Können Sie die Wahrheit hinter den 5 Sternen erkennen? Die Notwendigkeit der "Lesekompetenz der Verbraucher" im Zeitalter der gefälschten Bewertungen

Wenn wir beim Online-Shopping ein Produkt auswählen, worauf achten wir dann? Preis, Fotos, Lieferdatum, Markenname. Und in vielen Fällen ist es die Bewertung, die den letzten Anstoß gibt. Wenn es viele Sterne und positive Kommentare gibt, fühlen wir uns sicher, dass wir es kaufen können. Wenn hingegen die negativen Bewertungen überwiegen, zögern wir, das Produkt zu kaufen, egal wie attraktiv die Produktfotos sind.

Aber können wir diesen Sternen wirklich vertrauen?

Online-Bewertungen sind zu einer "Vertrauensinfrastruktur" im modernen Konsumverhalten geworden. Die Erfahrungsberichte unbekannter Personen beeinflussen unsere Kaufentscheidungen. Während dies die Kraft der kollektiven Intelligenz zeigt, breitet sich auch das Problem der gefälschten Bewertungen aus, die absichtlich Kaufentscheidungen manipulieren wollen.

Michelle Walther, die an der Universität Twente in den Niederlanden promoviert hat, hat sich diesem Problem aus einem interessanten Blickwinkel genähert. Die Forschung zur automatischen Erkennung gefälschter Bewertungen durch KI nimmt zu. Walther hingegen konzentrierte sich auf den Entscheidungsprozess der "Verbraucher selbst", die die Bewertungen lesen. Wie lesen Menschen Bewertungen, welchen Hinweisen vertrauen sie und wann entscheiden sie, dass eine Bewertung nicht hilfreich ist? Sie untersuchte, ob man durch Training die Fähigkeit verbessern kann, gefälschte Bewertungen zu erkennen.

Verbraucher lesen Bewertungen nicht, um "Fälschungen zu finden"

Ein wichtiger Punkt dieser Forschung ist, dass Verbraucher beim Lesen von Online-Bewertungen nicht unbedingt darauf aus sind, gefälschte Bewertungen zu erkennen. Für viele Menschen ist der Zweck des Lesens von Bewertungen viel praktischer.

Passt dieses Produkt zu mir? Wie ist das Größenverhältnis? Gibt es Mängel, die nicht in der Beschreibung stehen? Sind die tatsächlichen Nutzer zufrieden?

Mit anderen Worten, Verbraucher suchen zunächst nach "nützlichen Produktinformationen". Die Beurteilung, ob eine Bewertung gefälscht ist oder nicht, ist nicht das Hauptziel des Einkaufs, sondern wird oft zu einer sekundären Aufgabe im Entscheidungsprozess.

Hier liegt die Schwierigkeit mit gefälschten Bewertungen. Wenn Verbraucher nicht in einem Modus der Vorsicht sind, stoßen sie auf Bewertungen, die wie natürliche Erfahrungsberichte aussehen. Wenn die Sterne hoch sind, der Text glaubwürdig erscheint und der Name des Verfassers sowie das Profilbild stimmig sind, nehmen die Leser die Bewertung oft ohne großen Zweifel an. Gefälschte Bewertungen dringen genau in diese "normale Lesart" ein.

Was ist das CREM-Modell?

Walther hat durch eine Kombination aus Literaturrecherche, Beobachtung und der Methode des lauten Denkens den Prozess, wie Verbraucher Bewertungen bewerten, strukturiert. Daraus entstand das "Consumer Review Evaluation Model", kurz CREM-Modell.

Das CREM-Modell zeigt, dass Verbraucher Bewertungen nicht auf einen Schlag vertrauen, sondern schrittweise beurteilen. Grob gesagt, prüfen Verbraucher zunächst die Relevanz der Bewertung. Bezieht sie sich auf die Produktinformationen, die sie wissen möchten, passt sie zu dem Verwendungszweck, den sie in Betracht ziehen, und beschreibt sie konkrete Nutzungsszenarien?

Als nächstes bewerten sie die Glaubwürdigkeit des Verfassers. Scheint es, als hätte die Person das Produkt tatsächlich benutzt? Gibt es Unstimmigkeiten in der Beitragsgeschichte oder im Profil? Gibt es Diskrepanzen zwischen dem Inhalt der Bewertung und der Bewertungspunktzahl?

Schließlich betrachten sie die Glaubwürdigkeit des Bewertungstextes selbst. Ist der Inhalt konkret, nicht übermäßig übertrieben, gibt es keine sich wiederholenden Ausdrücke, und stimmen die emotionale Ausdrucksweise und die Sternebewertung natürlich überein? Durch diese verschiedenen Elemente entscheiden Verbraucher, ob sie die Bewertung in ihre Kaufentscheidung einbeziehen.

