Der ‘Survey Paper DDoS-Angriff’, der die wissenschaftliche Forschung überwältigt

Generative AI-Modelle wie ChatGPT überfluten akademische Veröffentlichungsplattformen mit AI-generierten Survey-Papieren in einem Ausmaß, das das Signal-Rausch-Verhältnis kritisch macht. Eine neue Studie behauptet, dass diese Flut Forscher überwältigt, Zitate verfälscht und das Vertrauen in die wissenschaftliche Aufzeichnung untergräbt, indem sie die Flut von AI-generierten Papieren mit einem “DDoS-Angriff” auf die Wissenschaft selbst vergleicht.

(Teilweise) Meinung  Letzte Woche musste ich, zum ersten Mal in sieben Jahren, in denen ich mich mit dem wissenschaftlichen Literaturstrom im Bereich KI auf dem Laufenden halte, mich geschlagen geben und zugeben, dass ich, zumindest zu Spitzenzeiten, mich zwischen dem Bleiben auf dem Laufenden mit wesentlichen neuen Veröffentlichungen und dem Schreiben über einige davon entscheiden muss.

Die Gesamtzahl der Einträge in einer sehr begrenzten Anzahl relevanter Kategorien (Computer Vision, Machine Learning, Language Models und einige weniger abonnierte Abschnitte) lag bei erheblich über tausend – für nur einen Tag.

Bei einem solchen Volumen würde das Überfliegen aller neuen Titel und das gelegentliche Lesen einiger Zusammenfassungen einen unproduktiven Tag bedeuten.

Dies war der Dienstag, der 7. Oktober. Im Gegensatz dazu bot die Machine Learning-Kategorie in dieser Woche (14. Oktober) eine Publikationsmenge, die nur slightly weniger intensiv war als die 400 Einträge für den Dienstag der vorherigen Woche; es gab 354 Einträge:

354 Einträge für die Machine Learning-Kategorie an einem Tag. Quelle: https://arxiv.org/

Man müsste Arxiv jeden Tag lesen, seit einigen Jahren, um zu erkennen, wie verrückt diese Zahlen sind.

Zugestanden, der Dienstag ist Arxivs “Rushhour” für Einreichungen, vielleicht weil es der erste Arbeitstag ist, der nach langen Wochenenden stattfindet, an denen einflussreiche Personen, die Forscher erreichen möchten, frei haben; und die Machine Learning-Kategorie ist eine “Auffang”-Sektion mit einer geringeren Anzahl einzigartiger Papiere (Papiere, die nicht gleichzeitig in spezifischeren Kanälen veröffentlicht werden) als die meisten anderen Kategorien.

Trotzdem ist der Anstieg der Papier-Einreichungen bereits ein bekanntes Phänomen in der Akademie und in den Medien.

Vielleicht ist der schockierendste Aspekt dieser Eskalation, wie alle anderen angrenzenden Kategorien mehr oder weniger unverändert in ihrer Häufigkeit über die letzten drei Jahre sind, während die Computer Science-Kategorie (siehe, ob Sie sie in Arxivs offiziellen Zahlen finden können) auf einem steilen Aufwärtstrend ist:

Der Anstieg der Computer Science-Papiere (CS) über die letzten drei Jahre. Quelle: https://info.arxiv.org/about/reports/submission_category_by_year.html

Vor etwas über drei Jahren wurde Arxivs AI-Papier-Einreichungsausstoß auf doppelt geschätzt; und es wird interessant sein, Arxivs eigene jährliche Zusammenfassung der Trends am Ende von 2025 zu lesen.

Volumen auf 11

Die zwei offensichtlichsten Gründe, warum dies passiert, sind a) unvergleichliche finanzielle Verpflichtungen zu generativer KI, die massive Forschungsinvestitionen in den privaten und akademischen Sektoren anzieht, die oft zusammenarbeiten; und b) die Tatsache, dass AI-Sprachmodelle wie ChatGPT die Einreichung von Forschungspapieren (einschließlich Papieren über KI) zu einem fast industrialisierten Prozess gemacht haben.

Dennoch steigt die Qualität der Forschungseinreichungen nicht im gleichen Maße wie das Volumen (obwohl die fehlerhafte Ausgabe von KI tendenziell mehr Aufmerksamkeit in der akademischen als in der juristischen Sphäre erhält, nicht zuletzt, weil die Auswirkungen dort offensichtlicher sind).

