehr als 2022. Besonders dynamisch ist die Veränderung bei den 8- bis 9-Jährigen: ihre tägliche Internetnutzung ist von 23% (2022) auf 40% (2024) gesprungen.

Dieser Sprung fällt zeitlich genau in das post-pandemische Fenster. Die Schulschließungen 2020–2022 haben in dieser Altersgruppe nicht nur die Bildschirmzeit erhöht, sondern auch normalisiert: Geräte, die zuvor reguliert oder verzögert eingeführt worden wären, wurden in der Pandemie aus pädagogischer Notwendigkeit ausgegeben und in den Alltag integriert. Das ist ein dritter Kandidat neben Smartphones und Mobilitätsrestriktion und einer, der die Eindeutigkeit der populären Erzählung weiter relativiert. Wer die Schadenswirkungen von Smartphones isolieren wollte, müsste den Covid-Effekt mit kontrollieren. Das geschieht in der populären Debatte praktisch nie.

96% der Smartphone-besitzenden Kinder haben das Gerät dabei, wenn sie sich mit Freundinnen und Freunden treffen. 82% nehmen es mit in die Schule. 58% nehmen es mit ins Bett. 63% der WhatsApp-nutzenden Kinder sind in einer Klassengruppe ihrer Schulklasse.

Ein neuerer OECD-Bericht (2025) zur Lage von Kindern im digitalen Umfeld ordnet deutsche 15-Jährige in die internationale Spitzengruppe ein: Ein erheblicher Anteil von ihnen verbringt 40 Stunden oder mehr pro Woche mit digitalen Geräten — Schule und Freizeit zusammengenommen — und ein kleinerer Teil erreicht Werte um 48 Stunden, vergleichbar nur noch mit Ländern wie Lettland, Polen oder Estland.”

So weit die Bestandsaufnahme. Sie liest sich wie eine Bestätigung der populären Erzählung. Aber jetzt wird es interessant.

Was die Smartphones in Wahrheit verdrängt haben

Die populäre Lesart geht so: Vor den Smartphones haben Kinder eben vor dem Fernseher gehangen, das Gerät hat sich geändert, der Effekt ist der gleiche. Bildschirmzeit ist Bildschirmzeit.

Diese Lesart ist falsch. Sie wird durch die KIM-Langzeitdaten klar widerlegt.

Im Kapitel 18 der aktuellen KIM-Studie findet sich ein 25-Jahres-Vergleich der wöchentlichen Mediennutzung. Das Fernsehen ist in dieser Zeit stabil geblieben: 1999 nutzten es 95% der Kinder wöchentlich, 2024 sind es 94%. Eine kleine Delle ab 2018, aber im Wesentlichen konstant. Das Lesen von Büchern ist leicht zurückgegangen, von 55% auf 48%, bedauerlich, aber kein Erdrutsch. Was tatsächlich explodiert ist, ist die Nutzung von Onlinevideos: erst seit 2016 erhoben, von 35% auf 70% in acht Jahren.

Bei der täglichen Nutzung verschiedener Freizeitaktivitäten wird das Bild noch klarer. Vergleich 1999 und 2024:

• Hausaufgaben/Lernen: 81% → 63%

• Fernsehen: 73% → 66%

• Spielen drinnen: ~65% → 42%

• Draußen spielen: ~65% → 37%

• Treffen mit Freunden: 54% → 31%

• Lesen: 15% → 10%

• Sport: 13% → 9%

• Digitale Spiele: ~9% → 28%

Lesen Sie diese Zahlen noch einmal langsam. Was hat sich am stärksten verändert? Nicht das Fernsehen. Nicht einmal das Lesen, das vergleichsweise mild zurückgegangen ist. Sondern das gemeinsame Spielen und das Sich-Treffen. Beides fast halbiert.

Smartphones haben das Fernsehen nicht ersetzt. Sie haben den gemeinsamen Außenraum ersetzt. Genau das, was Haidt unter seinem zweiten Argument zusammenfasst, nämlich den Verlust unbegleiteten Spielens, ist im deutschen Längsschnitt empirisch deutlich erkennbar, sehr viel deutlicher übrigens als jeder Effekt der Smartphones auf psychische Gesundheit.

In welche Richtung zeigt der Pfeil?

Damit sind wir bei der eigentlichen methodischen Frage. Die populäre Kausalkette geht so: Tech-Konzerne entwickeln algorithmisch optimierte Plattformen, Kinder werden angezogen, verbringen mehr Zeit am Bildschirm, vernachlässigen Spiel und Sozialkontakt, leiden psychisch.

Diese Kette ist rhetorisch elegant. Sie hat einen klaren Schuldigen (Tech-Konzerne) und eine klare Interventionslogik (Plattformen regulieren, Geräte einschränken). Sie ist deshalb politisch sehr anschlussfähig.

Aber sie hat ein chronologisches Problem.

Der Rückgang kindlicher Mobilität setzt nicht 2012 ein, als Smartphones Sättigung erreichten. Er beginnt in den 1970ern und ist in den 1980ern und 1990ern bereits dramatisch. Markella Rutherfords historische Analyse amerikanischer Erziehungsratgeber zeigt eine kontinuierliche Verschärfung elterlicher Aufsichtserwartungen seit den 1980ern. Die Konrad-Adenauer-Stiftung dokumentiert für Deutschland, wie öffentlicher Raum seit den 1970ern systematisch in spezialisierte Zonen, Wohnen, Arbeiten, Verkehr, aufgeteilt wurde, mit drastischer Reduktion freier Spielflächen. Die Halbierung der unbegleiteten Schulwege bei 7- bis 10-Jährigen geschah zwischen 1985 und 2010, also überwiegend vor der Smartphone-Sättigung.

Wenn Smartphones die Ursache wären, könnten sie nicht der Verursacher eines Trends sein, der älter ist als sie selbst, auch wenn natürlich ein verstärkender Effekt auf Grund dieser Daten nicht ausgeschlossen werden kann.

Was wir empirisch sehen, sind parallele Trends: sinkende Mobilität, sinkende Spielzeit, sinkender Sozialkontakt, steigende Bildschirmzeit, steigende strukturierte Termine. All das passiert gleichzeitig. Welche Variable welche verursacht, oder ob sie alle gemeinsame Ursachen haben, lässt sich aus diesen Trends nicht ableiten.

Es gibt eine alternative Hypothese, die in der populären Debatte fast nie erwähnt wird, die aber empirisch mindestens ebenso plausibel ist. Ich nenne sie die Refugium-Hypothese: Wenn Kinder draußen nicht mehr spielen dürfen (Eltern lassen sie nicht), oder können (keine sicheren Räume, keine anderen Kinder draußen, weil deren Eltern sie ebenfalls nicht lassen), dann ist Bildschirmzeit nicht die Ursache des Outdoor-Verlusts. Sie ist die Folge einer bereits eingetretenen Restriktion.

Für diese Hypothese gibt es einen eindrucksvollen Beleg, und zwar in der KIM-Studie selbst. Auf Seite 48 berichtet die Studie, dass 80% der Kinder das persönliche Treffen allen digitalen Kommunikationsformen vorziehen. Kinder wählen also nicht den Bildschirm gegen das Treffen. Sie wählen ihn, weil das Treffen nicht stattfindet.

Die WhatsApp-Klassengruppen sind dafür das paradigmatische Beispiel. 63% der WhatsApp-nutzenden Kinder sind in einer Schulklassen-Gruppe. Das ist nicht Algorithmus-Sucht, das ist soziale Notwendigkeit in einer Welt, in der Mitschülerinnen und Mitschüler nach Schulschluss nicht mehr physisch greifbar sind. WhatsApp ist hier nicht der Verursacher der sozialen Verödung, es ist deren digitales Surrogat.

Haidt selbst, wenn man ihn genau liest, sagt etwas Ähnliches. Seine These ist doppelt: overprotection in der realen Welt plus underprotection in der virtuellen. Die beiden Faktoren wirken zusammen, aber keiner ist allein hinreichend. Die populäre Rezeption hat das auf die zweite Hälfte verkürzt. Damit wird Haidt zum Kronzeugen einer Erzählung, die er selbst so nicht vertritt.

Die methodische Konsequenz: Aus parallelen Trends über Zeit lassen sich keine kausalen Richtungen ableiten. Weder von Haidt, der den Smartphone-Schock als primäre Ursache postuliert, noch von seinen Kritikern, die alles auf strukturelle Faktoren zurückführen wollen. Eine entscheidbare Studie würde Mobilität und Bildschirmzeit unabhängig variieren müssen und die gibt es nicht, oder ich konnte sie bei meiner Recherche nicht finden.

Niemand kann mit den vorhandenen Daten die Frage ”Was verursacht was?” definitiv beantworten. Wer es trotzdem tut, geht über die Evidenz hinaus.

Zwei Einwände gegen diese Lesart muss man ernst nehmen. Erstens: Haidt verweist auf eine länderübergreifende Korrelation. In Ländern, die früher und stärker Smartphone-Sättigung erreicht haben, sollen psychische Indikatoren bei Jugendlichen früher und stärker eingebrochen sein. Das ist ein schlagendes Argument, aber es hat seine eigenen Probleme: Die Datenqualität psychiatrischer Indikatoren variiert zwischen Ländern erheblich, Selbstauskunftsraten zu psychischer Belastung sind über zwei Jahrzehnte hinweg nicht stabil, und die parallele Verbreitung anderer Faktoren, z.B. Bildungsdruck, ökonomische Unsicherheit, Klimaangst, post-pandemische Effekte, wird in diesen Cross-Country-Analysen selten kontrolliert. Zweitens: Haidt postuliert einen Knick um 2012, als Smartphones in den USA Sättigung erreichten. Auch dieser Knick ist real, aber er fällt zeitlich mit anderen Veränderungen zusammen: dem Anstieg der Diagnoseraten in den USA durch DSM-5 (2013), der wachsenden Awareness-Kampagnen für psychische Gesundheit, und einer veränderten Berichterstattungspraxis. Keiner dieser Einwände widerlegt Haidt. Aber sie zeigen, dass selbst seine stärksten Argumente nicht so eindeutig sind, wie die populäre Rezeption suggeriert.

Die deutsche Klassenfrage — und warum sie anders aussieht

Eine kurze Bemerkung zur Klassenstruktur dieser Debatte, weil sie in Deutschland anders verläuft als in den USA.

Der amerikanische IFS-Survey zeichnet ein vertrautes amerikanisches Bild: Akademiker-Eltern sind liberaler bei der Mobilität, restriktiver bei den Medien. Ein klassisches Eliten-Mainstream-Muster.

Die KIM-Daten erlauben einen direkten deutschen Vergleich. Bei der elterlichen Schätzung der täglichen Fernsehnutzung ihrer Kinder:

• Hauptschule 75 Minuten,

• Realschule 61 Minuten,

• Abitur/Studium 49 Minuten.

Bei der gesamten Bildschirmzeit:

• Hauptschule 192 Minuten,

• Abitur/Studium 166 Minuten.

Es gibt also einen Bildungseffekt, aber er ist kleiner als oft suggeriert, etwa eine halbe Stunde Differenz bei der Gesamtbildschirmzeit.

Bemerkenswert ist eine andere Zahl. Das Interesse an Medienerziehung ist über alle Bildungsschichten praktisch identisch: Hauptschule 47%, Realschule 49%, Abitur/Studium 50%. Wenn die populäre Erzählung vom “bewussten akademischen Schutz” stimmen würde, müsste hier ein deutlicher Unterschied erkennbar sein. Er ist es nicht.

Kombiniert mit dem BMFSFJ-Befund - größere Aktionsradien in einkommensschwächeren Familien, aus Notwendigkeit - ergibt sich ein Bild, das mit der einfachen “Akademiker schützen, andere nicht”-Erzählung nicht kompatibel ist. In Deutschland sind alle Bildungsschichten ähnlich überfordert, sie zeigen es nur in leicht unterschiedlichen Quantitäten.

Das eigentliche Problem: nicht Bewusstsein, sondern Vollzug

Eine letzte Beobachtung aus der KIM-Studie, die die populäre Diagnose noch einmal verschiebt.

Es wird oft behauptet, deutsche Eltern hätten zu wenige Regeln für die Mediennutzung ihrer Kinder. Die Daten widersprechen dem. 76% der Familien haben Regeln zur Dauer des Fernsehens und Streamens. 62% zur Onlinevideo-Nutzung. 52% zur Smartphone-Nutzung. Das durchschnittliche von Eltern vereinbarte Einstiegsalter beträgt bei WhatsApp 10 Jahre, bei TikTok 12 Jahre, bei Instagram, Facebook und Snapchat 13 Jahre. Diese Mindestalter entsprechen ziemlich genau den Vorgaben der Plattformen selbst.

Aber dann das tatsächliche Nutzungsverhalten: 32% der 6- bis 7-jährigen Internetnutzer nutzen WhatsApp wöchentlich. Bei 8- bis 9-Jährigen sind es 64%. Bei den 10- bis 11-Jährigen schon 81%. Das vereinbarte Mindestalter von 10 Jahren ist Makulatur, lange bevor die Kinder es überhaupt erreichen.

Und das eigentlich Frappante: 71% der Eltern, deren Kinder Online-Dienste nutzen, haben an keinem der genutzten Geräte technische Sicherheitseinstellungen aktiviert. Nicht 7% sondern einundsiebzig. Bei den 6- bis 7-Jährigen sind es immerhin 23% (am Tablet) bzw. 15% (am Smartphone); bei älteren Kindern fällt das auf einstellige Werte.

Das ist diagnostisch wichtig. Das deutsche Problem ist nicht, dass Eltern keine Regeln hätten. Sie haben sie. Aber die Regeln werden faktisch unterlaufen, und technische Schutzmaßnahmen werden flächendeckend nicht genutzt. Das ist kein Bewusstseinsproblem, sondern ein Vollzugsproblem.

Das hat erhebliche Konsequenzen für mögliche Interventionen. Aufklärungskampagnen, die deutschen Eltern beibringen wollen, dass es Mindestalter und Schutzmaßnahmen gibt, lösen nichts, denn das Wissen ist da. Was fehlt, ist die Durchsetzbarkeit: gegen den Druck der Peer-Gruppe, gegen die soziale Notwendigkeit der Klassengruppe, gegen die schiere Bequemlichkeit. Hier wären die Plattformen gefragt, nicht die Eltern. Eine ernsthafte Alterskontrolle auf Anbieterseite, ein effektiver DSA-Vollzug, technische Schutzinfrastruktur ab Werk, das wären die wirksamen Hebel.

Was wir nicht wissen

Ein Wort zu den blinden Flecken der deutschen Datenlage, denn sie sind erheblich.

Die KIM-Stichprobe ist nach Bundesland und Gemeindetyp geschichtet (n=1.225), aber publiziert wird keine Ost-West-Auswertung. Ob ostdeutsche Kinder eine andere Mediennutzung haben als westdeutsche, ob sich die Generation nach der Wende anders entwickelt als andere, wissen wir nicht. Es wäre eine berechtigte Anfrage an den Medienpädagogischen Forschungsverbund, hier eine Sonderauswertung vorzunehmen.

Kinder mit Migrationshintergrund machen nur 11% der Stichprobe aus, laut Studie zu klein für eine spezifische Auswertung. Damit fehlt eine weitere wichtige Dimension.

Und das vielleicht Wichtigste: In Deutschland gibt es keine Studie, die unbeaufsichtigte Aussenzeit und Online-Zeit derselben Kinder gleichzeitig erhebt. Damit ist Haidts Doppelhypothese in dieser Form empirisch nicht direkt prüfbar. Die KIM erfasst Medien, die Mobilitätsforschung erfasst Mobilität, aber keine deutsche Untersuchung führt beides am selben Kind zusammen. Wer die Refugium-Hypothese empirisch testen wollte, bräuchte genau das.

Was nach Glogauer und Spitzer übrig bleibt

Drei Befunde aus drei Teilen dieser Reihe.

Teil 1: Die behaupteten Schadenswirkungen von Smartphones auf Jugendliche sind empirisch schwächer abgestützt, als der öffentliche Diskurs suggeriert.

Teil 2: Selbst wenn die Befundlage stärker wäre, ist die populäre Rezeption Haidts eine konzeptionelle Verkürzung, denn der zweite Hauptpfeiler seiner Argumentation, der Verlust unbegleiteter Kindheit, wird systematisch ignoriert.

Teil 3: Selbst wenn man die populäre Lesart unverkürzt nimmt, ist die Kausalrichtung empirisch nicht eindeutig. Mindestens ebenso plausibel ist, dass die Bildschirmzeit teilweise Folge einer bereits eingetretenen strukturellen Restriktion ist, nicht ihre Ursache.

Der gemeinsame Befund dieser drei Teile ist eine Diskrepanz. Politik fordert Smartphone-Verbote. Schulen sperren WhatsApp. Eltern werden mit Schuldgefühlen konfrontiert. All das auf Basis einer Forschungslage, die bei näherer Betrachtung weit weniger eindeutig ist, als die Debatte unterstellt.

Das ist ein wiederkehrendes Muster. Glogauer 1991. Spitzer 2012. Haidt 2024. Alle drei haben eine Bestseller-These mit großer öffentlicher Wirkung publiziert. Alle drei sind methodisch in Echtzeit kritisiert worden, ohne dass die Kritik die populäre Rezeption nennenswert gebremst hätte. Bei Glogauer und Spitzer können wir heute mit zeitlichem Abstand sagen: Die Realität war komplizierter, die Effekte kleiner, die Kausalbehauptungen überzogen. Bei Haidt müssen wir abwarten, aber es wäre ungewöhnlich, wenn diesmal ausgerechnet alles anders wäre.

Mein Punkt ist nicht, dass Smartphones harmlos seien. Es kann sein, dass sie auf bestimmte Kinder unter bestimmten Bedingungen schädliche Effekte haben. Es kann sein, dass die Klassen-Chats und TikTok-Algorithmen Probleme verschärfen, die anderswo entstehen. Es kann sein, dass eine vernünftige Regulierung der Plattformen sinnvoll ist, vermutlich ist sie das sogar. Aber das ist etwas anderes als die Behauptung, Smartphones hätten eine Generation in den Abgrund gestoßen.

Was hilft, wenn man die Lage der Kinder ernsthaft verbessern wollte? Sicher nicht eine Smartphone-Mono-Politik. Die Spielzeit ist nicht zurückzubekommen, indem man Geräte oder Social Media komplett verbietet. Sie ist nur zurückzubekommen, indem man Spielräume zurückgibt: sichere Schulwege, Spielstraßen, Aktionsradien, eine Aufsichtskultur, die unbegleitete Sozialräume wieder erlaubt. Plus, ja, technische Schutzinfrastruktur auf Plattformseite. Plus eine Datenarchitektur, die Mobilität und Medien zusammen erfasst, regional und sozial differenziert, und peer-reviewed, prä-registriert und nach den Standards von Open Science statt advocacy-getrieben.

Was Substack-Leserinnen und Lesern bekannt vorkommen wird: Das ist dasselbe Muster, das ich an dieser Stelle schon zu Bias-Trainings, Stereotype Threat, Trigger-Warnungen und anderen Themen beobachtet habe. Wissenschaft wird gesellschaftlich-medial verkürzt, oft mit guten Absichten, fast immer auf Kosten der Differenzierung. Wer methodische Sorgfalt einfordert, gilt schnell als Verharmloser. Aber Verharmlosung wäre, kleine Effekte als große auszugeben. Differenzierung ist das Gegenteil: kleine Effekte als kleine zu benennen, große als groß, und ehrlich zu sein, wo wir nicht wissen, was was verursacht.

Bei Glogauer und Spitzer hätte uns eine solche Differenzierung Zeit, Geld und manche überzogene Gesetzesnovelle erspart. Vielleicht lernen wir es ja bei Haidt.

Bibliographie

Hinweis zu den Quellen: Für einige ältere Werke (Glogauer 1991, Kunczik 2006) musste ich auf Sekundärquellen und Rezensionen zurückgreifen, da die Originale schwer zugänglich oder nur kostenpflichtig erhältlich sind.

• Glogauer, W. (1991). Kriminalisierung von Kindern und Jugendlichen durch Medien: Wirkungen gewalttätiger, sexueller, pornographischer und satanischer Darstellungen. Nomos.

• Kübler, H.-D. (1990). Glogauers Horrorszenario. medien praktisch, 14(2), 71–72.

• Schwind, H.-D., Baumann, J., Schneider, U., & Winter, M. (Hrsg.). (1990). Ursachen, Prävention und Kontrolle von Gewalt: Analysen und Vorschläge der Unabhängigen Regierungskommission zur Verhinderung und Bekämpfung von Gewalt (Gewaltkommission) (Bde. 1–3). Duncker & Humblot.

• Hüttenmoser, M., & Degen-Zimmermann, D. (1995). Lebensräume für Kinder: Empirische Untersuchungen zur Bedeutung des Wohnumfeldes für den Alltag und die Entwicklung der Kinder. Schweizerischer Nationalfonds.

• Kunczik, M., & Zipfel, A. (2006). Gewalt und Medien: Ein Studienhandbuch (5. Aufl.). Böhlau.

• Rutherford, M. B. (2011). Adult supervision required: Private freedom and public constraints for parents and children. Rutgers University Press.

• Spitzer, M. (2012). Digitale Demenz: Wie wir uns und unsere Kinder um den Verstand bringen. Droemer.

• Döbeli Honegger, B. (2012, 3. September). Digitale Demenz: Wenn Manfred Spitzer falsch rechnet und unsauber zitiert. Beats Blog. https://blog.doebe.li/Blog/SpitzersDigitaleDemenz

• infas Institut für angewandte Sozialwissenschaft & Deutsches Zentrum für Luft- und Raumfahrt. (2010). Mobilität in Deutschland 2008: Ergebnisbericht (im Auftrag des Bundesministeriums für Verkehr, Bau und Stadtentwicklung). https://www.mobilitaet-in-deutschland.de

• YouGov & DIE ZEIT. (2015). Repräsentative Umfrage zum Spielverhalten von Kindern: Befragung von 1.002 Eltern von 5- bis 15-Jährigen. YouGov Deutschland.

• Bundesministerium für Familie, Senioren, Frauen und Jugend. (2017). Familienreport 2017: Leistungen, Wirkungen, Trends. BMFSFJ. https://www.bmfsfj.de

• Richard-Elsner, C. (2018). Draußen spielen (Studie im Auftrag der Konrad-Adenauer-Stiftung). Konrad-Adenauer-Stiftung. https://www.kas.de

• Haidt, J. (2024). Generation Angst: Wie wir unsere Kinder an die virtuelle Welt verlieren und ihre psychische Gesundheit aufs Spiel setzen (M. Engelhardt, Übers.). Rowohlt. (Original erschienen 2024 als The Anxious Generation, Penguin Press)

• Medienpädagogischer Forschungsverbund Südwest. (2025). KIM-Studie 2024: Kindheit, Internet, Medien — Basisuntersuchung zum Medienumgang 6- bis 13-Jähriger in Deutschland (2. aktualisierte Aufl.). mpfs. https://www.mpfs.de/studien/kim-studie/2024/

• OECD. (2025). How’s life for children in the digital age? OECD Publishing. https://doi.org/10.1787/0854b900-en

• Institute for Family Studies & The Anxious Generation Movement. (2026, 14. Mai). The State of Childhood 2026: A national survey of American parents. https://www.afterbabel.com/p/state-of-childhood-ifs-2026

Warum die Smartphone-Debatte mehr über uns verrät als über die Geräte – und warum die Wissenschaft dahinter brüchiger ist, als wir denken.

Hinweis. Ich habe am 22.5. noch einen finalen Artikel zur Frage der Kausalität geschrieben und in diesem Zug die gesamte Reihe in Teil 1,2,3 umbenannt.

Jetzt abonnieren

Was nach dem letzten Artikel passierte

Mein letzter Beitrag auf Nullhypothese zur dünnen Evidenzlage für pauschale Social-Media-Verbote hat mehr Rückmeldungen produziert als erwartet und gleichzeitig auf verschiedenen Plattformen eine, wie ich finde, sehr konstruktive Diskussion angestoßen. Manche Rückmeldungen waren zustimmend, manche skeptisch, und eine ganze Reihe mit konkreten Nachfragen: Aber was ist mit den Aufmerksamkeitsspannen? Und mit der Dopaminsucht? Reicht denn nicht schon das Handy auf dem Tisch, um die Konzentration zu ruinieren? Und was ist eigentlich mit dem Meta-Urteil aus Los Angeles, die haben doch jetzt gerichtsfest bestätigt, dass die Plattformen süchtig machen?

Das sind alles gute Fragen. Sie tauchen in der öffentlichen Debatte so regelmäßig auf, dass sie eine Art zweite Verteidigungslinie bilden: Wenn die Effektstärken der Wohlbefindens-Studien klein sind und die RCTs unter der Schwelle praktischer Bedeutsamkeit liegen, wie ich im letzten Artikel gezeigt habe, dann werden die Argumente eine Ebene tiefer verschoben. Auf die Aufmerksamkeitsspannen. Auf das Belohnungssystem. Auf die Manipulationspräzision der Tech-Konzerne. Auf die Sucht-Erzählung, die nun auch juristisch validiert sei.

In diesem Artikel räume ich erst diese Behauptungen auf. Drei davon sind empirisch klar entscheidbar: Aufmerksamkeitsspannen, Brain-Drain durch Handy-Präsenz, neurobiologische Sucht-Analogie. Sie verdienen klare Antworten. Im zweiten Teil dieses Artikel, ich markiere ich an entsprechender Stelle deutlich, werde ich dann spekulativer und frage: Worüber sprechen wir eigentlich, wenn die Sucht-These nicht hält? Was ist dann der eigentliche Grund für die Vehemenz der Verbotsforderungen? Diese zweite Hälfte ist meine Interpretation, nicht etablierte Wissenschaft. Aber sie scheint mir die Debatte besser zu erklären als die offiziell verlautbarten Gründe.

Beginnen wir mit dem Aufräumen.

Das Meta-Urteil und die Sucht-Erzählung

Im März 2026 hat eine Geschworenenjury am Los Angeles Superior Court Meta und Google für haftbar befunden. Sechs Millionen Dollar Schadensersatz, davon drei kompensatorisch, drei als Strafzahlung. Die Klägerin, in den Gerichtsdokumenten als K.G.M. anonymisiert, eine inzwischen Zwanzigjährige aus Kalifornien, hatte argumentiert, Instagram und YouTube seien gezielt suchterzeugend gestaltet worden und hätten ihre Depression und Suizidgedanken als Jugendliche mitverursacht. Die Jury folgte ihrer Darstellung.

Das Urteil ist als als Testfall konzipiert, der die Richtung für rund zweitausend anhängige Fälle vorgeben soll, dazu kommen Klagen von 33 US-Bundesstaaten. Im April 2026 hat das Massachusetts Supreme Judicial Court entschieden, dass Section 230, das berühmte Plattform-Immunitätsgesetz, solche Design-Klagen nicht blockiert. Eine juristische Welle ist in Bewegung gekommen, und sie wird politisch und regulatorisch nachwirken.

So weit, so klar. Aber wenn man die Gerichtsakten genau liest, denn die Klageschrift des Social Media Victims Law Center ist öffentlich zugänglich, dann fällt eine ganz bestimmte Sprache auf. Die Plattformen, heißt es dort wörtlich, seien „bewusst so gestaltet worden, dass sie bei Kindern auf dieselben neurologischen Belohnungskreisläufe wirken wie Nikotin, Alkohol oder Kokain”. Variable Belohnungen, intermittierende Verstärkung, Dopamin-Manipulation, Slot-Machine-Logik. Die Schadensgeschichte, die der Jury präsentiert wurde, basiert auf einer ganz spezifischen wissenschaftlichen Erzählung: dass Social Media eine neurologisch fundierte Sucht erzeugt, vergleichbar mit Substanzabhängigkeit.

Hier hilft eine wichtige Unterscheidung. Geschworene sind keine Wissenschaftler, und juristische Kausalität ist nicht epidemiologische Kausalität. Eine Jury entscheidet auf Basis der vor ihr präsentierten Erzählungen, nach der Beweislastregel der „überwiegenden Wahrscheinlichkeit”. Das ist eine andere Schwelle als wissenschaftliche Evidenz. Wenn die Erzählung in der Fachwelt deutlich umstrittener ist, als die mediale Rezeption vermuten lässt, dann zementiert das Urteil eine Erzählung, bevor sie wissenschaftlich bestätigt ist. Und es zementiert sie mit der Autorität eines Gerichts.

Damit zu den drei zentralen empirischen Behauptungen, auf denen die Erzählung ruht.

Mythos 1: „Unsere Aufmerksamkeitsspannen schrumpfen”

Die Behauptung ist allgegenwärtig: Smartphones, Kurzvideos und algorithmische Feeds würden unsere Aufmerksamkeitsspanne erodieren. Die durchschnittliche Konzentrationsfähigkeit, heißt es oft, liege heute bei acht Sekunden, weniger als die eines Goldfischs.

Der Goldfisch-Vergleich ist ein Internet-Mythos. Er stammt aus einer Marketing-Broschüre von Microsoft Canada (2015), die wiederum auf einer unbelegten Drittquelle beruhte. Es gibt weder einen anerkannten Standardwert für „die Aufmerksamkeitsspanne” noch eine seriöse wissenschaftliche Vermessung des Goldfisch-Gehirns. „Aufmerksamkeit” ist zudem kein einheitliches Konstrukt – Kognitionspsychologen unterscheiden zwischen selektiver, geteilter, exekutiver und Daueraufmerksamkeit, mit jeweils eigenen Messverfahren und Befunden.

Was die methodisch sauberste Evidenz tatsächlich zeigt, widerspricht dem Narrativ der sinkenden Aufmerksamkeitsspanne. Daniel Andrzejewski, Elisabeth Zeilinger und Jakob Pietschnig haben 2024 in Personality and Individual Differences eine cross-temporale Meta-Analyse zur Konzentrationsleistung vorgelegt. Sie haben 287 unabhängige Stichproben aus 32 Ländern über 31 Jahre ausgewertet, alle mit dem standardisierten d2-Aufmerksamkeitstest, ein seit Jahrzehnten der etablierter Test in Schulen, Kliniken und Forschung. Das Ergebnis: einen Flynn-Effekt für Aufmerksamkeit bei Erwachsenen. Die Konzentrationsleistung ist über die Generationen gestiegen, nicht gesunken, parallel zu den bekannten IQ-Anstiegen. Bei Kindern fanden die Autoren keine Verschlechterung der Effektivität, aber höhere Geschwindigkeit bei mehr Fehlern – plausibel erklärt als veränderter Bearbeitungsstil, möglicherweise höhere Impulsivität, jedoch nicht als kognitive Einbuße.

Das ist ein Befund, den fast niemand kennt. Wenn Smartphones die Aufmerksamkeit zerstörten, müsste sich das in den standardisierten Tests zeigen, die in dieser Population über Jahrzehnte millionenfach durchgeführt werden. Es zeigt sich nicht. Es zeigt sich das Gegenteil.

Mythos 2: „Schon das Handy auf dem Tisch macht dumm”

Diese These ist methodisch enger gefasst und gerade deshalb pädagogisch besonders wirkungsvoll. Adrian Ward, Kristen Duke, Ayelet Gneezy und Maarten Bos haben 2017 im Journal of the Association for Consumer Research eine Studie veröffentlicht, deren Befund eine ganze Diskursindustrie geprägt hat: Schon die bloße Anwesenheit eines Smartphones auf dem Tisch – ausgeschaltet, mit dem Bildschirm nach unten – reduziere messbar die kognitive Kapazität, insbesondere bei Personen mit hoher Smartphone-Abhängigkeit. „Brain Drain”, nannten sie den Effekt.

Die Studie wurde über tausend Mal zitiert. Sie taucht in Lehrbüchern auf, in Vorträgen, in Erziehungsratgebern, in Schulkonzepten und in eigenen Produkten, die dieses vermeintliche Problem angehen. Wer heute begründet, warum Handys aus Klassenzimmern oder Sitzungsräumen verbannt werden sollten, beruft sich oft direkt oder indirekt auf Ward et al.

Im Jahr 2022 haben Adrián Ramón Ruiz Pardo und John Paul Minda in Acta Psychologica eine präregistrierte direkte Replikation des zweiten Experiments von Ward et al. durchgeführt. Dieselben Aufgaben (Operation-Span-Task und Go/No-Go-Task), dieselben Bedingungen (Handy auf dem Tisch, in der Tasche, außerhalb des Raums), zusätzlich noch eine Variation Handy ein- versus ausgeschaltet, insgesamt also sechs Bedingungen. Das Ergebnis war eindeutig: kein Effekt. Keine Unterschiede zwischen den Bedingungen, weder beim Working-Memory-Test noch beim Go/No-Go-Test. Die Autoren schlussfolgerten: Die bloße Präsenz eines Smartphones reicht offenbar nicht aus, um die kognitive Leistung zu beeinträchtigen.

Spätere Meta-Analysen und Übersichtsarbeiten bestätigen das Bild. Der Effekt ist über Studien hinweg inkonsistent, es gibt Hinweise auf Publikationsbias, und die robusten Befunde beschränken sich auf Situationen mit aktiven Notifications oder bewusster Beschäftigung mit dem Gerät. Anders gesagt: Wenn das Telefon vibriert, lenkt es ab. Wenn es klingelt, lenkt es ab. Wenn auf dem Display ein Hinweis aufpoppt, lenkt es ab. Damit unterscheidet sich das Handy nicht von Kollegen, die anrufen, von Vögeln, die gegen die Scheibe fliegen oder von Baustellen vor dem Büro.

Aber das ausgeschaltete, stille, abgewandte Gerät, die Vorstellung, dass schon seine physische Präsenz die Intelligenz absenkt, ist empirisch nicht zuverlässig nachweisbar.

Das ist klassische Replikationskrise. Eine prominente Studie liefert einen eingängigen Befund mit großer pädagogischer Anschlussfähigkeit. Der Befund wird zur populären Wahrheit. Die Replikation scheitert weitgehend unbemerkt. Die Original-Behauptung lebt weiter, weil Replikationsfehler keine Schlagzeilen produzieren. Die Geschichte von Ward 2017 ist nicht falsch im Sinn einer Fälschung, sie ist die normale Funktionsweise einer Disziplin, die methodisch fragiler ist, als sie öffentlich auftritt.

Mythos 3: „Social Media bedient das Dopamin-System wie eine Droge”

Das ist der zentrale Topos der Sucht-Erzählung. Er steht im Kern der KGM-Klageschrift, er wird in Talkshows zitiert, er ist die rhetorische Brücke zur Big-Tobacco-Analogie. Und er beruht auf einer fundamentalen Verwechslung.

Dopamin wird bei jeder belohnenden Aktivität ausgeschüttet. Beim Essen, beim Sex, beim Lachen mit Freunden, beim Hören von Lieblingsmusik, beim Lösen eines Sudokus, beim Aufschlagen eines guten Buchs. Das ist die normale Funktionsweise des mesolimbischen Belohnungssystems. Die Aussage „Social Media schüttet Dopamin aus” ist ungefähr so informativ wie „Brot enthält Kohlenhydrate”. Trivial wahr, aber nicht das, was die Aussage in der Debatte suggerieren soll.

Was sie suggerieren soll, ist etwas Spezifisches: dass Social Media abnorm hohe oder suchtartig wirkende Dopaminreaktionen auslöst, vergleichbar mit Kokain oder Glücksspiel. Genau für diese starke Behauptung fehlt die Evidenz weitgehend.

Die meisten populär zitierten Belege stammen aus fMRT-Studien, die Aktivität in Belohnungsregionen des Gehirns messen. Das ist nicht dasselbe wie eine Dopamin-Messung. fMRT misst Sauerstoffverbrauch, nicht Neurotransmitter. Wenn Studien davon sprechen, dass „Belohnungsregionen aktiviert” werden, ist das nicht der direkte Nachweis eines abnormalen Dopaminflusses. Tatsächliche Dopamin-Messungen erfordern nach meinem Verständnis (und hier bin ich, zugebenermaßen kein Experte) Positronen-Emissions-Tomographie mit radioaktiven Tracern, und Studien dieser Art zu Social Media gibt es kaum, weil sie aufwendig und teuer sind.

Was es dafür gibt, sind zwei jüngere, methodisch saubere Studien, die genau diese starke Behauptung präzise getestet haben. Lukas Gunschera und Kolleg*innen aus der Cambridge-Gruppe um Amy Orben haben 2026 in einem präregistrierten Experiment getestet, ob drei etablierte neurokognitive Signaturen klassischer Süchte – Reaktionszeit-Beschleunigung bei suchtbezogenen Reizen, Sensitivierung des dopaminergen Wanting-Systems, Effort-based Decision-Making zugunsten der Substanz – sich bei selbstberichtet exzessiver TikTok-Nutzung nachweisen lassen. Das Ergebnis: keine der drei Signaturen zeigte sich. Und die Bergen Social Media Addiction Scale, die als Goldstandard für die Diagnose einer Social-Media-Abhängigkeit gilt, korrelierte mit keinem der etablierten Marker. Wenn die Skala misst, was sie zu messen vorgibt, müsste sie mit diesen Markern korrelieren. Sie tut es nicht.

Im selben Jahr hat eine Gruppe um H. Shannon eine Studie mit neuromelanin-sensitiver MRT vorgelegt. Diese Methode kann dopaminerge Neurone in der Substantia nigra und im ventralen Tegmentum direkt sichtbar machen und sie ist näher an einer echten Dopamin-Messung als jede fMRT-Studie. Die Befunde zeigen ebenfalls keine substantiellen Auffälligkeiten bei problematischer Social-Media-Nutzung im Vergleich zur Kontrollgruppe.

