affective asymmetries in ai: sentiment bias between english and persian in harmonized llm pipelines

In the contemporary landscape of crisis management, decision-makers are increasingly overwhelmed by the sheer volume, velocity, and variety of media data generated during emergencies. traditional manual analytical methods are often insufficient to process this influx effectively, necessitating a paradigm shift toward advanced computational approaches. the primary goal of this study is to bridge the gap between technical data science and practical crisis communication by establishing a clear analytical link between specific machine learning (ml) paradigms and their operational capabilities. this article utilizes a narrative review methodology, underpinned by a theoretical framework grounded in machine learning. the study systematically synthesizes existing literature to categorize and analyze how distinct ml architectures—specifically supervised, unsupervised, and deep learning—are applied within the domain of media data analysis to support decision-making processes during crises. the analysis confirms that artificial intelligence significantly enhances crisis management effectiveness by automating media monitoring and generating actionable real-time insights. the findings delineate specific roles for different algorithms: supervised learning serves as the theoretical foundation for rapid misinformation detection and precise crisis classification. conversely, unsupervised learning and deep learning are identified as critical tools for detecting data anomalies and recognizing emerging patterns, which are essential for the functionality of proactive early warning systems. while ai offers transformative potential, this study provides a critical reflection on significant implementation challenges. it highlights the black box problem—characterized by a lack of algorithmic interpretability—and inherent data biases as major ethical hurdles that can compromise accountability and fairness in crisis response. the present study contributes a structured framework for understanding ai's role through a theoretical lens. it concludes that future implementation must prioritize explainable ai to balance computational efficiency with ethical responsibility.

gefühlsasymmetrien in der ki: sentiment-bias zwischen englisch und persisch in harmonisierten llm-pipelines

diese studie untersucht, wie sprache die sentiment-klassifikation in ausgaben eines multilingualen großen sprachmodells (llm) namens grok beeinflusst. basierend auf langdon winners theorie der technologischen politik, die besagt, dass technologien inhärent nicht neutral sind und strukturelle verzerrungen einbetten, wird geprüft, ob sentiment-verteilungen auch bei einer vollständig harmonisierten analysepipeline systematisch zwischen sprachen variieren. die analyse basiert auf einem korpus von 4.799 beiträgen (englisch: n = 2.399; persisch: n = 2.400), die mit identischen aufforderungen erzeugt wurden. sentiment-ausgaben wurden auf ein gemeinsames dreistufiges schema (negativ, neutral, positiv) abgebildet, wobei sowohl diskrete klassenzuweisungen als auch kontinuierliche wahrscheinlichkeitswerte berücksichtigt wurden. strukturelle merkmale wie satz-, wort- und zeichenanzahl wurden berechnet und als kontrollvariablen einbezogen, um oberflächliche textuelle unterschiede zu berücksichtigen. die ergebnisse zeigen eine deutliche sprachübergreifende divergenz in sentiment-mustern. englische ausgaben konzentrieren sich überwiegend auf neutralität und weisen eine vergleichsweise geringere affektive intensität auf, während persische ausgaben eine starke verschiebung hin zu positivem sentiment und größere streuung zeigen. diese unterschiede bleiben auch nach kontrolle struktureller merkmale statistisch signifikant, was nahelegt, dass die sprachzugehörigkeit und nicht textlänge oder segmentierung der hauptfaktor für die beobachteten sentiment-unterschiede ist. auf wahrscheinlichkeitsniveau zeigen englische verteilungen eine engere konzentration nahe neutralität, während persische verteilungen flacher und stärker positiv verzerrt sind, mit höheren intensitätswerten. diese ergebnisse haben wichtige implikationen für mehrsprachige sentiment-analysen und llm-audits. ohne explizite modellierung und kalibrierung von spracheffekten könnten vergleichende analysen sprachliche variation mit affektiver absicht verwechseln, was zu verzerrten schlussfolgerungen über ton, haltung oder emotionale valenz führt. die studie betont die bedeutung der berichterstattung sowohl von label- als auch wahrscheinlichkeitsmetriken, die anwendung sprachspezifischer kalibrierungsprotokolle und die berücksichtigung von sprache als primäre messdimension in der sprachübergreifenden inhaltsanalyse.