Ein Null-Toleranz-Politik ist in diesem Fall schwer umzusetzen, selbst wenn die Erkennung von KI-generiertem Inhalt einfacher wäre; abgesehen von der Tatsache, dass KI an sich ein offensichtlicher Segen für die wissenschaftliche Forschung im Allgemeinen ist, hat ihre Verwendung in Forschungspapier-Einreichungen allgemein* die Klarheit der Arbeit von vielen nicht-englischen Einreichern verbessert – Personen und Teams, die bislang unter Nachteilen gelitten haben.

Aber das Problem der Senkung der Sprachbarriere auf diese Weise ist, dass dies auch die reine Anzahl der globalen Einreicher erhöht, ohne die Ebene der menschlichen Überwachung zu erhöhen, die solche Arbeit wertvoll macht.

Wenn die Einreichungszahlen weiter exponentiell ansteigen, wird das Signal-Rausch-Verhältnis so ungovernierbar, dass nur KI selbst diese neuen Fluten und Nebenflüsse von KI-Papieren navigieren könnte; eine Aufgabe, für die sie nicht besser geeignet ist als die Überprüfung ihrer eigenen Ausgabe. Ironischerweise ist wissenschaftliche Forschung ein intensiv menschliches Unterfangen.

Ein Angriff auf die Forschung

Der Anlass für diese Reflexion ist eine interessante neue Zusammenarbeit aus China mit dem Titel Stoppt den DDoS-Angriff auf die Forschungsgemeinschaft mit KI-generierten Survey-Papieren.

Das neue Positionspapier konzentriert sich speziell auf Survey-Einreichungen – hochwertige Zusammenfassungen bestimmter Forschungsstränge, die traditionell sowohl aufgelistet als auch kontextualisiert, Trends interpretiert und fundierte Prognosen erstellt haben:

Ein Bruchteil der riesigen und ständig wachsenden Menge an Surveys in Abschnitten, die mit Maschinellem Lernen und KI zusammenhängen, auf arxiv.org

Da Surveys kuratieren und nicht originieren, sind sie ungewöhnlich leicht mit KI zu automatisieren, und die Autoren der neuen Arbeit charakterisieren die Verbreitung von low-effort-Surveys in Bezug auf eine Sicherheitsbedrohung für den Forschungssektor^†:

‘[Die] jüngste Flut von KI-generierten Surveys, insbesondere durch große Sprachmodelle (LLMs) ermöglicht, hat diese traditionell arbeitsintensive Gattung in eine low-effort-, high-volume-Ausgabe verwandelt. Während diese Automatisierung die Einstiegshürden senkt, führt sie auch zu einer kritischen Bedrohung: dem Phänomen, das wir den “Survey-Paper-DDoS-Angriff” auf die Forschungsgemeinschaft nennen.

‘Dies bezieht sich auf die unkontrollierte Verbreitung von oberflächlich umfassenden, aber oft redundanten, low-quality- oder sogar halluzinierten Survey-Manuskripten, die Preprint-Plattformen überfluten, Forscher überwältigen und das Vertrauen in die wissenschaftliche Aufzeichnung untergraben.

‘[Wir] argumentieren, dass wir die massive Einreichung von KI-generierten Survey-Papieren (d. h. Survey-Paper-DDoS-Angriff) in die Forschungsgemeinschaft stoppen müssen, indem wir starke Normen für KI-unterstütztes Review-Schreiben einführen.’

Die Autoren behaupten, dass diese ungebremste Beschleunigung der Survey-Produktion die Forschungsumgebung mit polierten Berichten überfluten droht, die zwar keine kritische Tiefe aufweisen, sondern wahrscheinlich tatsächliche Fehler und/oder halluzinierte Zitate verbreiten.

Das Papier warnt davor, dass ohne bessere Regeln oder Überwachung KI-generierte Surveys in oberflächliche Kopien verwandelt werden könnten, die wichtige Themen falsch darstellen, sinnvolle Analysen verbergen und Literaturübersichten weniger vertrauenswürdig machen:

‘Die Auswirkungen auf die Forschungsqualität und das Vertrauen sind tiefgreifend. Erstens riskieren echte Fortschritte, von algorithmisch generierten Wiederholungen existing Arbeit überdeckt zu werden.