Die Sucht-Analogie hat eine rhetorische Quelle, die robust ist: B.F. Skinners Erkenntnisse zur intermittierenden Verstärkung. Skinner zeigte in den 1950er Jahren in Tierexperimenten, dass unregelmäßige Belohnungen stabiler verhaltenssteuernd wirken als regelmäßige. Das ist ein robuster Befund, der seit Jahrzehnten in Casinos angewandt wird. Variable Belohnung funktioniert. Aber daraus folgt nicht, dass alle weiteren neurobiologischen Manipulationsbehauptungen denselben Status haben. Der rhetorische Trick besteht darin, einen robusten Skinner-Befund als Türöffner zu verwenden, um dann eine viel weitergehende Geschichte über präzise Dopamin-Manipulation zu erzählen. Genau diese weitergehende Geschichte halten die neuesten experimentellen Daten nicht.

Was Social Media tut, ähnelt eher anderen sozial-belohnenden Aktivitäten als Kokain. Die Sucht-Analogie ist neurobiologisch nicht gestützt.

Eine kurze Zäsur: Jetzt wird es spekulativer

Bis hierhin habe ich versucht, mich an empirisch klar entscheidbaren Fragen zu halten, soweit ich die entsprechende Literatur überblicke. Die drei Mythen lassen sich mit Studien prüfen, und die Studien sagen, was sie sagen. Im Folgenden bewege ich mich auf weniger festem Terrain. Wenn die Sucht-These nicht hält, was steht dann eigentlich hinter der Vehemenz, mit der Verbote gefordert werden? Warum übernehmen Regierungen weltweit ein Argument, dessen wissenschaftliche Basis so brüchig ist?

Das, was jetzt folgt, ist meine Interpretation, nicht etablierte Wissenschaft. Es ist ein Versuch, eine Erklärung anzubieten, die mir plausibler scheint als die offiziell verlautbarten Gründe. Lesen Sie es als das, was es ist: ein Vorschlag zur Diskussion, kein Befund.

Was Tech-Konzerne wirklich können (und was nicht)

Bevor wir uns den möglichen Alternativerklärungen zuwenden, lohnt ein Blick auf eine Behauptung, die der ganzen Sucht-Erzählung Schwung verleiht: dass Tech-Konzerne präzise psychologische Manipulationswerkzeuge entwickelt hätten. Tristan Harris hat das mit seinem Center for Humane Technology zur Standardgeschichte gemacht, The Social Dilemma hat sie global verbreitet. Das Bild dahinter: Eine kleine Gruppe genialer Verhaltenspsychologen und Neurowissenschaftler in Menlo Park und Mountain View hat das menschliche Belohnungssystem durchschaut und baut Produkte, die unsere Schwachstellen mit chirurgischer Präzision ausnutzen.

Hier wird die Beweislage nun deutlich weicher als bei den drei vorherigen Punkten – es gibt keine sauberen Studien, die diese Behauptung direkt prüfen. Aber es gibt einen indirekten Einwand, der selten gemacht wird und meines Erachtens viel Gewicht hat. Die wissenschaftliche Disziplin, aus der dieses präzise Manipulationswissen kommen soll, ist die Sozial- und Kognitionspsychologie. Und genau diese Disziplin hat in den letzten fünfzehn Jahren reihenweise ihrer prominentesten Befunde nicht replizieren können. Power-Posing, Ego-Depletion, Priming-Effekte mit Wörtern die Alter suggerieren, das Stanford-Prison-Experiment, die Bem-Präkognition – das sind nicht Randbefunde, das sind Säulen einer ganzen Forschungstradition. Karrieren wurden auf ihnen gebaut. Heute gelten viele dieser Befunde als methodische Artefakte oder schlicht als nicht replizierbar.

Wenn die Disziplin nicht einmal verlässlich zeigen kann, dass ein vor dem Test gehaltenes Foto die Risikobereitschaft beeinflusst, wie soll sie dann mit hochpräzisen Methoden ein global süchtig machendes Produkt designen? Das ist nicht rhetorisch gefragt. Die Diskrepanz zwischen behaupteter Manipulationspräzision auf Konzernseite und tatsächlicher Vorhersagekraft der Disziplin ist auffällig.

Drei Differenzierungen muss man hier mitführen, damit der Einwand nicht überzieht.

• Erstens, die operante Konditionierung – Skinners Bereich – ist methodisch stabiler als die moderne Sozialpsychologie. Variable Verstärkung funktioniert tatsächlich. Aber das ist ein Befund aus den 1950ern, kein modernes hochauflösendes Manipulationswissen.

• Zweitens, A/B-Testing in Echtdaten ist Iteration ohne Theorie. Wenn TikTok fünfzig Varianten seines Empfehlungsalgorithmus parallel testet und schaut, welche die Verweildauer maximiert, dann braucht es dafür keine fundierte Persuasionspsychologie. Es genügt, mit großen Stichproben zu testen, was empirisch funktioniert. Die Konzerne haben Big Data und Iteration. Sie haben kein mechanistisches Verständnis dafür, warum das eine besser funktioniert als das andere.

• Drittens, Engagement-Optimierung ist real. Die Plattformen optimieren tatsächlich nachweislich auf Verweildauer und Wiederkehrrate. Die Frage ist nur, ob diese Optimierung dem entspricht, was bei Substanzabhängigkeit passiert. Hier setzen Gunschera und Shannon an, und die Antwort ist: neurobiologisch wahrscheinlich nicht.

Es ergibt sich ein bemerkenswerter ironischer Befund. Die populäre Erzählung kreidet den Konzernen eine Präzision an, die sie aus Marketing- und Investorengründen vielleicht selbst gerne hätten, die sie aber tatsächlich wahrscheinlich gar nicht haben. Es ist eine wechselseitig nützliche Übertreibung. Harris kann seine Karriere als „der eine, der die Maschine durchschaut hat” aufbauen. Die Tech-Konzerne können in Investor-Pitches mit ihrer Engagement-Macht prahlen. Die Politik bekommt einen klaren Bösewicht. Das Publikum bekommt eine eingängige Geschichte, in der die eigene Schwäche im Umgang mit dem Smartphone nicht persönliches Versagen ist, sondern Resultat einer übermächtigen Manipulation. Die Klageschrift im KGM-Verfahren stützt sich übrigens explizit auf interne Meta-Dokumente, die Gehirn-Illustrationen von Neurowissenschaftlern enthalten und Designentscheidungen mit Hinweis auf kindliche Gehirnentwicklung diskutieren. Das ist tatsächlich brisant, aber es ist nicht der Beweis einer wissenschaftlich fundierten Manipulationsmaschinerie. Es zeigt, dass Meta selbst die Sucht-Rhetorik intern bedient hat. Konzerne und Anti-Sucht-Aktivisten profitieren beide davon, das Produkt mächtiger erscheinen zu lassen, als es ist.

Als letzte Anmerkung zu der vermeintlichen Manipulationsfähigkeit der Tech-Konzerne möchte ich noch anführen, dass der Wettbewerb unter diesen extrem stark ist und es diesen Unternehmen trotz großen Investments und Big Data oftmals nicht gelingt, Personen auch zu halten. Myspace und Facebook fallen heute deutlich zurück während Tiktok und Instagram intensiv um User buhlen. Wäre die Manipulation derartig gelungen, raffiniert und effektiv, würde ich persönlich hier weniger Wechsel erwarten.

Coca-Cola und das Geschmacksdesign

Wenn die starke Manipulationserzählung kollabiert, was bleibt? Die Antwort ist erstaunlich einfach. Die Konzerne tun, was Konzerne tun: Sie optimieren ihr Produkt auf Konsumneigung. Das ist kein moralischer Sonderfall, sondern Marktlogik.

Lebensmittelkonzerne machen das seit über einem Jahrhundert. Coca-Cola hat seine Rezeptur mit erheblichem wissenschaftlichen Aufwand auf maximale Attraktivität optimiert – Süße-Säure-Balance, Karbonisierung, Servier-Temperatur, Verpackungsdesign. Howard Moskowitz, ein Sensoriker mit Doktortitel aus Harvard, hat seine Karriere damit gemacht, für Lebensmittelhersteller den „bliss point” zu ermitteln – jenen Punkt auf der Geschmackskurve, an dem die Konsumneigung maximal ist, ohne dass das Produkt überreizt wirkt. Pepsi, Frito-Lay, Kraft, Heinz – alle beschäftigen Teams, die im Grunde dasselbe tun, was Meta tut: ein Konsumgut so gestalten, dass es Konsumneigung maximiert.

Niemand käme auf die Idee, der Rügenwalder Mühle Sucht-Erzeugung im klinischen Sinn zu unterstellen, weil sie ihre veganen Würstchen geschmacklich optimiert. Niemand fordert ein Verbot von Coca-Cola für unter Sechzehnjährige, weil sie gezielt süß und kohlensäurereich gemacht wird. Wir haben einen breiten gesellschaftlichen Konsens, dass Hersteller ihr Produkt attraktiv machen dürfen, und dass Konsumenten selbst entscheiden, wie viel sie davon nutzen.

Bei Social Media wird dieser Konsens anders betrachtet. Und es lohnt zu fragen, warum.

Drei Gegenargumente müssen ehrlich mitdiskutiert werden, weil sie die Analogie verkomplizieren.

• Erstens, Werbefinanzierung schafft eine andere Anreizstruktur als der direkte Produktverkauf. Coca-Cola will, dass man eine Cola trinkt und dann zufrieden ist, bzw. später noch eine kauft. Meta will, dass man auf Instagram bleibt, und zwar möglichst lange, weil jede zusätzliche Minute mehr Werbeflächen bedeutet. Das macht Engagement-Optimierung systematisch aggressiver als klassische Produktoptimierung. Bei Cola ist die Marge pro Konsumvorgang fix, bei Meta skaliert sie mit der Verweildauer.

• Zweitens, Lebensmittelregulierung gibt es durchaus. Zuckersteuer, Werbebeschränkungen für Kinder, Ampelkennzeichnung, Verbote bestimmter Zusatzstoffe in bestimmten Altersklassen. Die ehrliche Analogie wäre also nicht „bei Cola gibt es keine Regulierung”, sondern „bei beiden gibt es legitime Regulierungsdebatten, die verhältnismäßig und evidenzbasiert geführt werden sollten”. Das ist exakt das Argument aus dem ersten Artikel.

• Drittens, die Zeitintensität. Cola-Trinken kostet wenige Minuten am Tag. Social-Media-Nutzung kann mehrere Stunden beanspruchen. Aber – und das ist wichtig – hohe Zeitintensität ist nicht per se ein Suchtmerkmal. Auch Fernsehen, Romane lesen, Brettspielen, Sportausübung, Klavier üben können mehrere Stunden täglich beanspruchen, ohne dass wir das pathologisieren.

Die Analogie hält meiner Meinung nach dennoch. „Hersteller machen ihr Produkt attraktiv” ist die Grundlogik von Märkten. Bei Social Media wird diese Selbstverständlichkeit ausgesetzt. Die Frage ist, warum? Die Antwort liegt nicht in den Daten zur Schädlichkeit. Sie liegt anderswo.

Die Eckige-Fußball-Logik

Wenn die Sucht-These nicht hält, dann ändert sich der argumentative Status der ganzen Debatte. Dann beantwortet man die Frage „Warum verbringen Jugendliche so viel Zeit auf Social Media?” nicht mehr mit „weil sie süchtig sind”, sondern mit „weil es ihnen Spaß macht und ihnen Werte liefert”. Genauso wie sie viel Zeit mit Fußball, Musik, Lesen, Freunden oder Computerspielen verbringen.

Daraus folgt eine politische Konsequenz, die selten ausgesprochen wird. Wer fordert, das Produkt solle für Jugendliche weniger attraktiv gestaltet werden: endless scroll abschaffen, autoplay deaktivieren, like counts entfernen, algorithmische Empfehlung beschneiden. Damit wird de facto gefordert: Bitte gestaltet das Ding so um, dass meine Kinder weniger gerne damit umgehen. Eine Forderung, die in anderen Lebensbereichen befremdlich klingt. „Wir möchten gerne, dass der Fußball für unsere Kinder eckig ist, damit das Spielen weniger Spaß macht.” Klingt absurd. „Wir möchten gerne, dass die Bücher, die Jugendliche lesen, langweiliger sind, damit sie weniger lesen.” Auch absurd. „Wir möchten gerne, dass Social Media weniger attraktiv ist.” Klingt plötzlich vernünftig. Warum?

Eine wichtige Differenzierung muss man hier vornehmen. Es gibt zwei Kategorien von Designeingriffen, die in der Debatte oft zusammengeworfen werden.

• Die erste Kategorie sind Sicherheits-Features. Bessere Reportingmechanismen, Beschränkungen für Direktnachrichten zwischen Erwachsenen und Minderjährigen, Privatsphäre-Voreinstellungen für Jugendaccounts, Schutz vor Predator-Zugang. Das sind im Grunde Schutzmaßnahmen, analog zu Sicherheitsgurten im Auto. Sie machen das Produkt nicht weniger spaßig, sondern sicherer. Diese Forderungen sind verhältnismäßig und gut zu rechtfertigen.

• Die zweite Kategorie ist Attraktivitäts-Reduktion. Das ist die Eckige-Fußball-Logik. Hier wird nicht die Sicherheit erhöht, hier wird die Spaßmaschine entkalibriert. Und für diese Forderung braucht es eine substanzielle Begründung – die Sucht-These war diese Begründung. Wenn sie wegfällt, bleibt eine Forderung übrig, die explizit gemacht werden müsste: Wir finden, dass Jugendliche zu viel Spaß mit dem falschen Spielzeug haben.

Drei Gegenargumente sind hier ernst zu nehmen. Das Geschäftsmodell-Argument – Nutzer als Produkt versus Spaß-Logik – haben wir oben diskutiert. Das Informationsasymmetrie-Argument: Ein Kind versteht ungefähr, was Fußball mit ihm macht, versteht aber nicht, wie ein Algorithmus seine Aufmerksamkeit lenkt. Das stimmt, gilt aber für viele andere Produkte ebenfalls, z.B. Lebensmittel mit komplexen Zusatzstoffen, Versicherungen, Pharmazeutika. Wir lösen diese Probleme normalerweise mit Transparenz und Information, nicht mit Verboten der attraktiven Eigenschaften. Das Vulnerabilitäts-Argument: Minderjährige bräuchten besonderen Schutz. Das ist die stärkste Verteidigung. Hier wird häufig auf das Argument verwiesen, das menschliche Gehirn sei „erst mit 25 fertig entwickelt” – insbesondere der präfrontale Kortex, der Impulskontrolle steuere. Daraus wird dann eine umfassende Schutzlogik abgeleitet. Das Argument hat einen wahren Kern – die Hirnreifung verläuft tatsächlich bis ins frühe Erwachsenenalter – aber es ist in der populären Verwendung stark überdehnt. Wenn das Gehirn erst mit 25 fertig wäre und vorher keine verantwortungsvolle Konsumentscheidungen erlauben würde, müssten wir konsequent das Wahlalter, die Strafmündigkeit, das Recht auf Vertragsabschlüsse, den Führerschein und vieles andere auf 25 anheben. Tun wir nicht. Das Argument wird sehr selektiv angewendet, nämlich dort, wo es eine ohnehin gewünschte Regulierung stützt. Und selbst wenn man es ernst nimmt: Wenn wir akzeptieren, dass Erwachsene Social Media nach Belieben nutzen dürfen, weil es ihnen Spaß macht, dann sagen wir implizit, dass das Produkt für Erwachsene unproblematisch ist. Warum sollte es dann für Sechzehnjährige fundamental anders sein? Die Antwort kann nicht „weil sie noch keine achtzehn sind” lauten – das ist Zirkelschluss. Sie muss substanziell sein. Und genau hier wird es dünn.

Im Bereich Social-Media diskutieren wir gerade noch nichtmal, den Fußball eckig zu machen, sondern ihn für Kinder und Jugendliche bis 14, teilweise sogar bis 16, komplett zu verbieten und das landesweit. Das ist nochmal eine ganz andere Eskalation, die meiner Meinung nach eine robustere Befundlage benötigt und, wie im ersten Artikel beschrieben, eine ausführliche Diskussion der Präventionslogik mit Abwägung der Einschränkung von Grundrechten, sowohl für Jungedliche als auch potentiell für Erwachsene, beeinhalten muss.

Darüber hinaus steckt hinter der Eckige-Fußball-Logik eine philosophische Annahme, die selten benannt wird. Sie lautet ungefähr: Vergnügen muss einen externen Zweck haben, um legitim zu sein. Fußball gilt als wertvoll, weil er Bewegung, Sozialisation und Teamfähigkeit produziert. Lesen gilt als wertvoll, weil es bildet. TikTok gilt als problematisch, weil es nur Spaß macht.

Diese Annahme hat eine sehr alte Tradition. Aristoteles unterschied zwischen eudaimonia, dem aus tugendhafter Tätigkeit fließenden Vergnügen, und bloßer hedone, dem reinen sinnlichen Vergnügen. Die ganze westliche Pädagogik bis ins 19. Jahrhundert war von dieser Hierarchie geprägt: Wertvolles Vergnügen ist solches, das produktiv ist, das bildet, das den Menschen besser macht. Bloßes Vergnügen, das nur Vergnügen ist, gilt als verdächtig.

Jeremy Bentham hat dem im frühen 19. Jahrhundert widersprochen mit dem berühmten Satz, push-pin – ein damals populäres Kinderspiel – sei genauso wertvoll wie Poesie, wenn beides dieselbe Quantität an Vergnügen produziere. John Stuart Mill hat versucht, die Hierarchie zu retten mit der Unterscheidung zwischen höheren und niederen Vergnügen. In der Smartphone-Debatte sind wir implizit alle Mill-Anhänger. Wir akzeptieren, dass es höhere und niedere Vergnügen gibt, und dass TikTok zu den niederen gehört. Aber wir machen das nie explizit. Wenn wir es explizit machten, könnte sich zeigen, dass diese Hierarchie eine Wertposition ist, keine empirische Tatsache.

Das ist ein anderer ethischer Rahmen als der, der in der Debatte beansprucht wird. Die Anxious-Generation-Erzählung argumentiert vordergründig hedonistisch: Social Media macht unglücklich, also reguliert es. Aber wenn man die Wirkung tatsächlich misst, ist der hedonistische Schaden klein – die Burnell-Meta-Analyse fand g = 0,17, unterhalb der Schwelle praktischer Bedeutsamkeit. Was tatsächlich getrieben wird, ist nicht ein Mehrwert an Glück, sondern eine Veränderung dessen, womit Jugendliche ihre Zeit verbringen. Es geht nicht darum, sie glücklicher zu machen. Es geht darum, sie auf das richtige Vergnügen zu lenken. Das ist nicht Hedonismus, das ist Perfektionismus – und Perfektionismus sollte als das benannt werden, was er ist.

Bourdieus Smartphone

Wenn die Sucht-These nicht trägt und die Eckige-Fußball-Logik eine implizite Wertposition voraussetzt, dann stellt sich die Frage: Wessen Wertposition?

Pierre Bourdieu hat 1979 in Die feinen Unterschiede eine Antwort geliefert, die seither soziologisches Standardwissen ist. Geschmacksurteile, schrieb er, sind immer auch Klassenurteile. Was als „hohe” Kultur gilt, ist nicht objektiv hochwertiger als „niedere” Kultur, sondern es ist die Kultur derjenigen, die definieren dürfen, was hochwertig ist. Geschmack ist die naturalisierte Form sozialer Distinktion.

Wendet man das auf die Smartphone-Debatte an, ergeben sich unbequeme Parallelen. Was als „Sucht” markiert wird, ist oft strukturell identisch mit dem, was bei Mitgliedern höherer Klassen als „Interesse”, „Hobby” oder „Leidenschaft” gilt – nur mit anderen Inhalten. Der Teenager mit drei Stunden TikTok täglich gilt als süchtig. Der Pensionär mit drei Stunden Tagesschau, heute-journal und Talkshows gilt als informiert. Die Vierzehnjährige, die ihrer Lieblings-Influencerin folgt, gilt als parasozial gestört. Der Sechzigjährige, der das Werk Thomas Manns in Detailforen diskutiert, gilt als gebildet.

Nicht alle dieser Unterscheidungen sind willkürlich. Es gibt sinnvolle Differenzierungen zwischen aktiver und passiver Mediennutzung. Aber die Linien, die wir ziehen, decken sich mit verdächtiger Regelmäßigkeit mit Klassengrenzen. Bildungsbürgerliche Medienpraxis wird kulturell aufgewertet, populäre Praxis wird pathologisiert. Jonathan Haidt selbst, dessen Erzählung wir diskutieren, schreibt aus einer ganz bestimmten Position als Professor an der NYU, obere amerikanische Mittelschicht, eigene Kinder bewusst von TikTok ferngehalten. Das ist keine Diffamierung, er hat seinen Standpunkt offengelegt. Aber es ist ein Standpunkt.

Peter Gray, ein Entwicklungspsychologe am Boston College, hat den Punkt einmal so formuliert: Social Media bietet einen bequemen Sündenbock. Wenn wir akzeptieren, dass Bildschirmzeit nicht der Hauptverursacher der mentalen Gesundheitskrise ist, sind wir gezwungen, uns härteren strukturellen Problemen zuzuwenden. Der Schulrealität zum Beispiel. Wenn man Jugendlichen TikTok wegnimmt, lesen sie nicht plötzlich Schiller. Sie sitzen in derselben Schule mit denselben Strukturen, demselben Lehrermangel, derselben unterfinanzierten Schulpsychologie. Über zwölf Jahre verbringen sie den Großteil ihrer Wachzeit in Institutionen, die ihre Zeit, Aufmerksamkeit und Bewertung kontrollieren. Social Media ist die Domäne, in der sie selbst entscheiden. Verbote, die diese Freiräume weiter beschneiden, ohne die Schulrealität zu ändern, verschärfen die Asymmetrie zwischen aufgezwungener und selbstgewählter Zeit.

Haidts vergessene Hälfte

An dieser Stelle wird die Argumentation interessant, weil sie einen unerwarteten Bundesgenossen findet: Jonathan Haidt selbst.

In der deutschen Rezeption wird The Anxious Generation fast immer als Smartphone-Buch gelesen. Das ist eine Verkürzung. Haidt hat in dem Buch keine Ein-Faktoren-These vertreten, sondern eine Zwei-Faktoren-These. Der erste Faktor, chronologisch und in seiner eigenen Darstellung, ist nicht das Smartphone, sondern der Rückgang der unbeaufsichtigten Kindheit seit den 1980er Jahren.

Im Hard-Fork-Podcast der New York Times im März 2024 hat Haidt es selbst so formuliert: „My story is not a simpleminded story about it being all smartphones and social media. It’s actually a two-part story about the decline of the play-based childhood, where we cracked down on free play from the 1980s, the milk cartons, the abducted children, all that stuff. We don’t let our kids out. So we reduce what they need, which is free play with each other, from the ‘80s through about 2010, and then we bring in the phone-based childhood, the great rewiring.”

Haidts zentrale Formel lautet „overprotection in the real world and underprotection in the virtual world”. Seine vierte „foundational reform” lautet entsprechend: „Far more unsupervised play and childhood independence.” Drei seiner vier Hauptforderungen betreffen Smartphone-Beschränkungen. Eine betrifft Eltern – und das ist die, die fast nie aufgegriffen wird.

Im September 2025 haben Haidt und Zach Rausch auf ihrem eigenen Blog After Babel eingeräumt, dass die Play-Hypothese in der öffentlichen Debatte fast keine Aufmerksamkeit erhalten hat. „Unlike the debates over phones and social media”, schreiben sie, „this part of the book has faced essentially zero pushback. Nobody that we know of has doubted the importance of free play for healthy childhood development.” Das ist eine bemerkenswerte rhetorische Spitze. Niemand widerspricht, weil niemand prüft. Die Smartphone-These wird heftig kritisiert. Die Play-These wird ignoriert.

Warum?

Die Antwort hat mit politischer Anreizstruktur zu tun. Smartphone-Verbote sind teuer für Tech-Konzerne und unbequem für Jugendliche, aber billig für Eltern und Politik. Mehr unbeaufsichtigte Kindheit wäre billig für Tech-Konzerne, aber teuer für Eltern, die Kontrolle aufgeben müssten. Sie wäre teuer für Schulen, die mehr Pausen und weniger Ganztag bräuchten. Sie wäre teuer für den städtebaulichen Konsens, der mehr Verkehrsberuhigung und mehr Spielräume erfordern würde. Und sie wäre teuer für die mediale Sicherheits-Erzählung, die seit Jahrzehnten von Geschichten über Entführungen und Missbrauch lebt. Die Politik wählt konsequent die Reform, die Verantwortung von Eltern, Schulen und Politik wegschiebt – auf die Plattformen.

Das ist eine bemerkenswerte Inkonsistenz. Eltern, die Smartphone-Verbote fordern, fordern selten gleichzeitig, dass ihre Zehnjährigen wieder unbeaufsichtigt durchs Viertel ziehen, dass Kinder mit Freunden zum Bach laufen oder dass Siebenjährige alleine mit dem Bus zur Großmutter fahren. Aber genau das wäre Haidts Forderung, wenn man ihn vollständig läse.

Die empirische Diagnose ist dabei verblüffend gut belegt – nur eben nicht in die Richtung, die die populäre Erzählung suggeriert. Mehrere Studien zur Zeit-Allokation in Familien zeigen: Berufstätige Eltern verbringen heute mehr Zeit mit ihren Kindern als ihre eigenen, oft nicht berufstätigen Mütter in den 1960er Jahren. Sandra Hofferth und John Sandberg haben das für die USA dokumentiert, Giulia Dotti Sani und Judith Treas haben es 2016 im Journal of Marriage and Family für elf westliche Länder über fünfzig Jahre repliziert. Die Zeit, die Eltern aktiv mit ihren Kindern verbringen, ist zwischen 1965 und 2012 in fast allen Industriestaaten gestiegen, am stärksten bei höher gebildeten Müttern. Für Deutschland zeigen Daten aus dem Sozio-oekonomischen Panel und vom Deutschen Jugendinstitut ähnliche Muster. Parallel ist die unbeaufsichtigte Zeit der Kinder dramatisch zurückgegangen – weniger freies Spielen, mehr durchstrukturierte Aktivitäten, weniger unbeaufsichtigte Außenzeit.

In den USA ist dieser Wandel besonders extrem ausgeprägt – und das lohnt zu betonen, weil Haidt aus diesem Kontext schreibt. Lenore Skenazy, eine New Yorker Journalistin, schrieb 2008 eine Kolumne darüber, wie sie ihren neunjährigen Sohn alleine mit der U-Bahn nach Hause fahren ließ. Sie wurde daraufhin von Morgenshows zu Morgenshows gereicht und als „America’s Worst Mom” beschimpft. Aus dieser Erfahrung entstand die Free-Range-Kids-Bewegung – und parallel eine Reihe von Fällen, in denen US-Eltern tatsächlich von der Polizei angezeigt oder in Custody-Verfahren verwickelt wurden, weil ihre Kinder alleine zu Fuß zur Schule gingen, alleine im Park spielten oder kurz alleine im Auto warteten. Es gab Eltern, die Anzeigen wegen Vernachlässigung bekamen, weil ihre Zehnjährigen alleine zwei Häuserblocks weit gelaufen waren. Was in meiner Jugend in den 80ern noch selbstverständlich war – „komm nach Hause, wenn die Straßenlaternen angehen” –, ist in weiten Teilen der USA heute strafbar oder zumindest sozial geächtet. In Deutschland sind wir glücklicherweise noch nicht so weit, aber die Tendenz ist erkennbar: Auch hier werden Kinder seltener alleine zur Schule geschickt, seltener alleine zum Spielplatz gelassen, seltener mit dem offenen „komm bei Dunkelheit zurück” in die Freizeit entlassen. Die Diagnose, dass unbeaufsichtigte Kindheit verschwindet, gilt in den USA in einem dramatischeren Sinn als bei uns – und genau dort entstand Haidts erste Beobachtung.

Hier verbindet sich die Play-Hypothese mit der Bourdieu-Argumentation. Die Reduktion unbeaufsichtigter Kindheit ist nicht gleichmäßig verteilt. Sie ist stark klassengebunden, mit dem stärksten Rückgang in der Bildungsmittelschicht. Bildungsbürgerliche Eltern haben am konsequentesten auf eine durchstrukturierte, betreute, gefördert-überwachte Kindheit umgestellt – aus pädagogischer Überzeugung, aus Statusgründen, aus der Logik dessen, was Bourdieu cultivation habitus nannte. Arbeiterkinder haben oft mehr unbeaufsichtigte Zeit, nicht aus pädagogischer Programmatik, sondern aus ökonomischer Notwendigkeit.

Wenn Haidts Play-These stimmt, dann produziert die bildungsbürgerliche Erziehungskultur einen erheblichen Teil dessen, was sie heute als Krise diagnostiziert. Und sie sucht den Schuldigen dann in jener Sphäre, in der ihre Kinder Autonomie suchen – beim Smartphone.

Wer Haidt selektiv liest, kommt zu Forderungen, die Haidt selbst so gar nicht stellt. Die deutsche Debatte importiert nicht Haidts These – sie importiert die für Erwachsene bequemste Hälfte davon.

Das politische Risiko

Eine durch Geschmacksurteile getriebene Regulierung, die als Gesundheitsdebatte verkleidet ist, trifft die Zielgruppe besonders hart, die sie zu schützen vorgibt. Jugendliche aus Familien, die weniger kulturelles Kapital weitergeben können und für die digitale Räume die wichtigste Eigenkultur sind, verlieren Zugänge, die wohlhabendere Jugendliche durch Klavierunterricht, Reisen und gut ausgestattete Häuser kompensieren können.

LGBTQ+-Jugendliche in feindseligen Umgebungen, geographisch isolierte Jugendliche, Kinder aus prekären Familienverhältnissen – für diese Gruppen ist Social Media oft eine Lifeline, keine Pathologie. Im ersten Artikel habe ich auf die rumänische Studie von Alexandra Maftei und Kolleg*innen verwiesen, die während der Pandemie zeigen konnte: Social Media sagte das Wohlbefinden von Jugendlichen positiv vorher, nicht negativ. Während der Lockdowns war Social Media das, was Forschung und Medien damals zu Recht „Lifeline” nannten. Das Narrativ hat sich seither um 180 Grad gedreht, ohne dass sich die Evidenz entsprechend verändert hätte.

Eine Politik, die unter dem Banner des Jugendschutzes pauschale kulturelle Präferenzen durchsetzt, schadet vor allem denjenigen, die sie zu helfen vorgibt. Das ist keine theoretische Sorge, das ist die wahrscheinliche empirische Konsequenz pauschaler Altersgrenzen.

Was bleibt

Drei Mythen, drei klare Befunde und eine plausible Interpretation:

• Aufmerksamkeitsspannen werden nicht kürzer – die methodisch sauberste Evidenz zeigt einen Flynn-Effekt für Aufmerksamkeit bei Erwachsenen.

• Der Brain-Drain-Effekt durch bloße Handy-Präsenz ist in präregistrierter Replikation nicht reproduzierbar.

• Die neurokognitive Sucht-Analogie zu Substanzen wird durch die neuesten experimentellen Daten – Gunschera 2026, Shannon 2026 – nicht gestützt.

• Und plausibel, wenn auch nicht hart belegt: Die behauptete Manipulationspräzision der Tech-Konzerne ist angesichts der Replikationskrise der Sozialpsychologie unwahrscheinlich. Die Konzerne haben Big Data und Iteration, nicht ein präzises Manipulations-Toolkit.

Was bleibt, ist anderes: Plattformen, die ihr Produkt auf Engagement optimieren, in einem Markt, der das belohnt, ähnlich wie Lebensmittelkonzerne ihre Produkte auf Geschmack optimieren. Eine Jugend, die Social Media bevorzugt, weil es Spaß macht und Selbstbestimmung erlaubt, in einer Welt, in der unbeaufsichtigte analoge Räume immer knapper geworden sind. Und eine bildungsbürgerliche Debatte, die diese Präferenz pathologisiert, weil sie die eigenen kulturellen Hierarchien reproduziert.

Das KGM-Urteil als Schlussbild: Eine Jury hat juristisch festgestellt, was die Wissenschaft nicht zeigen kann. Die Erzählung ist mächtig genug, ohne empirische Grundlage Recht zu sprechen. Das ist nicht der Triumph, als der das Urteil gefeiert wird. Es ist eine Warnung. Eine wissenschaftlich fragile Geschichte bekommt institutionelle Autorität, bevor sie wissenschaftlich bestätigt ist. Andere Institutionen folgen, Gesetzgeber in Australien, Großbritannien, Frankreich, Spanien, Griechenland, Dänemark, und vermutlich bald auch Deutschland.

Wenn es wirklich um Jugendgesundheit geht, sollten wir über Lehrermangel sprechen, über Schulpsychologie, über ökonomische Unsicherheit, über fragmentierte Familien, über die Erschütterungen nach den Pandemiejahren. Wenn es um Plattform-Geschäftsmodelle geht, sollten wir über den Digital Services Act sprechen, über Wettbewerbsrecht, über Werberegulierung, über Datenschutz. Wenn es um eine erwachsene Sorge um die Mediennutzung der eigenen Kinder geht, sollten wir das so benennen.

Was wir tun sollten, ist nicht das Smartphone für die fundamentalen Schwierigkeiten unserer Gegenwart verantwortlich machen. Das ist eine bequeme Geschichte, aber eine Geschichte, deren wissenschaftliche Grundlage dünn, deren Klassendimension unausgesprochen und deren politische Anreizstruktur durchsichtig ist. Wir können das besser.

Literatur

• Andrzejewski, D., Zeilinger, E. L., & Pietschnig, J. (2024). Is there a Flynn effect for attention? Cross-temporal meta-analytical evidence for better test performance (1990–2021). Personality and Individual Differences, 216, 112417.

• Bourdieu, P. (1982). Die feinen Unterschiede. Suhrkamp. (Original 1979)

• Burnell, K., Meter, D. J., Andrade, F. C., Slocum, A. N., & George, M. J. (2025). The effects of social media restriction: Meta-analytic evidence from randomized controlled trials. SSM – Mental Health, 7, 100459.

• Dotti Sani, G. M., & Treas, J. (2016). Educational Gradients in Parents’ Child-Care Time Across Countries, 1965–2012. Journal of Marriage and Family, 78(4), 1083–1096.

• Gunschera, L. J., Mehrhof, S. Z., Veith, C., Ong, E., Davidson, B. C., Vuorre, M., Nord, C. L., & Orben, A. (2026). Does social media use show established neurocognitive signatures of addiction? Preprint.

• Haidt, J. (2024). The Anxious Generation: How the Great Rewiring of Childhood is Causing an Epidemic of Mental Illness. Penguin.

• Haidt, J. & Rausch, Z. (2025, 22. September). Free Play and Mental Health: What We Know, What We Don’t. After Babel.

• Hofferth, S. L., & Sandberg, J. F. (2001). How American Children Spend Their Time. Journal of Marriage and Family, 63(2), 295–308.

• Maftei, A., Merlici, I.-A., & Dănilă, O. (2023). Social media use as a coping mechanism during the COVID-19 pandemic. Frontiers in Public Health, 10, 1062688.

• Murray, C. (2012). Coming Apart. Crown Forum.

• Putnam, R. D. (2000). Bowling Alone. Simon & Schuster.

• Ruiz Pardo, A. C., & Minda, J. P. (2022). Reexamining the „brain drain” effect: A replication of Ward et al. (2017). Acta Psychologica.

• Shannon, H. et al. (2026). Testing Dopaminergic Markers of Problematic Social Media Use Using Neuromelanin-Sensitive MRI. Psychiatry Research: Neuroimaging.

• Skenazy, L. (2009). Free-Range Kids: How to Raise Safe, Self-Reliant Children (Without Going Nuts with Worry). Jossey-Bass.

• Social Media Victims Law Center (2024). Master Complaint, Carol Todd et al. v. Meta Platforms et al. Superior Court of California, County of Los Angeles.

• Ward, A. F., Duke, K., Gneezy, A., & Bos, M. W. (2017). Brain Drain: The Mere Presence of One’s Own Smartphone Reduces Available Cognitive Capacity. Journal of the Association for Consumer Research, 2(2), 140–154.

[Hinweis: Ich habe am 14.05. einen zusätzlichen Artikel veröffentlicht, der einige Elemente dieses Artikels vertieft und am 22.05. nochmal einen finalen Artikel geschrieben, der die Kausalität betrachtet. In diesem Zuge habe ich den Artikel auch in Teil 1,2,3 umbenannt.]

Zwei Gespräche

Im April war ich auf dem BVÖGD-Kongress in Wuppertal. Beim Abendessen saß ich mit mehreren Leiterinnen und Leitern von Gesundheitsämtern an einem Tisch, und das Gespräch kam auf die Debatte um Social-Media-Verbote für Jugendliche. Was mich überrascht hat: Die Frage nach der Einschränkung von Freiheitsrechten Minderjähriger spielte in der Diskussion praktisch keine Rolle. Die Argumentation war konsistent präventiv – wenn potenzielle Schäden groß genug sind, muss man handeln, auch ohne abschließende Evidenz. Mein Einwand, dass hier ein erheblicher Eingriff auf Basis dünner empirischer Grundlagen vorbereitet wird, fand wenig Resonanz. Die wahrgenommene Größe der Gefahr trumpfte den Hinweis auf die Unsicherheit der Evidenz, denn wenn wir warten bis die Evidenz solide ist, ist der Schaden ggf. schon angerichtet, so zumindest die nachvollziehbare Argumentation.

