llms-ppi.txt

1. Die dreiteilige Struktur des PPI

Laut der JSON-Architektur ist das PPI in drei Hauptbereiche gegliedert:

• Introduction (statisch/instruierend): Beschreibt die Kernfrage, die Rolle der KI und das Template. Hier ist der sogenannte „Screening-Prozess“ verankert, der das grundlegende Textverständnis steuert.
• Namespaces (dynamisch/generiert): Dies ist das Herzstück des PPI. Hier werden verschiedene philosophische Analysekategorien definiert, die durch logische Relationen und Abhängigkeiten miteinander verbunden sind.
• Usage (statisch/instruierend): Definiert den konkreten Arbeitsablauf (Workflow), Best Practices sowie Dokumentationsvorlagen für die Ergebnisse.

2. Die zentralen Namespaces (Analysekategorien)

Die Namespaces im PPI entsprechen den Perspektiven-Tags der PTL (wie z. B. <BEGRIFFSANALYSE /> oder <ONTOLOGISCHEANALYSE />) und weisen der KI jeweils eine ganz spezifische philosophische Rolle zu. Zu den wichtigsten Namespaces des Philosophical Turn gehören:

• PhilosophicalTurn.PerspektivitaetsAnalyse: Entflechtet das Potenzial für Mehrdeutigkeiten bei Begriffen wie „subjektiv/objektiv“ und „abstrakt/konkret“.
• PhilosophicalTurn.Topologie: Kartiert das logische und diskursive Feld eines Textes, um kategoriale Grenzen sichtbar zu machen.
• PhilosophicalTurn.Alethologie: Analysiert die im Text verwendeten Wahrheitsbegriffe und deren funktionale Rolle in der Argumentation.
• PhilosophicalTurn.Begriffsanalyse: Operationalisiert die Begriffsarbeit als kontrollierte Klärung von Bedeutung und Abgrenzung – es geht hier nicht um Dinge, sondern um sprachliche Werkzeuge.
• PhilosophicalTurn.OntologischeAnalyse: Identifiziert metaphysische Grundannahmen (Was existiert? Wie ist die Natur von Entitäten und Eigenschaften?).
• PhilosophicalTurn.ErkenntnistheoretischeAnalyse / EpistemischeAnalyse: Fokussiert auf Wissensgrenzen, Begründungsstrukturen und die Phänomenologie kognitiver Vollzüge (Wahrnehmung, Evidenzerleben).
• PhilosophicalTurn.GeltungstheoretischeAnalyse: Prüft rein die Legitimationsbasis und Argumentarchitektur, also wie und worauf Geltungsansprüche begründet werden.
• PhilosophicalTurn.NormativeAnalyse & AxiologieAnalyse: Rekonstruiert Normen, Pflichten und Rechte in strikter Abgrenzung zu deskriptiven Sätzen und untersucht die Wertdimensionen (intrinsisch vs. instrumentell).
• PhilosophicalTurn.DeontologischeAnalyse: Entfaltet systematisch die Familie deontologischer Ansätze durch die Leitunterscheidung zwischen universaler und kontingenter Deontologie und analysiert moralische Urteile auf ihre inhärente Angemessenheit (Fittingness) sowie ihre geltungstheoretische Stabilität (Viskosität).
• PhilosophicalTurn.InklusionsAnalyse: Dekonstruiert sozialontologische Theorien der Inklusion und Exklusion entlang dreier Achsen (Richtungsdiagnostik, kontingente Deontologie, Status vs. Existenz), um Kipppunkte, Drift-Effekte und verdeckte Formen der Exklusion (wie die „sanfte Heteronomie“) aufzudecken.