Interessant ist, dass dieser Prozess nicht unbedingt eine strenge Überprüfung wie von Experten darstellt. Viele Verbraucher verlassen sich beim Lesen von Bewertungen auf ihre Intuition und Erfahrung innerhalb begrenzter Zeit. Daher hängt die Erkennung gefälschter Bewertungen nicht nur vom "Wissen", sondern auch von den "Lesegewohnheiten" ab.

Durch Training kann die Fähigkeit, gefälschte Bewertungen zu erkennen, verbessert werden

Ein weiterer wichtiger Punkt, den Walthers Forschung aufzeigt, ist, dass die Fähigkeit der Verbraucher, gefälschte Bewertungen zu erkennen, durch Training verbessert werden kann.

Das Training basierend auf dem CREM-Modell hilft Verbrauchern, ihre Perspektive beim Betrachten von Bewertungen zu ordnen und zu lernen, auf welche Hinweise sie achten sollten. Zum Beispiel, nicht nur die Anzahl der Sterne zu betrachten, sondern auch die Konkretheit des Textes, die Glaubwürdigkeit des Verfassers und die Konsistenz zwischen dem Inhalt der Bewertung und der Bewertungspunktzahl zu überprüfen. Extreme positive oder negative Ausdrücke, abstrakte Lobeshymnen, die nicht auf die Merkmale des Produkts eingehen, und unnatürliche Formulierungen, die in mehreren Bewertungen vorkommen, können ebenfalls Warnsignale sein.

In der Studie wurde festgestellt, dass Teilnehmer, die ein solches Training erhielten, ihre Fähigkeit, gefälschte Bewertungen zu identifizieren, signifikant verbesserten. Dies zeigt, dass es nicht nur an den Plattformen liegt, Maßnahmen gegen gefälschte Bewertungen zu ergreifen, sondern dass auch die Verbraucherbildung vorangetrieben werden kann.

Natürlich sollte nicht die gesamte Verantwortung auf die Verbraucher abgewälzt werden. Unternehmen, die gefälschte Bewertungen posten lassen, Anbieter, die Bewertungen kaufen und verkaufen, und Plattformen mit unzureichenden Maßnahmen tragen jeweils eine klare Verantwortung. In der Realität wird es jedoch einige Zeit dauern, bis gefälschte Bewertungen vollständig verschwinden. In der Zwischenzeit kann es eine Schutzmaßnahme sein, dass Verbraucher selbst die Fähigkeit entwickeln, "Bewertungen zu lesen".

Warum die Erkennung durch KI allein nicht ausreicht

Bei den Maßnahmen gegen gefälschte Bewertungen ist die automatische Erkennung durch KI ebenfalls ein wichtiges Thema. In verwandten Studien wurden Modelle berichtet, die durch die Kombination von sprachlichen Merkmalen des Bewertungstextes, dem Beitragsverhalten, der Konsistenz mit der Sternebewertung und der Textlänge eine hohe Genauigkeit bei der Erkennung von gefälschten Bewertungen erreichen.

Allerdings gibt es auch Grenzen bei der KI-Erkennung. Diejenigen, die gefälschte Bewertungen schreiben, entwickeln sich ebenfalls weiter. Mit generativer KI können sie natürlicher wirkende Texte in großen Mengen erstellen. Wenn man nur auf einfache Schlüsselwörter, unnatürliches Deutsch oder ähnliche Schreibstile achtet, besteht die Gefahr, dass man raffinierte gefälschte Bewertungen übersieht.

Darüber hinaus wird die Echtheit einer Bewertung nicht nur durch den Text bestimmt. Auch ohne das Produkt tatsächlich gekauft zu haben, kann man eine plausible Erfahrungsbeschreibung schreiben. Umgekehrt gibt es auch echte Bewertungen, die kurz und abstrakt sind. Eine von der KI als verdächtig eingestufte Bewertung muss nicht unbedingt gefälscht sein, und eine von der KI akzeptierte Bewertung ist nicht zwangsläufig echt.

Deshalb ist es notwendig, die Erkennung durch Plattformen, gesetzliche Regelungen, die Transparenz der Unternehmen und die Verbraucherbildung zu kombinieren. Walthers Forschung ist wertvoll, da sie sich auf den "kognitiven Prozess der Leser" konzentriert.