Ich habe im Gespräch vermutet, dass meine eigene teilweise US-amerikanische Sozialisation hier eine Rolle in meiner Verwunderung spielt. Das Vorsorgeprinzip ist im deutschen und europäischen Denken erheblich stärker verankert als in der amerikanischen Regulierungstradition und Gesundheitsämter sind berufsbedingt geradezu institutionelle Verkörperungen dieses Prinzips. Wer beruflich für die Verhinderung von Krankheit und Schaden zuständig ist, neigt naturgemäß dazu, im Zweifel für die Intervention zu plädieren. Das ist nicht falsch. Es ist eine legitime professionelle Perspektive und einer der Gründe, warum Standards in Deutschland (z.B. bei Trinkwasser) extrem hoch sind. Aber sie hat eine blinde Stelle, wenn die Evidenz, auf die sie sich beruft, nicht so klar ist, wie sie scheint und wenn die Eingriffe in Grundrechte einer ganzen Alterskohorte aus dem Blick geraten.

Auf der Rückfahrt erzählte ich einem Kollegen davon. Er ist regelmäßiger Leser der Süddeutschen Zeitung und hatte aus der dortigen Berichterstattung den klaren Eindruck gewonnen, dass die wissenschaftliche Lage geklärt sei: Smartphones und soziale Medien schaden Jugendlichen, jetzt müsse gehandelt werden. Wir gerieten in eine längere Diskussion. An einer Stelle fragte ich, denn das Thema kam ohnehin auf, weil seine Töchter im schulpflichtigen Alter sind: Wie ist es eigentlich im Klassenzimmer deiner Töchter, ist es da ruhig und konzentriert? Die Antwort: Nein, da geht es ziemlich wild und laut zu. Mein Punkt war: Es ist erzählerisch einfach, das Smartphone als Schuldigen zu identifizieren. Aber wenn die Lernumgebung selbst aus dem Lot ist – Klassengrößen, Lehrermangel, pädagogische Strukturen, der Stress nach den Pandemiejahren – dann ist das Smartphone vielleicht nicht die Ursache, sondern die sichtbarste von vielen Begleiterscheinungen einer komplexeren Krise.

Diese beiden Gespräche illustrieren, glaube ich, ziemlich präzise das Problem der aktuellen Debatte. In beiden Gesprächen waren aufmerksame, gebildete, in ihren Berufen kompetente Menschen. Beide kommen zu der Schlussfolgerung, dass weitreichende Regulierungen jetzt geboten seien. Beide kommen auf unterschiedlichen Wegen dorthin, die einen über das berufliche Vorsorge-Ethos, der andere über die mediale Vermittlung eines vermeintlichen wissenschaftlichen Konsenses. Und in beiden Fällen lohnt sich der Schritt zurück: Was sagt die Evidenz wirklich? Was kostet die Intervention an Freiheitsrechten? Und wie sind wir eigentlich an diesen Punkt gekommen?

Jetzt abonnieren

Eine Welle ohne klaren Kurs

Seit dem 10. Dezember 2025 dürfen in Australien Kinder und Jugendliche unter 16 Jahren keine eigenen Konten mehr auf den großen Social-Media-Plattformen besitzen. Innerhalb weniger Tage wurden rund 4,7 Millionen Accounts deaktiviert – bei etwa 2,5 Millionen 8- bis 15-Jährigen im Land. Eine erste Evaluation der australischen Aufsichtsbehörde eSafety ergab allerdings: Etwa 70 Prozent der ursprünglichen jugendlichen Nutzer sind weiterhin auf TikTok, Instagram und Snapchat aktiv. Die Jugendlichen geben bei der Registrierung einfach ein anderes Alter an, nutzen VPNs oder tricksen die Gesichtsverifikation mit geschminktem Gesicht oder Fotos anderer Personen aus.

Trotz dieser ernüchternden Zwischenbilanz hat die australische Initiative eine internationale Welle ausgelöst. Dänemark, Großbritannien, Frankreich und Spanien haben angekündigt, ähnliche Regelungen zu prüfen. Griechenland plant 2027 ein Verbot für unter 15-Jährige und will es als EU-weites „digitales Mündigkeitsalter” durchsetzen. In Deutschland forderte die SPD im Februar 2026 in einem Impulspapier ein vollständiges Social-Media-Verbot für unter 14-Jährige, und der CDU-Bundesparteitag nahm im selben Monat einen Antrag an, der die Bundesregierung zu einer gesetzlichen Altersgrenze von 14 Jahren auffordert.

Die politische Geschwindigkeit ist bemerkenswert. Noch bemerkenswerter ist die Einigkeit, mit der die Maßnahmen als wissenschaftlich fundiert dargestellt werden. Es lohnt sich, genauer hinzuschauen.

Zwei Regulierungsphilosophien

Regulierung in Gesundheits- und Gesellschaftsfragen folgt grob zwei Logiken. Die evidenzbasierte Regulierung setzt voraus, dass belastbare wissenschaftliche Daten einen Schaden belegen, bevor eingegriffen wird – das klassische Modell der Arzneimittelzulassung, der Chemikaliensicherheit oder des Straßenverkehrsrechts. Die präventive Regulierung akzeptiert, dass bei unsicherer Evidenzlage trotzdem gehandelt werden kann oder muss, wenn mögliche Schäden groß und potenziell irreversibel sind. Das Vorsorgeprinzip des europäischen Umweltrechts ist dafür das Paradebeispiel.

Beide Ansätze sind grundsätzlich legitim. Beide haben ihre Berechtigung. Aber sie stellen unterschiedliche Anforderungen an die Begründung. Wer evidenzbasiert argumentiert, muss die Evidenz auch ehrlich darstellen, einschließlich ihrer Schwächen und Widersprüche. Wer präventiv argumentiert, muss offen die Güterabwägung vornehmen: Welche Rechte werden eingeschränkt, welche Schäden drohen, welche Nebenwirkungen hat der Eingriff selbst?

Die aktuelle Debatte um Social-Media-Verbote für Jugendliche hat ein Problem: Sie vermischt beide Logiken, ohne die Schwächen einer der beiden offen zu benennen. Sie nutzt die emotionale Wucht des Präventionsarguments („Kinderschutz!”) und gleichzeitig die rhetorische Autorität der Wissenschaft („die Studien zeigen...”). Das Ergebnis ist eine Regulierung, die weder sauber präventiv noch sauber evidenzbasiert begründet wird, aber maximalen Druck aufbaut.

Wie stark ist die Evidenz wirklich?

Die öffentliche Debatte wird maßgeblich von einem Buch geprägt, auch wenn dies im deutschsprachigen Raum in meiner Beobachtung kaum bekannt ist (dazu mehr unten): Jonathan Haidts The Anxious Generation (2024). Haidts These: Ein „Great Rewiring” der Kindheit durch Smartphones und Social Media ist die Hauptursache des Anstiegs psychischer Probleme bei Jugendlichen seit etwa 2012. Das Buch ist zu einem internationalen Bestseller geworden und prägt die politische Diskussion bis ins Detail.

Haidt hat keine klassische Meta-Analyse vorgelegt, sondern ein sogenanntes „Collaborative Review”, ein offen zugängliches Google-Dokument, in dem er gemeinsam mit Jean Twenge und Zach Rausch Studien sammelt und kommentiert. Das hat methodische Implikationen: Anders als bei einer präregistrierten Meta-Analyse sind die Einschluss- und Gewichtungsentscheidungen nicht transparent definiert, die Auswahl ist kuratiert, und die Gesamtschätzung des Effekts ergibt sich nicht aus einem formalen statistischen Verfahren, sondern aus der Gesamtwürdigung der Autoren.

Wenn man sich die quantitativen Angaben ansieht, die Haidt selbst macht, wird das Bild interessant: Für die Korrelation zwischen Social-Media-Nutzung und psychischen Problemen („Internalizing disorders”) bei Mädchen gibt er einen Wert von etwa r = 0,17 an. Das ist eine schwache Korrelation – sie erklärt rund 3 Prozent der Varianz. Bei Jungen ist der Wert noch niedriger. Für eine der angeblich dramatischsten Jugendkrisen der letzten Jahrzehnte ist das ein erstaunlich kleiner Effekt.

Die unabhängige Forschung findet noch deutlich kleinere Werte. Amy Orben und Andrew Przybylski haben in einer einflussreichen Studie 2019 (PNAS) eine Methode namens Specification Curve Analysis auf drei große repräsentative Datensätze mit insgesamt über 350.000 Teilnehmern angewandt. Das Verfahren prüft systematisch, wie sich Ergebnisse über alle plausiblen analytischen Entscheidungen hinweg verhalten – ein transparenter Umgang mit dem berüchtigten „Garten der sich verzweigenden Pfade”. Ihr Ergebnis: Digitale Mediennutzung erklärt etwa 0,4 Prozent der Varianz im Wohlbefinden von Jugendlichen. Zum Vergleich: Kartoffelkonsum erklärt einen ähnlich großen Anteil. Das Tragen einer Brille wirkt stärker.

Die Meta-Analyse von Hancock und Kollegen (2022) umfasste 226 Studien mit 275.728 Teilnehmern. Die durchschnittliche Effektstärke für den Zusammenhang zwischen Social-Media-Nutzung und Wohlbefinden lag bei etwa 0,01 – statistisch kaum von null zu unterscheiden. Kleine negative Effekte für einige Outcomes wurden durch kleine positive Effekte für andere aufgewogen.

Patti Valkenburg und ihr Team haben in einem „Umbrella Review” (Review von Reviews) 25 Übersichtsarbeiten ausgewertet. Ihr Fazit: Die meisten Reviews kommen zu dem Schluss, dass die Zusammenhänge zwischen Social-Media-Nutzung und psychischer Gesundheit „schwach” oder „inkonsistent” sind. Nur eine Minderheit spricht von „substanziellen” oder „schädlichen” Effekten. Ein aktuelles Umbrella Review von Tølbøll (2026) bestätigt diese Einschätzung und weist zusätzlich darauf hin, dass viele Studien statistisch unterpowered sind, um selbst kleine Effekte zuverlässig zu detektieren.

Christopher Ferguson hat 2024/2025 eine Meta-Analyse ausschließlich der experimentellen Studien zu Social-Media-Restriktion veröffentlicht. Das ist methodisch der Goldstandard für Kausalitätsfragen, weil nur randomisierte Interventionsstudien Ursache und Wirkung sauber trennen können. Sein Ergebnis: Die durchschnittliche Effektstärke von Social-Media-Reduktion auf das subjektive Wohlbefinden ist nicht signifikant von null verschieden. Wohlgemerkt: Es geht hier um Studien, in denen gezielt versucht wurde, durch Reduktion der Nutzung eine Verbesserung herbeizuführen.

An Fergusons Meta-Analyse hat sich eine instruktive wissenschaftliche Auseinandersetzung entzündet. Zach Rausch und Jonathan Haidt haben in mehreren Blog-Posts auf Haidts Substack-Plattform „After Babel” eine eigene Re-Analyse der Ferguson-Daten vorgenommen und argumentiert, bei korrekter Auswertung zeige sich sehr wohl ein Effekt. Bemerkenswert daran ist das Format: Die Re-Analyse wurde nicht als peer-reviewed Publikation eingereicht, sondern als Blog-Beitrag veröffentlicht – und in dieser Form medial breit rezipiert, oft als ob es sich um eine reguläre wissenschaftliche Arbeit handle. Eine unabhängige methodische Prüfung von Matthew Jané hat im Anschluss an beiden Seiten – Ferguson wie Rausch/Haidt – methodische Kritik geübt und gezeigt, dass die Debatte mit den verwendeten Methoden nicht abschließend zu klären ist.

In diese verfahrene Lage hat Kaitlyn Burnell (University of North Carolina) gemeinsam mit Kolleginnen 2025 eine neue, methodisch sauberere Meta-Analyse vorgelegt, publiziert in SSM – Mental Health nach regulärem Peer-Review. Die Burnell-Analyse beschränkt sich strikt auf randomisierte kontrollierte Studien – also den Goldstandard kausaler Inferenz – und schließt explizit nur Studien ein, die soziale Medien (nicht digitale Medien generell) für einen abgrenzbaren Zeitraum beschränkten. 32 Studien mit insgesamt 5.544 Teilnehmenden und 91 Effektstärken gingen in die Analyse ein. Das Ergebnis: Social-Media-Restriktion verbessert das subjektive Wohlbefinden statistisch signifikant – aber mit einer Effektstärke von Hedges’ g = 0,17. Das liegt unterhalb der von Ferguson selbst vorgeschlagenen Schwelle für praktische Bedeutsamkeit (g = 0,21 bis 0,41). Die Effekte variierten zudem stark zwischen den einzelnen Outcomes: signifikant bei Depressivität, Angst, Stress, Selbstwertgefühl und mentalem Wohlbefinden – nicht signifikant bei Lebenszufriedenheit, Einsamkeit, Glück, positivem und negativem Affekt. Eine Moderation durch Geschlecht, Alter, Interventionsart (Reduktion vs. Abstinenz) oder Interventionsdauer fand sich überwiegend nicht.

Die Burnell-Studie ist damit der bislang sauberste Schiedsspruch in der Ferguson/Rausch-Haidt-Debatte – und das Ergebnis liegt zwischen den beiden Lagern, neigt aber stärker zu Ferguson: Es gibt einen Effekt, aber er ist so klein, dass er die starken politischen Schlüsse, die in der öffentlichen Debatte gezogen werden, nicht trägt. Burnell und Kolleginnen formulieren in ihrem Diskussionsteil bemerkenswert deutlich, dass „Aufrufe zur pauschalen Reduktion sozialer Mediennutzung möglicherweise von gezielteren Maßnahmen ablenken, die spezifischere Ursachen psychischer Belastung adressieren” – und sie warnen explizit vor pauschalen Verboten, die für vulnerable Gruppen wie LGBTQ+-Jugendliche schädliche Folgen haben können.

Marco Thimm-Kaiser und Katherine Keyes von der Columbia University haben in einem Kommentar zur Burnell-Studie auf einen Punkt hingewiesen, der für die aktuelle Regulierungsdebatte besonders relevant ist: Keine einzige der 32 RCTs hatte Kinder oder Jugendliche im Sample, denn die Durchschnittsalter lagen bei 23 Jahren, oft waren es “nur” Studierende. Kaum eine Studie untersuchte gezielt Personen mit psychischen Vorerkrankungen. Die meisten Teilnehmenden hatten zu Studienbeginn nur moderate Nutzungsmuster (in 58 Prozent der Studien lag die Baseline-Nutzung bei zwei Stunden täglich oder weniger), und die Studienteilnehmer waren überwiegend selbstselektiert: Menschen, die ohnehin motiviert waren, ihre Nutzung zu reduzieren. Die meisten Interventionen dauerten nur ein bis zwei Wochen. Mit anderen Worten: Die methodisch sauberste vorhandene Evidenz stammt aus kurzen Studien an erwachsenen, moderat nutzenden, motivierten Studierenden – also genau nicht aus der Population, für die in Australien, Griechenland oder Deutschland nun Verbote diskutiert oder eingeführt werden. Wir wissen schlicht nicht, ob die ohnehin schon kleinen Effekte sich auf 13-jährige Heavy User, isolierte LGBTQ+-Jugendliche oder Jugendliche mit Vorerkrankungen übertragen lassen – in irgendeine Richtung.

Wenn man genau hinschaut: Schulhandyverbote unter dem Mikroskop

Eine besonders aufschlussreiche Studie zur konkreten Wirkung von Schulhandyverboten haben Hunt Allcott, E. Jason Baron, Thomas Dee, Angela L. Duckworth, Matthew Gentzkow und Brian Jacob im April 2026 als NBER Working Paper (Nr. 35132) vorgelegt. Die Autorenliste ist bemerkenswert: Allcott und Gentzkow haben mit ihren früheren Arbeiten zur Wohlfahrtswirkung von Social Media (etwa der vielzitierten American Economic Review-Studie von 2020) bereits zu den methodisch saubersten Beiträgen der gesamten Debatte gehört. Auch hier ist die Studie noch nicht peer-reviewed – aber methodisch ist sie das, was sich Wissenschaftspolitik wünschen würde, wenn sie evidenzbasiert entscheiden wollte.

Die Methodik: Die Autoren werten die Einführung sogenannter Yondr-Pouches aus, das sind magnetisch verschließbare Stoffbeutel, in die Schüler ihre Telefone zu Schulbeginn legen müssen und die erst nach Schulschluss wieder geöffnet werden können. Anders als beim australischen Social-Media-Verbot ist das eine Intervention, die in der Praxis tatsächlich greift: Die Telefone bleiben physisch unzugänglich. Die Studie nutzt einen Staggered-Difference-in-Differences-Ansatz und damit das aktuelle methodische Beste, was Beobachtungsstudien für kausale Inferenz aufbieten können und kombiniert mehrere unabhängige Datenquellen: GPS-basierte Aktivitätsmessungen von Telefonen während der Schulzeit (also nicht Selbstauskunft, sondern objektive Verhaltensdaten), administrative Schuldaten zu standardisierten Tests, Anwesenheit und Disziplinarvorfällen, validierte Schülerumfragen zu Wohlbefinden und wahrgenommenem Cybermobbing, sowie eigene neue Lehrerumfragen. Das alles bei einer Stichprobe von Schulen aus den gesamten USA – fast 5.000 Schulen nutzen mittlerweile diese Pouches. Und das Ganze präregistriert mit öffentlich einsehbarem Pre-Analysis-Plan auf OSF. Es ist schwer, sich eine methodisch sauberere Evaluation einer realen Intervention vorzustellen.

Die Befunde sind differenziert und genau deshalb so wertvoll. Erstens: Die Pouches reduzieren die Telefonnutzung tatsächlich substantiell. Die GPS-Pings auf Schulgeländen sinken im dritten Jahr nach Einführung um etwa 30 Prozent (ein konservativer Untergrenzen-Schätzer, da auch Erwachsene und nicht aktiv genutzte Telefone gepingt werden), und der Anteil der Schüler, die laut Lehrerangaben in der Klasse private Telefonnutzung zeigen, sinkt von 61 auf 13 Prozent. Eine Intervention, die wirkt – das unterscheidet die Pouches deutlich vom australischen Modell, wo die Mehrheit der Jugendlichen das Verbot umgeht.

Zweitens, und das ist der entscheidende Befund: Auch wenn die Telefonnutzung sinkt, bleiben die nachgelagerten Effekte hinter den Erwartungen zurück. Auf standardisierte Testergebnisse haben die Pouches im Durchschnitt der ersten drei Jahre nahezu keinen Effekt, die Autoren können Verbesserungen oberhalb von etwa 0,008 Standardabweichungen statistisch ausschließen. Das ist keine Frage statistischer Power: Die Konfidenzintervalle sind eng. Bei genauerer Betrachtung verbergen sich hinter dem Nulleffekt sogar gegenläufige Bewegungen: In High Schools finden sich kleine positive Effekte besonders in Mathematik (etwa 0,024 Standardabweichungen, entsprechend rund 0,9 Perzentilpunkten), in Middle Schools dagegen kleine negative Effekte. Auf Schulanwesenheit, selbstberichtete Aufmerksamkeit im Unterricht und wahrgenommenes Cybermobbing finden die Autoren ebenfalls keine substanziellen Effekte. Insbesondere der Befund zum Cybermobbing ist politisch relevant: Eine der zentralen Begründungen für solche Verbote, dass sie Schüler vor digitalen Übergriffen schützen, wird empirisch nicht gestützt.

Drittens zeigt die Studie eine bemerkenswerte zeitliche Dynamik. Im ersten Jahr der Einführung steigen Disziplinarvorfälle (Suspendierungen erhöhen sich um etwa 16 Prozent) und das selbstberichtete Wohlbefinden der Schüler sinkt um rund 0,2 Standardabweichungen, ein wesentlicher größerer Wert. Erst in den Folgejahren verblassen diese negativen Effekte, und das Wohlbefinden steigt um etwa 0,16 Standardabweichungen. Die Autoren interpretieren das als Anpassungsprozess: Wenn man eine etablierte soziale Praxis abrupt unterbricht, entstehen kurzfristige Verwerfungen, die mit der Zeit absorbiert werden. Das ist eine wichtige Differenzierung gegenüber der einfachen Logik „Telefon weg gleich Wohlbefinden hoch”. Es zeigt auch, wie wichtig längere Beobachtungszeiträume für die Bewertung solcher Interventionen sind. Studien, die nur das erste Jahr betrachten, würden hier ein deutlich negativeres Bild zeichnen, als der mittelfristige Befund rechtfertigt.

Was bedeutet das für unsere Argumentation? Die Allcott-Studie ist nicht die simplistische Geschichte „Verbote bringen nichts”. Sie ist die ehrlichere Geschichte: Verbote bewirken etwas, aber nicht das, was die politische Rhetorik verspricht. Auch eine Intervention, die in der Praxis tatsächlich umgesetzt wird, die methodisch sauberste verfügbare Evaluation erfährt, und die in einer mittleren Frist sogar leichte Wohlbefindenseffekte zeigt, auch eine solche Intervention liefert keine substanziellen Verbesserungen bei den zentralen Outcomes, mit denen sie politisch begründet wird. Akademische Leistung, Aufmerksamkeit, Mobbingreduktion: Die Effekte liegen nahe null oder sind bestenfalls gering. Das ist ein nuancierter Befund, der weder die Verbots-Befürworter noch die Gegner vollständig bestätigt, aber er passt in das Gesamtbild dieser Debatte: Effektstärken, die deutlich kleiner sind als die politische und mediale Rhetorik nahelegen, und eine Intervention, die das eigentliche Versprechen nicht einlösen kann. Wer eine messbare Verbesserung der Lernergebnisse, eine Reduktion von Mobbing oder eine durchgreifende Verbesserung der psychischen Gesundheit erwartet, muss seine Erwartungen nach unten korrigieren, auch dann, wenn das Verbot funktioniert.

Wenn der Mechanismus fehlt

Eine andere Vertiefung der Debatte fragt nicht mehr nach der Größe des Effekts, sondern nach der Existenz des postulierten Mechanismus selbst. Die Rede von der „Social-Media-Sucht” stützt sich rhetorisch auf eine Analogie zur Substanzabhängigkeit: Likes lösen Dopaminausschüttungen aus, das Belohnungssystem wird sensibilisiert, Jugendliche entwickeln Toleranz und Entzugserscheinungen, der Konsum wird zwanghaft. Diese Geschichte ist in der populären Berichterstattung allgegenwärtig, die im Ferguson-Artikel zitierte Forderung, „Kinder von süchtig machenden Geräten zu lösen und die Dopamin-Feedback-Schleife zu durchbrechen”, illustriert es exemplarisch. Aber stimmt die Analogie auch neurobiologisch?

Eine kürzlich als Preprint veröffentlichte Studie aus der Forschungsgruppe um Amy Orben und Camilla Nord an der Universität Cambridge (Gunschera et al., 2026) hat genau das experimentell geprüft. Die methodische Qualität der Arbeit ist bemerkenswert: zwei präregistrierte Experimente mit insgesamt 330 Teilnehmenden, computationales Modelling von Effort-based Decision-Making, Bayesian-Analysen, Vergleich von TikTok mit Netflix als aktive Kontrollbedingung sowie Kontrastgruppen aus Personen mit und ohne selbstberichtete „TikTok-Sucht”. Die Studie testet drei klassische neurokognitive Signaturen etablierter Süchte: erhöhtes „Wanting” für die süchtig machende Belohnung, Dissoziation zwischen „Wanting” und „Liking” gemäß der Incentive-Sensitisation-Theorie, sowie Insensitivität gegenüber Devaluation der Belohnung.

Die Ergebnisse sind konsistent: Über alle drei Tests hinweg findet sich keine der Sucht-typischen Signaturen. Die Motivation, sich für TikTok-Belohnungen anzustrengen, unterscheidet sich nicht von jener für Netflix-Belohnungen. Sie ist auch nicht erhöht bei Personen, die sich selbst als TikTok-süchtig bezeichnen. Eine Wanting-Liking-Dissoziation für TikTok existiert zwar, aber sie verläuft genau invers zur Theorievorhersage: Nicht das Wanting ist erhöht, sondern das Liking ist niedriger. Die Devaluationsmanipulation reduzierte zwar das subjektive Vergnügen, veränderte aber das motivierte Verhalten nicht und auch hier zeigten die selbstberichtet Süchtigen keine erhöhte Insensitivität, sondern wenn überhaupt eine größere Sensitivität gegenüber der Wertminderung. Besonders bemerkenswert: Keiner der neurokognitiven Marker korrelierte mit der Bergen Social Media Addiction Scale, dem mit über 3.000 Zitationen meistgenutzten Messinstrument für „Social-Media-Sucht”. Das wirft eine fundamentale Konstruktvaliditätsfrage auf: Misst die Skala überhaupt das, was sie zu messen vorgibt?

Diese Studie ist noch nicht peer-reviewed, und ihre Befunde sollten entsprechend vorsichtig eingeordnet werden. Replikationen werden zeigen müssen, wie robust die Ergebnisse sind. Trotzdem ist der Befund gerade methodologisch instruktiv: Eine präregistrierte, mechanistisch fundierte, computational sauber implementierte Studie findet bei einer der angeblich „suchterzeugendsten” Plattformen keine der theoretisch postulierten neurokognitiven Sucht-Signaturen, während die populäre Debatte mit hoher Selbstverständlichkeit genau diese Signaturen unterstellt. Die Autoren selbst formulieren zurückhaltend, dass dies die Konzeptualisierung problematischer Social-Media-Nutzung als „neurobiologisch analog zu etablierten Süchten” in Frage stelle. Die politischen Konsequenzen wären erheblich: Wenn problematische Social-Media-Nutzung kein Sucht-Phänomen im klassischen Sinn ist, sind Interventionen, die wie bei der Substanzabhängigkeit auf Abstinenz und Zugangsverbot setzen, möglicherweise theoretisch fehlausgerichtet.

Der Odgers-Haidt-Streit und die Asymmetrie des Diskurses

Die Entwicklungspsychologin Candice Odgers hat Haidts Buch in Nature (2024) einer scharfen Kritik unterzogen. Ihr Kernargument: Haidts Buch präsentiert eine Kausalgeschichte, die die Evidenz nicht trägt. Zeitlich parallele Anstiege von Smartphone-Nutzung und Jugend-Depression beweisen keine Kausalität, dabei handelt es sich um einen der ältesten Grundsätze empirischer Forschung. Mehrere Meta-Analysen und systematische Reviews kommen zu übereinstimmenden Befunden: schwache, gemischte oder gar keine Zusammenhänge. Wo längsschnittliche Daten existieren, weisen sie eher darauf hin, dass Jugendliche mit psychischen Problemen mehr Zeit in sozialen Medien verbringen und nicht, dass soziale Medien psychische Probleme verursachen.

Haidt hat ausführlich widersprochen, unter Verweis auf sein Collaborative Review und experimentelle Studien, die Effekte zeigen. Die Qualität dieser Studien ist allerdings Gegenstand intensiver methodischer Kritik: kleine Stichproben, kurze Nachbeobachtungszeiträume, problematische Kontrollgruppen, hohe Variabilität der Interventionen. Auch Herausgeber Holden Thorp hat öffentlich festgestellt, dass Haidt selbst einräumt, der Wissenschaft vorauszueilen – gleichzeitig aber wenig tut, um dies in der öffentlichen Kommunikation deutlich zu machen.

Bemerkenswert ist: Auch die kritischen Forscherinnen, Odgers, Orben, Valkenburg, bestreiten nicht, dass es Probleme gibt. Sie bestreiten die kausale Attribution auf die Hauptursache und die Größenordnung des Effekts. Das ist ein entscheidender Unterschied, der in der öffentlichen Debatte selten sauber gemacht wird. „Die Forschung zeigt, dass Social Media schadet” wird zur Kurzformel, die der tatsächlichen Evidenzlage nicht gerecht wird.

Was bedeuten so kleine Effekte?

Ein ehrlicher Umgang mit Effektstärken ist in dieser Debatte zentral. Eine Korrelation von r = 0,05 oder r = 0,10 ist statistisch bei großen Stichproben signifikant, praktisch aber fast bedeutungslos. Solche Effekte werden überdies stark von Confounding-Variablen, Messfehlern und heterogenen Subgruppen beeinflusst.

Hinzu kommt ein wichtiges Ergebnis der neueren Forschung: Die Effekte sind nicht nur klein, sie sind auch heterogen. Ine Beyens und Kolleginnen haben in Experience-Sampling-Studien gezeigt, dass die hypothetisierten negativen Effekte passiver Nutzung nur für etwa 10 Prozent der Jugendlichen zutreffen. Für etwa 12 Prozent hat Social-Media-Nutzung sogar positive Effekte auf das Wohlbefinden. Die Mehrheit zeigt keine klaren Effekte in eine Richtung. Das bedeutet: Eine Pauschal-Regulierung, die alle über einen Kamm schert, trifft eine Minderheit mit negativen Erfahrungen zielgenau, eine andere Minderheit mit positiven Erfahrungen aber auch und die Mehrheit gar nicht sinnvoll.

Besonders relevant ist das für vulnerable Gruppen. Jugendliche mit sozialer Angst, chronischen Erkrankungen, LGBTQ+-Jugendliche in feindseligen Umgebungen oder geographisch isolierte Jugendliche finden in sozialen Medien oft die einzigen zugänglichen Gleichgesinnten und Unterstützungsnetzwerke. Die Autoren einer 2023 (Maftei, A., Merlici, I.-A., & Dănilă, O.) publizierten Studie fassten zusammen: Social-Media-Nutzung sagte in ihrer Stichprobe das Wohlbefinden von Jugendlichen positiv vorher. Während der Pandemie-Lockdowns wurde Social Media in Medien und Forschung mehrheitlich als „Lifeline” beschrieben und das Narrativ hat sich seither um 180 Grad gedreht, ohne dass sich die Evidenz entsprechend verändert hätte.

Die unausgesprochene Güterabwägung

Wenn die Evidenz also eher für schwache, heterogene und teils gegenläufige Effekte spricht, stellt sich die Frage: Auf welcher Grundlage rechtfertigen Staaten dann weitreichende Eingriffe in die Kommunikations- und Informationsfreiheit einer ganzen Alterskohorte?

An dieser Stelle kommt das Präventionsargument ins Spiel – und es ist grundsätzlich diskutabel. Es gibt Situationen, in denen Gesellschaften auch bei unsicherer Evidenz handeln sollten, insbesondere wenn mögliche Schäden groß, irreversibel oder kumulativ sind. Jugendschutz ist traditionell ein Bereich, in dem die Hürden für staatliches Eingreifen niedriger liegen als bei Erwachsenen, zu Recht, denn Kinder und Jugendliche können Risiken nicht im gleichen Umfang einschätzen und ihre Entscheidungen haben langfristige Konsequenzen.

Aber genau weil die Hürden niedriger sind, müsste die Abwägung expliziter gemacht werden, nicht weniger explizit. Dazu gehörten mindestens drei Überlegungen:

Erstens: Kinder und Jugendliche haben nach der UN-Kinderrechtskonvention ein Recht auf Information, Meinungsäußerung und Teilhabe, auch digital. Der Medienrechtler Stephan Dreyer hat in einem Interview mit netzpolitik.org darauf hingewiesen, dass ein pauschales Verbot nicht nur Risiken reduziert, sondern auch Schutzmechanismen beseitigt, die auf altersangepasste Ansprache, Moderation und Präventionsangebote aufbauen. Jugendschutz, der nur aus Zugangssperren besteht, ist kein guter Jugendschutz.

Zweitens: Das Vorsorgeprinzip verlangt, auch die Risiken des Eingriffs selbst mitzudenken. Ein Verbot schneidet genau jene Jugendlichen von Unterstützungsnetzwerken ab, für die diese Netzwerke am wichtigsten sind. Es verlagert ihre Aktivitäten auf weniger regulierte, weniger sichtbare Plattformen. Die australische Erfahrung zeigt: Wer umgehen will, umgeht. Wer reguliert wird, sind in der Praxis vor allem die weniger technikaffinen und weniger risikobereiten Jugendlichen – nicht diejenigen, die sich ohnehin in problematische Räume bewegen.

Drittens: Die Frage der Beweislast. In der Arzneimittelzulassung verlangen wir saubere randomisierte Studien mit präregistrierten Hypothesen, bevor ein Medikament auf den Markt kommt. Bei bevölkerungsweiten Verhaltenseingriffen gegen Minderjährige genügen plötzlich korrelative Trendstudien, die nicht einmal die Grundlagen kausaler Inferenz erfüllen. Diese Asymmetrie ist erklärungsbedürftig.

Das Goodhart-Problem und die politische Ökonomie schneller Lösungen

Ein weiterer Aspekt, der in der Debatte untergeht: Wenn ein Verbot massenhaft umgangen wird, reguliert es nicht das Verhalten, sondern den Messwert. Die australischen Daten sind hier illustrativ. Millionen Accounts wurden gelöscht, aber die tatsächliche Nutzung hat sich nur marginal verändert. Was sich geändert hat, ist die *Messbarkeit* der Nutzung. Was sich nicht geändert hat, ist die Nutzung selbst. Der Lehrer Chris Bush, der in einem Interview mit dem Deutschen Schulportal aus Australien berichtet, beschreibt es nüchtern: Die Jugendlichen nutzen Social Media zu Hause weitgehend wie vorher. Nur auf den offiziellen Accounts sind sie nicht mehr sichtbar.

Das ist ein klassisches Goodhart-Phänomen: Sobald ein Indikator zum Ziel wird, verliert er seine Eigenschaft als valider Messwert. Eine Evaluation in drei Jahren wird vermutlich zeigen, dass die Zahl jugendlicher Accounts deutlich gesunken ist – und das wird als Erfolg verkauft werden, unabhängig davon, wie sich die tatsächliche Nutzung oder gar die psychische Gesundheit entwickelt hat.

Hier wird die politische Attraktivität solcher Maßnahmen deutlich. Ein Social-Media-Verbot ist eine tangible, sichtbare, kommunikativ dankbare Intervention. Die strukturellen Probleme, die nach allem, was wir wissen, stärker zur Jugendkrise beitragen, z.B. Leistungsdruck, fragmentierte Familien, ökonomische Unsicherheit, unterfinanzierte Schulpsychologie, die Nachwirkungen der Pandemie, sind teuer, politisch unbequem und langfristig. Wie der Forscher Peter Gray es formuliert: „Social Media bietet einen bequemen Sündenbock. Wenn wir akzeptieren, dass Bildschirmzeit nicht der Hauptverursacher der mentalen Gesundheitskrise ist, sind wir gezwungen, uns viel härteren, strukturellen Problemen zuzuwenden.” Qiqi Cheng von der Universität Manchester, die kürzlich eine große Längsschnittstudie mit 25.000 britischen Jugendlichen publizierte, hat es ähnlich formuliert: Die Korrelation ist sichtbar aber der fehlende kausale Zusammenhang ist unsichtbar. Und intuitive Muster schlagen Daten.

Wir hatten das schon mal: Killerspiele, Schach und das Muster der moralischen Panik

Ein Schritt zurück lohnt sich. Die Geschichte der Sorgen um „neue Medien, die unsere Jugend ruinieren” ist deutlich länger, als die aktuelle Debatte vermuten lässt und das Muster ähnelt sich auf eine fast unbehagliche Weise.

In den frühen 2000er Jahren beherrschten in Deutschland die sogenannten Killerspiele die Debatte. Nach den Amokläufen von Erfurt und später Winnenden wurden gewalthaltige Computerspiele als zentrale Ursache jugendlicher Gewaltbereitschaft identifiziert, prominente Politiker forderten Verbote, einschlägige Studien wurden in den Medien als Beleg präsentiert, und es entstand der breite Eindruck eines wissenschaftlichen Konsenses: Wer schießt, wird schießen. Ich habe diese Debatte als Jugendlicher und junger Erwachsener miterlebt, der auf LAN-Partys Counterstrike und Unreal Tournament gespielt hat, und ich erinnere mich vor allem daran, wie eklatant die Diskrepanz zwischen der medialen Erzählung und der gelebten Realität war. Die Spielenden, die ich kannte, waren keine Gewalttäter in spe. Sie waren Jugendliche, die nach der Schule mit ihren Freunden vor dem Computer saßen, sich Headshot-Statistiken um die Ohren warfen und am Ende des Abends gemeinsam Pizza bestellten. Die wissenschaftliche Aufarbeitung der folgenden Jahre hat das im Wesentlichen bestätigt: Die postulierten kausalen Effekte sind, wenn überhaupt vorhanden, sehr klein, hochgradig kontextabhängig und keineswegs der dominante Erklärungsfaktor für jugendliche Gewalt. Bezeichnenderweise gehört Christopher Ferguson, der weiter oben in diesem Artikel als prominenter Kritiker der Social-Media-Sucht-Erzählung auftaucht, auch zu den führenden Stimmen, die die Killerspiele-Hypothese empirisch demontiert haben. Das Muster ist dasselbe: kleine Effektstärken, mediale Aufladung zu einer großen Kausalgeschichte, politischer Handlungsdruck.

Wer noch tiefer in der Geschichte gräbt, findet das Muster wiederkehrend. Im Juli 1859 publizierte Scientific American einen Artikel mit dem Titel „Chess-Playing Excitement”, in dem das Schachspiel als ernsthafte Gefahr für die Entwicklung junger Menschen beschrieben wurde – als „pernicious excitement”, die sich in Vereinen und Clubs ausbreite und Kinder „of very inferior character” anziehe. Schach, hieß es dort, raube der Jugend wertvolle Zeit, ohne körperlichen Nutzen zu stiften, und behindere die Entwicklung „edlerer” geistiger Fähigkeiten. Aus heutiger Sicht klingt das absurd; Schach ist mittlerweile das Sinnbild der Konzentrationsförderung und intellektuellen Disziplin. Aber 1859 war es eine neue, sich rasch ausbreitende Aktivität, die Erwachsene mit Sorge betrachteten. Vor dem Schach trafen ähnliche Sorgen Romane und „Penny Dreadfuls”, später dann das Kino, den Fernseher, die Comics, den Walkman, das Internet, Computerspiele und nun eben Smartphones und soziale Medien.