3. Benutzung

Die Benutzung des PPI folgt einem strengen, methodischen Ablauf („Usage“), der sicherstellt, dass die KI-Analysen tiefgründig und nachvollziehbar bleiben:

• Schritt 1: Text & Aufgabe verstehen (Screening-Prozess): Bevor spezifische Analysen angewendet werden, muss der Text gelesen und seine philosophischen Hauptmerkmale identifiziert werden.
• Schritt 2: Logische Anwendungsreihenfolge: Die Namespaces dürfen nicht willkürlich aufgerufen werden. Sie müssen in einer logischen Reihenfolge angeordnet werden, wobei Voraussetzungen („requires“-Abhängigkeiten) zuerst zu bearbeiten sind.
• Best Practices: Ein direkter Sprung zu den Namespaces ohne vorheriges systematisches Screening ist zu vermeiden. Zudem fordert das PPI, dass alle Behauptungen der KI mit konkreten Text-Referenzen belegt werden und Querverbindungen zwischen den verschiedenen Analysen (Namespaces) aufgezeigt werden.
• Dokumentations-Vorlage: Die KI wird angewiesen, die Ergebnisse sauber zu strukturieren. Die Ausgabe soll das Screening-Resultat, die spezifischen Namespace-Analysen, eine kritische Evaluation (Widerspruchsfreiheit, Transparenz) sowie eine Liste von Mehrdeutigkeiten und Begrenzungen der Analyse (Limitationen) enthalten.

Zusammenfassend: Das PPI ist die konzeptionelle „Bibliothek“ an philosophischen Perspektiven, auf die man zugreift, wenn man einen PTL-Prompt schreibt. Indem man die PPI-Namespaces als Tags (z.B. <NORMATIVEANALYSE />) in einen PTL-Prompt einbettet, steuert man die kognitive Methodik der KI exakt so, wie ein Dozent im philosophischen Seminar die Denkmethode seiner Studierenden anleitet.

Philosophische Kompetenz besteht ausdrücklich nicht in der bloßen Anhäufung von Wissen oder der Reproduktion von auswendig gelernten Fakten – auch nicht in Fakten über Autor*innen des philosophischen Kanons. Kompetenzorientierung zieht eine scharfe Trennlinie zwischen „Know-That“ (reinem Faktenwissen) und „Know-How“ (der methodischen Fähigkeit zum Denken). Wahre Wissenschaft und philosophische Kompetenz bedeuten folglich, eigenes Wissen zu generieren und nicht nur fremdes zu reproduzieren.

1. Die „Dramaturgie des Denkens“ und Selbsttätigkeit 

In Prüfungssituationen und Hausarbeiten zeigt sich Kompetenz nicht im passiven Referieren, sondern in der „Dramaturgie des Denkens“. Dies bedeutet, die Fähigkeit zu besitzen, ein intellektuelles Problem methodisch erkennbar zu machen, es zu bearbeiten und eine begründete Position zu beziehen. Es geht um die Selbsttätigkeit des Denkens, ein tiefes Verständnis für die Struktur von Argumenten und die Fähigkeit, die eigene Haltung „klar, differenziert und widerstandsfähig“ gegen Einwände zu verteidigen. Das ultimative Ziel ist es, den „akademischen Habitus des Denkens“ zu verinnerlichen.

2. Aktive Problemerschließung statt passivem Konsum 

Für die meisten ist Lesen ein passiver Vorgang der Rezeption. Ein kompetenter Studierender der Philosophie wartet nicht auf vorgegebene, alternativlose Antworten von kanonischen Autroinnen oder Dozierenden. Wer ausschließlich fragt, liefert sich vermeintlichen Autoritäten aus. Philosophische Kompetenz zeigt sich im Prinzip: „Fragen Sie weniger, agieren Sie mehr“. Man muss in der Lage sein, gut recherchierte Vorschläge zu machen und Aufgaben als Spielfeld der eigenen Reflexion zu begreifen. Dabei lernt man, philosophische Fragestellungen präzise zu formulieren, die keine bloßen grammatikalischen Fragen oder einfache Ja/Nein-Entscheidungen sind, sondern intellektuelle Rätsel und Spannungsfelder, die argumentativ entfaltet werden müssen.