Reaktionen in den sozialen Medien – "Rufe nach harten Strafen" und "Erwartungen an die KI"

Da der Artikel auf Phys.org gerade erst veröffentlicht wurde, sind die Diskussionen in den sozialen Medien noch begrenzt. Auf Phys.org selbst sind die geteilten Beiträge und Kommentare noch gering. Doch das Interesse an dem gesamten Problem der gefälschten Bewertungen ist in den sozialen Medien und Geschäftskommunen recht hoch.

In einem verwandten LinkedIn-Beitrag wurde eine Methode vorgestellt, die nicht nur die Sprachanalyse, sondern auch das Beitragsverhalten kombiniert, um gefälschte Bewertungen zu erkennen. Obwohl die Anzahl der Reaktionen nicht groß ist, zeigt die Richtung der Diskussion sowohl die Erwartung "Wenn es mit KI erkannt werden kann, ist das willkommen" als auch die Vorsicht "Werden die gefälschten Bewertungen nicht auch KI nutzen, um raffinierter zu werden?".

In Branchenbeiträgen, die sich mit Bewertungsuntersuchungen befassen, wird gezeigt, dass die Stimmen der Verbraucher, die Strafen für Unternehmen fordern, die gefälschte Bewertungen abgeben, stark sind. Insbesondere werden Meinungen vorgestellt, die den Ausschluss von Bewertungsseiten, die Entfernung aus den Suchergebnissen, Geldstrafen und in einigen Fällen sogar strafrechtliche Sanktionen fordern, was auf ein tiefes Misstrauen der Verbraucher hinweist.

Zusammengefasst lässt sich sagen, dass gefälschte Bewertungen nicht mehr als "etwas übertriebene Werbung" angesehen werden können. Sie werden als Handlungen betrachtet, die die Zeit und das Geld der Verbraucher stehlen, ehrliche Unternehmen benachteiligen und das Bewertungssystem selbst zerstören.

Gleichzeitig gibt es auch eine Ermüdung auf Seiten der Verbraucher. "Jede Bewertung scheint verdächtig", "Sowohl 5-Sterne- als auch 1-Sterne-Bewertungen sind nicht vertrauenswürdig", "Letztendlich bleibt nur die offizielle Information und die Rückgabebedingungen zu betrachten" – diese Empfindungen sind für viele Menschen leicht nachvollziehbar. Je mehr Bewertungen es gibt, desto größer wird die Last, vertrauenswürdige Informationen auszuwählen. Das Problem der gefälschten Bewertungen ist auch ein Teil der "Vertrauensmüdigkeit" in der Zeit der Informationsüberflutung.

Gefälschte Bewertungen sind auch ein Risiko für Unternehmen

Gefälschte Bewertungen sind nicht nur ein Problem für Verbraucher, sondern auch ein großes Risiko für Unternehmen.

Kurzfristig können gefälschte positive Bewertungen den Umsatz steigern. Aber wenn der Betrug aufgedeckt wird, wird das Vertrauen in die Marke erheblich beschädigt. Darüber hinaus hat die FTC in den USA Regeln erlassen, die gefälschte Bewertungen und falsche Empfehlungen verbieten, und in Großbritannien fordert die Wettbewerbs- und Marktaufsichtsbehörde Google und andere auf, die Maßnahmen gegen gefälschte Bewertungen zu verstärken. Der Trend zu strengeren gesetzlichen Regelungen ist offensichtlich.

Unternehmen sollten nicht nur darauf achten, selbst keine gefälschten Bewertungen zu schreiben. Auch der Umgang mit Anreizbewertungen, Bewertungen von Mitarbeitern oder Angehörigen, die unrechtmäßige Löschung negativer Bewertungen und die Eigenwerbung, die als Bewertungsseite getarnt ist, können problematisch sein. Bewertungen scheinen zwischen Werbung und Mundpropaganda zu liegen, aber da sie einen großen Einfluss auf die Verbraucher haben, sind Transparenz und Fairness erforderlich.

Für ehrliche Unternehmen sind Maßnahmen gegen gefälschte Bewertungen sowohl eine Belastung als auch eine Chance zur Differenzierung. Käuferverifizierung, die Offenlegung der Bewertungspolitik, ehrliche Antworten auf negative Bewertungen, die Meldung unnatürlicher Bewertungen und die Berücksichtigung von Produktverbesserungen. Solche kontinuierlichen Maßnahmen schaffen langfristiges Vertrauen, das über die Anzahl der Sterne hinausgeht.