Das ist kein Argument dafür, dass alle gegenwärtigen Sorgen unbegründet sind. Es ist ein Argument für intellektuelle Bescheidenheit. Wir wissen aus der Wissenschaftsgeschichte, dass die jeweils neue Technologie, die jugendliche Aufmerksamkeit absorbiert, mit hoher Verlässlichkeit zur vermeintlichen Ursache aller Jugendprobleme erklärt wird. Wir wissen auch, dass diese Diagnosen sich rückblickend mit großer Verlässlichkeit als überzogen erweisen. Das bedeutet nicht automatisch, dass die aktuellen Sorgen falsch sind, aber es bedeutet, dass die Beweislast für die kausale Geschichte hoch sein sollte, gerade weil unsere intuitive Plausibilitätseinschätzung in dieser Frage historisch eine schlechte Erfolgsbilanz hat. Die Versuchung, in der jeweils sichtbarsten neuen Praxis junger Menschen die Erklärung für komplexe gesellschaftliche Veränderungen zu sehen, ist ein wiederkehrender kognitiver Reflex. Er war beim Schach falsch. Er war bei Killerspielen falsch. Bei Smartphones und sozialen Medien könnte er ebenfalls falsch sein und die empirische Evidenz spricht zumindest deutlich gegen die starke Version dieser Erzählung.

Was eine ehrliche Debatte verlangen würde

Die eigentliche Forderung an die Politik wäre nicht, gar nicht zu regulieren. Es wäre, ehrlich zu regulieren. Das hieße:

Wer präventiv regulieren will, sollte das offen sagen und die Güterabwägung explizit vornehmen. Das bedeutet: klare Benennung der eingeschränkten Rechte, transparente Darstellung der Evidenzlage einschließlich ihrer Unsicherheiten, Evaluation der Nebenwirkungen auf vulnerable Gruppen, und Sunset-Klauseln, die nach definierten Zeiträumen eine Wirksamkeitsprüfung erzwingen.

Wer evidenzbasiert argumentiert, sollte die Evidenz korrekt darstellen – einschließlich der schwachen Effektstärken, der heterogenen Befunde und der kritischen Meta-Analysen. Es ist intellektuell nicht redlich, eine korrelative Zahl von r = 0,17 als Beleg für ein „Great Rewiring” der menschlichen Entwicklung zu präsentieren.

Und beide Ansätze sollten anerkennen, dass die eigentlichen Treiber der Jugendkrise – sofern es sie in der behaupteten Größenordnung überhaupt gibt – wahrscheinlich nicht in einer einzelnen Technologie liegen, sondern in einem Geflecht aus schulischen, familiären, ökonomischen und gesellschaftlichen Faktoren. Eine Politik, die sich auf die einfachste sichtbare Variable konzentriert, wird in fünf Jahren feststellen müssen, dass sich wenig geändert hat – außer, dass wir drei Jahre verloren haben, in denen wir hätten ernsthafter nach den tatsächlichen Ursachen suchen können.

Was stattdessen sinnvoll wäre

Bevor dieser Artikel als pauschales Plädoyer gegen jegliche Regulierung gelesen wird, lohnt eine wichtige Differenzierung. Nicht jede Form der Beschränkung ist ein gleich schwerer Eingriff und manche sind tatsächlich gut zu rechtfertigen. Zeitlich begrenzte Handyverbote in Schulen halte ich für eine grundsätzlich sinnvolle und proportionale Maßnahme. Während der Unterrichtszeit haben weder Smartphones noch früher Tamagotchis oder Gameboys etwas verloren. Das ist kein grundsätzlicher Eingriff in die Kommunikationsfreiheit, sondern eine schulische Hausordnung, die den Lern- und Sozialraum schützt. Solche Regeln sind reversibel, lokal anpassbar und betreffen einen klar begrenzten Zeitraum.

Die Allcott-Studie zeigt zwar, dass die erhofften großen Sprünge bei Testleistungen ausbleiben, sie deutet aber durchaus auf eine Reduktion von Unterrichtsstörungen und mittelfristig leichte Verbesserungen beim Wohlbefinden hin, bei gleichzeitig spürbarer Verringerung der tatsächlichen Telefonnutzung im Unterricht. Das ist nicht das Wundermittel, als das es teils verkauft wird. Aber es ist eine Maßnahme, deren Kosten gering, deren Nebenwirkungen überschaubar und deren Reversibilität hoch sind. Ein Schüler, dessen Handy während des Mathematikunterrichts in einer Yondr-Pouch steckt, ist nicht von gesellschaftlicher Teilhabe ausgeschlossen. Eine 14-Jährige, deren Instagram-Account staatlich gelöscht wird, schon eher.

Der entscheidende Unterschied zu bundesweiten Social-Media-Verboten liegt in der Verhältnismäßigkeit und der Präzision. Ein Schulhandyverbot reguliert einen klar definierten Kontext, in dem die Funktion (Lernen, soziale Interaktion mit anwesenden Peers) bekannt und das Smartphone offensichtlich störungsanfällig ist. Ein nationales Social-Media-Verbot dagegen beschneidet die digitale Teilhabe einer ganzen Altersgruppe in allen Lebensbereichen, inklusive jener, in denen soziale Medien für viele Jugendliche tatsächlich Unterstützung, Identitätsbildung und Zugang zu Communities bieten. Die schulische Lösung ist evidenznäher, eingriffsärmer und politisch ehrlicher: Sie verspricht keine Heilung der Jugendkrise, sondern adressiert ein konkretes, lokal beobachtbares Problem mit einem konkreten, lokal evaluierbaren Mittel.

Solche Lösungen verdienen meines Erachtens mehr Aufmerksamkeit, als sie in der gegenwärtigen Verbotsdebatte erhalten. Sie sind kein Ersatz für die Verantwortung von Eltern, Schulen und Plattformen, und sie lösen die strukturellen Probleme nicht, die sich hinter der Smartphone-Frage verbergen. Aber sie sind ein pragmatischer, evidenznäherer Schritt als symbolische Altersgrenzen, die sich per VPN umgehen lassen und deren Wirksamkeit nach allem, was wir bisher wissen, hauptsächlich darin besteht, eine politische Botschaft zu senden.

Ein Lichtblick – und ein Dilemma

Es gibt in dieser Debatte ein hoffnungsvolles Gegenbeispiel zur polithemisch aufgeladenen Verbotslogik. Die vom Bundesbildungsministerium im September 2025 eingesetzte Expertenkommission „Kinder- und Jugendschutz in der digitalen Welt” unter der Leitung des Bildungsforschers Olaf Köller hat am 20. April 2026 ihre Bestandsaufnahme vorgelegt und bewusst darauf verzichtet, vorschnelle Empfehlungen auszusprechen. Die Kommission betont Risiken und Teilhabepotenziale digitaler Medien, beschreibt die Evidenzlage differenziert und warnt explizit vor monokausalen Scheinlösungen. Der Kommissionsvorsitzende Köller brachte es auf eine Formel: „Es ist zu kurz gesprungen, nur über Altersbeschränkungen nachzudenken.” Die Kommission will für ihre Handlungsempfehlungen, die Ende Juni 2026 folgen sollen, ausdrücklich auch die australischen Erfahrungen analysieren, gerade um zu verhindern, dass ein Verbot eingeführt wird, das sich am Ende umgehen lässt.

Das ist bemerkenswert. Hier arbeitet ein Gremium, das einen evidenzbasierten Auftrag bekommen hat und diesen ernst nimmt, einschließlich der unbequemen Erkenntnis, dass einfache Antworten nicht tragen.

Umso interessanter ist der Kontrast zur politischen Aneignung dieser Kommission. Ministerin Prien kommentierte die Bestandsaufnahme mit den Worten, es gebe nun „erstmals eine evidenzbasierte Grundlage” für die Debatte über eine Altersgrenze – und fügte hinzu, sie selbst habe „gewisse Präferenzen” für eine solche Regulierung. „Zehn Jahre lang haben wir Kinder und Jugendliche nicht wirklich geschützt”, sagte sie. Die Kommission selbst hatte diese Schlussfolgerung nicht gezogen. Aus einer differenzierten Bestandsaufnahme wurde binnen Stunden eine Legitimationsgrundlage für eine politische Vorfestlegung.

An dieser Stelle sollte man fair sein. Politische Entscheidungsträger stehen in dieser Frage in einer strukturell schwierigen, wenn nicht unmöglichen Lage. Da ist ein realer gesellschaftlicher Druck: Eltern, Lehrkräfte, Erzieherinnen und Erzieher berichten von Problemen, die sie im Alltag beobachten, und diese Beobachtungen sind nicht zu ignorieren. Da ist eine mediale Berichterstattung, die über Jahre eine bestimmte Kausalgeschichte erzählt hat und in der Öffentlichkeit als wissenschaftlicher Konsens wahrgenommen wird, auch wenn er das nie war. Da sind klar identifizierbare Bösewichte, nämlich große, profitable, amerikanische Tech-Konzerne, deren Geschäftsmodelle zu Recht kritisch hinterfragt werden dürfen. Und da ist eine scheinbar einfache Lösung, die sich erklären, kommunizieren und in Gesetzesform gießen lässt.

In einer Demokratie erzeugt das einen Druck, dem man sich auch mit einer besonnenen Expertenkommission im Rücken kaum entziehen kann. Wer als Politikerin oder Politiker nach einer Bestandsaufnahme sagt: „Die Evidenzlage ist unklar, wir brauchen differenziertere Instrumente, und wir können keine schnellen Ergebnisse versprechen”, der verliert in der öffentlichen Wahrnehmung den Wettbewerb gegen denjenigen, der sagt: „Wir schützen eure Kinder, indem wir TikTok verbieten.”

Aber gerade an dieser Stelle muss der Ball zurückgespielt werden und zwar an die Wissenschaftskommunikation selbst. Dieser öffentliche Druck ist nicht vom Himmel gefallen. Er ist das Ergebnis einer Kommunikation, in der prominente Wissenschaftler und ihre medialen Verstärker seit Jahren eine Gewissheit suggerieren, die die Datenlage nicht hergibt. Jonathan Haidt hat mit The Anxious Generation einen Bestseller vorgelegt, der in der Breite der Rezeption als abschließender wissenschaftlicher Befund gelesen wird, obwohl Haidt selbst gegenüber Holden Thorp eingeräumt hat, dass er „der Wissenschaft vorauseile”. Begleitet wird das Buch von einer Substack-Publikation, von medialen Auftritten, von einer Vortragsreihe, in denen die Unsicherheiten, die Gegenstimmen und die bescheidenen Effektstärken kaum vorkommen. Wenn Nature eine scharfe Rezension von Candice Odgers veröffentlicht, dringt diese in der allgemeinen Wahrnehmung kaum durch. Wenn Meta-Analysen Null-Effekte finden, finden sie keinen Eingang in die Leitartikel. Was ankommt, ist die eindeutige Geschichte von der „großen Umverdrahtung”.

Diese Art der Kommunikation ist in gewisser Weise nachvollziehbar. Wer Probleme sieht, und dass Eltern und Jugendliche reale Sorgen haben, soll hier gar nicht bestritten werden, wird ungeduldig mit den langsamen, vorsichtigen, qualifizierenden Antworten der Forschung. Die Verlockung ist groß, mit der ganzen Autorität des Professorentitels eine klare Geschichte zu erzählen, Handlungsbedarf zu dramatisieren und politische Aufmerksamkeit zu mobilisieren. Man fühlt sich auf der richtigen Seite: Man warnt vor einer realen Bedrohung, man stellt sich gegen mächtige Konzerne, man will Kinder schützen. Dass die eigenen Korrelationen von r = 0,17 dem entgegenstehen, lässt sich als Detail behandeln, das der größeren Wahrheit nicht im Wege stehen soll.

Aber diese Strategie ist nicht folgenlos. Sie erzeugt genau jenen öffentlichen Konsens, der Politikerinnen und Politiker später in die Zwangslage bringt, die oben beschrieben wurde. Sie verschiebt die Beweislast: Nicht mehr die Befürworter einer Regulierung müssen einen Schaden belegen, sondern die Kritikerinnen und Kritiker müssen erklären, warum sie das Offensichtliche bezweifeln. Sie macht aus einer vorläufigen Hypothese einen gefühlten Konsens, aus dem sich dann legitim erscheinende Regulierungen ableiten lassen. Und sie verbaut die Möglichkeit einer ehrlichen Güterabwägung, weil jede Abwägung voraussetzt, dass man die Evidenzstärke beider Seiten korrekt einschätzt.

Die Aufgabe der Wissenschaftskommunikation ist gerade deshalb so wichtig: Sie muss der Politik die Möglichkeit geben, differenzierter zu argumentieren, indem sie der Öffentlichkeit eine differenziertere Evidenzlage zugänglich macht. Solange prominente Stimmen die Unsicherheit übertönen, wird jede Politikerin, die auf diese Unsicherheit hinweist, als Zögerliche oder Industrie-Freundin abgestempelt. Wer in der Öffentlichkeit als Wissenschaftler auftritt und von „Epidemien”, „Rewiring” und „major causes” spricht, wo die Daten bestenfalls schwache Korrelationen hergeben, trägt Verantwortung für die Regulierungen, die auf dieser Grundlage entstehen. Das ist kein Plädoyer für akademische Zurückhaltung um der Zurückhaltung willen. Es ist ein Plädoyer für eine Wissenschaftskommunikation, die so präzise ist wie die Studien, auf die sie sich beruft.

Für die deutsche und europäische Debatte kommt dabei eine zusätzliche Schwierigkeit hinzu, die in den Diskussionen, die ich zu diesem Thema geführt habe, immer wieder auffiel: Fast niemand meiner Gesprächspartner wusste, wer Jonathan Haidt eigentlich ist. Dabei ist er kein beliebiger amerikanischer Psychologe, sondern einer der prominentesten öffentlichen Intellektuellen seines Faches im englischsprachigen Raum, mit Bestsellern, Substack-Plattform, Vortragsreihe und einer eigenen medialen Infrastruktur. Seine Thesen prägen den deutschsprachigen Diskurs erheblich, aber sie kommen hier weitgehend ohne Quellenangabe an. Was als „die Wissenschaft sagt” wahrgenommen wird, ist in vielen Fällen ein konkretes amerikanisches Buch eines konkreten amerikanischen Autors mit einer konkreten, in seiner Fachwelt umstrittenen Position.

Das ist Teil eines größeren Musters. Wir leben kulturell stromabwärts der amerikanischen Debatte: Themen, Frames und Argumente erreichen uns mit Verzögerung, oft in zugespitzter Form, und meist ohne die Gegenstimmen, die im Ursprungskontext längst Teil der Auseinandersetzung sind. Was am amerikanischen Ende ein lebhafter Streit zwischen Haidt einerseits und Forscherinnen wie Candice Odgers, Amy Orben, Andrew Przybylski oder Christopher Ferguson andererseits ist, kommt am deutschen Ende als verfestigter Konsens an. Die kritischen Meta-Analysen, die methodischen Debatten, die Re-Analysen und Gegen-Re-Analysen, die intellektuelle Reibung – all das findet auf dem Weg über den Atlantik kaum statt. Übrig bleibt das einprägsame Schlagwort: „Anxious Generation”, „Great Rewiring”, „Epidemie psychischer Erkrankungen”.

Das hat eine wichtige Konsequenz für die Verantwortung der Vermittlung. Wenn die Quelle eines Diskurses unsichtbar ist, kann sie auch nicht kritisch hinterfragt werden. Eine Süddeutsche-Lesende, die überzeugt ist, die wissenschaftliche Lage sei geklärt, weiß möglicherweise gar nicht, dass dieser Eindruck wesentlich auf einem einzelnen Autor und seiner Plattform beruht und dass dieser Autor in der Fachwelt deutlich kontroverser diskutiert wird, als die deutsche Rezeption vermuten lässt. Sie kennt das Resultat, aber nicht die Auseinandersetzung, aus der es stammt. Das ist keine intellektuelle Verfehlung der Lesenden, das ist eine Aufgabe der Vermittler, die hier oft zu kurz greift. Eine Wissenschaftsberichterstattung, die ihren Namen verdient, müsste nicht nur die Befunde transportieren, sondern auch die Debatte um sie. Solange das nicht geschieht, importieren wir aus dem amerikanischen Diskurs vor allem dessen Lautstärke, nicht seine Pluralität.

Die Expertenkommission hat in diesem Sinne ihre Aufgabe bisher vorbildlich erfüllt. Ob die Politik dieser Differenziertheit gerecht wird, wird sich an den Entscheidungen nach Juni 2026 zeigen – und ob der öffentliche Diskurs sie zulässt, daran, wie viele Stimmen künftig bereit sind, eine komplizierte Geschichte auch kompliziert zu erzählen.

Fazit: Der Mut zur Unsicherheit

Regulierung auf unsicherer Evidenzbasis ist nicht per se falsch. Sie ist manchmal sogar geboten. Aber sie verlangt eine bestimmte intellektuelle Haltung: den Mut, Unsicherheit offen zu benennen, den Respekt vor den Grundrechten der Betroffenen, und die Bereitschaft, das eigene Handeln kritisch zu evaluieren und gegebenenfalls zu korrigieren.

Die aktuelle Welle von Social-Media-Verboten erfüllt diese Anforderungen bisher nur unzureichend. Sie präsentiert sich als wissenschaftlich fundiert, obwohl die wissenschaftliche Grundlage strittig und schwach ist. Sie spricht nicht offen über die Grundrechte, die eingeschränkt werden. Sie blendet Nebenwirkungen aus, insbesondere für vulnerable Minderheiten. Und sie etabliert Messgrößen, die systematisch umgangen werden und damit keine echte Evaluation erlauben.

Der Ruf nach Vorsorge ist in einer verunsicherten Gesellschaft verständlich. Aber Vorsorge ohne ehrliche Begründung wird nicht zu besserer Jugendpolitik, sondern zu Scheinlösungen. Die Aufgabe der Wissenschaftskommunikation ist es, genau diesen Unterschied klarzumachen – auch und gerade, wenn das Ergebnis unbequem bleibt.

[Hinweis: Ich habe am 14.05. einen zusätzlichen Artikel veröffentlicht, der einige Elemente dieses Artikels vertieft.]

Literatur und weiterführende Quellen:

• Allcott, H., Baron, E. J., Dee, T., Duckworth, A. L., Gentzkow, M., & Jacob, B. (2026). The effects of school phone bans: National evidence from lockable pouches (NBER Working Paper No. 35132). National Bureau of Economic Research. https://www.nber.org/papers/w35132

• Burnell, K., Meter, D. J., Andrade, F. C., Slocum, A. N., & George, M. J. (2025). The effects of social media restriction: Meta-analytic evidence from randomized controlled trials. SSM – Mental Health, 7, 100459. https://doi.org/10.1016/j.ssmmh.2025.100459

• Ferguson, C. J. (2025). Do social media experiments prove a link with mental health: A methodological and meta-analytic review. Psychology of Popular Media, 14(2), 201–206. https://doi.org/10.1037/ppm0000541

• Gunschera, L. J., Mehrhof, S. Z., Veith, C., Ong, E., Davidson, B. C., Vuorre, M., Nord, C. L., & Orben, A. (2026). Does social media use show established neurocognitive signatures of addiction? [Manuscript submitted for publication / Preprint].

• Haidt, J. (2024). The anxious generation: How the great rewiring of childhood is causing an epidemic of mental illness. Penguin Press.

• Hancock, J., Liu, S. X., Luo, M., & Mieczkowski, H. (2022). Psychological well-being and social media use: A meta-analysis of associations between social media use and depression, anxiety, loneliness, eudaimonic, hedonic and social well-being. SSRN. https://doi.org/10.2139/ssrn.4053961

• Jané, M. B. (2024, [Datum unbekannt]). A statistical interrogation of „The case for causality, Part 1” by Rausch and Haidt [Blog post]. https://matthewbjane.github.io/blog-posts/blogpost-6.html

• Maftei, A., Merlici, I.-A., & Dănilă, O. (2023). Social media use as a coping mechanism during the COVID-19 pandemic: A multidimensional perspective on adolescents’ well-being. Frontiers in Public Health, 10, 1062688. https://doi.org/10.3389/fpubh.2022.1062688

• Odgers, C. L. (2024). The great rewiring: Is social media really behind an epidemic of teenage mental illness? Nature, 628(8006), 29–30. https://doi.org/10.1038/d41586-024-00902-2

• Orben, A., Dienlin, T., & Przybylski, A. K. (2019). Social media’s enduring effect on adolescent life satisfaction. Proceedings of the National Academy of Sciences, 116(21), 10226–10228. https://doi.org/10.1073/pnas.1902058116

• Orben, A., & Przybylski, A. K. (2019). The association between adolescent well-being and digital technology use. Nature Human Behaviour, 3(2), 173–182. https://doi.org/10.1038/s41562-018-0506-1

• Rausch, Z., & Haidt, J. (2024). The fundamental flaws of the only meta-analysis of social media reduction experiments (and why it matters), Parts 1–3 [Blog post series]. After Babel. https://www.afterbabel.com/p/the-case-for-causality-part-1

• Thimm-Kaiser, M., & Keyes, K. (2025). Small effects, big questions: The unfinished business of social media restriction science. SSM – Mental Health.

• Tølbøll, K. B. (2026). Review: Social media use and adolescent mental health – an umbrella review and power analysis. Child and Adolescent Mental Health. Advance online publication. https://doi.org/10.1111/camh.70071

• Valkenburg, P. M., Meier, A., & Beyens, I. (2022). Social media use and its impact on adolescent mental health: An umbrella review of the evidence. Current Opinion in Psychology, 44, 58–68. https://doi.org/10.1016/j.copsyc.2021.08.017

Im Juni 2025 habe ich an dieser Stelle einen Text mit dem Titel Fundamente aus Sand veröffentlicht. Meine These lautete: Die Wissenschaft hat ein methodisches Qualitätsproblem, das sie selbst lösen müssen, bevor andere die Lücke nutzen, um ganze Forschungsfelder zu delegitimieren.

Damals war das eine Einschätzung auf Basis der Replikationsforschung der letzten zehn Jahre. Heute, im April 2026, gibt es dazu neue Daten. Und sie sind ernüchternder, aber auch differenzierter, als ich erwartet hatte.

Am 1. April 2026 hat Nature ein Schwerpunktheft veröffentlicht, das in seiner Dimension beispiellos ist: vier parallele Großstudien des SCORE-Konsortiums, koordiniert vom Center for Open Science. Über 100 Institutionen, mehrere hundert beteiligte Forscher, insgesamt über 800 untersuchte Paper aus den Jahren 2009 bis 2018. Die vier Studien prüfen drei verschiedene Qualitätsdimensionen: Reproduzierbarkeit, Replizierbarkeit und analytische Robustheit verschiedener Felder der Sozialwissenschaften.

Das Ergebnis ist kein Erdbeben, sondern eine geologische Kartierung eines Geländes, von dem wir lange geahnt haben, dass es instabil ist. Auf ältere Befunde dazu hatte ich auch bereits letztes Jahr in meinem Artikel “Fundamente aus Sand” hingewiesen.

Drei Begriffe, die man nicht verwechseln darf

Bevor ich die Zahlen sortiere, eine kurze Entwirrung. Die drei oben genannten Begriffe werden im deutschsprachigen Diskurs gern synonym verwendet, sind es aber nicht.

• Reproduzierbarkeit heißt: Wenn ich die Originaldaten und den Originalcode nehme und den Knopf in meinem Statistikprogramm drücke, kommen dieselben Zahlen heraus wie im Paper. Das ist die niedrigste Hürde. Sie sollte eigentlich trivial sein.

• Replizierbarkeit heißt: Wenn ich das Experiment mit neuen Teilnehmenden, neuen Daten, aber derselben Methode nochmal durchführe, bekomme ich ein ähnliches Ergebnis. Das ist die eigentliche wissenschaftliche Frage.

• Analytische Robustheit heißt: Wenn unterschiedliche, gleich qualifizierte Teams denselben Datensatz mit ihren eigenen, jeweils begründbaren Methoden analysieren, kommen sie zum selben Ergebnis. Das ist die Prüfung, ob ein Befund am Datensatz hängt oder an den Analyse-Entscheidungen.

Die vier Nature-Studien prüfen alle drei Dimensionen. Und sie zeigen, dass die Sozialwissenschaften auf allen drei Ebenen Probleme haben, aber nicht überall gleich.

Ebene 1: Können wir die Zahlen nachrechnen? (Miske et al.)

Olivia Miske und Kollegen haben sich 600 Paper aus 62 Journals vorgenommen und versucht, sie zu reproduzieren. Die erste Hürde war banal, aber entscheidend: Bekommt man die Daten überhaupt?

Die Antwort ist ernüchternd. Von den 600 angefragten Studien stellten nur 24 Prozent die Daten zur Verfügung. Für weitere Paper konnten die Forscher die Datensätze aus anderen Quellen rekonstruieren; am Ende standen 143 Datensätze für die tatsächliche Prüfung zur Verfügung, weniger als ein Viertel des ursprünglichen Samples.

Von diesen prüfbaren Paper waren 53,6 Prozent exakt reproduzierbar. Das klingt auf den ersten Blick wie ein Offenbarungseid: fast jede zweite Studie produziert andere Zahlen als im eigenen Paper. Auf den zweiten Blick ist es komplizierter. Wenn man den Maßstab etwas lockert, also näherungsweise reproduzierbar mit Effekten innerhalb von 15 Prozent oder p-Werten innerhalb von 0,05, steigt die Quote auf 73,5 Prozent.

Das ist keine Entwarnung. Ein Paper, dessen p-Wert sich je nach Analyst zwischen 0,03 und 0,08 bewegt, ist in den klassischen Signifikanzgrenzen mal positiv, mal nicht. Aber es ist ein wichtiger Differenzierungspunkt: Die Sozialwissenschaften produzieren nicht massenhaft Phantasiezahlen. Sie produzieren Zahlen, die im Detail wackeln.

Der eigentliche Skandal der Miske-Studie liegt woanders: in den 76 Prozent Papers, die sich der Prüfung gar nicht erst gestellt haben, weil ihre Autoren die Daten nicht herausgaben. Das bedeutet auch, dass diese Studien vermutlich einen oberen Schätzwert für Reproduzierbarkeit liefern und der tatsächliche Wert deutlich niedriger liegt.

Ebene 2: Funktioniert das Experiment auch mit neuen Leuten? (Tyner et al.)

Andrew Tyner und sein Team haben sich 274 Hypothesen aus 164 Papern vorgenommen und versucht, sie mit neuen Daten zu bestätigen. Die Replikationen waren großzügig dimensioniert; die mittlere statistische Power lag bei 99,6 Prozent. Wenn ein echter Effekt da war, hätten sie ihn finden müssen.

Sie fanden ihn in 55,1 Prozent der Hypothesen und in 49,3 Prozent der Paper. Die Rate variierte zwischen den Disziplinen zwischen 42,5 und 63,1 Prozent, allerdings mit teilweise erheblicher Unsicherheit. Tyner selbst warnt vor einer zu scharfen Disziplinen-Hierarchisierung.

Der eigentlich interessante Befund betrifft aber nicht die Quote, sondern die Größe. Bei den Studien, die Pearson-Korrelationen berichteten, lag die mittlere Effektstärke im Original bei r = 0,25. In den Replikationen schrumpfte sie auf r = 0,10. Die geteilte Varianz reduzierte sich um 82,4 Prozent. Ein Kommentator formulierte es im Chronicle of Higher Education so: “Das ist keine Schrumpfung. Das ist Kollaps.”

Für den Laien sei übersetzt, was das bedeutet: Ein Effekt, der ursprünglich erklärt, warum Menschen mit Eigenschaft X mit sechs Prozent höherer Wahrscheinlichkeit Verhalten Y zeigen, erklärt nach der Replikation noch ein Prozent. Der Effekt verschwindet nicht ganz. Aber er wird zu dem, was Jacob Cohen einen “trivialen” Effekt genannt hätte, zu klein, um in einer realen Intervention praktisch zu zählen.

Auch diese Erkenntnis ist nicht grundsätzlich neu, auch andere Projekte fanden, dass ursprüngliche starke statistische Effekte in der Regel bei Wiederholungen durch andere Forschungsteams deutlich geringer ausfielen.

Ebene 3: Hängt das Ergebnis am Datensatz oder am Analysten? (Aczel et al.)

Das Multi100-Projekt von Balazs Aczel ist in der Logik das eleganteste Experiment. 100 sozialwissenschaftliche Claims wurden an jeweils mehrere unabhängige Teams verteilt, die dieselben Datensätze mit ihren eigenen, methodisch begründbaren Analysewegen neu untersuchten.

Das Ergebnis zerfällt in zwei Zahlen, die man nebeneinander lesen muss. Nur 34 Prozent der Reanalysen kamen exakt auf das numerische Ergebnis der Originalautoren. Aber 74 Prozent kamen zur gleichen qualitativen Schlussfolgerung.

Das lässt sich in zwei Richtungen lesen. Die optimistische Lesart: Die Hauptaussagen der Paper halten in drei von vier Fällen verschiedenen Analysestrategien stand. Die pessimistische Lesart: In einem von vier Fällen hängt das, was als Erkenntnis durch Pressemitteilungen und Lehrbücher wandert, schlicht daran, welchen Statistiker die Autoren zufällig im Büro nebenan hatten.

Beide Lesarten sind richtig. Und beide sind beunruhigend genug. Ich persönliche gehe auch hier davon aus, dass wir hier einen starken Effekt durch die ausgewählte Probe haben. Studien, deren Daten geteilt werden oder in denen Daten und Code frei verfügbar sind haben, mit Blick auf die Gesamtheit der Replikationskrise, eine höhere Qualität. Die Studien, die sich dem entziehen, dürften auch hier wahrscheinlich schlechter abschneiden und somit liegt auch hier der tatsächliche - im Gegensatz zu dem hier gemessenen - Wert deutlich niedriger.

Ebene 4: Der positive Pol, die Ökonomie (Brodeur et al.)

Jetzt kommt das Paper, das in keinem der aufgeregten Kommentare auftaucht, aber für die Reformdebatte das wichtigste ist. Abel Brodeur und Kollegen haben sich 110 Artikel aus Wirtschafts- und Politikwissenschaftsjournals vorgenommen, aber nicht irgendwelche, sondern solche, die verpflichtende Daten- und Code-Sharing-Richtlinien haben.

Die Ergebnisse unterscheiden sich deutlich vom Rest des Schwerpunkthefts. 85 Prozent der Claims waren reproduzierbar. 72 Prozent der ursprünglich signifikanten Effekte blieben in Robustheitsprüfungen signifikant und in derselben Richtung. Die mittleren Effektstärken waren in den Reproduktionen nahezu identisch mit den Originalwerten.

Es gibt dafür nur eine plausible Erklärung, und sie ist unangenehm banal: Wenn Forscher wissen, dass ihr Code und ihre Daten ab dem Tag der Publikation für jeden einsehbar sind, arbeiten sie sorgfältiger. Sie wählen ihre Analysepfade vorsichtiger. Sie überprüfen ihre Ergebnisse, bevor sie sie einreichen. Die Transparenz-Pflicht wirkt präventiv, nicht nur retrospektiv.

Der negative Pol: Die Bildungsforschung (Miske et al., nochmal)

Wer beweisen will, dass strukturelle Transparenzpflichten tatsächlich die entscheidende Variable sind, braucht ein Gegenbeispiel. Er findet es, in derselben Nature-Serie, in einer Zahl, die in den deutschsprachigen Kommentaren bislang keine Rolle spielt.

Von allen untersuchten Disziplinen wies die Bildungsforschung die schlechteste Datenverfügbarkeit auf. Und von den Education-Papern, bei denen das Team am Ende genug Daten zusammenbekam, um die Analyse überhaupt nachzurechnen, war keines präzise reproduzierbar. Nicht wenige. Nicht eine Minderheit. Null.

Das lässt sich kontextualisieren, und ich will die Zahl nicht größer erscheinen lassen, als sie ist. Die Stichprobe prüfbarer Education-Paper war klein, die Unsicherheit entsprechend hoch. Aber die Richtung des Befunds ist klar, und sie korrespondiert exakt mit der Brodeur-Logik: In der Ökonomie verlangen praktisch alle angesehenen Journals das vollständige Sharing von Daten und Code. In der Psychologie hat mehr als die Hälfte der einschlägigen Journals Transparenzregeln eingeführt. In der Bildungsforschung verlangt es keine Fachzeitschrift. Eine kleine Minderheit empfiehlt es.

Die Kausalkette ist damit so vollständig, wie sie in Beobachtungsdaten sein kann: Das Feld mit den strengsten Transparenzregeln liefert 85 Prozent reproduzierbare Ergebnisse. Das Feld ohne jede Transparenzregel liefert null Prozent. Dazwischen liegen alle anderen sozial- und verhaltenswissenschaftlichen Disziplinen, in ebenjener Reihenfolge, in der ihre Journals Offenheit erzwingen.

Das ist, was die Nature-Serie im Kern zeigt. Es ist kein Zufall und kein Schicksal. Es ist eine institutionelle Entscheidung. Und sie ist reversibel.[1]

Was daraus folgt, und was nicht

Zuerst das, was nicht folgt: Dass die Sozialwissenschaften, oder zumindest Teile davon, Pseudowissenschaft wären. Diese Schlagzeile wird kommen, sie kommt immer. Sie ist falsch. Ein Feld, das sich selbst so gründlich untersucht wie in dieser Nature-Serie, ist nicht das Problem. Das Problem sind die Felder, die es nicht tun.

Auch nicht: Dass man jede neue Studie pauschal ignorieren sollte. Diese Empfehlung habe ich in anderen Kontexten bereits gelesen, und sie ist in ihrer Pauschalität falsch. Das richtige Urteil ist nicht “alle Studien sind falsch”, sondern “eine einzelne Studie ist keine Evidenz”. Das ist ein erheblicher Unterschied.

Was folgt: Drei Dinge.

Erstens. Wenn Sie als Leserin oder Leser eine Schlagzeile lesen, die sich auf “eine neue Studie” beruft, ist die richtige Frage nicht “stimmt das?”. Die richtige Frage ist: “Gibt es unabhängige Replikationen?”. Wenn nein, handelt es sich um eine Hypothese mit Publikationsgrad und einem gewissen Level an unterstützender Evidenz, nicht um Wissen. Erst wenn mehrere Teams unabhängig dasselbe finden, nähert sich die Behauptung dem, was wir Erkenntnis nennen.

Zweitens. Die DEI-Debatte in Deutschland, und ich sage das als jemand, der jahrelang in diesem Feld gearbeitet hat, muss sich diesen Maßstab gefallen lassen. Implicit-Bias-Trainings, Stereotype-Threat-Interventionen, die konzeptionelle Familie der Mikroaggressionen: Das sind Bereiche, in denen die Replikationslage bekanntermaßen dünn ist oder in denen Studien mit robusten Methoden keine Effekte aufzeigen. Wer viel Geld in Interventionen steckt, die auf r = 0,25 basieren, das in der Replikation zu r = 0,10 oder sogar noch weniger wird, sollte wenigstens ehrlich darüber sprechen, worauf die Hoffnung beruht. Das heißt nicht, die Ziele aufzugeben. Es heißt, die Instrumente zu prüfen.

Drittens, und das ist der entscheidende Punkt. Die Ökonomie hat ein Reformrezept vorgelegt, das nachweislich funktioniert: verbindliches Code- und Daten-Sharing als Publikationsvoraussetzung. Deutschsprachige Journals und Förderorganisationen wie DFG, Leopoldina oder die großen psychologischen Verbände können das morgen übernehmen. Es kostet nichts außer Gewohnheit. Und es wirkt, wie das Brodeur-Paper zeigt, präventiv auf die Qualität dessen, was überhaupt eingereicht wird.

Warum das auch außerhalb der Wissenschaft zählt

Die Nature-Serie ist Selbstkritik. Sie ist sorgfältig, umfangreich, konstruktiv, und sie kommt in einem Moment, in dem die Frage nach der Vertrauenswürdigkeit von Wissenschaft längst auch jenseits der Fachdebatte gestellt wird. Im Februar 2026 hat die Yale University in einer mehrteiligen Veranstaltungsreihe genau dieses Thema diskutiert: Reproduzierbarkeit, Transparenz, öffentliches Vertrauen. Die Bibliotheksdirektorin Barbara Rockenbach formulierte dort einen Satz, der die Stoßrichtung der ganzen Debatte gut zusammenfasst: Reproduzierbarkeit und Rigorosität seien keine technischen Nebenfragen, sondern der Kern wissenschaftlicher Erkenntnis. Stuart Buck vom Good Science Project ergänzte: Vertrauen lasse sich nicht einfordern, es müsse verdient werden.

Das ist die Linie, auf die sich ein Teil der amerikanischen Forschungscommunity zubewegt: nicht defensive Abschottung gegen Kritiker, sondern die offensive Übernahme der Qualitätsagenda. Sie ist inzwischen überfällig. Denn das politische Misstrauen gegenüber der Wissenschaft, das sich in den USA in gesetzgeberischen Initiativen niederschlägt und in Deutschland bislang vor allem als diffuse Stimmung am rechten Rand existiert, findet seine Legitimation genau in jenen Befunden, die nun in Nature dokumentiert sind. Wer die Diagnose bestreitet, hilft ihr nicht. Wer sie ernst nimmt und die offensichtlichen Reformen umsetzt, entzieht den destruktiveren Lesarten der Diagnose ihren Boden.

