PTL – Philosophical Tag Language

Die Philosophical Tag Language (PTL) ist eine fiktive und frei erfundene Auszeichnungssprache, die zur strukturierten Analyse philosophischer Texte entwickelt wurde. Sie verwendet Tags mit ausschließlich GROßBUCHSTABEN als Tag-Namen (z. B. <ZIEL>, <METHODE>, <REGEL1>, <PERSPEKTIVE> etc.), um verschiedene Aspekte der Texterschließung zu kennzeichnen. Die PTL-Grammatik ist in Hauptkategorien gegliedert – Erkenntnisziel, Thema, Methode, Regeln, Perspektive und Meta-Reflexion – und soll eine sprachlogisch klare, methodisch belastbare und didaktisch produktive Unterstützung für eine gezielte KI-gestützte Texterschließung in der Philosophie bieten.

Im Folgenden werden alle PTL-Tags nach Kategorien erläutert, jeweils mit Zweck, Anwendungsbeispiel im Analyse-Workflow und einer konkreten Leseanweisung für die Arbeit mit philosophischen Texten. Das Wichtigste ist: Man kann sich immer alles Folgende von der KI erläutern und Alternativen ausarbeiten lassen. Die Sprache ist insofern „fiktiv“, als sie hier als Analyse-Struktur vorgestellt wird. Die PTL-Sprache dient nur der didaktischen Perfektionierung des Promptings. Studierende sollten sich für wiederkehrende Gelegenheiten Templates (also Vorlagen) erzeugen.

Ein Template beginnt rudimentär so:

Hier ist ein erster KI-Prompt in diesem Sinne:

Die Entwicklung und Optimierung der PTL-Struktur

Die Philosophical Tag Language (PTL) simuliert eine Auszeichnungssprache für philosophisches Denken und geisteswissenschaftliche Textanalysen. Die oben stehende Struktur hat zwei Ebenen: Die der auf „Wissen“ fokussierten Inhalte ('Wer ist der Mörder?' 'Fasse zusammen!' 'Was sagt der Autor?') und die der auf „Kompetenzen“ fokussierten Struktur (<TAG>). Beide Ebenen sollte man trennen. In seiner ersten Version orientierte sich die <PTL>-Stuktur an einer regelgeleiteten, sequenziellen Arbeitsweise: Die Analyseanweisung besteht aus einer Reihe durchnummerierter <REGEL>-Elemente (z. B. <REGEL1>, <REGEL2> usw.), ergänzt durch ergänzende Prüf-Tags wie <PRUEFEKOHAERENZ /> oder <PRUEFETEXTBEZUG />. Diese sollten der KI konkrete Arbeitsschritte vorgeben, etwa die Definition zentraler Begriffe, die Rekonstruktion von Thesen oder die Reflexion gesellschaftlicher Relevanz.

Die Begriffe „Kompetenz“ und „Wissen“ können in akademischen und bildungspolitischen Diskussionen schnell eine ideologisch aufgeladene Atmosphäre erzeugen – und das führt oft zu wenig. In der Arbeit mit KI geht es schlicht darum, kompetent zu prompten. Diese Kompetenz muss man sich selbst erarbeiten: Es bedeutet, sich am Anfang des Lernprozesses aus dem eigenen Morast zu ziehen. Die KI wird einen nicht „aus dem Morast herausziehen“ – ebenso wenig wie Lehrerinnen oder Lehrer. Know-How und Know-That verhalten sich zueinander komplementär. Man beginnt aber immer mit seiner Inkompetenz. Der produktive Weg ist, die KI gezielt zu fragen, wie man methodisch an eine Aufgabe herangeht. Die KI wird die Methodik erklären. Diese gilt es anzuwenden, sich die Ergebnisse kommentieren zu lassen und gezielt nach Verbesserungsmöglichkeiten zu fragen. Indem man iterativ bessere Prompts entwickelt und sich erklären lässt, warum sie methodisch überlegen sind, erwirbt man – jenseits aller ideologischen Nebelkerzen – fachliche Kompetenzkompetenz. Sich auf diese Weise gegen die eigene Inkompetenz zu wehren, ist ein Lernprozess, in dessen Rahmen man sich Know-That und Know-How erarbeitet. Und genau darum geht es im Studium: Nicht nur Wissen oder Fähigkeiten anzuhäufen, sondern die Fähigkeit zu erwerben, Fragen präzise stellen können und so methodisch fundierte Antworten zu bekommen. Ein Haufen Wissen ist ein Haufen. Kompetenzkompetenz gärt. Deshalb heißt eine KI in academiccloud.de „Sauerkraut“.