‘Neulinge und interdisziplinäre Gelehrte könnten Schwierigkeiten haben, verlässliche Übersichten inmitten des Lärms zu finden. Darüber hinaus können Fehler oder Voreingenommenheiten, die durch automatisierte Erstellung eingeführt werden, unkontrolliert verbreitet werden und nachfolgende Forschung mit fehlerhaften Prämissen verseuchen.

‘Zusammenfassend gefährdet die Flut von nicht peer-reviewten KI-generierten Surveys sowohl die Strenge von Literaturübersichten als auch die Glaubwürdigkeit der wissenschaftlichen Aufzeichnung.’

‘Abnormale’ Autoren

Die Forscher der neuen Arbeit liefern einige interessante Analysen zur Entwicklung von Survey-Einreichungen:

Links: die jährliche Anzahl von Computer Science-Survey-Papieren von 2020 bis 2024. Mitte: Durchschnittliche KI-Generierungspunkte für diese Papiere über den gleichen Zeitraum. Rechts: Anzahl der Autoren, die als “abnormal” gekennzeichnet sind (solche mit ungewöhnlich hoher Survey-Ausgabe, begrenzter Ko-Autoren-Vielfalt und wiederkehrenden institutionellen Mustern) jedes Jahr. Alle drei Trends zeigen einen steilen Anstieg, beginnend im Jahr 2023, zusammen mit der Veröffentlichung von ChatGPT und anderen großen Sprachmodellen.

In der ersten Spalte sehen wir Wachstumstrends: die Kurve beginnt steil anzusteigen, etwa 2022, als ChatGPT aufkam und große Sprachmodelle mainstream wurden, und Nachfolgemodelle wie Claude, PaLM und Gemini würden diesen Schwung während des gesamten Jahres 2023 aufrechterhalten.

Die mittlere Grafik zeigt einen steilen Anstieg der Einreichungen nach 2022, zusammen mit dem Start von ChatGPT. Ein Forschungsteam fand heraus, dass bis 2024 mehr als 10% der wissenschaftlichen Abstracts durch ein LLM verarbeitet worden waren. Ein separater Bericht von einem KI-Erkennungsunternehmen legte den Sprung nach ChatGPT bei 72% für Papiere auf arXiv, die möglicherweise mit KI-Hilfe geschrieben wurden. Die Anzahl der Papiere mit hohen KI-Generierungspunkten verdoppelte sich innerhalb eines Jahres von 3,6% auf 6,2%.

Die dritte, rechte Grafik zeigt einen stetigen Anstieg der Anzahl “abnormaler” Autorenmuster (Forscher, die drei oder mehr Surveys innerhalb eines Monats einreichen, während sie mit weniger als zwei Mitarbeitern zusammenarbeiten), mit einem steileren Anstieg, beginnend im Jahr 2022.

Die Autoren behaupten, dass viele dieser Survey-Papiere möglicherweise von KI erstellt wurden, aus verschiedenen Gründen; einige sind von Solo-Autoren oder kleinen Gruppen geschrieben, die mehrere Surveys in kurzer Zeit einreichen; viele behandeln unabhängige Themen; und in einigen Fällen haben die Autoren keine vorherige Erfahrung in den Feldern, die sie zusammenfassen.

Zusätzlich sind einige unter anonymen Kollektiven mit keinen klaren institutionellen Bindungen veröffentlicht – Muster, die auf eine koordinierte Flutung des Feldes mit schnellen Surveys hindeuten, möglicherweise, um Zitate zu gewinnen oder akademische Profile zu verbessern, anstatt einen echten Beitrag zur Literatur zu leisten.

Probleme

Obwohl wir nicht alle Behauptungen des neuen Papiers abdecken können, sollten wir uns einige der bemerkenswertesten Beobachtungen ansehen, sowie einen kritischen Blick auf die von den Autoren vorgeschlagenen Lösungen für diese Probleme werfen.

Qualität und Originalität

Das Problem ist nicht nur das Volumen: viele KI-geschriebene Surveys verpassen, was einen guten Survey nützlich macht: klare Struktur, tiefe Analyse, korrekte und sorgfältige Anerkennung und echte Erkenntnisse. Stattdessen schlagen die Autoren vor, dass KI-generierte/unterstützte Surveys oft wie zusammengestellte Zusammenfassungen lesen, ohne die erforderliche Sorgfalt oder Kuratierung.