Das Brodeur-Paper zeigt, was dafür nötig wäre, und es ist weniger, als man denkt. Verbindliches Daten- und Code-Sharing als Publikationsvoraussetzung. Präregistrierung als Standard, nicht als Kür. Robustheitsprüfungen als Teil jedes Reviews. Das sind keine utopischen Forderungen. Das sind Regeln, die in einem Teil der Sozialwissenschaften bereits gelten und dort nachweislich funktionieren.

Solange an deutschen Universitäten und Förderorganisationen allerdings die Zahl der Publikationen zählt und nicht die Quote ihrer Replikationen, solange DFG-Anträge die analytische Robustheit von Vorarbeiten nicht als Kriterium werten, solange “Rockstar-Wissenschaftler” nicht an ihren Daten, sondern an ihren Impact-Faktoren gemessen werden, wird sich wenig ändern. Die Institutionen, die das Feld strukturieren, also Journals, Förderer und Berufungskommissionen, haben den größten Hebel. Sie nutzen ihn bislang kaum.

Die Nullhypothese für jede sozialwissenschaftliche Behauptung sollte ab sofort lauten: Der Effekt existiert nicht, bis unabhängige Teams mit offenen Daten das Gegenteil gezeigt haben.

Das ist keine Feindschaft gegenüber der Wissenschaft. Das ist ihr Schutz.

[1]: Eine lesenswerte, wenn auch deutlich schärfer geschnittene Aufarbeitung der Education-Zahlen liefert Kelsey Piper im Argument (”Education research is weak and sloppy. Why?”, April 2026). Pipers Schlussfolgerungen zu Einzelfällen teile ich nicht in allen Punkten, aber ihre strukturelle Diagnose, dass kein einziges angesehenes Bildungsforschungsjournal Daten- und Code-Sharing verlangt, ist die härteste öffentlich verfügbare Zusammenfassung des Problems

Quellen

• Miske, O. et al. (2026). Investigating the reproducibility of the social and behavioural sciences. Nature 652, 126–134.

• Aczel, B. et al. (2026). Investigating the analytical robustness of the social and behavioural sciences. Nature 652, 135–142.

• Tyner, A. H. et al. (2026). Investigating the replicability of the social and behavioural sciences. Nature 652, 143–150.

• Brodeur, A. et al. (2026). Reproducibility and robustness of economics and political science research. Nature 652, 151–156.

• Nature Collection (2026). Reliable research in the social and behavioural sciences. https://www.nature.com/collections/idajfifcfg

• Yale Institution for Social and Policy Studies (2026). Building Trust in Science: Yale Hosts Conversations on Replication, Transparency, and Public Confidence. https://isps.yale.edu/news/blog/2026/02/building-trust-in-science-yale-hosts-conversations-on-replication-transparency-and

Schweden, Finnland und Dänemark gehören nicht zu den Ländern, die man reflexartig als reaktionär einordnen würde. Umso bemerkenswerter ist, was dort in den letzten Jahren passiert ist: Alle drei Länder haben die Verordnung von Pubertätsblockern bei Minderjährigen mit Geschlechtsdysphorie drastisch eingeschränkt und in der Regel auf streng kontrollierte klinische Studien begrenzt. Großbritannien ist 2024 gefolgt. Die Begründung war in allen Fällen dieselbe: Die verfügbare Evidenz rechtfertige den bisherigen Standard nicht.#

Dass dieses Thema auch politisch toxisch werden kann, zeigte der US-Wahlkampf 2024. Studien zum Wahlverhalten legen nahe, dass das Thema Geschlechtsidentität zum Sieg Donald Trumps beigetragen hat – nicht weil die breite Öffentlichkeit trans Menschen ablehnt, sondern weil ein wachsendes Unbehagen darüber entstanden war, ob medizinische Entscheidungen für Minderjährige noch durch Evidenz oder primär durch ideologische Überzeugungen geleitet wurden. Das ist kein Argument gegen gute Medizin, aber ein Warnsignal, das ernst genommen werden sollte und Teile der Bevölkerung zunehmend das Vertrauen in Institutionen verlieren.

Die Frage, die sich daraus ergibt, ist nicht ideologischer, sondern empirischer Natur: Wie kann es passieren, dass gut gemeinte Ansätze in der Medizin zu Leitlinien führen, die später als fehlerhaft erkannt werden?

Wenn Leitlinien trotz guter Absichten scheitern: Das Poldermans-Beispiel

Ein historisches Beispiel aus der Kardiologie macht den Mechanismus deutlich. In den 2010er Jahren galten perioperative Beta-Blocker als evidenzbasierter Goldstandard. Die Leitlinien der European Society of Cardiology stützten sich maßgeblich auf die Studien des niederländischen Forschers Don Poldermans (ich hatte den Fall hier detailliert aufgearbeitet). Viele Ärztinnen und Ärzte handelten in gutem Glauben und in der Überzeugung, das Beste für ihre Patienten zu tun. Später stellte sich heraus, dass wesentliche Daten unsauber oder teils erfunden waren. Die Leitlinien erwiesen sich als falsch. Schätzungen gehen von einer erheblichen Anzahl unnötiger Todesfälle aus, weil eine etablierte Empfehlung unhinterfragt befolgt wurde (Cole & Francis, 2014).

Ein vergleichbarer Prozess – die ideologische Vereinnahmung von Institutionen bei gleichzeitigem Verlust an kritischer Distanz – lässt sich derzeit in Teilen der Geschlechtsmedizin beobachten. Auch hier standen und stehen oft aufrichtiges Mitgefühl mit dysphorischen Kindern und Jugendlichen sowie der Wunsch nach schneller Hilfe im Vordergrund. Dennoch zeigen neue systematische Reviews, dass die daraus entstandenen Standards der Überprüfung durch unabhängige Evidenz nicht standhalten.

WPATH: Wie Aktivismus zur Leitlinienautorität wurde

Die World Professional Association for Transgender Health (WPATH) ist eine internationale Fachgesellschaft, die seit Jahren Standards und Leitlinien für die medizinische Versorgung von Personen mit Geschlechtsdysphorie entwickelt. Sie war jahrelang der zentrale Bezugspunkt für die globale Trans-Gesundheitsversorgung. Viele nationale Leitlinien – auch in den USA und Teilen Europas – orientierten sich stark an ihren Empfehlungen. WPATH setzte das Modell der „Affirmative Care” durch: Die geäußerte Geschlechtsidentität eines Kindes oder Jugendlichen sollte grundsätzlich bestätigt und nicht hinterfragt werden. Konzeptuell bedeutet das zunächst eine Haltung, keine automatische Behandlungskaskade und basierte auf dem sogenannten Durch-Protokoll und auf Forschung aus den Niederlanden. In der Praxis führte dieses Modell jedoch häufig dazu, dass Pubertätsblocker früh und ohne ausreichende diagnostische Absicherung verschrieben wurden, nach Berichten aus den USA teils als nahezu selbstverständlicher erster Schritt, dem Hormone und gelegentlich chirurgische Eingriffe folgten. Abwartende Ansätze oder primär psychotherapeutische Begleitung galten in diesem Rahmen als veraltet oder sogar als potenziell schädlich für das Wohlbefinden der Betroffenen und wurden unter dem Slogan “I'd rather have a live son than a dead daughter” dramatisch überspitzt verwendet.

Interne Dokumente, die unter dem Namen „WPATH Files” bekannt wurden, haben jedoch gezeigt, dass selbst führende Vertreter der Organisation erhebliche Zweifel äußerten. In einem der geleakten Videos räumen Ärzte und Ärztinnen offen ein, dass viele Minderjährige die langfristigen Konsequenzen – insbesondere für Fertilität und sexuelle Funktion – kognitiv nicht vollständig erfassen können. In einem Kommentar im Guardian schrieb Hannah Barnes, Journalistin und Autorin einer umfassenden investigativen Untersuchung des britischen Gids-Skandals (Gender Identity Development Service) dass WPATH-Präsidentin Dr. Marci Bowers in den geleakten Dokumenten explizit die Auswirkungen früher Pubertätsblockade auf die sexuelle Funktion im Erwachsenenalter kommentiert habe (Barnes, 2024). Barnes weist zudem darauf hin, dass WPATH keine rein professionelle Fachgesellschaft ist, denn ein erheblicher Teil der Mitgliedschaft besteht aus Aktivisten, und ein globaler Konsens zur Behandlung existiert nicht (Barnes, 2024; Hughes, 2024).

Ein noch tieferes Bild zeichnet ein Investigativbericht des Journalisten Benjamin Ryan, der auf durch ein Gerichtsverfahren in Alabama freigegebenen internen WPATH-Dokumenten und Konferenzvideos basiert (Ryan, 2026a). Eine Vorbemerkung zur Einordnung: Der Bericht erschien im konservativen Compact Magazine – einer Publikation mit klar erkennbarem konservativem ideologischem Profil. Diese Einordnung sollte jedoch die Bewertung der Primärquellen nicht ersetzen: Es handelt sich um gerichtlich freigegebenes Material, das im Rahmen eines US-Bundesverfahrens versiegelt war. Dass investigative Recherchen dieser Art schwerer in politisch neutralen Medien unterzubringen sind, ist selbst symptomatisch für das Problem, das Ryan beschreibt. Die freigegebenen Dokumente zeigen unter anderem, dass WPATH-Führungsmitglieder intern die Schwäche der Evidenzbasis für die Behandlung Minderjähriger ausdrücklich einräumten, dies jedoch als politisch problematisch betrachteten und entsprechend nicht nach außen kommunizierten. Interne E-Mails, von denen Ryan berichtet, belegen zudem, dass die Streichung von Altersgrenzen aus den 2022er Leitlinien nicht durch den regulären internen Konsensprozess (das sogenannte Delphi-Verfahren) lief, sondern unter politischem Druck der Biden-Administration und des American Academy of Pediatrics erfolgte und dass Führungsmitglieder anschließend koordinierten, wie diese Entscheidung gegenüber der Presse kommuniziert werden sollte (Ryan, 2026a). Dennoch blieben diese internen Bedenken in den offiziellen Leitlinien weitgehend unberücksichtigt. Hier zeigt sich das klassische Muster: Gute Absichten werden durch institutionelle Dynamiken verstärkt, während kritische Stimmen innerhalb der eigenen Reihen marginalisiert werden.

Was die Forschung zeigt: Vom simulierten Konsens zur unabhängigen Evidenz

Der Cass Report

Während die US-Regierung unter Biden das WPATH-Modell weitgehend übernahm, wählte Großbritannien, auch unter öffentlichem Druck durch den Fall Keira Bell, einen anderen Weg. Der National Health Service beauftragte die Kinderärztin Dr. Hilary Cass mit einer unabhängigen, umfassenden Überprüfung. Der im April 2024 veröffentlichte Cass Report ist bis heute die gründlichste Evidenzanalyse zum Thema. Er basiert auf acht systematischen Reviews der University of York und bewertet die vorliegende Studienlage auf Basis systematischer Reviews einer unabhängigen externen Institution (Cass, 2024) [Anmerkung 21.4.: Hier habe ich einen Satz korrigiert, ursprünglich wurde hier dem Cass Report ein fehlen ideologischer Voreingenommenheit attestiert, das war irreführend]

Die zentralen Ergebnisse sind ernüchternd:

• Die Evidenz für Pubertätsblocker und Hormonbehandlungen bei Minderjährigen ist „bemerkenswert schwach”. Es fehlen hochwertige Langzeitstudien, die eine nachhaltige Verbesserung der psychischen Gesundheit, eine Reduktion von Suizidalität oder eine Steigerung der Lebenszufriedenheit belegen würden.

• Es gibt moderate Hinweise darauf, dass Pubertätsblocker die Knochenmineraldichte beeinträchtigen können; positive Effekte auf Geschlechtsdysphorie oder psychosoziales Wohlbefinden ließen sich nicht konsistent nachweisen.

• Viele Beschäftigte im Gesundheitswesen berichteten von einem Klima, in dem fachliche Bedenken nur schwer geäußert werden konnten, aus Angst, als transphob zu gelten.

Statt eines rein affirmativen Ansatzes empfiehlt Cass einen ganzheitlichen Weg: intensive psychotherapeutische Begleitung, differenzierte Diagnostik von Autismus, Trauma und anderen komorbiden Störungen sowie eine deutlich zurückhaltendere Indikationsstellung für medizinische Interventionen.

Eine der wesentlichen Lücken, die Cass bemängelt, beginnt sich mittlerweile zu schließen. Eine 2026 in Acta Paediatrica veröffentlichte finnische Registerstudie (Ruuska et al., 2026) untersuchte alle 2.083 Personen unter 23 Jahren, die zwischen 1996 und 2019 finnische Spezialambulatorien für Geschlechtsidentität kontaktierten, und verglich sie mit 16.643 gematchten Kontrollen über bis zu 25 Jahre. Das ist genau das Studiendesign – groß, bevölkerungsrepräsentativ, mit Kontrollgruppe, mit langem Follow-up –, das die bisherige Forschung vermissen ließ. Die Ergebnisse sind ernüchternd: Psychiatrische Morbidität war bei den überwiesenen Jugendlichen bereits vor dem ersten Kontakt deutlich erhöht (45,7% vs. 15,0% in der Kontrollgruppe) und stieg im Verlauf weiter – bei denjenigen, die eine medizinische Geschlechtsangleichung erhielten, besonders stark: von 9,8% auf 60,7% bei feminisierender und von 21,6% auf 54,5% bei maskulinisierender Behandlung. Nach Kontrolle für psychiatrische Vorbelastung blieb das Risiko für alle betroffenen Jugendlichen gegenüber Kontrollen etwa drei- bis fünffach erhöht, unabhängig davon, ob sie medizinisch behandelt wurden oder nicht (Ruuska et al., 2026). Wichtig ist dabei, was die Studie nicht zeigt: Sie erlaubt keine Kausalaussage. Die erhöhte Morbidität nach Behandlung könnte auf nicht erfüllte Erwartungen, hormonelle Effekte oder Selektionseffekte zurückgehen. Aber sie widerspricht der These, dass medizinische Geschlechtsangleichung psychiatrische Behandlungsbedarfe konsistent reduziert und damit das Leiden der Betroffenen gemildert wird. Anders gesagt: Die Effektivität der Behandlung ist nach diesen Daten weiterhin fragwürdig.

Ein Einwand, der in dieser Debatte erfahrungsgemäß schnell kommt: Die führende Autorin Riittakerttu Kaltiala saß im Beirat des Cass Reviews – ein potenzieller Interessenkonflikt, der im Paper jedoch transparent deklariert ist. Wer mit dem Garden of Forking Paths-Problem vertraut ist, weiß, dass solche Verflechtungen die Frage aufwerfen, ob Analyseentscheidungen unbewusst in eine bestimmte Richtung gelenkt wurden. Hier greift jedoch ein strukturelles Gegenargument: Die Rohdaten stammen aus dem finnischen Nationalregister und wurden von Statistics Finland pseudonymisiert und die Autorinnen hatten daher keinen Einfluss auf die Erhebung. Das schließt selektive Datenauswahl auf der Primärquellenebene aus, also genau jene Form von Bias, die in kleineren klinischen Studien besonders schwer zu kontrollieren ist. Was bleibt, sind legitime Fragen zu Analyseentscheidungen, wie bei jeder Registerstudie, die den Grundbefund jedoch nicht entwerten.

Der Report entlarvt damit das, was Kritiker als „Hall of Mirrors” bezeichnen: medizinische Fachgesellschaften zitieren sich gegenseitig im Kreis, um einen Konsens zu simulieren, der in den Primärdaten so nicht existiert.

Das Bröckeln des US-Konsenses

Während Europa umsteuert, war das Standardargument in den USA lange, dass „jede große medizinische Organisation” die Affirmative Care stütze. Dieser vermeintliche Konsens zerbricht gerade spektakulär.

Im Februar 2026 wurde die American Society of Plastic Surgeons (ASPS) zum ersten großen US-Fachverband, der sich offiziell gegen operative Eingriffe bei Minderjährigen aussprach. Die Chirurgen warnten vor „auftauchenden Beweisen für Behandlungskomplikationen und potenzielle Schäden” bei gleichzeitig mangelhafter Studienlage (Ryan, 2026b).

Besonders brisant ist die Situation bei der American Medical Association (AMA). Interne Dokumente und ein Town-Hall-Video belegen ein kommunikatives Chaos: Während die AMA-Führung öffentlich bestritt, ihre Politik geändert zu haben, verteidigte AMA-CEO Dr. John Whyte intern eine Position, nach der chirurgische Eingriffe bei Minderjährigen aufgrund mangelnder Evidenz generell bis zum Erwachsenenalter aufgeschoben werden sollten. Die New York Times verteidigte ihre Berichterstattung über diese Position ausdrücklich und erklärte, keine Korrekturanfrage der AMA erhalten zu haben (Ryan, 2026b).

Dieser Riss hat unmittelbare juristische Konsequenzen. Zwanzig US-Generalstaatsanwälte drohten der AMA mit Ermittlungen wegen Verbraucherbetrugs: Wer einräumt, dass die Evidenz für Operationen schwach ist, darf die ebenso schwache Evidenzbasis für Pubertätsblocker und Hormone nicht weiter verschweigen. Gleichzeitig errang eine Frau, die mit 16 Jahren operiert worden war, vor Gericht ein Schmerzensgeld von zwei Millionen Dollar – der erste Malpractice-Fall einer Detransitionierten, der vor einer US-Jury verhandelt wurde. Juristen werten dies als Vorbote einer Welle von Haftungsprozessen gegen Ärzte, die ohne ausreichende diagnostische Absicherung interveniert haben (Ryan, 2026b).

Das Muster ist bekannt: Institutionen, die einen Konsens nach außen aufrechterhalten, während intern längst Dissens herrscht, verlieren diesen Konsens am Ende nicht geordnet sondern abrupt.

Die transatlantische Kluft und die deutsche Debatte

Großbritannien, Schweden, Finnland und Dänemark haben auf diese und vergleichbare Reviews, die in den jeweiligen Ländern durchgeführt wurden, reagiert. Die Verordnung von Pubertätsblockern und weitergehenden chirurgischen Behandlungen bei Minderjährigen wurde dort stark eingeschränkt und sind in der Regel nur noch im Rahmen strenger klinischer Studien erlaubt und gelten damit als experimentelle Behandlungen, deren Wirksamkeit nicht nachgewiesen ist und die weiterer Forschung in sehr streng kontrollierten Kontexten bedürfen.

In Deutschland ist die Entwicklung komplizierter. Das seit 1. November 2024 geltende Selbstbestimmungsgesetz (SBGG) erleichtert die Änderung des Geschlechtseintrags ab 14 Jahren durch einfache Erklärung (Bundesgesetzblatt, 2024). Dabei fehlen für Deutschland bislang quantitative Daten zur Größenordnung des Phänomens – eine Lücke, die eine im Deutschen Ärzteblatt veröffentlichte Analyse bundesweiter Routineversicherungsdaten nun erstmals schließt. Bachmann et al. (2024) werteten die Abrechnungsdaten aller gesetzlich Versicherten zwischen 5 und 24 Jahren für die Jahre 2013–2022 aus. Ihr Befund: Die Prävalenz gesichert kodierter F64-Diagnosen (Störungen der Geschlechtsidentität) stieg in diesem Zeitraum auf das 8-Fache – von 22,5 auf 175,7 pro 100.000 Versicherte. Den stärksten Anstieg zeigten 15- bis 19-jährige weibliche Jugendliche, bei denen 2022 eine Prävalenz von 452,6 pro 100.000 festgestellt wurde. Bei 72,4% der Personen mit F64-Diagnose wurde mindestens eine weitere psychiatrische Diagnose kodiert, am häufigsten depressive Störungen, Angststörungen und emotional instabile Persönlichkeitsstörungen vom Borderline-Typ. Besonders bemerkenswert ist ein weiterer Befund: Im 5-Jahres-Follow-up wiesen in allen Altersgruppen weniger als 50% noch eine gesicherte F64-Diagnose auf. Die Autoren interpretieren dies als möglichen Hinweis auf die Fluidität des Konzepts „Geschlechtsidentität” im Kindes- und Jugendalter und als Argument für ein umfassendes, standardisiertes diagnostisches Vorgehen vor dem Beginn medizinischer Interventionen, weisen jedoch explizit darauf hin, dass über die vorliegenden Daten keine Kausalität etabliert werden kann (Bachmann et al., 2024) [Anmerkung 21.4.: Ich habe hier ergänzt, dass keine Kausalität etabliert wurde]. Die 2025 veröffentlichten deutschen Leitlinien der DGKJP zur Geschlechtsinkongruenz und Geschlechtsdysphorie im Kindes- und Jugendalter üben zwar punktuelle Kritik am Cass Report – werfen ihm selektive Evidenzrezeption vor und stützen sich dabei auf das Yale Integrity Project (McNamara et al., 2024) –, kommen in ihrer eigenen Evidenzbewertung aber zu bemerkenswert ähnlichen Schlussfolgerungen (DGKJP, 2025).

Das ist der entscheidende Punkt, der in der deutschen Debatte zu wenig beachtet wird: Die DGKJP-Leitlinie bestätigt, dass hochwertige Studien fehlen, bezeichnet die Evidenzlage für Hormonbehandlungen als „unsicher bis moderat” und stellt fest, dass eine „generelle Risiko-Nutzen-Abwägung der Pubertätsblockade bei der Behandlung einer Geschlechtsinkongruenz mit Geschlechtsdysphorie im Jugendalter anhand der aktuellen Studienlage nicht möglich” erscheint (DGKJP, 2025, S. 167). Der Dissens zwischen der deutschen Leitlinie und dem Cass Report ist also kein Evidenzdissens – er ist ein Schlussfolgerungsdissens: Beide Seiten sehen dieselben Lücken in der Studienlage. Cass zieht daraus den Schluss, dass diese Unsicherheit Zurückhaltung gebietet. Die DGKJP hält dagegen individuelles klinisches Abwägen – unter strengen Auflagen – weiterhin für vertretbar.

Diese Debatte ist legitim und wichtig. Aber sie sollte ehrlich geführt werden: nicht so, als stünde solide deutsche Evidenz gegen einen methodisch schwachen britischen Bericht, sondern als das, was sie ist: eine genuine Frage der medizinischen Ethik unter Unsicherheit.

Genau hier liegt die Herausforderung, die ich in Nullhypothese immer wieder thematisiere: Wenn gut gemeinte Politik und gut gemeinte Medizin aufeinandertreffen, muss die Evidenz die letzte Instanz bleiben und nicht der Wunsch, besonders progressiv zu wirken. Die internationale Entwicklung zeigt, dass Vorsicht kein Rückschritt, sondern ein Zeichen wissenschaftlicher Reife ist.

Fazit: Evidenz als Grundlage echter Fürsorge

Das Poldermans-Debakel taugt als Einstiegsanalogie – aber nur bis zu einem Punkt. Dort waren die Daten gefälscht, und das war von außen nicht erkennbar. Das epistemische Versagen lag vorwiegend beim Fälscher, nicht beim System. Was die Dokumente aus dem Alabama-Verfahren und die finnischen Registerdaten zusammen zeigen, ist strukturell anders: Die schwache Evidenzlage war intern bekannt, nämlich bei den Leitlinienautoren selbst. Sie wurde dennoch nicht nach außen kommuniziert. Stattdessen wurden Behandlungen als „medizinisch notwendig” deklariert, Altersgrenzen unter politischem Druck gestrichen, und Mitglieder darin geschult, gegenüber der Presse keine Details zu nennen, die „verwirren oder ablenken” könnten.

Das ist kein einfacher Irrtum. Das ist ein gezielt verwalteter und bekannter Irrtum. Und der Unterschied ist medizinethisch fundamental: Informierte Einwilligung, das Grundprinzip jeder legitimen medizinischen Intervention, setzt voraus, dass Patienten und Familien den tatsächlichen Wissensstand ihrer Behandler kennen und aufrichtig kommuniziert bekommen. Wenn dieser intern ein anderer war als extern kommuniziert, haben Kinder und Jugendliche irreversible Eingriffe auf der Basis einer Informationslage erhalten, die ihnen und ihren Eltern bewusst vorenthalten wurde.

Aber selbst wenn man diese institutionelle Dimension beiseitelässt, bleibt eine tiefere Frage, die in der gesamten Debatte größtenteils ausgeblendet wurde: Können Kinder und Jugendliche überhaupt informed consent für Eingriffe dieser Tragweite geben? Das ist keine ideologische Position sondern es ist eine entwicklungspsychologische Frage mit handfester empirischer Grundlage. Lebenslange Infertilität, dauerhafte Hormonabhängigkeit, irreversible Körperveränderungen, der Verlust sexueller Fähigkeiten: Die Fähigkeit, solche Konsequenzen über Jahrzehnte hinweg realistisch zu antizipieren, setzt kognitive und emotionale Reife voraus, die entwicklungspsychologisch erst im Erwachsenenalter vollständig ausgebildet ist und selbst dann bleibt es eine extrem schwierige Abwägung. Selbst WPATH-Mitglieder räumten das intern ein, zogen jedoch keine Konsequenz daraus. Die DGKJP-Leitlinie betont zwar die Einbeziehung Jugendlicher in den Entscheidungsprozess, stellt aber die grundsätzliche Frage, ob jugendliche Entscheidungsfähigkeit für irreversible medizinische Eingriffe überhaupt ausreicht, ebenfalls nicht.

Das sind zwei voneinander unabhängige Einwände, die zusammen einen vernichtenden Befund ergeben: Erstens wurde der tatsächliche Wissensstand der Behandler nicht transparent kommuniziert. Zweitens wäre selbst bei vollständiger Transparenz fraglich, ob die Einwilligenden die Tragweite ihrer Entscheidung erfassen konnten. Informed Consent war damit in doppelter Hinsicht nicht gewährleistet.

Für die globale Debatte bedeutet das: Die Frage ist nicht mehr nur, ob die Evidenz gut genug ist. Die Frage ist, ob die Institutionen, die diese Evidenz bewerten und kommunizieren, noch die epistemische Integrität besitzen, der man vertrauen kann und ob das Konzept des informed consent auf diese Patientengruppe überhaupt anwendbar ist, solange keine belastbaren Daten zu Langzeitverläufen vorliegen. Der Cass Report, die finnischen Registerdaten, die deutschen Routinedaten und die freigegebenen WPATH-Dokumente zeigen gemeinsam: Beides ist zumindest offen. Das allein sollte Grund genug sein, Behandlungen an minderjährigen kritisch zu überprüfen um nicht in ein paar Dekaden in einem Atemzug mit Lobotomien in Lehrbüchern erwähnt zu werden.

Literaturverzeichnis

Bachmann, C. J., Golub, Y., Holstiege, J., & Hoffmann, F. (2024). Störungen der Geschlechtsidentität bei jungen Menschen in Deutschland: Häufigkeit und Trends 2013–2022. Deutsches Ärzteblatt International, 121, 370–371. https://doi.org/10.3238/arztebl.m2024.0098

Barnes, H. (2024, 9. März). Why disturbing leaks from US gender group WPATH ring alarm bells in the NHS. The Guardian. https://www.theguardian.com/commentisfree/2024/mar/09/disturbing-leaks-from-us-gender-group-wpath-ring-alarm-bells-in-nhs

Bundesgesetzblatt. (2024). Gesetz über die Selbstbestimmung in Bezug auf den Geschlechtseintrag (SBGG). BGBl. I Nr. 206. https://www.recht.bund.de/bgbl/1/2024/206/VO

Cass, H. (2024). Independent review of gender identity services for children and young people: Final report. https://cass.independent-review.uk/home/publications/final-report/

Cole, G. D., & Francis, D. P. (2014). Perioperative β blockade: Guidelines do not reflect the problems with the evidence from the DECREASE trials. BMJ, 349, g5210. https://doi.org/10.1136/bmj.g5210

Deutsche Gesellschaft für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie (DGKJP). (2025). S2k-Leitlinie Geschlechtsinkongruenz und Geschlechtsdysphorie im Kindes- und Jugendalter: Diagnostik und Behandlung. AWMF-Registernr. 028-014. https://register.awmf.org/de/leitlinien/detail/028-014

Hughes, M. (2024). The WPATH files: Pseudoscientific surgical and hormonal experiments on children, adolescents, and vulnerable adults. Environmental Progress. https://environmentalprogress.org/big-news/wpath-files

McNamara, M., et al. (2024). An evidence-based critique of “The Cass Review” on gender-affirming care for youth. Yale Integrity Project. https://law.yale.edu/sites/default/files/documents/integrity-project_cass-response.pdf

Ruuska, S.-M., Tuisku, K., Holttinen, T., & Kaltiala, R. (2026). Psychiatric morbidity among adolescents and young adults who contacted specialised gender identity services in Finland in 1996–2019: A register study. Acta Paediatrica. https://doi.org/10.1111/apa.70533

Ryan, B. (2026a, 1. April). How gender medicine set itself up for disaster. Compact Magazine. https://www.compactmag.com/article/how-gender-medicine-set-itself-up-for-disaster/

Ryan, B. (2026b, 14. April). The medical establishment is tearing itself apart over youth gender surgeries. The Free Press. https://www.thefp.com/p/the-medical-establishment-is-tearing

Im letzten Post habe ich gezeigt, dass die politische Homogenität der Sozialwissenschaften ein epistemisches Problem darstellt. In diesem Artikel gehe ich einen Schritt weiter: Ich zeige anhand experimenteller Evidenz, dass die Ablehnung wissenschaftlicher Befunde kein konservatives Alleinstellungsmerkmal ist, sondern ein universeller psychologischer Mechanismus – und dass der aktuelle wissenschaftliche Diskurs um biologisches Geschlecht ein Paradebeispiel dafür ist, wie auch die progressive Seite in genau die Falle tappt, die sie sonst bei anderen kritisiert.

Rückblick: Der schiefe Turm

In meinem letzten Artikel „The Leaning Tower of Ivory” habe ich die politische Zusammensetzung der Sozialwissenschaften unter die Lupe genommen. Das Verhältnis von progressiv zu konservativ identifizierten Forscherinnen und Forschern liegt je nach Disziplin zwischen 10:1 und 40:1 (Manzi, 2026; Langbert, 2018). Das wäre kein Problem, wenn politische Überzeugungen keinen Einfluss auf Forschungsfragen, Methoden und Interpretationen hätten. Aber genau das ist eine empirisch widerlegte Annahme: Viewpoint Diversity ist ein epistemisches Qualitätskriterium, und ihre Abwesenheit führt zu blinden Flecken – Themen, die nicht beforscht werden, Interpretationen, die nicht hinterfragt werden, und Befunde, die nicht repliziert werden (Duarte et al., 2015).

Aber wie genau äußern sich diese blinden Flecken? Und warum ist es so schwer, sie aus dem System heraus zu erkennen? Um das zu verstehen, lohnt sich ein Blick auf die Psychologie des motivierten Denkens und auf eine Studie, die eine weitverbreitete Annahme gründlich infrage stellt.

Science Denial ist symmetrisch

Die Asymmetrie-These

Es gibt eine populäre Erzählung, die ungefähr so geht: Konservative (Amerikaner/innen) leugnen Wissenschaft – sie bezweifeln den Klimawandel, lehnen die Evolutionstheorie ab und misstrauen Impfungen. Progressive hingegen stehen auf der Seite der Wissenschaft. Diese Erzählung hat einen wahren Kern: Tatsächlich zeigen Dutzende Umfragen, dass konservative Amerikaner eher dazu neigen, den menschengemachten Klimawandel zu bezweifeln (Dunlap, 2008; McCright & Dunlap, 2011; Pew Research Center, 2013; alle in Washburn & Skitka, 2017). Manche Autoren haben daraus geschlossen, dass Konservative dispositional wissenschaftsfeindlicher seien, u.A. aufgrund höherer kognitiver Rigidität, größerem Bedürfnis nach epistemischer Geschlossenheit und geringerer Offenheit für neue Erfahrungen (Jost et al., 2003; Mooney, 2012; beide in Washburn & Skitka, 2017).

Aber stimmt das? Oder könnte es sein, dass wir die Themen, bei denen Konservative Wissenschaft ablehnen, einfach besser kennen – weil sie in den Medien und in der Forschung überproportional vertreten sind?

Das Experiment von Washburn und Skitka (2017)

Genau diese Frage stellten sich Anthony Washburn und Linda Skitka in einer Studie, die 2017 in Social Psychological and Personality Science erschien. Ihr Design war einfach, aber wirkungsvoll: 1.169 Teilnehmende aus den USA wurden zufällig einem von sieben Themen zugewiesen – darunter Klimawandel, Waffenkontrolle, gleichgeschlechtliche Ehe, Einwanderung, Kernkraft, Gesundheitsreform und eine Kontrollbedingung (Hautcreme gegen Ausschlag). Zu jedem Thema erhielten sie die Ergebnisse einer fiktiven Studie, präsentiert in einer 2×2-Tabelle.

Der Clou lag in der Mathematik: Die korrekte Interpretation der Daten erforderte eine vergleichsweise aufwendige Strategie – sogenanntes „motiviertes Rechnen” (adaptiert von Kahan et al., 2013, in Washburn & Skitka, 2017). Die Ergebnisse wurden in einer 2×2-Tabelle präsentiert, und die korrekte Schlussfolgerung erforderte den Vergleich von Verhältnissen: A/(A+B) vs. C/(C+D). Eine einfachere, aber fehlerhafte Strategie – das bloße Vergleichen der absoluten Zahlen in einer einzelnen Spalte – führte immer zum falschen Ergebnis.

Ein Beispiel: In der Klimabedingung sahen Teilnehmende eine Tabelle, in der Städte mit strengen CO₂-Emissionsstandards einen höheren absoluten Anstieg der Emissionen zeigten als Städte ohne solche Standards (223 vs. 107). Der naive Schluss: Emissionsstandards sind nutzlos. Aber wer die Verhältnisse berechnete – also den Anteil der Städte mit Anstieg relativ zur Gesamtzahl in jeder Gruppe verglich – kam zum gegenteiligen Ergebnis. Die korrekte Interpretation erforderte also mehr kognitive Anstrengung als die fehlerhafte.

Die Zahlen waren so gewählt, dass die einfache Strategie je nach Bedingung entweder eine einstellungskonsistente oder einstellungsinkonsistente Schlussfolgerung nahelegte. Die entscheidende Frage war: Strengen sich Menschen mehr an, wenn die einfache Antwort ihnen nicht passt?

Das Ergebnis war eindeutig: Die Daten stützten die Symmetrie-Hypothese. Teilnehmende auf beiden Seiten des politischen Spektrums waren signifikant häufiger bereit, die kognitiv aufwendigere korrekte Strategie anzuwenden, wenn die einfache Strategie ein einstellungsinkonsistentes Ergebnis lieferte (B = .54, SE = .12, p < .001, Exp(B) = 1.71). Dieser Effekt war unabhängig vom Thema und von der politischen Orientierung.

Science Denial nach Aufklärung

Noch aufschlussreicher war die zweite abhängige Variable: Nachdem die Teilnehmenden über die korrekte Interpretation informiert worden waren, sollten sie angeben, wie sehr sie dieser Interpretation vertrauten, zustimmten und sie für kompetent hielten. Auch hier zeigte sich der Symmetrie-Effekt: Teilnehmende leugneten die korrekte Interpretation stärker, wenn diese ihren Einstellungen widersprach (F(1, 1141) = 29.98, p < .001, ω² = .02). Politische Orientierung hatte keinen signifikanten Effekt (F(1, 1141) = 0.04, p = .852).

Die Effektstärken: Ein nüchterner Blick

Bevor wir weiterziehen, ein kurzer Realitätscheck. Die Effektstärken in Washburn und Skitka (2017) sind durchweg klein: ω² = .02 für den Haupteffekt der Einstellungskonsistenz auf Science Denial. Das bedeutet, dass die experimentelle Manipulation nur einen kleinen Teil der Varianz erklärt. Die Symmetrie-These zeigt jedoch, dass der Mechanismus – die Tendenz, einstellungsinkonsistente Evidenz abzuwerten – auf beiden Seiten des Spektrums in vergleichbarem Ausmaß operiert.

Was folgt daraus?

Washburn und Skitka (2017) liefern damit ein wichtiges Korrektiv zu einer weitverbreiteten Erzählung: Science Denial ist kein konservatives Monopol, sondern ein universeller Ausdruck einstellungsbasierten motivierten Denkens. Ob jemand Wissenschaft akzeptiert oder ablehnt, hängt weniger davon ab, ob diese Person liberal oder konservativ ist, sondern davon, ob der wissenschaftliche Befund mit den eigenen Überzeugungen kollidiert.

Diese Erkenntnis hat eine unbequeme Implikation: Wenn wir – als überwiegend progressiv orientierte akademische Gemeinschaft – annehmen, dass Science Denial primär ein Problem der „anderen Seite” sei, machen wir uns unsichtbar für unsere eigenen blinden Flecken. Und genau hier wird es konkret.

3. Der Geschlechterdiskurs: Eine Fallstudie

Biologie als Kulturkriegsfront

Wenige wissenschaftliche Themen sind so politisch aufgeladen wie die Frage nach dem biologischen Geschlecht. Auf der einen Seite stehen Biologen, die auf die seit über einem Jahrhundert etablierte gametische Definition verweisen: Männlich und weiblich sind reproduktive Klassen, definiert über die Art der Gameten (Spermien bzw. Eizellen), die ein Organismus zu produzieren die biologische Funktion hat (Parker et al., 1972; Hilton & Wright, 2023). Auf der anderen Seite stehen Stimmen, die diese Definition als „reduktionistisch”, „essentialistisch” oder gar „oppressiv” kritisieren und durch Spektrum-, Multilevel- oder polythetische Modelle ersetzen wollen (Ainsworth, 2015; Fausto-Sterling, 2000; McLaughlin et al., 2023).