Wie Verbraucher ab heute Bewertungen lesen können

Was sollten Verbraucher beachten, wenn sie Bewertungen lesen? Wenn man den Ansatz des CREM-Modells auf den täglichen Einkauf überträgt, sollte man zunächst prüfen, ob die Bewertung die Informationen liefert, die man wissen möchte. Bewertungen, die die Nutzungssituation, die Dauer, Vergleichsobjekte und Mängel beschreiben, sind hilfreicher als einfache "Es ist das Beste" oder "Ich empfehle es".

Als nächstes sollte man die Glaubwürdigkeit des Verfassers prüfen. Gibt es eine Käuferverifizierung, ist die Beitragsgeschichte nicht extrem einseitig, gibt es keine ähnlichen positiven Bewertungen, die am selben Tag gepostet wurden? Ein perfektes Profil garantiert nicht die Echtheit, aber unnatürliche Muster sind ein Warnsignal.

Darüber hinaus sollte man das Gleichgewicht des Bewertungstextes betrachten. Tatsächliche Nutzer schreiben oft nicht nur über die guten Seiten, sondern auch über kleine Unzufriedenheiten. Im Gegensatz dazu sollte man bei Bewertungen, die wie Werbetexte nur die Vorzüge aufzählen oder keine spezifischen Merkmale des Produkts erwähnen, vorsichtig sein. Ein Hinweis kann auch die Diskrepanz zwischen der Sternebewertung und dem Text sein. Wenn es 5 Sterne gibt, aber der Inhalt zu dünn ist, oder wenn es 1 Stern gibt, aber keine spezifischen Probleme beschrieben werden, sollte man nicht nur auf diese Bewertung vertrauen.

Schließlich ist es wichtig, nicht nur eine einzelne Bewertung, sondern die gesamte Verteilung zu betrachten. Lesen Sie sowohl positive als auch negative Bewertungen und suchen Sie nach gemeinsamen Kritikpunkten. Wenn mehrere Personen denselben Mangel konkret beschreiben, könnte dies wichtige Informationen sein. Wenn hingegen ähnliche positive Bewertungen in kurzer Zeit konzentriert auftreten, sollte man vorsichtig sein.

Vom "Glauben" an Bewertungen zum "Entschlüsseln" von Bewertungen

Online-Bewertungen sind praktisch. Tatsächlich wäre der Online-Einkauf für viele Menschen ohne Bewertungen viel unsicherer. Das Problem ist nicht, Bewertungen bedingungslos zu glauben oder alles zu hinterfragen. Was nötig ist, ist die Haltung, Bewertungen als Informationen zu entschlüsseln.

Walthers Forschung visualisiert, wie Verbraucher Bewertungen bewerten und zeigt, dass ihre Urteilsfähigkeit durch Training verbessert werden kann. Dies bietet eine Perspektive, gefälschte Bewertungen nicht nur als technisches Problem zu betrachten, sondern als gesellschaftliche Herausforderung, die Verbraucherbildung, Plattformgestaltung, Unternehmensethik und gesetzliche Regelungen umfasst.

Die Anzahl der Sterne wird auch in Zukunft unsere Einkäufe beeinflussen. Deshalb ist es wichtig, die Fähigkeit zu entwickeln, zu erkennen, wie diese Sterne gemacht werden, wer sie erzählt und wie vertrauenswürdig sie sind.

Die nächste Herausforderung der Bewertungsgesellschaft besteht nicht darin, mehr Bewertungen zu schaffen. Es geht darum, vertrauenswürdige Bewertungen zu finden und eine Umgebung zu schaffen, in der man sich nicht von verdächtigen Bewertungen beeinflussen lässt. Und der erste Schritt dazu ist, dass jeder von uns ein wenig aufmerksamer auf die Rückseite der Sterne schaut.

Quellen-URL

• Phys.org. Überblick über die Doktorarbeit von Michelle Walther an der Universität Twente, das CREM-Modell und die Verbesserung der Fähigkeit zur Erkennung gefälschter Bewertungen durch Trainingsprogramme.
  https://phys.org/news/2026-05-consumers-fake-method.html
• Einführungsartikel der Universität Twente zu derselben Forschung. Bestätigung, dass Verbraucher beim Lesen von Bewertungen nicht primär auf die Erkennung gefälschter Bewertungen abzielen, sowie Überblick über das CREM-Modell und das Trainingsprogramm.
  https://www.utwente.nl/en/news/2026/5/928545/a-new-training-method-to-better-protect-consumers-against-fake-reviews
• Einführung der Doktorarbeit von Michelle Walther durch die Hochschule Bonn-Rhein-Sieg. Bestätigung der drei Phasen des CREM-Modells, der Positionierung der Doktorarbeit und der Verbesserungseffekte durch Training.##HTML_TAG_135