Wer misst KI-Verzerrungen gegenüber Frauen ab 45 Jahren: eine offene Karte
Organisationen und Forschungsteams, die KI auf Verzerrungen nach Alter und Geschlecht prüfen.
Die Karte verzeichnet Organisationen und Forschungsteams, die Arbeiten zu KI-Verzerrungen nach Alter, nach Geschlecht oder nach beidem zugleich veröffentlichen. Jeder Eintrag verlinkt auf seine Primärquelle, die Reihenfolge ist alphabetisch. Die Karte wurde von Womafreesm erstellt. Das Audit 45-64 von Womafreesm steht nach denselben Regeln auf der Karte, und wir sagen das offen.
Kartendaten herunterladen Das Audit 45-64 lesenWie eine Organisation auf die Karte kommt
- Sie hat in den letzten 24 Monaten eine Arbeit zu Verzerrungen nach Alter, nach Geschlecht oder nach beidem in KI oder automatisierten Systemen veröffentlicht.
- Die Methode oder die Ergebnisse sind öffentlich.
- Sie ist 2026 aktiv.
Jede Quelle wurde geöffnet und geprüft: Titel, Datum und Inhalt. Wo ein Verlag den automatisierten Zugriff sperrt, wurden die Angaben über Crossref oder OpenAlex bestätigt. Die Karte wird einmal im Quartal aktualisiert, und jede Änderung wird im Änderungsprotokoll am Ende dieser Seite festgehalten.
Die Karte
Prüfung vom 22. Oktober 2026. Alphabetische Reihenfolge.
| Organisation | Land | Arbeit und Datum | Was gemessen wird | Alter, Geschlecht oder beides | Ältere Frauen | Primärquelle |
|---|---|---|---|---|---|---|
| FINDHR-Konsortium (Projekt im Rahmen von Horizon Europe, koordiniert an der Universitat Pompeu Fabra; zu den Partnern gehört AlgorithmWatch) | EU | Toolkit „Just Hiring!“ für die Politik (Oktober 2025); Datensatz mit 2.030 synthetischen Lebensläufen mit Alter, Geschlecht und weiteren Merkmalen | Werkzeuge und Testdaten zur Erkennung intersektionaler Diskriminierung bei der KI-gestützten Personalauswahl; keine Ergebnisse zu Alter nach Geschlecht veröffentlicht | Alter x Geschlecht (Rahmenwerk und Testdaten) | Nennt ältere Frauen als Beispiel für intersektionale Diskriminierung | Quelle 1Quelle 2 |
| Internationale Fernmeldeunion (ITU), mit EY und dem KAIST Aging & Technology Policy Lab | UN-Organisation, Genf; Republik Korea | „Artificial intelligence and ageing: Inclusive pathways for older persons in a digital world“ (2026) | Lücken bei der KI-Nutzung nach Alter und Geschlecht und das Risiko, dass das Fehlen älterer Frauen in Trainingsdaten Verzerrungen verfestigt; Verzerrungen werden erörtert, nicht getestet | Alter x Geschlecht (Lücken bei Nutzung und Daten) | Besonderer Fokus auf ältere Frauen | Quelle |
| London School of Economics, CPEC (Einheit für Pflegepolitik und Evaluation) | Vereinigtes Königreich | „Evaluating gender bias in large language models in long-term care“, BMC Medical Informatics and Decision Making (11. August 2025) | Von Sprachmodellen erstellte Zusammenfassungen von Pflegeakten 617 älterer Menschen mit vertauschtem Geschlecht | Geschlecht, innerhalb der Gruppe älterer Menschen | Alle Akten betreffen ältere Menschen; keine Altersuntergruppen | Quelle |
| Stanford Graduate School of Business und UC Berkeley Haas School of Business | USA | „Age and gender distortion in online media and large language models“, Nature (8. Oktober 2025) | Dargestelltes Alter von Frauen und Männern in rund 1,4 Millionen Bildern und Videos und in neun Sprachmodellen, verglichen mit Zensusdaten; Erstellung und Bewertung von Lebensläufen durch ChatGPT | Alter x Geschlecht | Frauen werden jünger dargestellt; ChatGPT nahm an, Frauen seien jünger und weniger erfahren | Quelle |
| Technische Hochschule Würzburg-Schweinfurt (THWS), Zentrum für KI, mit der Constructor University Bremen und der Universität Kassel | Deutschland | „Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models“, arXiv (2025) | Antworten von Sprachmodellen für Personas, die sich in Geschlecht, ethnischer Herkunft und Migrationsstatus unterscheiden, darunter Ratschläge für Gehaltsverhandlungen | Geschlecht (mit Herkunft) | Nicht behandelt | Quelle |
| Tsinghua-Universität, Fachbereich Wirtschaftsingenieurwesen, mit der Bundesuniversität von Rio de Janeiro | China; Brasilien | „BiasLab: A Multilingual Dual-Framing Framework for LLM Bias Measurement, Applied to Workplace and HR Contexts“, arXiv (Januar 2026) | Gespiegelte Prompts an 10 Sprachmodelle in 12 Sprachen (43.200 Antworten) zu HR-Themen, darunter Geschlecht in Führungspositionen und Alter bei der Personalauswahl | Alter und Geschlecht, getrennt | Hält fest, dass die Ergebnisse für ältere Bewerbende noch nach Geschlecht aufgeschlüsselt werden müssen | Quelle |
| UNESCO, mit Humane Intelligence | UN-Organisation, Paris | „Red Teaming artificial intelligence for social good: The PLAYBOOK“ (1. Juli 2025) | Methode für das Red-Teaming generativer KI auf Verzerrungen, Stereotype und technologiegestützte geschlechtsspezifische Gewalt | Geschlecht (Methode) | Nicht behandelt | Quelle |