Um es klar zu sagen: Die Frage, wie eine Gesellschaft mit Trans- und Intersex-Personen umgeht, welche Rechte und Schutzmaßnahmen gelten sollen, ist eine normative, politische und ethische Frage, die nicht durch Biologie allein beantwortet werden kann. Aber die deskriptive Frage – wie viele biologische Geschlechter es gibt und wie sie definiert sind – ist eine empirische Frage. Und hier lohnt sich ein genauer Blick auf die Qualität der Argumente.

Wright (2025): Die gametische Definition

Colin Wright, Evolutionsbiologe am Manhattan Institute, veröffentlichte 2025 einen Kommentar in den Archives of Sexual Behavior unter dem Titel „Why There Are Exactly Two Sexes”. Seine Argumentation lässt sich in einem Satz zusammenfassen: In allen anisogamen Arten gibt es genau zwei Gametentypen (Spermien und Eizellen) und damit genau zwei biologische Geschlechter. Alle anderen Merkmale, z.B. Karyotyp, Hormone, Genitalanatomie, sekundäre Geschlechtsmerkmale, sind Ursachen, Korrelate oder Konsequenzen dieser funktionalen Unterscheidung, nicht das Geschlecht selbst (Wright, 2025).

Wright adressiert fünf gängige Gegenargumente systematisch: die Verwechslung von Mating Types mit Geschlechtern, die Verwechslung von Karyotypen mit Geschlechtsdefinition, das Spektrum-Argument (Intersex, heute eher als Disorders of sexual development (DSD) bezeichnet, als Beleg für ein Kontinuum), das polythetische Modell (Geschlecht als Merkmalsbündel) und das Multilevel-Modell (verschiedene „Ebenen” von Geschlecht). Sein zentraler Punkt bei allen fünf: Sie alle setzen die gametische Definition voraus, die sie ersetzen wollen, denn Merkmale werden nur deshalb als „männlich-typisch” oder „weiblich-typisch” eingestuft, weil sie mit Organismen korrelieren, die bereits unabhängig, durch Bezug auf Gameten, als männlich oder weiblich identifiziert wurden (Wright, 2025).

Man muss Wrights konservative politische Positionierung nicht teilen, um anzuerkennen, dass sein biologisches Argument in der Fachliteratur breit gestützt ist (vgl. Lehtonen et al., 2016; Goymann et al., 2023; Griffiths & Spencer, 2024). Es handelt sich nicht um eine kontroverse These, sondern um eine Zusammenfassung des biologischen Konsenses.

Mahr (2026): Eine Antwort, die keine ist

Umso aufschlussreicher ist die Antwort, die Wrights Kommentar provozierte. Dana Mahr, STS-Wissenschaftlerin am Karlsruher Institut für Technologie, veröffentlichte 2026 einen Letter to the Editor in derselben Zeitschrift. Mahrs Kernargument: Die gametische Definition sei keine rein deskriptive Wahrheit, sondern „a choice shaped by historical and cultural norms” (Mahr, 2026). Wright betreibe „boundary work” und falle einer „god trick”-Illusion anheim, der Illusion einer standpunktfreien Objektivität.

Für sich genommen sind das ernst zu nehmende Positionen innerhalb der Wissenschaft. Das Problem ist nicht, dass Mahr sie vertritt, sondern wofür sie sie einsetzt: als Argument gegen eine biologische These, ohne ein einziges biologisches Gegenargument zu liefern.

Betrachten wir Mahrs Quellenverzeichnis:

• Haraway (1988) – ein feministisch-epistemologischer Grundlagentext über situiertes Wissen

• Jasanoff (2010) – ein Sammelband über die Ko-Produktion von Wissen und sozialer Ordnung

• Gieryn (1983) – ein soziologischer Aufsatz über wissenschaftliche Grenzziehung

• Fausto-Sterling (1993) – ein über 30 Jahre alter Essay mit dem provokanten Titel „The Five Sexes”, der explizit als Denkanstoß konzipiert war

• Supreme Court of the United States (2019) – ein Amicus-Curiae-Brief, also ein juristisches Dokument, als Beleg für eine biologische Behauptung

• Bews & Marklein (2025) – ein Sammelband über römische Bioarchäologie

• Ritz (2025) und Fausto-Sterling (2025) – Arbeiten, die sich mit Gender/Sex-Identity und Gesundheitsforschung befassen

Was in dieser Liste fehlt, ist mindestens so aufschlussreich wie das, was enthalten ist: keine einzige Quelle aus der Reproduktionsbiologie, Evolutionsbiologie oder Entwicklungsbiologie, die Wrights gametische Definition tatsächlich auf biologischer Ebene widerlegt. Mahr behauptet, dass die „biological elements commonly linked to ‘sex’ [...] do not neatly divide into two distinct categories” – aber die zitierten Belege (ein Bioarchäologie-Sammelband und ein Artikel über Gesundheitsforschung) stützen diese Behauptung nicht in der Art und Weise, wie sie hier eingesetzt wird.

Das Problem lässt sich laut Wright als ein Level-of-Analysis-Fehler beschreiben: Mahr argumentiert auf der soziologischen Ebene, nämlich wie wir Kategorien verwenden, wer davon profitiert und welche Machtstrukturen sie stabilisieren. Wright argumentiert auf der funktionalen Ebene, was die Kategorien biologisch sind. Das sind zwei verschiedene Fragen, und eine Antwort auf die erste ist keine Widerlegung der zweiten.

Wright (2026) verdeutlicht das mit einer instruktiven Analogie: Menschen benannten „Wasser” lange bevor sie seine chemische Zusammensetzung kannten. Erst später wurde experimentell entdeckt, dass es ein Molekül aus zwei Wasserstoff- und einem Sauerstoffatom ist (H2O). Wir hätten dem Molekül einen anderen Namen geben können, aber seine Struktur war, was sie war, bevor wir sie entdeckten, und sie bliebe dieselbe, egal wie wir sie benennen. Genauso verhält es sich mit den zwei Fortpflanzungsstrategien der Anisogamie: Sie gehen jeder menschlichen Kategorisierung um über eine Milliarde Jahre voraus (Butterfield, 2000 in Wright, 2026). Die Labels „männlich” und „weiblich” sind menschliche Konventionen; das Phänomen, nämlich die Existenz zweier distinkter Gametentypen, ist es nicht. Wer das eine mit dem anderen verwechselt, begeht einen Kategorienfehler.

Die 2%-Behauptung

Besonders illustrativ ist Mahrs Verwendung der Behauptung, dass „etwa 2% der Menschen Intersex-Merkmale haben, die ein einfaches XX/XY-Schema infrage stellen” (Mahr, 2026). Diese Zahl geht auf Blackless et al. (2000) zurück, die eine extrem breite Definition von „Intersex” verwendeten, nämlich jede Abweichung von einem „platonischen Ideal” physischer Dimorphie auf chromosomaler, genitaler, gonadaler oder hormoneller Ebene. Sax (2002) zeigte überzeugend, dass eine klinisch sinnvolle Definition von DSD (früher Intersex), beschränkt auf Fälle, in denen das chromosomale Geschlecht nicht mit dem phänotypischen Geschlecht übereinstimmt oder der Phänotyp nicht eindeutig als männlich oder weiblich klassifizierbar ist, die Prävalenz um zwei Größenordnungen auf etwa 0,018% senkt.

Entscheidender ist aber: Selbst wenn die Prävalenz von DSDs höher wäre, würde das nichts an der Binarität des biologischen Geschlechts ändern. Hier liegt ein fundamentaler Denkfehler vor, den Wright (2025; 2026) wiederholt adressiert: Entwicklungsbiologische Variation innerhalb der beiden Geschlechter ist etwas grundlegend anderes als die Existenz zusätzlicher Geschlechter. Eine Person mit einer Variante der Geschlechtsentwicklung, etwa einem atypischen Karyotyp oder einer uneindeutigen Genitalanatomie, ist nicht deshalb ein „drittes Geschlecht”, weil ihre Entwicklung atypisch verlaufen ist. Sie wäre nur dann einem neuen Geschlecht zuzuordnen, wenn ihr Reproduktionssystem die biologische Funktion hätte, einen dritten Gametentyp jenseits von Spermien und Eizellen zu produzieren. Einen solchen dritten Gametentyp gibt es in keiner anisogamen Art und damit bleibt die Anzahl der biologischen Geschlechter bei zwei, unabhängig davon, wie viele Variationen in der Geschlechtsentwicklung existieren (Wright, 2025; 2026; Sax, 2002).

Das Muster erkennen

Wenn wir Mahrs Letter durch die Brille von Washburn und Skitka betrachten, wird ein vertrautes Muster sichtbar:

Die „einfache Strategie” wäre hier, Wrights Argument als das zu nehmen, was es biologisch ist, eine Zusammenfassung des reproduktionsbiologischen Konsenses. Aber diese einfache Interpretation ist einstellungsinkonsistent für jemanden, der aus einer STS-Perspektive argumentiert, in der biologische Kategorien als sozial ko-produziert gelten und in der definitional Klarheit schnell als „Essentialismus” codiert wird.

Die alternative Strategie, epistemologische Einwände gegen die Möglichkeit biologischer Objektivität zu erheben, ohne die biologische Substanz selbst zu adressieren, liefert ein einstellungskonsistentes Ergebnis. Es ist die „einfache Strategie” in Washburns und Skitkas Terminologie: Sie erfordert weniger kognitive Anstrengung als die tatsächliche Auseinandersetzung mit der Reproduktionsbiologie und bestätigt die eigene Weltsicht.

Wrights Gegenantwort (Wright, 2026) macht diesen Punkt explizit: Mahrs Kritik operiere „mainly about the sociology of categories and the policy implications of scientific debates” – sie adressiere nicht die biologische Frage selbst. Die Verwechslung von Labels (menschliche Konventionen) mit dem beschriebenen Phänomen (Anisogamie) sei ein Kategorienfehler. Und die Berufung auf Haraway und Jasanoff, so berechtigt deren Arbeiten in ihrem eigenen Kontext seien, könne keine biologische These widerlegen, die auf einer Milliarde Jahre reproduktiver Evolution beruht.

Fairness halber: Was Mahr hätte sagen können

Epistemische Bescheidenheit verpflichtet dazu, auch die stärkste Version eines Gegenarguments ernst zu nehmen und nicht nur die, die tatsächlich vorgebracht wurde, sondern die, die hätte vorgebracht werden können. Die beste Version von Mahrs Position wäre ungefähr diese:

Wright hat auf der rein biologisch-definitorischen Ebene recht: Es gibt zwei Gametentypen und damit zwei biologische Geschlechter im reproduktionsbiologischen Sinn. Aber die Frage, die in der realen Welt relevant ist, z.B. in Kliniken, in Rechtstexten, in der Epidemiologie, ist nicht „wie viele Gametentypen gibt es?”, sondern „wie kategorisieren wir konkrete Menschen, und welche Konsequenzen hat das?”. Im klinischen Alltag wird Geschlecht nie über eine Gameteninspektion bestimmt, sondern über Phänotyp, Hormone, Karyotyp und Dokumente, also genau über die Korrelate, die Wright als irrelevant für die Definition behandelt. Wenn die Definition in der Praxis nie direkt angewandt wird, wie handlungsleitend ist sie dann wirklich?

Das ist ein ernst zu nehmendes Argument. Und Wright würde vermutlich zustimmen, dass die klinische Zuordnung von Geschlecht über Korrelate operiert. Sein Punkt wäre aber: Daraus folgt nicht, dass die Definition geändert werden muss. Ein Arzt diagnostiziert Diabetes über Blutzuckerwerte, nicht über eine Inspektion der ursächlichen Betazellen und dennoch bleibt die Definition von Typ-1-Diabetes an der Autoimmunzerstörung der Betazellen verankert. Korrelate können pragmatisch nützlich sein, ohne definitorisch zu sein. Die Trennung zwischen was etwas ist und wie wir es in der Praxis erkennen ist eine Standardunterscheidung in der Wissenschaftsphilosophie, und ihre Verwischung führt zu genau der begrifflichen Verwirrung, die Wright kritisiert.

Was bleibt, ist Folgendes: Mahrs tatsächlicher Letter macht dieses stärkste Argument nicht. Sie argumentiert nicht auf der Ebene klinischer Operationalisierung, sondern auf der Ebene feministischer Epistemologie und Wissenschaftssoziologie. Sie stellt nicht die Frage „wie operationalisieren wir die gametische Definition?”, sondern die Frage „darf man überhaupt von objektiven biologischen Kategorien sprechen?”. Und genau das macht den Letter zu einem Beispiel für motiviertes Denken statt zu einem Beispiel für produktiven Widerspruch.

Die Schleife zurück: Warum Viewpoint Diversity zählt

Und genau hier schließt sich der Kreis zum „Leaning Tower of Ivory”.

Mahrs Letter wurde in einer Fachzeitschrift publiziert. Er wurde durch ein Peer-Review-Verfahren gelotst. Und dennoch enthält er keine einzige Quelle, die Wrights zentrale biologische These, dass Geschlecht durch Gameten definiert und binär ist, auf biologischer Ebene widerlegt. Das ist nicht notwendigerweise ein Zeichen individuellen Versagens, sondern ein Symptom eines Systemproblems: In einer akademischen Landschaft, in der die Mehrheit der Forschenden ähnliche politische Überzeugungen teilt und in der bestimmte Schlussfolgerungen als moralisch problematisch codiert sind, fehlt die Gegenstimme im Chor.

Viewpoint Diversity bedeutet nicht, dass jede Position gleich valide ist. Es bedeutet, dass ein Feld, das nur in eine Richtung prüft, systematisch anfällig wird für bestimmte Fehler. Wenn ein Letter to the Editor eine biologische These ausschließlich mit epistemologischen und normativen Argumenten zu widerlegen versucht – und dies durch den Review-Prozess kommt – dann ist das ein Indiz dafür, dass die kritische Masse an Gegenperspektiven fehlt, die solche Lücken sichtbar machen würde.

Das ist kein abstraktes Problem. Wenn sich ein Forschungsfeld von der empirischen Realität entfernt, weil unbequeme Befunde nicht thematisiert oder nur durch den Filter normativer Bewertungen betrachtet werden, entstehen genau die Blasen, die das Vertrauen in die Wissenschaft insgesamt untergraben. Und ironischerweise schadet das genau den Anliegen, die die Verzerrung ursprünglich schützen sollte: Wenn die Öffentlichkeit wahrnimmt, dass wissenschaftliche Institutionen biologische Grundlagen aus politischen Gründen relativieren, verlieren auch berechtigte Forderungen nach Schutz und Anerkennung von Trans- und Intersex-Personen an Glaubwürdigkeit.

Epistemische Bescheidenheit als Schutzfaktor

Was folgt aus all dem? Nicht, dass progressive Positionen grundsätzlich falsch sind. Im Gegenteil, in vielen Bereichen steht die progressive Seite tatsächlich auf der Seite der Evidenz, sei es beim Klimawandel, bei der Wirksamkeit von Impfungen oder bei der Anerkennung evolutionärer Grundlagen menschlichen Verhaltens. Wobei man auch hier sagen muss, dass dies selektiv ist und beispielsweise bei Fragen nach biologischen Einflüssen auf kognitive Unterschiede deutlich zurückhaltender ist

Aber Washburn und Skitka (2017) zeigen uns, dass die psychologischen Mechanismen, die zu Science Denial führen, nicht ideologiespezifisch sind. Sie sind einstellungsspezifisch. Und wenn unsere Einstellungen in einem homogenen Umfeld geformt und bestärkt werden, dann werden die blinden Flecken größer, nicht kleiner.

1. Epistemische Bescheidenheit bedeutet in diesem Kontext:

   Anerkennen, dass wir nicht immun sind. Die gleichen motivierten Denkprozesse, die wir bei Klimawandelleugnern diagnostizieren, operieren auch bei uns, nur bei anderen Themen.

2. Deskriptive und normative Fragen trennen. Die Feststellung, dass biologisches Geschlecht binär ist, sagt nichts darüber aus, welche Rechte Trans- oder Intersex-Personen haben sollten. Biologie kann Politik informieren, aber Politik sollte Biologie nicht diktieren.

3. Die Qualität der Argumente bewerten, nicht die politische Valenz der Schlussfolgerung. Ein Argument wird nicht dadurch falsch, dass es von jemandem am Manhattan Institute kommt, und nicht dadurch richtig, dass es mit Haraway und Jasanoff untermauert wird.

4. Heterogenität als epistemischen Schutzfaktor ernst nehmen. Nicht weil alle Meinungen gleich valide sind, sondern weil ein System, das nur in eine Richtung prüft, systematisch bestimmte Fehler übersieht.

Die Nullhypothese bleibt: Bevor wir behaupten, dass unsere Seite gegen motiviertes Denken immun ist, brauchen wir Evidenz dafür, nicht nur die beruhigende Gewissheit, auf der richtigen Seite zu stehen.

Literaturverzeichnis

• Duarte, J. L., et al. (2015). Political diversity will improve social psychological science. Behavioral and Brain Sciences.

• Langbert, M. (2018). Homogenous: The political affiliations of elite liberal arts college faculty. Academic Questions.

• Mahr, D. (2026). Response to Wright. Archives of Sexual Behavior.

• Manzi, J. (2026). The ideological orientation of academic social science research 1960–2024. Theory and Society, 55, 25. https://doi.org/10.1007/s11186-026-09690-2

• Washburn, A. N., & Skitka, L. J. (2017). Science denial across the political divide. Social Psychological and Personality Science.

• Wright, C. M. (2025). Why there are exactly two sexes. Archives of Sexual Behavior.

• Wright, C. M. (2026). Response to Mahr’s (2026) Response to Wright’s (2025). Archives of Sexual Behavior.

Weitere Quellen sind direkt aus Wright (2025, 2026) und Mahr (2026) zitiert.

Dieser Artikel knüpft an meinen letzten Beitrag „The Garden of Forking Paths” an. Dort habe ich anhand von Borjas & Breznau (2026) gezeigt, wie politische Überzeugungen die analytischen Entscheidungen von Forscherteams unbewusst, aber messbar beeinflussen. Heute geht es um die Frage: Wie sieht das Umfeld aus, in dem dieser Mechanismus operiert?

Der Mechanismus: eine kurze Wiederholung

Im Januar habe ich über ein spannendes Experiment berichtet: 71 Forschungsteams erhielten denselben Datensatz und dieselbe Frage: ob Zuwanderung die Unterstützung für Sozialprogramme verringert. Die Teams mit einer pro-immigrations-Einstellung fanden positivere Effekte, die anti-immigrations-Teams negativere. Niemand hatte betrogen. Der Unterschied entstand durch unbewusste Entscheidungen im Analyseprozess: Welche Variable misst man? Welches Modell wählt man? Welche Jahre schließt man ein?

Gelman und Loken haben dieses Phänomen den „Garden of Forking Paths” genannt – den Garten der Verzweigungen. An jeder Weggabelung im Forschungsprozess wählen wir einen Pfad, und unsere Überzeugungen lenken uns dabei, ohne dass wir es merken.

Mein Fazit damals: Das ist kein Grund zur Panik, aber ein Grund für strukturelle Absicherungen, insbesondere Viewpoint Diversity, also ideologische Vielfalt in Forschungsgemeinschaften. Denn wenn alle am Tisch dasselbe denken, fallen bestimmte Fehler niemandem auf.

Die Frage, die damals offen blieb: Wie groß ist dieses Problem eigentlich? Ist die Sozialwissenschaft tatsächlich so homogen, wie oft behauptet wird? Und wenn ja, seit wann, und in welchen Feldern?

Jetzt gibt es eine Studie, die genau das beleuchtet.

600.000 Abstracts, ein KI-Raster, sechs Jahrzehnte

James Manzi, Doktorand in Soziologie an der Universität Oxford, hat in Theory and Society eine neue Arbeit vorgelegt (Manzi, 2026). Er hat rund 600.000 englischsprachige Abstracts aus elf sozialwissenschaftlichen Disziplinen gesammelt, die zwischen 1960 und 2024 veröffentlicht wurden. Für die Analyse nutzte er die OpenAlex-Datenbank und identifizierte 367 Zeitschriften aus folgenden Fächern: Anthropologie, Communications, Kriminologie, Ökonomie, Ethnic Studies, Gender Studies, Politikwissenschaft, Psychologie, Public Administration, Public Health und Soziologie.

Ein wichtiger Hinweis vorab: Die Studie analysiert ausschließlich englischsprachige Abstracts und misst sie am US-amerikanischen Politikspektrum. Die Ergebnisse lassen sich nicht eins zu eins auf Deutschland übertragen, denn unser politisches Koordinatensystem ist anders kalibriert, die Hochschullandschaft ist anders strukturiert, und was in den USA als „Center-Left” gilt, liegt auf der deutschen Skala teilweise in der politischen Mitte. Dennoch ist die Studie für ein deutsches Publikum hochrelevant: Die anglo-amerikanische Sozialwissenschaft dominiert nach wie vor die internationale Forschungslandschaft, ihre Journals setzen die Standards, und ihre theoretischen Frameworks – von Intersektionalität über Implicit Bias bis zu Critical Race Theory – prägen zunehmend auch den deutschsprachigen Diskurs. Was in den Top-Journals der USA publiziert wird, bestimmt mit, was an deutschen Universitäten gelehrt, zitiert und als Grundlage für Politikberatung herangezogen wird.

Das methodisch Innovative: Manzi ließ GPT-4o jedes Abstract auf einer festen 0–10-Skala des US-Politikspektrums von 2025 bewerten. 0 bedeutet „Far Right” (mit Ankerpunkten wie Steve King oder VDARE), 5 ist „Centrist” (Joe Manchin, Reuters), 10 ist „Far Left” (Monthly Review). Die Skala wurde bewusst fixiert, das heißt ein Abstract aus den 1970er Jahren wird also nicht danach beurteilt, was damals als links oder rechts galt, sondern wie es sich heute lesen würde.

Das ist eine bewusste Designentscheidung mit Trade-offs: Man verliert historische Kontextualisierung, gewinnt aber Vergleichbarkeit über die gesamte Zeitreihe. Manzi ist transparent über diesen Trade-off.

Warum ein LLM und nicht menschliche Codierer?

600.000 Abstracts manuell auf politische Orientierung zu kodieren wäre schlicht nicht machbar gewesen. Die entscheidende Frage ist daher: Kann man einem LLM bei dieser Aufgabe vertrauen?

Manzi hat das sorgfältig validiert. Er ließ das LLM anonymisierte Abstracts von Think Tanks bewerten, also Texte, bei denen alle Hinweise auf die Herkunft entfernt worden waren. Die Korrelation zwischen den LLM-Bewertungen und den tatsächlichen politischen Positionen der Think Tanks war r = 0,97. Die Test-Retest-Reliabilität bei 1.000 zufällig ausgewählten Abstracts lag bei einer Intraklassenkorrelation von 0,98 – also nahezu perfekte Übereinstimmung. Diese Zahlen zeigen, dass die LLMs die politische Orientierung mit sehr hoher Genauigkeit erfassen konnten.

Als Kontrolle dienten mathematische Abstracts aus den Annals of Mathematics: Kein einziger wurde als politisch relevant eingestuft. Und der Anteil der als politisch relevant identifizierten Sozialwissenschafts-Abstracts stieg fast monoton von unter 5 % im Jahr 1960 auf knapp 50 % im Jahr 2024 – obwohl dem LLM das Publikationsjahr nicht mitgeteilt wurde. Das spricht für eine valide Erfassung realer Veränderungen in der Forschungslandschaft.

Zusätzlich testete Manzi die Robustheit mit alternativen LLMs (Mixtral, Llama), verschiedenen Prompt-Formulierungen, adversarialen Personas (z. B. „konservativer Policy-Berater” vs. „progressive Aktivistin”), und alternativen Datenbanken (SCOPUS, Web of Science). Die Kernbefunde blieben stabil.

Die fünf Befunde

1. Die Sozialwissenschaft ist links – persistent und quer durch alle Disziplinen

Von den Abstracts, die als politisch relevant eingestuft wurden, lehnten sich rund 90 % nach links (gemessen am 2025er Maßstab politischer Orientierung). Der Durchschnittswert lag je nach Disziplin zwischen 5,7 (Ökonomie) und 7,6 (Gender Studies). Auf der verwendeten Skala entspricht 6 der Position von Joe Biden (Center-Left) und 7 der von Elizabeth Warren (Progressive).

Wichtig: Das liegt weniger an einem großen Anteil radikaler Positionen (Werte 9–10 waren selten) als an der fast vollständigen Abwesenheit rechter Perspektiven. In der Ökonomie, dem am wenigsten links-orientierten Fach, wurden 16 % der Arbeiten als rechts-of-center eingestuft. In allen anderen Disziplinen waren es zwischen 0 und 6 %.

Abbildung 1: Politische Orientierung nach Disziplin, Mittelwert und Verteilung. Quelle: Manzi (2026), Fig. 1. Gender Studies liegt mit 7,6 am weitesten links, Ökonomie mit 5,7 am nächsten an der Mitte. Die Farbschattierungen zeigen, dass die Verteilung in allen Fächern von Scores im Bereich 6–8 dominiert wird, während rechts-of-center-Werte (0–4) fast überall kaum vorkommen.

2. Seit 1990 bewegt sich alles nach links

Jede einzelne der elf untersuchten Disziplinen zeigte zwischen 1990 und 2024 eine statistisch signifikante Bewegung nach links. Bei einigen Fächern – insbesondere Gender Studies, Anthropologie und Ethnic Studies – beschleunigte sich diese Bewegung ab etwa 2010-2014 nochmals deutlich.

3. Policy-nahe Fächer zeigen ein U-Muster

Manzi unterscheidet zwischen „policy-proximal” (Ökonomie, Politikwissenschaft, Public Administration, Kriminologie, Public Health) und „policy-distal” (Soziologie, Psychologie, Anthropologie, Gender Studies, Ethnic Studies, Communications).

Die policy-nahen Fächer zeigten in den 1970er und 1980er Jahren eine leichte Rechtsbewegung, was zeitlich mit der neoliberalen Wende unter Reagan und Thatcher zusammenfällt. Ab etwa 1990 kehrte sich der Trend um. Die policy-fernen Fächer dagegen bewegten sich mehr oder weniger kontinuierlich nach links über den gesamten Zeitraum.

Abbildung 2: Zeitliche Entwicklung der politischen Orientierung – links: policy-nahe Disziplinen, rechts: policy-ferne Disziplinen. Quelle: Manzi (2026), Fig. 3a und 3b. Das U-Muster bei den policy-nahen Fächern (besonders Ökonomie und Politikwissenschaft) ist deutlich sichtbar, während die policy-fernen Fächer einen nahezu monotonen Linkstrend zeigen. Bemerkenswert: Alle Trendlinien liegen über den gesamten Zeitraum oberhalb von 5 (der Mitte der Skala.

4. Wer weiter links steht, ist auch homogener

Die Korrelation zwischen dem Durchschnitts-Score einer Disziplin und ihrer Standardabweichung war stark negativ (r = −0,84). Gender Studies (Mittelwert 7,6) hatte die geringste Streuung, Ökonomie (5,7) die größte. Das Muster zeigte sich nicht nur im Querschnitt, sondern auch im Zeitverlauf: Wenn eine Disziplin sich nach links bewegte, nahm gleichzeitig ihre interne Vielfalt ab.

5. Soziokulturell links überholt ökonomisch links und die Schere wird größer

Manzi ließ jedes Abstract separat auf ökonomische und soziokulturelle Themen bewerten. Beide Dimensionen waren über den gesamten Zeitraum links-of-center. Aber die soziokulturelle Dimension war durchgehend weiter links als die ökonomische – und dieser Abstand wuchs signifikant. In den 1960er Jahren lagen die soziokulturellen Scores etwa 10–15 % über den ökonomischen, in den 2020ern waren es 25–30 %.

Auf ökonomischem Terrain zeigten die Scores ein ähnliches U-Muster wie die policy-nahen Disziplinen und waren in den 2020ern ungefähr wieder auf dem Niveau der späten 1960er. Auf soziokulturellem Terrain dagegen waren die Scores in den 2020ern so weit links wie nie zuvor im gesamten Untersuchungszeitraum.

Abbildung 3: Ökonomische vs. soziokulturelle politische Orientierung im Zeitverlauf. Quelle: Manzi (2026), Fig. 7a und 7b. Die wachsende Schere zwischen den beiden Dimensionen ist der vielleicht auffälligste Befund der Studie: Während sich die ökonomische Dimension nach einer Moderationsphase in den 1980ern wieder auf das Ausgangsniveau zubewegt hat, erreichen die soziokulturellen Scores historische Höchstwerte.

Was treibt den Trend? Selbstselektion, nicht Überzeugungswandel

Eine besonders aufschlussreiche Analyse ist die Mundlak-Dekomposition, mit der Manzi die Quellen der zeitlichen Veränderung aufschlüsselt. Das Ergebnis: 51–57 % der Linksverschiebung geht auf die disziplinäre Komposition zurück, also darauf, welche Art von Abstracts überhaupt in den Publikationsstrom gelangt. 27–29 % erklärt sich durch Unterschiede zwischen Autoren innerhalb derselben Disziplin. Und nur 16–20 % geht auf Veränderungen *innerhalb* einzelner Autorenkarrieren zurück.

Übersetzt: Die Sozialwissenschaft wird nicht linker, weil bestehende Forschende ihre Meinung ändern. Sie wird linker, weil neue, weiter links stehende Forschende ins Feld eintreten und vermutlich, weil sich das Themenspektrum verschiebt. Das ist exakt das Selbstselektionsmodell, das der Soziologe Neil Gross (2013) beschrieben hat: Wenn ein Feld als politisch links bekannt ist, zieht es überproportional links-orientierte Nachwuchs an, was die Reputation verstärkt, was wiederum die Selektion verstärkt.

Der Steelman: Vielleicht hat die Realität einfach einen progressiven Bias

Bevor wir voreilige Schlüsse ziehen, muss man einen wichtigen Einwand ernst nehmen, den auch Manzi erwähnt:

Es ist denkbar, dass die Sozialwissenschaften deshalb nach links tendieren, weil ehrliche, ergebnisoffene Forschung zu Schlüssen kommt, die progressiven Positionen näherstehen. Stephen Colbert hat das einmal als Witz formuliert: „Reality has a well-known liberal bias.” Aber hinter dem Witz steckt ein ernsthafter Gedanke.

Wer Rassendiskriminierung empirisch untersucht, findet Diskriminierung. Wer Geschlechterungleichheit bei Löhnen misst, findet eine Lücke. Wer die Gesundheitseffekte von Armut studiert, findet negative Auswirkungen. Das sind keine ideologischen Projektionen sondwen robuste empirische Befunde, die sich zufällig mit progressiven Politikpositionen decken.

Es ist auch möglich, dass bestimmte Forschungsthemen über die Jahrzehnte relevanter geworden sind, z.B. Klimawandel, Rassismus, Geschlechteridentität, und dass diese Themen inhärent eher mit progressiven Framings verbunden sind. Manzi nennt das explizit als mögliche Erklärung.

Das sind keine Strohmann-Argumente, die ich pflichtschuldig aufführe. Es ist eine ernst zu nehmende Möglichkeit, die ich nicht ausschließen kann und die ich auch nicht ausschließen möchte.

Aber: Das Verifikationsproblem bleibt

Und hier kommt die Verbindung zu meinem letzten Artikel.

Selbst wenn der Steelman stimmt und die Realität tatsächlich einen progressiven Bias hat, dann haben wir dennoch ein strukturelles Problem: Wir können es zunehmend schlechter überprüfen.

Borjas und Breznau (2026) haben gezeigt, dass politische Überzeugungen die Analyseentscheidungen von Forschungsteams systematisch beeinflussen. Das ist kein Betrug, kein böser Wille, sondern ein unbewusster Prozess im „Garten der Verzweigungen”. Fünf Designentscheidungen erklärten 68 % der Ergebnisdifferenz zwischen ideologischen Lagern.

Manzi zeigt jetzt: Das Umfeld, in dem dieser Mechanismus operiert, wird seit Jahrzehnten homogener. Die Disziplinen, die am weitesten links stehen, sind auch am homogensten. Und der Trend wird primär durch Selbstselektion getrieben, nicht durch individuelle Meinungsänderungen

Man stelle sich das als Qualitätskontrolle in einer Fabrik vor: Wenn alle Prüfer dieselbe Brille tragen, finden sie bestimmte Fehler zuverlässig – aber andere Fehler sehen sie systematisch nicht. Und je mehr sich die Prüfer in ihrer Sichtweise gleichen, desto größer wird der blinde Fleck, ohne dass es jemandem auffällt.

Das Borjas-Breznau-Experiment zeigt: Die Brille existiert und beeinflusst die Ergebnisse. Manzi zeigt: Fast alle Prüfer tragen mittlerweile dieselbe, und der Trend verstärkt sich.

VanderWeele (2025) hat dafür den treffenden Rahmen geliefert: Wissenschaft ist keine Einzelleistung, sondern funktioniert als epistemische Gemeinschaft. Die Qualität der Erkenntnisse hängt nicht nur von individueller Kompetenz ab, sondern von der Fähigkeit der Gemeinschaft, Fehler aufzudecken. Viewpoint Diversity ist dafür kein nice-to-have, sondern eine strukturelle Voraussetzung und damit vergleichbar mit Stichprobengröße oder statistischer Power.

Die besondere Brisanz der soziokulturellen Dimension

Der vielleicht beunruhigendste Befund bei Manzi ist die wachsende Schere zwischen ökonomischer und soziokultureller Orientierung. In den 2020er Jahren waren die soziokulturellen Scores auf einem historischen Höchststand nach links, während die ökonomischen Scores ungefähr auf dem Niveau der späten 1960er lagen.

Nancy Fraser (2019) hat dieses Muster als „progressiven Neoliberalismus” beschrieben – eine Allianz aus sozialer Progressivität und ökonomischem Status quo, die weit über die Akademie hinausreicht. Für die Frage der epistemischen Qualität ist das relevant, weil es genau die Themen betrifft, bei denen der „Garden of Forking Paths” besonders viele Weggabelungen bietet: Wie definiert man Diskriminierung? Wie operationalisiert man Identität? Wie bewertet man kulturelle Normen? Das sind Fragen, bei denen analytische Entscheidungen besonders stark von normativen Vorverständnissen beeinflusst werden können und bei denen die ideologische Homogenität laut Manzi am stärksten ausgeprägt ist.

Was folgt daraus?

Drei Dinge, die diese Studie nicht sagt – und die ich auch nicht sage:

1. Die Sozialwissenschaften produzieren falsche Ergebnisse. (Die Studie misst politische Orientierung von Output, nicht die Qualität der Forschung.)

2. Linke Forschung ist per se schlecht. (Viele der am weitesten links eingestuften Arbeiten sind methodisch hochwertig.)

3. Man sollte konservative Forscher quotieren. (Viewpoint Diversity lässt sich nicht erzwingen und ist keine affirmative action für Konservative.)

Aber die Studie verdichtet ein Bild, das sich aus mehreren Evidenzlinien zusammenfügt:

• Borjas & Breznau zeigen den Mechanismus: Ideologie beeinflusst Forschungsdesign.

• Manzi zeigt das Umfeld: Die Sozialwissenschaft ist ideologisch homogen und wird homogener.

• Gross’ Selbstselektionsmodell erklärt die Dynamik: Der Trend verstärkt sich selbst.

• VanderWeele liefert den normativen Rahmen: Epistemische Gemeinschaften brauchen Vielfalt als Qualitätsmerkmal.

Mein Fazit bleibt im Kern dasselbe wie im letzten Artikel, aber die Evidenzbasis ist breiter geworden: Wir haben nicht primär ein Problem mit einzelnen Studien. Wir haben ein Systemproblem mit der Fähigkeit der Sozialwissenschaften, ihre eigenen blinden Flecken zu erkennen. Die Lösung liegt nicht in mehr individueller Tugend oder Selbstreflexion, sondern in strukturellen Veränderungen von Viewpoint Diversity über adversarial collaboration bis hin zu Pre-Registration.

Eine persönliche Anmerkung zum Schluss

Ich schreibe das nicht als neutraler Beobachter von der Seitenlinie. Ich bin selbst links-of-center, vielleicht nicht ganz so weit wie der Durchschnitt der Sozialwissenschaften laut Manzi, aber die Richtung stimmt. Und ich will ehrlich sein: Mir wäre nichts lieber, als wenn die progressive Seite einfach recht hätte. Wenn die Forschung klar zeigen würde, dass die Welt so funktioniert, wie wir denken, und die Ergebnisse einfach stehen könnten.

Aber mir ist die Wahrheit wichtiger als mein politisches Wohlbefinden. Und damit die Wahrheit ans Licht kommen kann, braucht es energischen Widerspruch. Es braucht Menschen, die aus einer anderen Perspektive auf dieselben Daten schauen und andere Fragen stellen. Nicht weil sie recht haben müssen, sondern weil ihre Fragen uns zwingen, unsere eigenen Antworten besser zu begründen.

In einer perfekten Welt würden wir – die progressiv denkenden Forschenden und Wissenschaftsinteressierten – diesen Widerspruch mit Fakten und guter Forschung aushebeln. Unsere Positionen würden dadurch stärker, nicht schwächer. Widerspruch wäre ein Schleifstein, an dem sich gute Argumente schärfen.

Aber diese Welt scheinen wir nicht zu haben. Was wir stattdessen sehen, in Manzis Daten ebenso wie in Borjas und Breznaus Experiment, ist ein System, das zunehmend isoliert ist. Nicht aus böser Absicht, sondern durch die leise Mechanik der Selbstselektion.