Die Autoren bemerken weiter, dass KI-geschriebene Surveys oft keine Struktur aufweisen, sondern einfach Papiere auflisten, ohne klare Richtung, wichtige Abschnitte überspringen und keinen Kontext schaffen. Von Menschen geschriebene Surveys neigen dagegen dazu, ordnungsgemäße Kategorien zu etablieren und eine kohärentere Geschichte zu erzählen.

Außerdem scheinen viele möglicherweise KI-unterstützte Surveys einfach bestehende Themen-Zerlegungen zu kopieren, manchmal direkt aus Wikipedia. Zum Beispiel bemerkt das Papier, dass mehrere Surveys über Vision Transformers gemeinsame Abschnittstitel und -strukturen aufweisen, was auf eine Vorlage-gesteuerte KI-Ausgabe hindeutet:

‘Im Gegensatz dazu könnte ein sorgfältig von Menschen geschriebener Survey eine neue Taxonomie einführen, z. B. die Kategorisierung von ViT nach Effizienzstrategien. Das Fehlen einer solchen Originalstruktur in vielen aktuellen Survey-Preprints lässt vermuten, dass sie möglicherweise von KI mit begrenzter menschlicher Einsicht generiert wurden.’

Zitate

Vielleicht am peinlichsten sind KI-geschriebene Surveys oft falsche Zitate, fehlende wichtige Papiere, einschließlich nicht relevanter Papiere und manchmal sogar nicht existierende Papiere – Fehler, die darauf hindeuten, dass die Referenzen aus oberflächlichem Muster-Erkennen stammen, anstatt aus echter Expertise.

Die Autoren weisen auch darauf hin, dass einige aktuelle Survey-Papiere, oft von ganz unterschiedlichen Teams, bis zu 70% ihrer Referenzlisten gemeinsam haben – ein so hoher Überschneidungsgrad, dass er auf eine gemeinsame Abhängigkeit von LLMs hindeutet, die aus dem gleichen engen Pool von Quellenmaterial schöpfen.

Tatsächlich wissen Casual-Nutzer von ChatGPT, dass das Thema, je obscurer es ist, desto weniger vielfältige Quellen es gibt, auf die das Modell zurückgreifen kann; sehr oft ist es nützlicher, die eigenen Quellen des Modells im Internet zu finden, als mit dieser Information über das Modell zu interagieren, das nicht ausreichend Daten in einem bestimmten Bereich hatte.

Ein ‘homogener Stil’ entsteht

Die Autoren bemerken auch, dass viele KI-geschriebene Surveys zum gleichen Thema fast identisch aussehen und klingen, da LLMs Phrasen und Strukturen wiederverwenden, insbesondere für beliebte Themen, was zu einem Sturm von fast identischen Papieren führt, die wenig Wert hinzufügen und auch erheblichen Lärm für Forscher verursachen, die nach Domänen-Antworten suchen*:

‘Wenn mehrere Autoren ein LLM bitten, “eine Literaturübersicht über X zu schreiben”, produziert das Modell oft sehr ähnliche Antworten, insbesondere für gemeinsame Definitionen oder allgemein bekannte Fakten. Aktuelle Forschung hat einen steilen Anstieg bestimmter Schreibmuster im Zusammenhang mit LLMs gezeigt, was darauf hindeutet, dass viele Papiere jetzt den gleichen Stil aufweisen.’

Ihr ChatGPT ist sichtbar

Das Papier bemerkt, dass ein schneller Weg, um KI-geschriebene Surveys zu erkennen, die Anwesenheit von Phrasen wie ‘als KI-Sprachmodell’ oder ‘mein Wissensstand’ ist, was auf eine minimale oder sogar keine Überarbeitung der KI-Modell-Ausgabe vor der Einreichung der Papiere hindeutet (obwohl eine gezielte Suche zum Zeitpunkt des Schreibens keine solchen Hinweise in der Google-Suche aufdeckte).

Das Papier weist darauf hin, dass viele “verdächtige” Surveys eine geringere Wortvielfalt und wiederholte Phrasen aufweisen, zum Beispiel, indem sie mehrere Absätze mit Weiterhin beginnen. Dieses Muster, so argumentieren die Autoren, ist typisch für GPT-ähnliches Schreiben und könnte ein nützliches Flag für die Erkennung von auto-generiertem Text sein.