Die erste Struktur in PTL ermöglicht zwar eine klare und nachvollziehbare Abarbeitung einzelner analytischer Aufgaben, erweist sich aber in der Anwendung als problematisch: Die KI interpretierte die Anweisungen als eine lineare Aufgabenliste, was häufig zu einer fragmentierten, listenhaften und wenig integrierten Ausgabe führte. Die Analyse wurde nicht in Form eines argumentativ zusammenhängenden Fließtextes präsentiert, sondern in voneinander getrennten Abschnitten, die den Regeln folgten, aber keine kohärente argumentative Einheit bildeten. Die Struktur hatte somit einen hohen Grad an Formalisierung, aber einen geringen Grad an Textkohärenz und stilistischer Natürlichkeit.

Verbesserte Struktur mit TEXTERSTELLUNG, ANALYSEKRITERIEN und METAPRUEFUNGEN

Um diesem Mangel zu begegnen, wird eine überarbeitete PTL-Struktur eingeführt. Man sollte diese Seiten als ein didaktisches Tool lesen, an dem man sich die Kompetenz erarbeiten kann, zwischen „Wissen“ und „Kompetenz“ zu unterscheiden. Es geht also um „Kompetenzkompetenz“. Diese neue Version ersetzt die sequentielle Regelstruktur durch drei zentrale Komponenten:

1. <TEXTERSTELLUNG> Dieses Element definiert explizit die Textsorte, den Stil und den argumentativen Charakter der erwarteten Antwort. Es formuliert einen übergreifenden Meta-Auftrag, der sicherstellt, dass die Antwort als kohärenter, wissenschaftlich formulierter Fließtext generiert wird. Damit wird die KI nicht mehr nur zur Abarbeitung einzelner Aufgaben angeleitet, sondern zur kompositorischen Integration aller Analyseaspekte in einen zusammenhängenden Text.
2. <ANALYSEKRITERIEN> Anstelle einzelner Befehle treten hier strukturierte Analysevorgaben in Form von inhaltlich definierenden <KRITERIUM>-Tags. Diese kennzeichnen die inhaltlichen Fokussierung der Analyse (z. B. Begriffsklärung, Kohärenzprüfung, gesellschaftliche Relevanz), ohne als sequentielle Aufgaben verstanden zu werden. Sie fungieren als inhaltliche Leitplanken, die in die Argumentation einzubetten sind.
3. <METAPRUEFUNGEN> Diese optionalen selbstschließenden Tags (z. B. <PRUEFEKOHAERENZ />, <FINDEARGUMENTALTERNATIVE />) deklarieren metakognitive Operationen, die im Hintergrund der Texterstellung durchgeführt werden sollen. Sie wirken nicht als explizite Textteile, sondern als stille Evaluationsprozesse innerhalb der KI-generierten Analyse. Dadurch bleibt der Text stilistisch flüssig, ohne dass die Prüfaufgaben sichtbar aufgezählt werden müssen.

Aus der Kritik der vorangehenden <TAG>-Struktur kann man folgende Verbesserung entwickeln:

Vorteile der neuen Struktur. Die neue PTL-Konfiguration bietet eine Reihe klarer Vorteile gegenüber der ursprünglichen Version:

• Erhöhte Kohärenz: Die TEXTERSTELLUNG-Komponente sorgt für eine stilistisch und logisch zusammenhängende Darstellung.
• Flexible Erweiterbarkeit: Neue Kriterien oder Prüfaufgaben lassen sich modular hinzufügen, ohne die Textstruktur zu fragmentieren.
• Trennung von Inhalt und Steuerlogik: Die Analyseziele werden sprachlich integriert, während die Metaprüfungen im Hintergrund wirken.
• Didaktische Anschlussfähigkeit: Die neue Struktur erlaubt, Analyseprozesse als implizit reflexive Operationen zu modellieren, was insbesondere für die Lehre von Vorteil ist.

Insgesamt führt die zweite PTL-Variante zu einer deutlichen Verbesserung der funktionalen Angemessenheit, stilistischen Qualität und analytischen Tiefenschärfe der erzeugten KI-Texte.