| Universitat Oberta de Catalunya | Spanien | „Age does matter: Midjourney's visual representation of older adults and journalistic ethics“, Observatorio OBS* (22. Mai 2026); früherer Beitrag auf der AoIR 2024 | 1.456 Bilder aus Midjourney zu den Prompts „Person“ und „ältere Person“ bei Alltagstätigkeiten | Alter x Geschlecht | Im Beitrag von 2024 zeigten 70% der Bilder zu „ältere Person“ Männer | Quelle 1Quelle 2 |
| Universität L'Aquila, Fachbereich Geisteswissenschaften (mit dem GSSI; Arbeit von 2026 mit der UOC, der Universität Rom La Sapienza und der Universität LUMSA) | Italien | „Designed to exclude? Investigating visual ageism and sexism in text-to-image AI generative models“ (CEUR-WS, Oktober 2025); „Double standards of generative AI chatbots“, Big Data & Society (3. Februar 2026) | Altersdiskriminierende und sexistische Stereotype in generierten Bildern und in Interviews mit fünf Chatbots | Alter x Geschlecht | Benennt die Marginalisierung älterer Frauen | Quelle 1Quelle 2 |
| Universität Melbourne, Melbourne Law School (N. Sheard) | Australien | „Algorithm-facilitated discrimination: a socio-legal study of the use by employers of artificial intelligence hiring systems“, Journal of Law and Society (Mai 2025) | Interviews mit Fachleuten aus Personalwesen, Recruiting und Entwicklung dazu, wie KI-Systeme für die Personalauswahl Diskriminierungsrisiken schaffen, auch über Ersatzmerkmale für Alter und Geschlecht | Alter und Geschlecht, getrennt | Nennt Frauen und Bewerbende über 55, nicht ältere Frauen als Gruppe | Quelle |
| University of Washington (K. Wilson, A. Caliskan) | USA | „Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval“, AIES (Oktober 2024) | Audit der Lebenslaufsuche durch Embedding-Modelle anhand von Namen, die mit ethnischer Zugehörigkeit und Geschlecht assoziiert sind | Geschlecht (mit ethnischer Zugehörigkeit) | Nicht behandelt | Quelle |
| Womafreesm, Autor dieser Karte | USA (eingetragen); Arbeit in fünf Ländern | „Audit 45-64. Pilot P0 Report“, Version 1.2 (20. Oktober 2026) | 960 Antworten von zwei KI-Assistenten in fünf Ländern und fünf Sprachen: wen ein System darstellt, wie es eine beschriebene Person bewertet und wen es auswählt, für Frauen von 45 bis 64 Jahren und eine Kontrollgruppe von 25 bis 39 Jahren | Alter x Geschlecht | Auf Frauen von 45 bis 64 Jahren ausgerichtet | Quelle |
Was die Karte zeigt
- Drei der übrigen elf Einträge testen KI-Ausgaben auf Alter und Geschlecht zusammen: Stanford und UC Berkeley, die Universitat Oberta de Catalunya und die Universität L'Aquila. Alle drei arbeiten mit Bildern oder generiertem Text.
- Die Altersschwellen in diesen Studien sind „ältere Person“, 55+, 60+ oder 65+. Keine von ihnen testet Frauen ab 45 Jahren.
- Die Audits zur Personalauswahl auf dieser Karte variieren das Geschlecht zusammen mit der ethnischen Zugehörigkeit oder untersuchen Alter und Geschlecht getrennt. Das Team der Tsinghua-Universität hält in seiner eigenen Arbeit fest, dass die Ergebnisse für ältere Bewerbende noch nach Geschlecht aufgeschlüsselt werden müssen.
- Das Audit 45-64 ist der einzige Eintrag auf dieser Karte, der auf Frauen von 45 bis 64 Jahren ausgerichtet ist.
Beobachtungsliste
Diese Teams haben im Betrachtungszeitraum einschlägige Arbeiten veröffentlicht, doch bei der Prüfung fanden wir keine Aktivität im Jahr 2026. Sie kommen auf die Karte, sobald sich eine solche Aktivität zeigt.
- Universität Hongkong, mit der Chinesischen Akademie der Wissenschaften: „Measuring gender and racial biases in large language models: Intersectional evidence from automated resume evaluation“, PNAS Nexus (März 2025). Geschlecht mit ethnischer Zugehörigkeit; kein Alter. Quelle
- University of North Dakota, Abteilung für Geriatrie: „Recapitulation of Ageism in Artificial Intelligence-Generated Images“, Journal of Medical Internet Research (13. August 2025). Auf Bildern älterer Erwachsener waren männliche Figuren häufiger als weibliche. Quelle
Eine Organisation vorschlagen
Wenn Sie eine Organisation kennen, die die drei Regeln erfüllt, senden Sie uns über das Kontaktformular einen Link zu ihrer Arbeit. Wir prüfen jeden Vorschlag nach denselben Regeln.
Daten und Zitierweise
Die Karte ist als offener Datensatz auf Zenodo unter der Lizenz CC BY 4.0 veröffentlicht, als CSV-Datei mit einer Zeile pro Eintrag.
Sukhomlinova, M. (2026). Who measures AI bias against women aged 45 and over: an open map, 2026 (edition 1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.23559251
Änderungsprotokoll
22. Oktober 2026: erste Ausgabe.