3. Das Ende der „Scheinkompetenz“ im Zeitalter der KI

Die Verfügbarkeit von Künstlicher Intelligenz zwingt zur Weiterentwicklung philosophischer Kompetenz. Da die KI Faktenwissen und Zusammenfassungen fehlerfrei abrufen kann, beendet sie das Zeitalter der „auswendig gelernten Scheinkompetenz“, mit der man sich bisher durchs Studium mogeln konnte. Um nicht überflüssig zu werden, muss man eine „Kompetenzkompetenz“ erwerben. Die klassische Scheinkompetenz offenbart sich vor allem dann, wenn Profis nur im idiosynkratischen „linguaggio“ ihres geheiligten Ideols denken und reden können. Dies ist die Fähigkeit, den eigenen Erkenntnisprozess aktiv zu steuern, indem man präzise Fragestrategien entwickelt und die methodischen Parameter (wie die Definition von Namespaces im PPI) exakt vorgibt. Es ist ein Lernprozess, bei dem man sich bildhaft – wie Baron Münchhausen – „am eigenen Schopfe aus dem Morast der Unklarheiten ziehen“ muss, indem man KI als Reflexionspartner und Katalysator nutzt, ohne das eigene Denken an sie abzugeben.

4. Kategoriale Schärfe und methodisches Entflechten 

Auf der handwerklichen Ebene besteht philosophische Kompetenz in der Fähigkeit zur methodischen Analyse und Entflechtung von Texten, anstatt unstrukturiert über sie nachzudenken. Dies beinhaltet unter anderem:

• Die Definition-im-Gebrauch zu erkennen: Zu analysieren, welche Arbeit ein Begriff in einem konkreten Argument leistet, anstatt Lexikondefinitionen heranzuziehen.
• Die strenge Trennung von Disziplinebenen: Zu verhindern, dass Fragen des Seins (Ontologie), des Erkennens (Epistemologie), des Wertes (Axiologie) und des Sollens (Normativität) vermischt werden.
• Die Reflexion impliziter Prämissen: Zu erkennen, was ein Text stillschweigend voraussetzt (z.B. ontologische Verpflichtungen oder unbenannte Wertquellen), und diese blinden Flecken sichtbar zu machen.

Letztlich bedeutet philosophische Kompetenz, die irreduzible Pluralität der Philosophie auszuhalten und methodisch zu handhaben: Man lernt, dass es keine objektive Einheitsmethode gibt und man stattdessen seine jeweilige Analyseperspektive stets präzise definieren und reflektieren muss.

Wenn man beim KI.chat einfach nur die llms.txt als Quelle zur Verfügung stellt, hat das Nachteile. Wenn man einer KI das gesamte, hochkomplexe PPI-JSON und gleichzeitig einen philosophischen Primärtext mit der simplen Anweisung „Analysiere das“ übergeben, wird die KI unweigerlich kapitulieren. Einerseits ist sie kapazitativ überfordert.  Sie verfällt dann andererseits in das, was man als „Namespace-Inflation“ bezeichnen kann: Sie streift viele Konzepte nur oberflächlich, anstatt methodisch in die Tiefe zu gehen.

Die Lösung für dieses Problem besteht in einem „gestuften Prompting“ – ein Vorgang, den man mit dem „Tourieren von Blätterteig“ vergleichen kann, bei dem Prompts in mehreren Faltungen aufeinander aufbauen. Das PPI-JSON ist durch seine Architektur (insbesondere den Bereich usage und screening_process) bereits perfekt für genau diese schrittweise Anwendung vorbereitet.

Um die KI das JSON nicht nur „lesen“, sondern als echtes „Denkkorsett“ benutzen zu lassen, müssen Sie sie durch den Workflow zwingen. Hier sind drei praktische Anwendungsbeispiele, wie Sie das PPI in Prompt-Ketten (Kaskaden) einsetzen:

Beispiel 1: Der Screening-Prompt (Das Problem eingrenzen)

Sie dürfen die KI nicht sofort analysieren lassen. Im ersten Schritt laden Sie das JSON (z.B. als Datei) und Ihren philosophischen Text hoch. Sie weisen die KI an, ausschließlich den Screening-Prozess durchzuführen, um die Werkzeuge auszuwählen.