PTL (Philosophical Tag Language) ist eine spezialisierte Auszeichnungssprache, die entwickelt wurde, um philosophische Analysen und Textinterpretationen systematisch zu strukturieren. Sie verwendet spezifische Tags, um den inhaltlichen Fokus, die methodische Herangehensweise und die Reflexionsdimensionen einer Analyse präzise zu definieren.

Die wichtigsten Elemente von PTL sind:

1. Ziel-TAGs, Thema-TAGs, Perspektiven-TAGs: Sie geben den inhaltlichen Fokus einer Analyse an und legen fest, welche thematischen Schwerpunkte, Zielsetzungen und Blickwinkel bei der Interpretation eines Textes berücksichtigt werden sollen.
2. Methoden-TAGs: Sie spezifizieren die methodische Herangehensweise, die bei der Analyse angewendet werden soll, z. B. hermeneutische Interpretation, Begriffsanalyse oder Diskursanalyse.
3. Regel-TAGs: Sie strukturieren den Analyseprozess, indem sie konkrete Arbeitsschritte vorgeben, wie z. B. die Definition zentraler Begriffe oder die Prüfung der Argumentationskohärenz.
4. Analysekriterien-TAGs: Sie geben präzise Hinweise darauf, welche Aspekte im Text herausgearbeitet und kritisch reflektiert werden sollen, z. B. Thesen, Begriffe oder normative Implikationen.
5. Meta-TAGs: Diese Tags unterstützen die Reflexion über die Leistungsfähigkeit des Prompts. Sie dienen der Qualitätssicherung, methodischen Erläuterung und der systematischen Verbesserung der Analyse.
6. Stil-TAGs: Sie steuern den gewünschten Ton, die sprachliche Präzision und die argumentative Stringenz der Antwort. Sie helfen, den wissenschaftlichen Stil sicherzustellen und die Analyse an das akademische Niveau anzupassen.
7. Texterstellungs-TAGs: Diese Tags geben der KI Hinweise, wie der fertige Text formuliert werden soll, z. B. in Form eines zusammenhängenden Fließtextes, mit vollständigen Sätzen und logischen Übergängen.
8. Zielgruppen-TAGs: Im Schulkontext sollte man die Antwort der KI auf Altersstufen oder Kompetenzgrade ausrichten. An der Universität sollte man die Vorlieben der Lehrenden kennen.

Im Gegensatz zu HTML gibt es bei der PTL kein Konsortium oder standardisierendes Gremium, das die TAG-Systematik verbindlich festlegt und weiterentwickelt. Eine KI erwartet daher auch nicht automatisch eine bestimmte Struktur, wie sie in der PTL-Template-Systematik vorgesehen ist. Stattdessen dienen die hier entwickelten PTL-Tags als orientierende Werkzeuge – sie sind kein starres Regelwerk, sondern bieten Anhaltspunkte, die individuell angepasst und erweitert werden können.

Es gibt keine objektiven Zwänge in Bezug auf Syntax und Semantik: Sie müssen selbst die Kompetenz entwickeln, die richtigen Fragen zu stellen und sinnvolle Strukturen zu schaffen. Alles andere – also das bloße Wissen um Tags oder Begriffe – bleibt sekundär. Wissenschaft bedeutet immer: Wissen generieren, nicht nur Wissen reproduzieren.

Wenn Sie unsicher sind, wie Sie an ein Problem herangehen sollen, formulieren Sie zunächst Ihr Problem so anschaulich wie möglich. Bitten Sie dann die KI, Fragestrategien zu entwickeln, diese zu begründen und zu erklären, wie die vorgeschlagenen Fragen helfen können, Ihr Problem zu lösen. So wird Ihre anfängliche Unsicherheit zum Ausgangspunkt einer systematischen Kompetenzentwicklung.

Wichtig ist nur: Die Tags, die Sie verwenden, müssen für die KI inhaltlich „verständlich“ sein. Während HTML auf klar definierte, standardisierte syntaktische und semantische Prinzipien setzt – die Browser wissen daher genau, wie sie HTML-Code darstellen müssen –, bleibt PTL eine offene Sprache. Ihre Wirksamkeit hängt vollständig von Ihrer Fähigkeit ab, kreativ, präzise und problemorientiert zu denken – und das müssen wir der KI im Prompt verstehbar mitteilen.