(Mein persönlicher Kommentar dazu ist, dass die strikten Anforderungen des Online-Journalismus oft verlangen, dass ein Schriftsteller viele Elemente in einer prosa-basierten, nicht gestalteten Form auflistet. Daher haben ChatGPT und seine Peers wahrscheinlich diese schlechte Angewohnheit von menschlichen Schriftstellern gelernt, die mit einer begrenzten Anzahl von lexikalischen Alternativen konfrontiert waren. Zusätzlich zeigt die Vermutung der Autoren, dass sie sich mit den Grundsätzen der KI-Inhalts-Erkennung befassen, einem komplexen und sich entwickelnden Feld mit wenigen dauerhaften Konstanten der Art, die die Autoren vorschlagen)

Obwohl die Forscher fortfahren, eine faszinierende Diskussion über die negativen Auswirkungen von KI-Surveys auf die Forschungskultur und das Vertrauen zu entwickeln, müssen wir den Leser auf das Quellenpapier verweisen, um mehr über diese Tiefe zu erfahren.

Lösungen?

Die Lösung des Papiers ist faszinierend, radikal und gleichzeitig seltsam unoriginal: dass die Nützlichkeit von Survey-Papieren durch eine Dynamic Live Survey ersetzt werden sollte – eine Art Hybrid zwischen einem Wiki und einer GitHub-Seite, die ständig mit neuen Daten von LLMs und anderen KI-Systemen gefüttert wird, aber mit Commits, die nur von Menschen durchgeführt werden, sodass KI nicht im Wesentlichen “Auto-Veröffentlichungen” durchführen kann.

Das vorgeschlagene System würde die Versionierung und Verzweigung von GitHub teilen und im Wesentlichen eine Informationsressource in eine ständig aktualisierte Liste ähnlich der ‘awesome’-Art von kuratierten Listen auf GitHub umwandeln:

‘Unter diesem Rahmenwerk erstellt ein Gemeinschaftsmitglied zunächst eine Survey-Themen-Wiki, indem es den Umfang, die wichtigsten Forschungsfragen und die grundlegenden Referenzen spezifiziert, was eine klare thematische Grenze und eine anfängliche Struktur setzt.

‘Anschließend überwacht ein LLM-basiertes Aufnahmeelement kontinuierlich Preprint-Archive, Konferenzverfahren und Benchmark-Leaderboards. Es extrahiert automatisch Abstracts, Figuren und wichtige Leistungsmetriken; synthetisiert prägnante Zusammenfassungen neuer Ergebnisse; aktualisiert den Zitationsgraphen, um die Beziehungen zwischen Papieren widerzuspiegeln; und markiert aufkommende Forschungstrends für weitere Überprüfung.

‘Durch die Konstruktion erfolgen diese automatischen Updates innerhalb von Stunden nach der Veröffentlichung, um sicherzustellen, dass das Repository an der Spitze bleibt.’

‘Menschliche Mitwirkende treten dann ein, um die interpretative Tiefe zu liefern, die Maschinen allein nicht bieten können. Sie verfeinern die entwickelnden Taxonomien, um subtile methodologische Unterschiede zu erfassen, koordinieren widersprüchliche Interpretationen von algorithmischen Innovationen in verschiedenen Subbereichen und liefern tiefergehende kritische Vergleiche zum Dokument.’

Das Buch der Veränderungen

Die Autoren entwickeln ihre Vorschlag mit Begeisterung und in großer Ausführlichkeit und rechtfertigen ihn im Wesentlichen mit etwas, das sehr wahr ist: hochwertige, von Menschen geschriebene Surveys auf volatilen Themen rund um KI altern so schnell, dass sie kaum der Mühe wert sind, geschrieben zu werden; und das Papier bemerkt, dass eine dreimonatige Wartezeit für ein neues Survey-Papier wahrscheinlich bedeuten würde, dass es zum Zeitpunkt seiner geplanten Veröffentlichung veraltet (oder sogar sehr veraltet) sein wird:

‘Jahr für Jahr werden Gemeinschaften von wiederholten oder oberflächlichen Übersichten überflutet, die schnell an Relevanz verlieren, und Praktiker und Neueinsteiger gleichermaßen haben Schwierigkeiten, Signal von Rauschen zu unterscheiden. Der traditionelle Publikationszyklus (d. h. Entwurf, Einreichung, Überprüfung und Veröffentlichung) kann mehrere Monate dauern, bis zu dem Zeitpunkt, an dem kritische Durchbrüche bereits die Landschaft verändert haben könnten.