Das ist keine Frage von links gegen rechts. Es ist eine Frage von epistemisch robust gegen fragil.

Quellenverzeichnis

• Borjas, G. J., & Breznau, N. (2026). Ideological bias in the production of research findings. Science Advances, 12(1), eadz7173. https://doi.org/10.1126/sciadv.adz7173

• Fraser, N. (2019). The Old is Dying and the New Cannot Be Born: From Progressive Neoliberalism to Trump and Beyond. Verso.

• Gelman, A., & Loken, E. (2014). The statistical crisis in science. American Scientist, 102(6), 460-465.

• Gross, N. (2013). Why Are Professors Liberal and Why Do Conservatives Care? Harvard University Press.

• Manzi, J. (2026). The ideological orientation of academic social science research 1960–2024. Theory and Society, 55, 25. https://doi.org/10.1007/s11186-026-09690-2

• VanderWeele, T. J. (2025). Intellectual and viewpoint diversity: Importance, scope and bounds. Education Sciences, 15(12), 1592. https://doi.org/10.3390/educsci15121592

Letzte Woche wanderte ein Video zum Anlass des Weltfrauentages über meinen Feed:

Falls das Video nicht funktioniert: Eine Frau liest einen Busfahrplan und wird dabei von einem Mann mit dem Hinweis “Brauchst da gar nicht gucken, die fährt alle 10 Minuten, ist gar kein Problem”, woraufhin die Frau erwidert “Stop”, sich an das Publikum wendet und feststellt: “Das war sexistisch”.

Natürlich handelt es sich um ein gestelltes Video mit einer klaren Aufgabe, nämlich für den Weltfrauentag zu sensibilisieren und ich möchte auch das Video selbst jetzt nicht übermäßig in den Fokus der Diskussion stellen. Aber war das wirklich sexistisch?

Die Antwort, so zeigt eine relativ neue Studienreihe, hängt weniger vom Verhalten ab als davon, welches Geschlecht die Beteiligten haben.

Das Experiment

Grawitch, Lavigne und Mudigonda (2022) legten in drei Studien mit insgesamt über 1.500 Teilnehmern ein und dasselbe Szenario vor: eine Interaktion zwischen einem Bankangestellten und einem Kunden. Das Szenario war bewusst ambig gestaltet indem es Verhaltensweisen enthielt, die je nach Perspektive als freundlich oder als übergriffig interpretiert werden können, aber kein offen sexistisches Verhalten. Der entscheidende Kniff: Nur die Namen der Beteiligten wurden variiert, wodurch vier Geschlechterkonstellationen entstanden (männlicher Sender/weibliche Empfängerin, männlicher Sender/männlicher Empfänger, weibliche Senderin/männlicher Empfänger, weibliche Senderin/weibliche Empfängerin). Der Rest des Szenarios blieb buchstäblich identisch.

Die Teilnehmer wurden über Amazon Mechanical Turk rekrutiert und sollten anschließend auf einer Sieben-Punkte-Skala einschätzen, wie sexistisch das Verhalten des Senders war. In den Studien 2 und 3 wurde zusätzlich nach der Professionalität und Angenehmheit der Interaktion gefragt.

Die Ergebnisse

Der zentrale Befund war über alle drei Studien hinweg konsistent und recht robust: Wenn die Empfängerin weiblich war, wurde der Sender als deutlich sexistischer eingestuft, besonders dann, wenn der Sender männlich war. In der aggregierten Analyse über alle drei Studien lag der Sexismus-Wert in der Konstellation „männlicher Sender/weibliche Empfängerin” bei 4,05 auf der Siebener-Skala, verglichen mit 3,07 (weibliche Senderin/männlicher Empfänger), 2,64 (weibliche Senderin/weibliche Empfängerin) und 2,26 (männlicher Sender/männlicher Empfänger). Die Geschlechterkonstellation allein erklärte rund 13 Prozent der Varianz in den Sexismus-Bewertungen, ein für die Sozialpsychologie beachtlicher Effekt.

Besonders eindrücklich wird die Asymmetrie in den ergänzenden Analysen (Supplemental Materials), die die Forschenden dem OSF bereitstellen: Wenn der Sender männlich war, erklärte das Geschlecht des Empfängers in Studie 1 ganze 24,5 Prozent der Varianz in den Sexismus-Bewertungen. War der Sender hingegen weiblich, waren es lediglich 0,5 Prozent und damit ein statistisch nicht signifikanter Wert. Mit anderen Worten: Der Prototyp-Effekt ist fast ausschließlich beim männlichen Sender aktiv. Bei einer weiblichen Senderin spielt es praktisch keine Rolle, ob der Empfänger männlich oder weiblich ist.

Bemerkenswert ist auch, was den Effekt nicht beeinflusste. Über die drei Studien hinweg testen die Forschenden verschiedene Einstellungsvariablen als potenzielle Moderatoren: Concern for Political Correctness, Social-Justice-Einstellungen, Ambivalenz gegenüber Männern und Neosexismus. Keine davon veränderte den Grundeffekt in nennenswertem Ausmaß. Lediglich Neosexismus zeigte in Studie 3 einen „suggestiven” (also tendenziellen, aber nach den konservativeren Kriterien der Forschenden nicht voll signifikanten) Moderationseffekt und der ging in eine Richtung, die manche überraschen dürfte: Personen mit niedrigem Neosexismus (also solche, die stärker von der Notwendigkeit fortgesetzter Gleichstellungsmaßnahmen überzeugt sind) zeigten den stärksten Bias in der Bewertung der Mann-Frau-Konstellation.

Der Effekt war zudem unabhängig vom Geschlecht der Beurteilenden: Männer und Frauen zeigten das gleiche Bewertungsmuster.

Die theoretische Erklärung

Die Forschenden rahmen ihre Befunde im Kontext heuristischer Urteilsbildung und sozialer Vorhersage. Die Grundidee: Menschen tragen Prototypen darüber mit sich, wie „typischer Sexismus” aussieht und dieser Prototyp beinhaltet einen männlichen Täter und ein weibliches Opfer. Wenn die Cues einer Situation diesem Prototyp entsprechen (männlicher Sender, weibliche Empfängerin, Machtgefälle), wird die heuristische Reaktion „sexistisch” leichter ausgelöst, unabhängig davon, was tatsächlich gesagt oder getan wurde. Stimmen die Cues nicht mit dem Prototyp überein (etwa bei gleichgeschlechtlichen Interaktionen), wird dasselbe Verhalten als weniger problematisch eingestuft.

Dieser Mechanismus ist gut vereinbar mit der breiteren Forschung zu Urteilsheuristiken: Kahneman und Tverskys Repräsentativitätsheuristik, Haseltons Error Management Theory und das allgemeine Prinzip, dass in ambigen Situationen vorhandene Schemata die Bewertung dominieren, wenn keine widersprüchlichen Informationen vorliegen.

Einordnung: Stärken und Schwächen

Die Studie hat einige klare Stärken. Das experimentelle Design ist elegant in seiner Einfachheit: Eine einzige Manipulation bei sonst identischem Inhalt isoliert den Effekt sauber. Dass der Befund über drei Studien repliziert wird, stärkt das Vertrauen in die Robustheit. Die Forschenden verwenden ein konservativeres Signifikanzniveau (α = .005 statt der üblichen .05) und differenzieren zwischen signifikanten und nur „suggestiven” Befunden, das ist für mich auch ein Zeichen methodischer Sorgfalt. Zudem sind Daten, Code und Materialien offen über das OSF zugänglich.

Dem stehen allerdings gewichtige Einschränkungen gegenüber. Am schwerwiegendsten: Alle drei Studien verwenden ein und dasselbe Szenario. Die direkte Replikation ist zwar wertvoll, aber sie geht auf Kosten der Generalisierbarkeit. Das Bankszenario enthält eine eingebaute Machtasymmetrie (Bankangestellter vs. Kunde) und mehrere potenziell relevante Cues gleichzeitig: ein Kompliment zum Aussehen, körperliche Berührung, das Überstimmen eines Vorschlags. Welche dieser Elemente den Effekt treiben, lässt sich nicht trennen.

Hinzu kommt: Keine der drei Studien wurde präregistriert. Bei einem Design, das über die Studien hinweg verschiedene Moderatoren testet und teils explorative Forschungsfragen verfolgt, wäre das wünschenswert gewesen. Die Stichproben stammen ausschließlich von Amazon Mechanical Turk – einer Plattform, deren Datenqualität in der Methodenliteratur zunehmend kritisch diskutiert wird. Die Bezahlung von $0,25 für zehn Minuten in den ersten beiden Studien lässt zudem Fragen zur Motivation der Teilnehmer offen. Und die abhängige Variable, ein einzelnes Item auf einer Sieben-Punkte-Skala, ist psychometrisch limitiert, auch wenn die Forschenden zu Recht darauf hinweisen, dass Einzelitems in der Attributionsforschung verbreitet sind.

Die Brücke zu Mikroaggressionen

Die Befunde von Grawitch et al. fügen sich in ein breiteres Muster ein, das auch die Forschung zu Mikroaggressionen betrifft. Bei Mikroaggressionen wie bei Sexismusattributionen gilt: Die Bewertung eines Verhaltens als problematisch wird maßgeblich durch den Kontext und die Identität der Beteiligten beeinflusst – und kann sich erheblich vom tatsächlichen Inhalt oder der Intention des Verhaltens lösen.

Lilienfeld (2017) hat in seiner viel diskutierten Kritik am Mikroaggressionskonzept unter anderem darauf hingewiesen (hier auch meine Zusammenfassung dazu), dass die subjektive Wahrnehmung des Empfängers zur alleinigen Grundlage der Bewertung wird. Das Grawitch-Paper erweitert diesen Punkt um eine wichtige Dimension: Selbst unbeteiligte Beobachter und Beobachterinnen, also Menschen, die das Verhalten weder senden noch empfangen, bewerten identisches Verhalten systematisch anders, wenn sich nur die Geschlechterkonstellation ändert. Es ist also nicht einmal nötig, selbst betroffen zu sein, um den Bias zu zeigen.

Das bedeutet natürlich nicht, dass Sexismus nicht real wäre. Es bedeutet aber, dass unsere Erkennungsmechanismen systematisch fehleranfällig sind und zwar in einer vorhersagbaren Richtung. In ambigen Situationen neigen wir dazu, Verhalten als sexistisch zu interpretieren, wenn die beteiligten Personen dem kulturell dominanten Prototyp von Sexismus entsprechen: männlicher Akteur, weibliches Ziel. Dasselbe Verhalten durch eine Frau gegenüber einem Mann löst diese Zuschreibung deutlich seltener aus.

Was folgt daraus?

Die praktischen Implikationen dieser Befunde sind nicht trivial. In einer Arbeitswelt, in der Belästigungsvorwürfe (zu Recht) ernst genommen werden, ist es wichtig zu verstehen, dass die Wahrnehmung von Grenzverletzungen nicht nur vom Verhalten abhängt, sondern auch von den heuristischen Filtern der Beobachtenden. Das ist kein Argument dafür, Beschwerden zu entkräften, aber eines dafür, bei der Bewertung ambiger Situationen die eigenen Wahrnehmungsverzerrungen mitzudenken. Ich gebe offen zu, dass dies in der tatsächlichen Behandlung solcher Fälle die Situation natürlich nicht einfacher macht, aber dennoch sollte dies nicht ignoriert werden, auch wenn es sicherlich sinnvoll ist, erst noch eine Replikation des Befundes abzuwarten.

Die Studie von Grawitch et al. ist methodisch nicht perfekt. Aber sie liefert – gerade durch ihre Einfachheit – eine eindrückliche Demonstration eines Phänomens, das über den konkreten Kontext hinaus relevant ist: Unser Urteil über das Verhalten anderer hängt weniger davon ab, was jemand tut, als davon, wer es wem gegenüber tut. Und diese Erkenntnis verdient, ernster genommen zu werden – von Forschenden wie von uns allen.

Quellen:

Grawitch, M. J., Lavigne, K. N., & Mudigonda, S. P. (2022). It’s not what was said but who said it to whom: Interactant sex affects attributions of sexism in ambiguous situations. Journal of Open Inquiry in the Behavioral Sciences.

Lilienfeld, S. O. (2017). Microaggressions: Strong claims, inadequate evidence. Perspectives on Psychological Science, 12(1), 138–169.

Was der transatlantische Streit um HateAid, Schulbibliotheken und Forschungsgelder über zwei grundverschiedene Philosophien der Freiheit verrät – und warum keine davon so sauber ist, wie ihre Verteidiger behaupten.

Als ich 2003 in die USA auswanderte, war ich vom deutschen Sozialstaat felsenfest überzeugt. Das amerikanische System erschien mir brutal, ungerecht, geradezu barbarisch: keine allgemeine Krankenversicherung, kaum Kündigungsschutz, ein Sozialnetz mit Löchern so groß wie Texas. Der deutsche Weg war mir vertraut, und was vertraut ist, ist gut – wenn nicht sogar besser.

Als ich 2009 zurückkam, musste ich feststellen, dass Deutschland zu diesem Zeitpunkt noch keinen bundesweiten Mindestlohn hatte. Nicht etwa, weil man ihn gerade abgeschafft hätte, sondern weil es ihn schlicht nie gegeben hatte. Diskussionen in der Zeit drehten sich auch oft um Reinigungskräfte, die für €3,20 pro Stunde schufteten. Der deutsche Mindestlohn kam erst 2015. Die USA hatten seit 1938 einen Federal Minimum Wage – seit fast siebzig Jahren, als ich damals so überzeugt von der Überlegenheit des deutschen Modells gewesen war.

Das war eine lehrreiche Erfahrung. Nicht weil das amerikanische System insgesamt besser gewesen wäre – es hat offensichtlich massive Schwächen. Sondern weil es zeigt, wie leicht wir in die Falle tappen, das Vertraute mit dem Überlegenen zu verwechseln. Der deutsche Sozialstaat war mir vertraut, also war er gut. Das amerikanische System war mir fremd, also war es schlecht. Die Realität ist komplizierter: Beide Systeme haben Stärken und blinde Flecken, und die interessanteste Frage ist nicht „Wer ist besser?”, sondern „Welche Nachteile bringt unser System, die wir nicht sehen, weil wir es für normal halten?”

Genau diese Frage stellt sich auch bei einem Thema, das derzeit die transatlantische Debatte bestimmt: Meinungsfreiheit.

Vorab: Ich möchte hier keine Partei ergreifen oder die Regierung der USA in Schutz nehmen. Aber ich möchte eine Perspektive teilen, die man gegebenenfalls nur dann haben kann, wenn man beide System “erlebt” hat und beide Male mit den Augen eines Außenseiters betrachten konnte. Aber worum geht es eigentlich?

Im Dezember 2025 verhängte US-Außenminister Marco Rubio Einreisesperren gegen die Geschäftsführerinnen der deutschen Organisation HateAid, den ehemaligen EU-Kommissar Thierry Breton und die Leiter zweier britischer NGOs. Der Vorwurf: Sie seien „radikale Aktivisten” und Agenten eines „globalen Zensur-Industriekomplexes”, die amerikanische Plattformen zur Unterdrückung amerikanischer Meinungen gezwungen hätten.

Die Bundesregierung reagierte empört. Justizministerin Hubig erklärte, die Regeln für den digitalen Raum würden nicht in Washington gemacht. Außenminister Wadephul nannte die Einreisesperren „nicht akzeptabel”. HateAid selbst sprach von einem „Akt der Repression”.

Beide Seiten haben aus ihrer jeweiligen philosophischen Tradition heraus Recht – und genau das ist das Problem. Denn der Streit um HateAid ist nur die Spitze eines fundamentalen Konflikts, der weit tiefer reicht als die Tagespolitik und den ich hier vergleichend betrachten möchte.

Jetzt abonnieren

Zwei Verfassungen, zwei Menschenbilder

Der Unterschied beginnt dort, wo Verfassungen beginnen: bei der Frage, was das höchste Gut ist.

Das deutsche Grundgesetz setzt in Artikel 1 GG die Menschenwürde an die Spitze: „Die Würde des Menschen ist unantastbar.” Meinungsfreiheit folgt in Artikel 5 GG, und dort steht auch sofort: „Diese Rechte finden ihre Schranken in den Vorschriften der allgemeinen Gesetze, den gesetzlichen Bestimmungen zum Schutze der Jugend und in dem Recht der persönlichen Ehre.”

Das ist kein Versehen. In der deutschen Verfassungsordnung ist Meinungsfreiheit ein Recht unter mehreren, das mit anderen Rechten abgewogen werden muss. Das ist die Lehre, die Deutschland aus seiner Geschichte gezogen hat: Die Weimarer Republik ist auch daran gescheitert, dass sie den Feinden der Demokratie alle demokratischen Mittel ließ, sie abzuschaffen. Das Grundgesetz ist daher als „streitbare Demokratie“ konzipiert, eine Ordnung, die sich gegen ihre Abschaffung wehrt, notfalls auch durch Einschränkung von Grundrechten.

Die US-Verfassung funktioniert anders. Das First Amendment beginnt mit „Congress shall make no law” – der Kongress soll kein Gesetz erlassen, das die Meinungs- oder Pressefreiheit beschränkt. Der Wortlaut ist absolut formuliert, und obwohl die Rechtsprechung durchaus Ausnahmen kennt (Verleumdung, unmittelbare Gewaltaufrufe, Obszönität), ist der Grundton ein anderer: Meinungsfreiheit ist nicht ein Recht unter vielen, sondern das Fundament, auf dem alle anderen Rechte ruhen.

Dahinter steht die Idee des „marketplace of ideas” – die Überzeugung, dass Wahrheit sich am besten im offenen Wettbewerb der Meinungen durchsetzt. Nicht ein Verbot sei die beste Antwort auf schlechte Ideen, sondern die bessere Idee. Das erklärt, warum der Supreme Court 2011 in Snyder v. Phelps sogar die Westboro Baptist Church schützte, deren Mitglieder vor Soldatenbeerdigungen Schilder mit Aufschriften wie „God Hates Fags” hochhielten. 8 zu 1 entschied das Gericht: geschützter politischer Ausdruck.

In Deutschland wäre das schwer vorstellbar. Und nicht nur das: In Deutschland ist es strafbar, einen Politiker als „Arschloch” zu bezeichnen (§ 185 StGB, Beleidigung). Bis 2017 existierte sogar § 103 StGB, die sogenannte Majestätsbeleidigung – ein Paragraph, der es ausländischen Staatsoberhäuptern erlaubte, deutsche Bürger strafrechtlich verfolgen zu lassen. Er wurde erst abgeschafft, nachdem der türkische Präsident Erdogan den Satiriker Jan Böhmermann wegen eines Schmähgedichts verklagt hatte und Bundeskanzlerin Merkel die Strafverfolgung zunächst ermöglichte. Dass ein ausländischer Regierungschef einen deutschen Satiriker über den deutschen Rechtsweg zum Schweigen bringen konnte, war kein Missbrauch des Systems sondern seine bestimmungsgemäße Funktion.

Wie weit das „Recht auf persönliche Ehre” reichen kann, zeigte 2024 ein Hamburger Fall, der international Aufmerksamkeit erregte: Eine Frau wurde wegen Beleidigung und Verleumdung verurteilt, weil sie einen Mann als „ehrloses Vergewaltigerschwein” bezeichnete – obwohl der Mann tatsächlich wegen Vergewaltigung verurteilt worden war. Juristisch korrekt, menschlich absurd: Auch Verurteilte haben ein Recht auf Ehre.

In den USA ist genau das konstitutionell geschützter politischer Ausdruck. Seit New York Times v. Sullivan (1964) haben Personen des öffentlichen Lebens faktisch kein Recht auf Beleidigungsklagen (außer bei nachweislicher böswilliger Falschaussage, „actual malice”). Das „Recht auf persönliche Ehre”, das unser Grundgesetz in Artikel 5 garantiert, wird in den USA bewusst der Meinungsfreiheit geopfert.

Wer in den USA gelebt hat, lernt das zu schätzen. Die Direktheit des politischen Diskurses, die Bereitschaft, auch unangenehme Meinungen auszuhalten, die Überzeugung, dass der Staat nicht entscheiden sollte, welche Gedanken zu gefährlich sind, um sie zu denken, das hat eine eigene Qualität. Evelyn Beatrice Hall hat das in ihrer Voltaire-Biographie in die berühmte Formel gegossen: „Ich missbillige, was Sie sagen, aber ich werde bis zum Tod Ihr Recht verteidigen, es zu sagen.”

Wo sich die USA selbst widersprechen

Allerdings ist die US-Praxis deutlich weniger konsistent, als die US-Rhetorik vermuten lässt. Und das ist – das sei ausdrücklich betont – kein reines Problem der republikanischen Partei und ihres aktuellen Regierungschefs. In der aktuellen Debatte beobachte ich immer wieder einen bestimmten Trend, nämlich, dass der Regierung Trump Handlungen vorgeworfen werden als hätten Sie diese erfunden und als wären diese nicht auch bereits unter demokratischen Präsidenten durchgeführt worden. Dabei möchte ich keineswegs in den Bereich von Whataboutism abgleiten, denn die aktuelle Regierung ist in vielerlei Hinsicht problematischer als alle vorhergehenden Regierungen. Allerdings sollte man die Entwicklung der USA als einen graduellen Prozess verstehen, der von beiden Parteien mit mehr oder weniger viel Energie vorangetrieben wird.

Hier sind einige wenige Beispiele, in denen verschiedene US Regierungen in den letzten Jahren Einfluss auf die Meinungsfreiheit in ihrem Land nahmen.

Jawboning: Wenn der Staat „bittet”. Im Fall Murthy v. Missouri (2024) wurde vor dem Supreme Court verhandelt, ob die Biden-Regierung Social-Media-Plattformen verfassungswidrig unter Druck gesetzt hatte, Inhalte zu unterdrücken. Die Fakten waren ausgesprochen unschön: White-House-Mitarbeiter hatten regelmäßige Meetings mit Facebook, Twitter und YouTube abgehalten, detaillierte Fragen zu deren Moderationspolitik gestellt, die Löschung bestimmter Inhalte gefordert und mit verschärfter Regulierung gedroht, wenn die Plattformen nicht „freiwillig” kooperierten. Meta-CEO Mark Zuckerberg bestätigte in einem Brief an den Kongress, dass sein Unternehmen Ziel dieser Kampagne gewesen sei. Die sogenannten „Twitter Files” – interne Kommunikation, die nach Elon Musks Übernahme veröffentlicht wurde – dokumentierten, wie FBI und andere Behörden systematisch Inhalte zur Löschung meldeten.

Der prominenteste Fall: Kurz vor der Präsidentschaftswahl 2020 unterdrückten Facebook und Twitter die Berichterstattung der New York Post über Hunter Bidens Laptop – nachdem das FBI die Plattformen vor einer möglichen „russischen Hack-and-Leak-Operation” gewarnt hatte. Die Geschichte stellte sich als authentisch heraus, aber zum Zeitpunkt der Wahl war sie effektiv aus dem öffentlichen Diskurs verschwunden. Ob das die Wahl beeinflusst hat, ist umstritten. Dass der Staat über informellen Druck und gezielte und gegebenenfalls irreführende Informationen dazu beigetragen hat, dass eine wahre Geschichte unterdrückt wurde, ist es nicht.

Der Supreme Court entschied in Murthy v. Missouri letztlich 6 zu 3, dass die Kläger keine Klagebefugnis hätten – er umging die eigentliche Verfassungsfrage also aus prozessualen Gründen. Richter Samuel Alito schrieb in seiner Dissent-Meinung, die Regierung habe eine „subtile und ausgeklügelte” Kampagne geführt, die „nicht weniger zwanghaft” gewesen sei als offene Zensur. FIRE, die Organisation von Greg Lukianoff, kommentierte: „Jawboning” – der informelle Druck der Regierung auf private Intermediäre – verletze die Meinungsfreiheit unabhängig davon, ob er von Demokraten oder Republikanern ausgeübt werde.

Das ist entscheidend für unser Thema: Was die Biden-Regierung gegenüber Social-Media-Plattformen tat, ist strukturell nicht unähnlich dem, was der DSA in Europa institutionalisiert. Der Unterschied: In den USA geschah es informell und wurde als Skandal aufgearbeitet. In Europa ist es geltendes Recht. Aber die Demokraten sind nicht allein – auch die aktuelle Regierung greift in die Meinungsfreiheit ein:

Forschungsfreiheit. Die National Institutes of Health (NIH) haben zahlreiche Forschungsanträge wegen DEI-bezogener Sprache zur Überprüfung markiert. Wörter wie „gender”, „diversity” und „sexual orientation” werden systematisch gesucht und entsprechende Forschungvorhaben überprüft und teilweise gestrichen. Forscher berichten, dass sie zur Selbstzensur gedrängt werden – nicht durch Gesetz, sondern durch die Drohung des Förderentzugs.

Schulbibliotheken. PEN America dokumentiert seit Jahren einen massiven Anstieg von Bücherbannungen an öffentlichen Schulen. Betroffen sind überwiegend Bücher über Rassismus, mit LGBTQ+-Themen oder People of Color als Hauptfiguren. Republikanisch regierte Bundesstaaten wie Utah und South Carolina haben staatliche Listen eingeführt.

Dieselbe Regierung, die europäische Organisationen als „Zensur-Agenten” sanktioniert, setzt im eigenen Land massive staatliche Mittel ein, um bestimmte Themen aus der Forschung und bestimmte Bücher aus Schulen zu verdrängen. Und ihre Vorgängerregierung hat Social-Media-Plattformen informell dazu gedrängt, unliebsame Inhalte zu unterdrücken.

Wo sich Deutschland nicht ehrlich macht

Deutschland hat allerdings wenig Grund zur Selbstgerechtigkeit, denn auch bei uns gibt es Mechanismen, die die öffentliche Debatte stärker beeinflussen, als vielen bewusst ist.

Geheime Indizierungslisten. Die Bundeszentrale für Kinder- und Jugendmedienschutz (BzKJ, vormals BPjM) führt eine Liste indizierter Medien, die nach § 18 Abs. 2 JuSchG in vier Teile gegliedert ist. Die Teile A und B sind öffentlich und enthalten indizierte Trägermedien – Bücher, DVDs, Computerspiele. Die Teile C und D sind geheim und enthalten vor allem Internetadressen. Teil D umfasst darüber hinaus Medien mit absolutem Verbreitungsverbot: Inhalte, die nicht einmal Erwachsenen zugänglich gemacht werden dürfen. Stand Ende 2025 enthält allein der nicht-öffentliche Listenteil tausende Einträge.

Das Prüfgremium. Die Entscheidung, welche Medien indiziert werden, trifft ein 12er-Gremium. Es besteht aus Vertretern der Länder, des Bundes, der Kunst, Literatur, Jugendhilfe – und Kirchen sowie jüdischen Kultusgemeinden. Religionsgemeinschaften sitzen also qua Gesetz im Gremium, das über die Zugänglichkeit von Medien entscheidet. Das Verfahren ist nicht-öffentlich.

Die Geheimhaltung ist dabei nicht bloß eine Verwaltungspraxis, sondern gesetzlich vorgeschrieben – und sie geht weiter, als die meisten ahnen. Ein Sachstand der Wissenschaftlichen Dienste des Bundestages (WD 10-014/21) dokumentiert einen bemerkenswerten Vorgang: Bundestagsabgeordnete wollten Einsicht in die Listen C und D nehmen – nicht um sie zu veröffentlichen, sondern um sicherzustellen, dass ihre eigenen Websites keine ungewollten Verlinkungen auf indizierte Inhalte enthalten. Die Antwort: Es fehlt an einer gesetzlichen Grundlage. Das Verwaltungsgericht Köln hat 2013 bestätigt, dass auch das Informationsfreiheitsgesetz keinen Zugang zu den geheimen Listen begründet. Die gewählten Volksvertreter dürfen also nicht wissen, was auf einer Liste steht, deren Existenz sie selbst gesetzlich angeordnet haben.

Das BPjM-Modul. Wie werden die geheimen Listen dann durchgesetzt? Über einen Umweg, der zumindest mich auch an die Vorgehensweise in den USA, also an jawboning, erinnert. § 24 Abs. 5 JuSchG sieht vor, dass die Internet-Adressen indizierter ausländischer Telemedien an anerkannte Einrichtungen der Selbstkontrolle mitgeteilt werden – „zum Zweck der Aufnahme in nutzerautonome Filterprogramme”. Die BzKJ stellt in Kooperation mit der Freiwilligen Selbstkontrolle Multimedia-Diensteanbieter (FSM) das sogenannte BPjM-Modul bereit: eine Datei, die als Negativliste in Filterprogramme integriert wird. Google, Microsoft und andere Suchmaschinenanbieter haben im Rahmen einer „Selbstverpflichtung” vereinbart, sämtliche indizierten Internetadressen aus ihren Ergebnislisten zu entfernen. Der Staat erstellt eine geheime Liste, gibt sie an eine private Selbstkontrolleinrichtung weiter, die sie an Suchmaschinen weiterreicht, die dann „freiwillig” filtern. Der Effekt ist derselbe wie bei einer staatlichen Sperrinfrastruktur – nur dass die formale Verantwortung über mehrere Ebenen verteilt wird. Wer gegen die Beschränkungen für indizierte Telemedien verstößt, riskiert Geldbußen bis zu 500.000 Euro. Die Veröffentlichung der Liste selbst steht unter Strafe (§ 27 JuSchG: Freiheitsstrafe bis zu einem Jahr). 2014 wurden über 3.000 Einträge des Moduls von Hackern geleakt – und waren damit erstmals öffentlich einsehbar.

Faktische Zensur für Erwachsene. Indizierung betrifft formal nur Minderjährige – zumindest bei den Listen A und C. In der Praxis aber dürfen indizierte Medien nicht beworben und im Versandhandel nur unter strengen Auflagen verkauft werden (§ 15 JuSchG). Liste D enthält sogar Medien mit absolutem Verbreitungsverbot, die niemand – auch keinem Erwachsenen – zugänglich machen darf. Kritiker argumentieren, dass selbst die Indizierung unterhalb des absoluten Verbreitungsverbots den Verkauf oft unwirtschaftlich macht und Medien faktisch vom Markt verschwinden lässt.

Wer die USA für die Entfernung von Büchern aus Schulbibliotheken kritisiert, sollte zur Kenntnis nehmen: In Deutschland gibt es geheime Listen, deren Veröffentlichung strafbar ist, in die selbst gewählte Volksvertreter keine Einsicht nehmen dürfen, die von einem nicht-öffentlich tagenden Gremium erstellt und über eine mehrstufige Konstruktion aus Staat, Selbstkontrolle und „freiwilligen” Selbstverpflichtungen privater Unternehmen durchgesetzt werden.

Die Trusted-Flagger-Frage: Wo die US-Kritik einen Punkt hat

HateAid wurde als „Trusted Flagger“ unter dem EU Digital Services Act (DSA) designiert. Das bedeutet: Meldungen von HateAid werden von Plattformen priorisiert behandelt. HateAid fungiert so als eine Art „Online-Sheriff” – eine staatlich finanzierte, formal private Organisation mit quasi-öffentlicher Funktion.

Wie groß das Netzwerk hinter solchen Strukturen inzwischen ist, wird von (teilweise selbst umstrittenen) Forschern wie Andrew Lowenthal kritisch beleuchtet. In Diskussionen um einen „Censorship Industrial Complex” wird ein Netzwerk aus Regierungsbehörden, NGOs und Stiftungen beschrieben, die in einer „epistemischen Blase” operieren. Die strukturelle Beobachtung ist schwer von der Hand zu weisen: Wenn staatlich finanzierte Organisationen in „gerichtsähnlichen” Verfahren darüber mitentscheiden, was Bürger sehen, lesen und sagen dürfen, dann braucht es dafür eine robuste demokratische Legitimation.

Greg Lukianoff, Präsident der Foundation for Individual Rights and Expression (FIRE), dokumentiert in seiner Arbeit, wohin die europäische Entwicklung führen kann, insbesondere im Hinblick auf Verhaftungen wegen Online-Äußerungen in Großbritannien, die eine ganz andere Dimension haben als in den USA.

Kinder, Erwachsene, Universitäten: Drei verschiedene Spielfelder

Ein differenzierter Blick muss zwischen drei Kontexten unterscheiden.

Bei Minderjährigen sind sich beide Systeme im Grundsatz einig: Kinder haben eingeschränkte Grundrechte, und Erwachsene dürfen über altersangemessene Inhalte entscheiden. Der Unterschied liegt im Mechanismus. In den USA läuft das über demokratisch gewählte School Boards und Landesregierungen– anfällig für lokale Mehrheiten und politische Konjunkturen, aber formal legitimiert durch Wahl. In Deutschland über eine Bundesbehörde mit quasi-gerichtlichem Verfahren – rechtsstaatlich eingehegt, aber weder direkt demokratisch gewählt noch transparent. Keiner von beiden ist per se illegitim.

Bei Erwachsenen divergieren die Systeme fundamental. Die NIH-Grant-Streichungen und die HateAid-Sanktionen zeigen: In den USA verwendet die Regierung wirtschaftlichen Druck (Förderentzug) und diplomatische Instrumente (Einreisesperren), um unerwünschte Inhalte zu bekämpfen – ohne formale Zensurgesetze. In Deutschland werden Äußerungen strafrechtlich verfolgt (§ 185 StGB Beleidigung, § 130 StGB Volksverhetzung, §§ 86, 86a StGB verfassungsfeindliche Symbole) – offen, gesetzlich geregelt und gerichtlich überprüfbar, aber mit dem Risiko eines erheblichen Chilling Effects.

An Universitäten sollten in beiden Systemen die vollen Freiheitsrechte gelten. Artikel 5 Absatz 3 GG schützt die Wissenschaftsfreiheit sogar ohne die Schranken des Absatzes 2 – ein stärkerer Schutz als für allgemeine Meinungsfreiheit. In den USA ist akademische Freiheit ein Kernbestandteil des First Amendment. Umso bemerkenswerter, dass gerade hier – bei den NIH-Grants, bei den Executive Orders zur „Beendigung radikaler Indoktrinierung” – die schärfsten Eingriffe stattfinden.

Der blinde Fleck: Wenn „Staatswohl” über Freiheit steht

Hier müssen wir uns einer unangenehmen Wahrheit stellen, die die US-Kritik – so polemisch sie auch vorgetragen wird – im Kern trifft. Deutschland und die EU haben in den letzten Jahren den Korridor des Sagbaren nicht nur durch Gesetze, sondern durch schwammige neue Kategorien verengt.

Das deutlichste Beispiel ist der Begriff der „Delegitimierung des Staates”, den der deutsche Verfassungsschutz vor einigen Jahren als neuen Phänomenbereich einführte. Die Idee: Wer das Vertrauen in die Funktionsfähigkeit des Staates systematisch untergräbt, kann beobachtet werden – auch unterhalb der Schwelle der Strafbarkeit. Aus US-Perspektive stößt dieses Konzept auf völliges Unverständnis. In der amerikanischen Tradition ist das „Untergraben des Vertrauens in den Staat” (also: fundamentale Kritik) keine Gefahr für die Demokratie, sondern das Wesen der Demokratie. Kritiker befürchten, dass, wenn der Staat definiert, wann Kritik zu „Delegitimierung” wird, er Gefahr läuft, nicht mehr nur die Verfassung, sondern sich selbst vor Spott und Ablehnung zu schützen.

Ähnlich verhält es sich mit dem Digital Services Act (DSA). Während das deutsche Strafrecht klare Grenzen kennt (Volksverhetzung ist definiert), operiert der DSA mit Risikomanagement. Plattformen müssen „systemische Risiken” für den zivilen Diskurs minimieren. Aber was ist ein Risiko? Ist eine harte Debatte über Migration ein „Risiko”? Ist Zweifel an der Klimapolitik „Desinformation”?

Der Übergang von „illegal” (juristisch prüfbar) zu „schädlich” (politisch interpretierbar) birgt das Risiko, den Plattformen die Rolle von Schiedsrichtern über Wahrheit und Moral aufzudrängen. Und da Plattformen wirtschaftliche Akteure sind, löschen sie im Zweifel lieber zu viel als zu wenig. Das Ergebnis ist das, was Kritiker „Overblocking” nennen – und was sich für den Nutzer am Ende genau so anfühlt wie Zensur, auch wenn kein staatlicher Stempel darauf klebt.

Das NetzDG als Exportartikel. Dass dieses Modell nicht nur innerhalb Europas Wirkung entfaltet, zeigt die internationale Rezeption des Netzwerkdurchsetzungsgesetzes (NetzDG), das 2017 eingeführt wurde. Verschiedene Länder weltweit – darunter auch solche mit autoritären Tendenzen wie Russland oder Venezuela – haben ähnliche Gesetze erlassen und dabei auf das deutsche Vorbild verwiesen. Es zeigt sich hier das Dilemma, dass Instrumente, die im eingebetteten Rechtsstaat funktionieren mögen, in anderen Kontexten missbraucht werden können. Dass unsere Gesetze auch von Regierungen als Referenz herangezogen werden, die demokratische Standards nicht teilen, sollte uns zumindest zur Vorsicht mahnen.

Meldestellen für legale Äußerungen. Noch einen Schritt weiter gehen die „Meldestellen gegen Hassrede im Internet”, die verschiedene Bundesländer eingerichtet haben. Sie erfassen explizit auch Äußerungen, die nicht strafbar sind – also legale Meinungsäußerungen, die aber als „problematisch” oder „diskriminierend” eingestuft werden. Die Idee dahinter ist die nachvollziehbare Absicht, Trends zu erkennen und Betroffene zu unterstützen. Aus US-Perspektive erscheint die quasi-staatliche Erfassung legaler Meinungsäußerungen jedoch fremd, wenn nicht gar verfassungsrechtlich problematisch. Es stellt sich die Frage: Wenn der Staat, oder zumindest von ihm geförderte Vereine, dokumentiert, was Bürger sagen, auch wenn es legal ist – wo verläuft die Grenze zur Gesinnungsprüfung?