Praktischer Prompt:

„Im Anhang findest du mein PPI-Framework (JSON) sowie einen philosophischen Text. Lies beides. Führe nun streng nach den Vorgaben unter usage.workflow 'Schritt 1 & 2' ein Screening des Textes durch. Wende noch keine Analysen an! Erstelle mir stattdessen exakt den 1. SCREENING-REPORT aus dem documentation_template. Begründe explizit, welche Namespaces aus dem JSON für diesen Text relevant sind, welche ausgeschlossen werden und welche requires-Abhängigkeiten zwingend beachtet werden müssen.“

Warum das funktioniert: Die KI wird gezwungen, das JSON als Werkzeugkasten zu betrachten. Sie überlegt erst, was sie tun soll, bevor sie es tut. Sie erhalten als Antwort einen klaren Fahrplan.

Beispiel 2: Der Kaskaden-Prompt (Abhängigkeiten abarbeiten)

Nachdem das Screening ergeben hat, welche Namespaces relevant sind (z.B. für einen erkenntnistheoretischen Text), zwingen Sie die KI, die logische Reihenfolge des JSONs (relation_types_guide) einzuhalten. Die KI darf nicht zum Ziel springen, bevor die Basisarbeit erledigt ist.

Praktischer Prompt:

„Wir setzen unsere Arbeit anhand deines Screening-Reports fort. Du hast festgestellt, dass wir die PhilosophicalTurn.ErkenntnistheoretischeAnalyse benötigen. Das PPI definiert unter den Relationen, dass hierfür die PhilosophicalTurn.Begriffsanalyse eine zwingende Voraussetzung (requires: mandatory) ist. Führe nun ZUERST die Begriffsanalyse durch. Kläre die zentralen Erkenntnis-Termini des Textes anhand der kernfragen und kernmethoden dieses speziellen Namespaces. Erstelle den 2. ANWENDUNGS-REPORT nur für die Begriffsanalyse. Stoppe danach. Die erkenntnistheoretische Auswertung machen wir im nächsten Schritt auf Basis dieser geklärten Begriffe.“

Warum das funktioniert: Sie verhindern den typischen KI-Fehler, unsaubere Alltagsbegriffe für die Argumentationsanalyse zu nutzen. Durch das Stoppen der KI erzwingen Sie eine hohe „analytische Tiefenschärfe“ für den Einzelschritt.

Beispiel 3: Der Fehlervermeidungs-Prompt (Kategoriale Schärfe erzwingen)

Wenn es an die inhaltliche Tiefe geht (z.B. bei komplexen ontologischen oder normativen Fragen), neigt KI dazu, Kategorienfehler zu begehen. Sie können die PPI-Struktur nutzen, um die KI explizit auf die Fehlerdiagnostik des jeweiligen Namespaces und die globalen meta_hinweise festzunageln.

Praktischer Prompt (Beispiel Willensfreiheit):

„Wende nun den Namespace PhilosophicalTurn.OntologischeAnalyse auf den vorliegenden Text zur Willensfreiheit an. Arbeite als präziser analytischer Philosoph und beachte zwingend die Vorgabe funktions_und_arbeitsweise aus der Einleitung: Vermenge niemals ontologische Setzungen mit epistemischen Zuständen. Prüfe den Text gezielt mit dem 'Kontinuitäts- vs. Okkurrenz-Test (Broad)'. Achte dabei streng auf den in den meta_hinweisen genannten typischen Fehler der 'Vicious Abstraction' – reifiziert der Text Freiheit als eigenständige Entität? Dokumentiere deine Ergebnisse und Querverbindungen im Format 3. SYNTHESE.“

Warum das funktioniert: Sie aktivieren durch gezielte Referenzen auf Schlüsselbegriffe aus dem JSON (wie Vicious Abstraction oder Kontinuitäts-Test) exakt die Gewichte im neuronalen Netz der KI, die für C.D. Broads Methode und scharfe analytische Philosophie zuständig sind. Sie legen ihr damit das gewünschte „Denkkorsett“ an.

Fazit für die Praxis: Behandeln Sie das PPI-JSON nicht als Befehl, den die KI in einem Rutsch ausführen soll, sondern als Regelwerk für ein Rollenspiel. Sie schlüpfen in die Rolle des Dozenten, der die Methodik vorgibt, und steuern den Erkenntnisprozess der KI in kleinen, überprüfbaren Etappen (Screening -> Basis-Analyse -> Tiefen-Analyse -> Synthese).