‘Darüber hinaus trägt die zunehmende Menge statischer Surveys zu kognitiver Überlast bei, da Leser zahlreiche überlappende Dokumente durchsuchen müssen, um substantielle Erkenntnisse zu finden.’

Leider teilt die Lösung des Papiers viele der schlechtesten und meist kritisierten Eigenschaften von Discord: vor allem, dass es eine ständig sich ändernde und sich verändernde Ressource wäre.

Da jeder Teil einer dynamischen Live-Umfrage zu jedem Zeitpunkt geändert oder entfernt werden könnte, wäre es unmöglich, sie als zitierbare, stabile Quelle zu verwenden; es sei denn, vielleicht, indem man auf einen “vorherigen Commit” verweist, ähnlich wie Archive-Sites wie archive.is und die Wayback Machine, die verlinkbare Schnappschüsse von Web-Inhalts-Content bereitstellen, der zu einem bestimmten Zeitpunkt eingefroren ist. Aber welche Ressourcen würde ein solcher Commit benötigen, und könnte er darauf vertrauen, über die Zeit hinweg verfügbar zu bleiben?

Zusätzlich wäre eine Plattform/Wiki mit ständig wechselnden Definitionen und Inhalten schwierig zu indizieren, entweder durch traditionelle Suchmaschinen oder LLMs.

Vielleicht der schwächste Teil des vorgeschlagenen Systems ist die Idee, dass echte Menschen die Commits von den LLM-Agenten überwachen sollten; wie immer sind echte Menschen teuer. Was vorgeschlagen wird, ist etwas zwischen einem Museum und einer Bibliothek – beides wird eine Fleischware-Versorgung benötigen, die dem Datenvolumen und der Anzahl der Themen entspricht.

Wenn ‘Benutze echte Menschen‘ die einzige Antwort auf ein KI-Entwicklungsproblem ist, ist das Problem immer noch offen und ungelöst.

Schlussfolgerung

Im Moment ist die kurze Haltbarkeit von Survey-Papieren über KI ärgerlich; wenn die aktuelle Tendenz zu hochskalierter automatisierter Schreib- und Einreichung weitergeht, wie in der neuen Arbeit vorgeschlagen, wird das Signal-Rausch-Verhältnis chronisch, und die Literatur wird unregierbar.

In einer solchen Situation würde es noch schwieriger sein, als es jetzt schon ist, für Stimmen außerhalb der FAANG-Gruppe gehört zu werden, und Marktführer würden wahrscheinlich noch mehr Prominenz erlangen.

Abgesehen von Live-Surveys schlägt die neue Arbeit vor, dass Autoren nicht nur angehalten werden sollten, die Verwendung von KI in irgendeinem Teil einer Einreichung zu deklarieren, sondern auch, dass KI-unterstützte Abschnitte innerhalb eines Papiers explizit gekennzeichnet werden sollten (vielleicht mit einer Neben-JSON-Datei…?).

Da dies eine mühsame Aufgabe ist, schlägt die Arbeit alternativ vor, was ich nur als “KI-Ghetto” bezeichnen kann – einen bestimmten Abschnitt in der Einreichung, der für KI-Beiträge reserviert ist.

In Kürze hat die neue Arbeit, zumindest in meiner Meinung, keine realistischen Antworten zu bieten; aber die Autoren haben einen nützlichen Dienst geleistet, indem sie die Herausforderungen vor uns skizziert haben.

Das Papier Stoppt den DDoS-Angriff auf die Forschungsgemeinschaft mit KI-generierten Survey-Papieren kann unter https://arxiv.org/abs/2510.09686 gefunden werden und ist von sechs Autoren aus verschiedenen Abteilungen der Shanghai Jiao Tong University verfasst.

___________________________________

* Nicht alle stimmen dem zu.

^† Betonung der Autoren, nicht meine. Außerdem, wo anwendbar, meine Umwandlung der Autoren-Zitate in Hyperlinks.

Erstveröffentlicht am Freitag, dem 17. Oktober 2025