Die US-Regierung mag scheinheilig sein, wenn sie Zensur in Europa anprangert, während sie Bücher verbietet – aber ihre Diagnose, dass Europa im Namen der Sicherheit eine Infrastruktur der Kontrolle aufgebaut hat, ist nicht völlig von der Hand zu weisen.

Fazit: Die unbequeme Wahrheit für beide Seiten

Die ehrliche Frage ist nicht: „Wer zensiert?” Beide haben Mechanismen zur Kontrolle von öffentlichen Meinungen und der Meinungsfreiheit. Die ehrliche Frage ist: „Wer ist ehrlicher darüber, dass und warum er es tut?”

Deutschland macht es mit offenem Visier. Es gibt Gesetze, es gibt Verfahren, es gibt den Rechtsweg. Das deutsche System ist transparent in seiner Absicht, wenn auch nicht immer in seiner Praxis. Die USA behaupten, es nicht zu tun – und tun es trotzdem, nur über andere Kanäle: politischer Druck auf Schulbezirke, Entzug von Forschungsgeldern.

Die Antwort darauf ist nicht, einer Seite Recht zu geben. Die Antwort ist intellektuelle Ehrlichkeit: Beide Systeme haben Stärken und blinde Flecken. Und die wichtigste Fähigkeit in dieser Debatte ist nicht, die eigene Position zu verteidigen, sondern die Gegenposition ernst zu nehmen.

Vor allem aber sollten wir wachsam sein, Kritik nicht pauschal abzulehnen, nur weil sie von außen oder von Personen kommt, die uns nicht gefallen. Der Fehlschluss, ein Argument allein deshalb abzulehnen, weil der Absender unsympathisch ist, hat einen Namen: Poisoning the Well. Und er ist in dieser Debatte allgegenwärtig. Die Kritik an den europäischen Beschränkungen der Meinungsfreiheit kommt nicht nur aus Washington – sie kommt auch aus den eigenen Reihen, von Juristen und Juristinnen, Bürgerrechtlern und Bürgerrechtlerinnen und Journalisten und Journalistinnen innerhalb Europas. Dass eine unbequeme Beobachtung auch von Leuten geteilt wird, die wir aus guten Gründen kritisch sehen, entbindet uns nicht von der Pflicht, sie ernsthaft zu prüfen.

Manchmal werde ich von Lesern und Leserinnen gefragt, warum ich so negativ berichte. Das ist jetzt nicht überraschend, oft sind meine Themen Replikationskrise, Interventionen die nicht funktionieren etc. Deshalb freut es mich, heute auch mal ein paar Zahlen zu präsentieren, die von einem bemerkenswerten Kulturwandel sprechen.

Es geht um die Frage, wie viel Zeit wir eigentlich mit unseren Kindern verbringen – und wer diese Zeit investiert. Die Daten zeigen: Wir leben in einer Ära der „intensiven Elternschaft”, die es so in der Geschichte noch nie gegeben hat.

Jetzt abonnieren

1. Der Trend zur totalen Präsenz

Zunächst der große Kontext: Amerikaner (und Menschen in fast allen westlichen Industrienationen) haben heute weniger Kinder als je zuvor. Die Fertilitätsrate in den USA sank bis 2024 auf 1,6 Babys pro Frau. Doch diejenigen, die Kinder haben, widmen ihnen so viel Zeit wie keine Generation vor ihnen.

Ein neuer Bericht in The Economist, basierend auf der American Heritage Time Use Study, zeigt, dass sich die Zeit, die Eltern in den USA mit ihren Kindern verbringen, zwischen 1965 und 2012 schlichtweg verdoppelt hat.

Wie man an der Grafik sieht, ist das kein linearer Prozess, sondern ein echter Generationen-Sprung:

• Millennials verbringen deutlich mehr Zeit mit ihren Kindern als die Gen X im gleichen Alter.

• Die Gen X wiederum verbrachte bereits doppelt so viel Zeit mit dem Nachwuchs wie die Baby-Boomer.

2. Die „Daddy-Revolution”: Väter überholen frühere Mütter

Der spannendste Teil dieses Wandels betrifft die Väter. Lange Zeit galt der Vater als der „abwesende Ernährer”. Diese Zeiten sind statistisch vorbei.

Ein Punkt, der mich besonders fasziniert hat: Väter von heute investieren mehr Zeit in ihre Kinder als die Frauen der „Silent Generation” (geboren vor 1945) und fast genauso viel wie die Mütter der Baby-Boomer-Generation.

Das ist eine massive Verschiebung der gesellschaftlichen Statik. Während der größte Sprung zwischen den Boomern und der Gen X stattfindet, haben Millennial-Väter das Niveau noch einmal gesteigert. Man sollte natürlich nicht unterschlagen, dass sie noch immer deutlich hinter den Frauen zurückliegen, weil auch diese deutlich mehr Zeit mit ihren Kindern verbringen als frühere Generationen. Aber dennoch finde ich den Wandel in einer doch relativ kurzen Zeit, zumindest historisch gesehen, bemerkenswert.

3. Blick auf Deutschland: Eine halbe Stunde mehr in zehn Jahren

Auch die Daten des Statistischen Bundesamtes für Deutschland bestätigen diesen Trend eindrucksvoll. Hier sehen wir zwar keine so lange Zeitreihe, aber der Vergleich der letzten Dekade spricht Bände.

• Der Sprung: Im Jahr 2022 verbrachten Väter in Deutschland im Schnitt 1 Stunde und 19 Minuten pro Tag mit aktiver Kinderbetreuung.

• Vor 10 Jahren: Im Zeitraum 2012/2013 waren es lediglich 51 Minuten.

Innerhalb von nur zehn Jahren haben deutsche Väter also fast 30 Minuten tägliche „Quality Time” hinzugefügt. Dabei gibt es immer noch qualitative Unterschiede: Wenn Väter sich kümmern, dann besonders intensiv bei Sport und Spiel (anteilig mehr als Mütter), während Mütter nach wie vor den Löwenanteil der körperlichen Versorgung (Füttern, Anziehen) übernehmen. Dementsprechend ist hier natürlich noch deutlich Luft nach oben in der Art der verbrachten Zeit.

4. Die schrumpfende Lücke

Dieser Trend hat sich in den letzten Jahren weiter beschleunigt. In den USA stieg die Zeit, die Väter mit Hausarbeit verbringen, seit 2019 um 30 %.

Mütter leisten zwar immer noch mehr (in Deutschland ca. 2 Std. 18 Min. gegenüber 1 Std. 19 Min.), aber die Kurven bewegen sich aufeinander zu. Ob diese Entwicklung linear weitergeht, bleibt abzuwarten – soziale Trends folgen selten einfachen Extrapolationen. Doch die Richtung ist eindeutig.

5. Die Kehrseite: Wenn Perfektionismus die Familie schrumpfen lässt

Doch dieser beeindruckende Wandel, insbesondere bei der insgesamt gesteigerten Kinderbetreuung, wirft auch Fragen auf. Bevor wir das Ganze als rein positive Nachricht verbuchen, lohnt sich ein kritischer Blick auf die möglichen Folgen dieser „intensiven Elternschaft”. Ein aktueller Artikel im Works in Progress Magazine („Two is already too many“) beleuchtet ein düsteres Paradoxon: Je höher die Standards für die Kinderbetreuung steigen, desto „unrentabler” wird das zweite oder dritte Kind.

Das extremste Beispiel hierfür ist Südkorea, das Land mit der weltweit niedrigsten Geburtenrate (ca. 0,7). Dort ist Elternschaft zu einem derart ressourcenintensiven Projekt geworden (private Nachhilfe, 24/7-Förderung, soziale Statussymbole), dass viele junge Paare das Risiko eines Kindes gar nicht erst eingehen – oder es bei einem belassen.

Natürlich spielen in Südkorea auch andere Faktoren eine Rolle – extreme Wohnkosten, rigide Arbeitsmärkte, ausgeprägte Gender-Ungleichheit. Doch die Hypothese ist plausibel: Wenn die gesellschaftliche Norm verlangt, dass jedes Kind ein Maximum an Zeit und Geld erhält, könnte dies einen „Quantity-Quality Trade-off” erzeugen:

• Investitionszwang: Die Grenzkosten für weitere Kinder steigen astronomisch an, wenn jedes Kind intensive Betreuung erhalten soll.

• Antinatalistisches Umfeld: Intensive Elternschaft schafft ein Umfeld, das Eltern unter Druck setzt, die „nur” durchschnittlich viel Zeit investieren. Das macht weitere Kinder faktisch schwieriger, wenn man den eigenen (und gesellschaftlichen) Ansprüchen genügen will.

6. Ein Wort der Vorsicht: Brauchen Kinder mehr „Risk-Taking”?

Neben dem demografischen Aspekt gibt es auch entwicklungspsychologische Fragen – hier bewegen wir uns allerdings auf spekulativem Terrain, da die empirische Evidenz noch dünn ist. Der Sozialpsychologe Jonathan Haidt hat in seinen Arbeiten (u.a. The Coddled American Mind und The Anxious Generation) eine kontroverse These aufgestellt: Die intensive elterliche Präsenz könnte unbeabsichtigte Nebenwirkungen haben.

Seine zentrale Argumentation: Kinder sind „antifragil”. Wie das Immunsystem brauchen sie Stressoren, kleine Risiken und vor allem unüberwachte Zeit, um Resilienz zu entwickeln. Wenn wir (Väter und Mütter gleichermaßen) nun jede freie Minute damit verbringen, unsere Kinder zu beaufsichtigen und zu fördern, nehmen wir ihnen möglicherweise den Raum für eigenständige Erfahrungen.

Haidt sieht dabei mehrere potenzielle Risiken:

• Eingeschränktes Risk-Taking: Wenn immer ein Elternteil als „Sicherheitsnetz” daneben steht, lernen Kinder nicht mehr, Gefahren selbst einzuschätzen und mit Unsicherheit umzugehen.

• Verschiebung der Kindheit: Haidt argumentiert, dass wir die „play-based childhood” (spielbasierte Kindheit mit viel unstrukturiertem Spiel) durch eine über-überwachte Kindheit ersetzt haben. Seine umstrittene These: Dies könnte zu der beobachteten Zunahme psychischer Probleme bei Jugendlichen beigetragen haben.

Ob diese Kausalität tatsächlich besteht, ist empirisch noch nicht geklärt – hier vermischen sich Korrelationen mit plausiblen, aber noch nicht bewiesenen Mechanismen. Sicher ist aber: Dass die Last heute auf mehr Schultern verteilt wird als je zuvor, ist zweifellos ein Erfolg für die Gleichberechtigung. Wir sollten nur darauf achten, dass mehr Zeit nicht automatisch mit weniger Autonomie für Kinder gleichgesetzt wird, und dass wir die Messlatte für „gute Eltern” nicht so hoch legen, dass sie weder für die Demografie noch für die Entwicklung der Kinder förderlich ist. Risk-Taking: Wenn immer ein Elternteil als „Sicherheitsnetz” daneben steht, lernen Kinder nicht mehr, Gefahren selbst einzuschätzen und mit Unsicherheit umzugehen.

Die Daten zeigen ein Paradox: Väter haben aufgeholt, aber Mütter haben nicht entsprechend reduziert – stattdessen intensivieren beide gleichzeitig. Das Ergebnis ist ein Wettrüsten um elterliche Präsenz. Wenn Haidts These stimmt, bräuchten wir nicht nur engagiertere Väter (Check!), sondern auch den Mut, als Eltern – Mütter wie Väter – wieder einen Schritt zurückzutreten.

Jetzt abonnieren

Vor zwei Wochen habe ich hier dargelegt, warum ich mich aufgrund der psycholinguistischen Evidenz zum „Male Bias“ dazu entschieden habe, den Genderstern, trotz initialer Bedenken, zu nutzen. Mein ursprünglicher Prior, bzw. die grundlegende Überlegung war klar: Die kognitive Sichtbarkeit von Frauen ist ein so hohes Gut, dass die Kosten der Maßnahme vernachlässigbar erschienen.

Jetzt abonnieren

Wenn man meine Überlegen verschriftlichen müssten, sähe die “Formel” vermutlich so aus:

Bei mir ergab die Berechnung ein positives Ergebnis, demnach habe ich mein Verhalten angepasst. Natürlich habe ich das in diesem Zeitpunkt nicht so gemacht, bzw. diese Formel nicht mit Werten befüllt. Aber es stellt meine Überlegungen ganz gut gar.

Doch als Analyst ist es meine Pflicht, die Likelihood neuer Datenpunkte zu bewerten. Das Feedback der letzten Wochen, eine Mischung aus detaillierten Mails, Mastodon-Diskussionen, Kommentaren und dem Hinweis auf soziologische Studien, fungiert als neuer Datensatz.

Was folgt, ist kein „Rückzug“ vor Kritik, sondern ein klassisches Bayesianisches Update: Meine Posterior-Einschätzung hat sich verschoben. Bevor ich jedoch eine finale Entscheidung treffe, muss ich zwei Probleme lösen: die objektive Gewichtung der Kosten und die Repräsentativität des Feedbacks für meine Leserschaft.

Die empirische Basis der Nebenwirkungen

Ich muss eingestehen, dass ich die negativen Terme in meiner Gleichung teils theoretisch unterschätzt, teils empirisch falsch gewichtet habe. Lasst mich differenzieren zwischen objektiven Daten und leserschaftsspezifischen Unsicherheiten:

1. Barrierefreiheit vs. Sichtbarkeit: Der objektive Größenordnungs-Vergleich

Hier liegt die mathematisch schmerzhafteste Abwägung. Wenn wir Inklusion quantitativ betrachten, ergibt sich folgendes Bild:

• Nicht-binäre Personen: Schätzungen liegen im Bereich von 0,3 % bis 1 % der Bevölkerung. Der Genderstern macht sie sichtbar – ein hohes ethisches Ziel.

• Menschen mit geringer Lese-Kompetenz: Laut der LEO-Studie (2018) haben allein in Deutschland ca. 6,2 Millionen Erwachsene (ca. 12 %) große Schwierigkeiten mit komplexen Texten. Es ist plausibel anzunehmen, dass Sonderzeichen im Wortinneren diese Schwierigkeiten verstärken.

• Dyslexie & Sehbehinderung: Hinzu kommen Millionen Menschen mit Dyslexie oder Sehbehinderungen, für die Sonderzeichen in Wörtern (und deren Interpretation durch Screenreader) oft eine Hürde darstellen.

Der Größenordnungs-Faktor: Wenn ich den Genderstern nutze, entscheide ich mich für die Sichtbarkeit einer Gruppe (0,3–1 %) auf potenzielle Kosten der Barrierefreiheit für eine um den Faktor 10 bis 20 größere Gruppe (12 % + weitere Millionen). Dieser Vergleich gilt unabhängig von der Weltanschauung – aber gilt er auch für die spezifische Leserschaft der „Nullhypothese“?

2. Die „Reaktanz-Steuer“: Gesamtbevölkerung vs. meine Community

Studien wie die von Jäckle (2022) zeigen eine massive Ablehnung gegenüber Sonderzeichen in der Gesamtbevölkerung (über 70 %). Wenn eine Sprachform bei der Mehrheit Widerstand auslöst, riskiert die Form, die Botschaft zu korrumpieren.

Aber: Mein Publikum ist (vermutlich) nicht repräsentativ für den Durchschnitt. Ich vermute, dass ein nicht unerheblicher Anteil hier aus dem akademischem Umfeld stammt und daher in vielerlei Hinsicht unterschiedlich zur Bevölkerung ist (auch wenn ich das nie erfasst haben). Die 70 % aus der Jäckle-Studie sagen mir wenig darüber, wie ihr den Stern wahrnehmt. Das kritische Feedback war laut – aber unterliege ich hier einem Selection Bias, bei dem sich nur die Kritiker melden, während die „schweigende Mehrheit“ den Stern vielleicht schätzt?

3. Der „Human Factor“ und das Signalrauschen

Schreiben ist ein automatisierter Prozess. Da meine „Hardverdrahtung“ vor einigen Jahren ohne Gendern erfolgte, ist die Fehlerquote unerwünscht hoch.

Ein Beispiel: Auf Mastodon entstand eine Debatte, weil ich in einem Nebensatz von „Kritikern“ sprach – schlicht, weil ich im Schreibfluss das Sternchen vergessen hatte. Die Folge: Spekulationen darüber, ob ich hier explizit nur männliche Kritiker meinte. Wenn das Fehlen eines Zeichens zur inhaltlichen Aussage uminterpretiert wird, erzeugt die Methode unkontrollierbares Signalrauschen.

Das Dilemma der Exklusion: Zwischen zwei Unvollkommenheiten

Es gibt keine „perfekte“ Lösung, nur eine Optimierung unter Nebenbedingungen. Ich stehe vor der Wahl zwischen zwei Fehlern:

• Fehler Typ I (Genderstern): Maximale Sichtbarkeit für alle Identitäten (inkl. nicht-binär), aber objektiv höhere Barrieren für eine deutlich größere Gruppe + unklare Reaktanz-Kosten in meiner Community + eigene Fehleranfälligkeit.

• Fehler Typ II (Doppelnennung): Barrierefrei, kognitiv wirksam für die Sichtbarkeit von Frauen, aber rein binär verkürzt. Nicht-binäre Identitäten werden erneut unsichtbar gemacht.

Meine vorläufige Tendenz und was ich von euch brauche

Objektiv spricht der Größenordnungs-Vergleich (Barrierefreiheit) für die Doppelnennung. Aber ich möchte nicht auf Basis von Annahmen entscheiden, die ich nicht verifiziert habe.

Genau deshalb brauche ich eure Rückmeldung. Nicht als demokratisches Votum über die Wahrheit, sondern als Datensatz, um die publikumsspezifischen Kosten besser einschätzen zu können.

Die Umfrage: Eure Perspektive als Datenpunkt

Ich bitte euch um Teilnahme an dieser kurzen Erhebung:

Die Umfrage läuft eine Woche. Ich habe hier den Berufsstand der Jagenden im übrigen gewählt, weil die Umfrage nur kurze Optionen erlaubt und “Wissenschaftler*innen” zu lang ist um in der Umfrage platziert zu werden.

Diese Umfrage ist kein Mehrheitsvotum über die Methode an sich, aber sie hilft mir zu verstehen, ob die Kosten des Sterns (Reaktanz, Lesestörung) für euch tatsächlich so hoch sind, wie das externe Feedback nahelegt.

Was sich nicht geändert hat

Die psycholinguistische Evidenz zum Male Bias bleibt robust. Die Doppelnennung ist kognitiv wirksamer als das generische Maskulinum – das zeigt die Forschung nach wie vor (Brohmer et al., 2024; Cruz Neri & Siems-Muntoni, 2025). Damit bleibt der linke Term meiner Formal weiterhin erhalten.

Was sich geändert hat, ist meine Einschätzung der relativen Kosten verschiedener Formen geschlechtergerechter Sprache. Ich halte es mit Keynes: „When the facts change, I change my mind.“ Aber ich muss sicherstellen, dass die „Facts“ nicht nur Selection Bias im Posteingang sind.

Ich bin auf das Ergebnis der Umfrage gespannt und bedanke mich aber dennoch schonmal bei allen Leserinnen und Lesern/Lesenden/Leser*innen, die sich an der Diskussion auf unterschiedlichen Plattformen beteiligt haben.

Teilen

Literaturverzeichnis

Brohmer, H., Hofer, G., Bauch, S. A., Beitner, J., Berkessel, J. B., Corcoran, K., ... & Jauk, E. (2024). Effects of the generic masculine and its alternatives in Germanophone countries: A multi-lab replication and extension of Stahlberg, Sczesny, and Braun (2001). International Review of Social Psychology, 37(1), 1–25.

Grotlüschen, A., Buddeberg, K., Dutz, G., Heilmann, K., & Stammer, C. (2019). LEO 2018: Leben mit geringer Literalität. Pressebroschüre. Universität Hamburg.

Jäckle, S. (2023). Per aspera ad astra – Eine politikwissenschaftliche Analyse der Akzeptanz des Gendersterns in der deutschen Bevölkerung auf Basis einer Online-Umfrage. Politische Vierteljahresschrift, 64, 469–497. https://doi.org/10.1007/s11615-022-00380-z

Cruz Neri, N., & Siems-Muntoni, F. (2025). A systematic review of the effects of gender-fair language in German as a grammatical gender language. [Preprint].

71 Forschungsteams. Ein Datensatz. Eine Frage. Und keine zwei Ergebnisse waren gleich.

[2.6.2026: Ein neuer methodischer Kommentar hinterfragt die methodischen Entscheidungen der Datenanalyse deutlich, so dass Ideologie als erklärende Grundlage für die Abweichungen nun auf deutlich schwächeren Beinen steht. Ich habe dazu am Ende des Artikels eine Ergänzung gemacht um diese Befunde einzuordnen.]

Was wie ein methodisches Desaster klingt, ist in Wahrheit ein Blick in den „Maschinenraum“ der Wissenschaft, und zeigt, warum wir dringend über strukturelle Absicherungen gegen Bias sprechen müssen. Nicht weil einzelne Studien falsch sind, sondern weil selbst gute Forschung systematische Gegengewichte braucht.

Jetzt abonnieren

Der Ausgangspunkt: Ein unbequemer Kommentar

In einem meiner letzten Artikel habe ich dargelegt, warum ich die Evidenz für gender-gerechte Sprache derzeit für mich persönlich für ausreichend halte, um sie im Alltag zu verwenden. Ein Leser hinterließ dazu einen kritischen Kommentar, der einen wunden Punkt trifft: Personen, die zu Gendersprache forschen, - so der Kommentar - seien meist selbst von deren Effektivität und ihrer ideologischen Richtigkeit überzeugt. Dieser Researcher Bias führe dazu, dass Forschungsentscheidungen (bewusst oder unbewusst) so getroffen würden, dass sie die gewünschten Hypothesen bestätigen.

Diese Kritik bzw. diese Befürchtung hat eine grundsätzliche Berechtigung, weil sie auf ein strukturelles Problem hinweist: Wissenschaft braucht systematische Mechanismen gegen Bias, nicht nur gute Absichten. Neue Studien zeigen nun, dass dieser Effekt sich präzise im „Maschinenraum“ der Forschung nachweisen lässt – und dass die Lösung nicht in mehr Selbstkontrolle liegt, sondern in institutioneller ideologischer Vielfalt. Wie anfällig ist Forschung überhaupt für politische Überzeugungen? Schauen wir uns die Evidenz an.

Das Rätsel der 1.253 Modelle

Wissenschaftliche Objektivität wird oft als ein Zustand missverstanden, in dem Daten einfach für sich selbst sprechen. Dass dies ein Trugschluss ist, zeigte ein spannendes Crowdsourcing-Experiment von Breznau et al. (2022).

Die Forscher gaben 71 Teams (insgesamt 158 Forscher*innen) denselben Datensatz des International Social Survey Programme (ISSP) und dieselbe Forschungsfrage: „Reduziert Zuwanderung die öffentliche Unterstützung für Sozialstaatsprogramme?“

Das Ergebnis war ernüchternd: Kein einziges Team kam zum exakt gleichen numerischen Ergebnis. Obwohl alle mit identischen Daten arbeiteten, reichten die Schätzungen von stark negativ bis stark positiv. In der ursprünglichen Publikation wurde dies als „verborgenes Universum der Unsicherheit“ bezeichnet. Man fand damals kaum erklärbare Gründe für die enorme Streuung.

Ich hatte diese Studie 2022 aufmerksam gelesen, weil sie für mich eher ein Indikator für fragwürdige Forschungspraktiken (Questionable Research Practices) war und damit einer der „Reiter“ der Replikationskrise. Doch eine neue Analyse dieser Daten zeigt einen weiteren spannenden Aspekt auf: die politischen Überzeugungen der Forschenden.

Der politische Kompass im „Garten der Verzweigungen“

Diese Überzeugungen wurden in einer Re-Analyse von Borjas und Breznau (2026) untersucht. Sie wiesen nach, dass die Streuung der Ergebnisse kein zufälliges Rauschen war, sondern systematisch mit der Ideologie der durchführenden Forschungsteams korrelierte.

Methodik und quantitative Unterschiede

Die Forscher*innen untersuchten 1.253 verschiedene Regressionsmodelle, die von den 71 Teams erstellt wurden. Um den Bias zu messen, kategorisierten sie die Teams in „pro-Immigration“, „moderat“ und „anti-Immigration“ (basierend auf Vorab-Fragebögen, die von den Teams vor Beginn der Analyse 2022 ausgefüllt wurden).

Die Ergebnisse zeigen die Hebelwirkung der ideologischen Überzeugung:

• Absolute Differenz: Der Unterschied im durchschnittlichen marginalen Effekt (AME) zwischen pro- und anti-Immigrations-Teams betrug 0,085 Punkte (P = 0,008).

Exkurs: Was ist der AME? Der Average Marginal Effect gibt an, wie stark sich die Wahrscheinlichkeit für die Zustimmung zu Sozialprogrammen im Schnitt verändert, wenn der Migrant*innenanteil um einen Prozentpunkt steigt. Ein AME von 0,05 hieße etwa, dass die Zustimmung um 5 Prozentpunkte zunimmt.

Was fanden die Teams konkret? In der bereinigten Analyse (unter Kontrolle von Disziplin und Erfahrung) lag der geschätzte Effekt der pro-Immigrations Teams bei +0,027, während die anti-Immigrations Teams bei -0,057 landeten. Ein pro-Immigration Team findet also eher Evidenz dafür, dass Einwanderung die Unterstützung für den Sozialstaat erhöht, während das gegnerische Lager das Gegenteil findet.

Relative Einordnung: Dieser Unterschied ist erheblich. In der Verteilung aller möglichen Ergebnisse entspricht diese Verschiebung dem Sprung vom 16. Perzentil zum 63. Perzentil. Das bedeutet: Die politische Einstellung allein erklärt eine Verschiebung über 47 Prozentpunkte der Ergebnisverteilung (Borjas & Breznau, 2026).

Der Mechanismus: Stock vs. Flow

Die Forscher*innen identifizierten fünf zentrale Design-Entscheidungen, die 68 % der Differenz zwischen den Lagern erklärten. Eine der wichtigsten Weichenstellungen war die Frage, wie Migration überhaupt gemessen wird:

• Stock (Bestand): Dies misst den Anteil der im Ausland geborenen Bevölkerung zu einem festen Zeitpunkt (z. B. „15 % der Einwohner sind Migranten“). Es ist ein statisches Bild der Gegenwart.

• Flow (Zustrom): Dies misst die Netto-Zuwanderung innerhalb eines Zeitraums (z. B. „Letztes Jahr kamen 200.000 Menschen hinzu“). Es ist ein dynamisches Bild der Veränderung.

Es stellte sich heraus: Anti-Immigrations Teams wählten häufiger Flow-Messungen, die negative Effekte verstärkten. Pro-Immigrations Teams bevorzugten Stock-Messungen, die mildere Ergebnisse lieferten. Eine Entscheidung, die rein technisch begründet werden kann – aber systematisch mit der Ideologie korrelierte. Der „Garden of Forking Paths“ (Garten der Verzweigungen) beschreibt genau das: In jedem Analyseprozess gibt es Dutzende solcher legitimen Entscheidungspunkte. Forscher*innen wählen an jeder Weggabelung unbewusst jenen Pfad, der ihr Weltbild stützt.

Abbildung 1 aus Borjas & Breznau (2026): Verteilung der Ideologie der Forscher und Korrelation mit den AME-Ergebnissen.

Diese Studie zeigt auf eine bisher einzigartige Weise, wie Ideologie den Forschungsprozess durchdringen kann. Während frühere Arbeiten oft nur zeigen konnten, dass Forscher*innen Ergebnisse unterschiedlich bewerten oder Texte unterschiedlich formulieren, dokumentiert Borjas (2026) erstmals in einem experimentellen Setting, wie der Bias bereits in die Produktion der harten Zahlen einfließt.

Das bedeutet natürlich nicht, dass dies immer der Fall ist. Auch in der von mir vorgestellten Forschung zu gendergerechter Sprache lässt sich ein solcher Bias nicht automatisch unterstellen. Aber die Ergebnisse sollten uns zu denken geben: Wenn politische Überzeugungen selbst bei Daten wie Migrationsstatistiken einen so massiven Einfluss haben, wie sieht es dann in noch stärker normativ aufgeladenen Feldern aus? Das führt uns zu der Frage, wie die Gemeinschaft der Forschenden als Ganzes beschaffen sein muss, um dieses Risiko zu minimieren.

Die Krise der epistemischen Gemeinschaft

Wenn wir diese Erkenntnisse auf Felder wie die Gender-Forschung oder die Migrationssoziologie übertragen, wird deutlich, warum politische Homogenität ein methodisches Problem ist. VanderWeele (2025) beschreibt in seinem aktuellen Kommentar, dass Wissenschaft keine Einzelleistung ist, sondern von einer „epistemischen Gemeinschaft“ abhängt. Das bedeutet nicht, dass homogene Felder automatisch falsche Ergebnisse produzieren, es bedeutet aber, dass wir ihre Robustheit schwerer einschätzen können.

Die Folgen ideologischer Monokulturen

In den USA hat sich das Verhältnis von linken (engl. “liberal”) zu konservativen Professor*innen in manchen Feldern von 2:1 auf über 12:1 (teilweise sogar 42:1) verschoben (VanderWeele, 2025). In einigen Fächern gibt es demnach kaum noch Personen, die sich selbst als konservativ bezeichnen. Trotz Recherche konnte ich leider keine Daten finden, die die politische Orientierung deutscher Wissenschaftler*innen systematisch erfassen, es ist aber eine persönliche Einschätzung, dass auch deutsche Professuren tendenziell mittig bis links dominiert sind, natürlich abhängig ihrer Fächer (Jura ist vermutlich konservativer als die Literaturwissenschaft).

Eine starke ideologische Verschiebung führt, generell betrachtet, laut VanderWeele zu drei kritischen Fehlentwicklungen:

1. Selektive Fragestellungen: Bestimmte Hypothesen (z. B. negative Nebenwirkungen des Genderns für Menschen mit Leseschwäche) werden gar nicht erst geprüft.

2. Schwaches Peer-Review: Borjas und Breznau (2026) fanden heraus, dass Teams mit extremen Ideologien schlechtere Review-Noten erhielten. Die moderaten Teams erreichten einen durchschnittlichen Referee-Score von 0,35, während anti-Immigrations Teams 0,03 und pro-Immigration Teams -0,33 erzielten. Doch dieses Korrektiv funktioniert nur, wenn die Gutachter*innen nicht denselben Bias teilen.

3. Selbstzensur: Forscher*innen mit abweichenden Ansichten schweigen oft, um soziale Ausgrenzung zu vermeiden.

Der Preis des Vertrauens und warum Neutralität schützt

Dieser Bias bleibt der Öffentlichkeit nicht verborgen. Wenn wissenschaftliche Institutionen politisch Partei ergreifen, gefährden sie ihre wichtigste Ressource: das Vertrauen.

Dies zeigt sich sehr klar beim renommiertesten Journal der Welt. Eine Studie von Zhang et al. (2023) untersuchte die Folgen, nachdem Nature im Jahr 2020 eine Wahlempfehlung für Joe Biden ausgesprochen hatte. Das Ergebnis: Die Wahlempfehlung änderte kein Abstimmverhalten, senkte aber das Vertrauen konservativer Leser in die Objektivität des Journals massiv. Trump-Wähler*innen hielten die Redakteur*innen danach für weniger informiert und voreingenommener (Zhang et al., 2023).

Das Paradoxe: Nature wollte vermutlich die Wissenschaft stärken. Stattdessen beschädigte das Journal seine Glaubwürdigkeit bei genau jenen Menschen, deren Vertrauen die Wissenschaft am dringendsten braucht.

Abbildung 3 aus Zhang et al. (2023): Vertrauensverlust in Nature nach der politischen Wahlempfehlung

Fazit: Gute Forschung braucht strukturelle Absicherungen

Zurück zum Leserkommentar: Ist die Gendersprache-Forschung durch Researcher Bias kompromittiert? Die ehrliche Antwort: Ich weiß es nicht – und niemand kann es derzeit zuverlässig beurteilen.

Was wir wissen: Die Borjas-Breznau-Studie zeigt, dass politische Überzeugungen systematisch die Forschungsergebnisse beeinflussen können. 71 Teams, dieselben Daten, unterschiedliche Ideologien und 47 Prozentpunkte Unterschied in den Ergebnissen. Der Mechanismus ist real und messbar.

Was wir nicht wissen: Ob die Gendersprache-Forschung genug Viewpoint Diversity hat, um diesem Bias zu begegnen. Ohne Daten zur ideologischen Zusammensetzung des Feldes können wir die Robustheit der Evidenz schwerer einschätzen, unabhängig davon, wie methodisch sauber einzelne Studien sind.

Deshalb meine Position: Ich verwende gendergerechte Sprache weiterhin (die Evidenz erscheint mir solide genug), bleibe aber offen für Revision. Das ist keine Schwäche, sondern epistemische Bescheidenheit: Wenn die Evidenz sich ändert, ändere ich meine Meinung. Und es unterstreicht die Kernforderung dieses Artikels: Gute Wissenschaft braucht strukturelle Absicherungen gegen Bias, nicht nur individuelle Integrität.

Drei konkrete Schritte für robustere Forschung:

1. Institutionelle Neutralität: Universitäten und Journals müssen das neutrale Stadion sein, in dem der Wettbewerb der Ideen stattfindet – nicht der Schiedsrichter mit eigener Flagge.

2. Individuelle Pluralität: Wir brauchen „Viewpoint Diversity“. Ein*e konservative*r Forscher*in ist die beste Prüfung für ein linkes Forschungsdesign und umgekehrt.

3. Methodische Transparenz: Studien müssen ihre „Forking Paths“ offenlegen. Pre-Registration und Open Data sind hier zentrale Werkzeuge.

Nur wenn wir die politische Vielfalt an den Hochschulen als methodisches Qualitätsmerkmal begreifen – vergleichbar mit statistischer Power oder Stichprobengröße – können wir das Vertrauen einer pluralistischen Gesellschaft rechtfertigen.

Teilen

Update (Juni 2026): Wie robust ist die Borjas-Breznau-Studie selbst?

Kurz nach Veröffentlichung dieses Artikels erschien ein methodischer Kommentar von Auspurg und Brüderl (LMU München), der die Kernergebnisse von Borjas & Breznau (2026) erheblich relativiert. Die Autor*innen konnten die numerischen Ergebnisse zwar reproduzieren, zeigen aber, dass der Ideologie-Effekt ausschließlich unter drei spezifischen Modellentscheidungen auftritt und in 81 von 84 alternativen, methodisch vertretbaren Spezifikationen verschwindet.

Die drei problematischen Entscheidungen im Einzelnen: Erstens enthält das Kodierungsschema für Disziplinen vier Kategorien mit je nur einem Team, was de facto Team-Fixed-Effects erzeugt und genau jene vier Teams aus der Schätzung ausschließt, deren Daten der Ideologie-Hypothese widersprechen, darunter Team 33, das trotz maximaler Pro-Einwanderungs-Haltung stark negative AMEs berichtete. Zweitens verwendeten Borjas & Breznau eine abweichende Outcome-Variable, bei der die im Original vorgenommene Rescaling-Transformation für Flow-basierte Schätzungen fehlt, was Ausreißer produziert, die ungleich über ideologische Gruppen verteilt sind. Drittens setzen sie ein Gewichtungsschema ein, das methodisch nicht begründet ist und die empirische Heteroskedastizitätsstruktur der Daten nicht abbildet.

Was bedeutet das für die Kernaussage dieses Artikels? Der Mechanismus des „Garden of Forking Paths” bleibt plausibel und gut belegt, Breznau et al. (2022) hatten die massive Streuung der Ergebnisse bereits dokumentiert, bevor Borjas & Breznau nach einer Erklärung suchten. Aber die These, dass Ideologie der entscheidende Treiber dieser Streuung ist, steht nach dem Comment deutlich schwächer da als zum Zeitpunkt der Erstpublikation. Es ist eine schöne Ironie: Eine Studie über ideologischen Bias in der Forschung weist selbst methodische Fragilität auf, die erst durch unabhängige Nachprüfung sichtbar wird und illustriert damit unfreiwillig genau das Argument für Replikation und methodische Transparenz, das dieser Artikel macht.

Auspurg, K., & Brüderl, J. (2026). Fragile Evidence for an Ideological Bias in the Production of Research Findings: Comment on Borjas and Breznau. MetaArXiv. https://doi.org/10.31222/osf.io/4sepa_v2

Quellenverzeichnis

• Borjas, G. J., & Breznau, N. (2026). Ideological bias in the production of research findings. Science Advances, 12(1), eadz7173. https://doi.org/10.1126/sciadv.adz7173

• Breznau, N., Rinke, E. M., Wuttke, A., et al. (2022). Observing many researchers using the same data and hypothesis reveals a hidden universe of uncertainty. Proceedings of the National Academy of Sciences (PNAS), 119(44), e2203150119. https://doi.org/10.1073/pnas.2203150119

• VanderWeele, T. J. (2025). Intellectual and viewpoint diversity: Importance, scope and bounds. Education Sciences, 15(12), 1592. https://doi.org/10.3390/educsci15121592

• Zhang, F. J. (2023). Political endorsement by Nature and trust in scientific journals. Nature Human Behaviour, 7(5), 670-671. https://doi.org/10.1038/s41562-023-01537-5