00:00:03: Dieser Podcast ist eine entgeltliche Einschaltung in Form einer Medienkooperation mit dem Bundesministerium für Frauen, Wissenschaft und Forschung.

00:00:12: Die redaktionelle Verantwortung liegt beim Standard.

00:00:41: Willkommen bei Inside Science, dem Standard-Podcast über die großen Fragen der Menschheit.

00:00:47: Ich bin David Renert

00:00:48: und ich bin Tanja Traxler.

00:00:50: Wir beschäftigen uns jeden zweiten Mittwoch mit den ganz Großen und ganz kleinen Mysterien in unserem Universum.

00:00:58: Heute wollen wir einen blinden Fleck

00:01:01: ausleuchten.

00:01:02: Frauen

00:01:03: machen fünfzig Prozent der Weltbevölkerung aus Und trotzdem sind sie in vielen großen Datensätzen beinahe unsichtbar.

00:01:11: Dafür gibt es ganz unterschiedliche Gründe und umso schwerer ist das auch, Lösungen für dieses sehr große Problem zu finden.

00:01:19: Der Crash-Test Dummy ist ja eigentlich eine sehr gute Idee!

00:01:23: Es ist natürlich viel gescheiter die Auswirkungen eines Verkehrsunfalls an einer lebensgroßen Puppe auszutesten als erst bei Unfällen mit menschlichen Beteiligten aufgrund legender Konstruktionsfieler draufzukommen.

00:01:38: Wie aber schon seit vielen Jahren recht bekannt ist, hat dieser eigentlich tolle Idee einen großen

00:01:45: Haken.

00:01:46: Der Crash-Test dummy entspricht mit seinen Proportionen nämlich dem prototypischen männlichen Körper.

00:01:53: Daten für Unfallfolgen für typische weibliche Körper fehlen daher!

00:01:59: So ist der Crash Test Dummy zum umrühmlichen Paradebeispiel für geschlechter spezifische Blindstellen in Datensätzen geworden, dem Gender Data Gap.

00:02:11: Ja dieser Bayer bei Crash Test Dummies ist wie du schon erwähnt hast seit vielen Jahren bekannt und trotzdem tut sich nach wie vor vergleichsweise wenig um dieses Problem zu lösen.

00:02:23: Erst vor kurzem ist eine neue Studie der Technischen Universität Graz zum Thema erschienen.

00:02:28: das Forschungsteam um Quarina Glug hat dafür österreichische Unfalldaten der Jahre zwölf bis zweitensvierundzwanzig ausgewertet.

00:02:37: Und dabei hat sich gezeigt, wenn ein Mann und eine Frau gemeinsam in einem Auto saßen und das Auto einen Unfall hatte war das Verletzungsrisiko für die Frauen im Auto im Schnitt eins Komma sechs Mal höher als für die Männer.

00:02:52: Konkret zogen sich neunundachtzig Komma sechs Prozent der Insassinnen verletzungen zu.

00:02:57: bei diesen Unfällen Nur ist es fifty-fünf Prozent der Männer.

00:03:02: allerdings wurden verletzt.

00:03:04: Eine Auffälligkeit, die bei dieser Studie zum Forschern gekommen ist sind die Verletzungsmuster und insbesondere der Brustkorb und die Wirbelsäule sowie Arme und Beine waren betroffen.

00:03:17: Hinter dem erhöhten Verletzensrisiko für Frauen bei Auto und Fällen steht ein ja unrühmliches historisches Erbe.

00:03:25: Über Jahrzehnte hinweg galt der sogenannte Fünfzig-Perzentilmann als der Maßstab für Fahrzeugsicherheit, also für Tests für Fahrzeugsicherheit sozusagen der statistische Durchschnittsmann.

00:03:38: Diese Referenzfigur prägt auch bis heute noch Zulassungsverfahren und Crashtests.

00:03:44: aber selbst weibliche Dammis die gelegentlich zum Einsatz kommen sind im Wesentlichen eine verkleinerte Form des männlichen Modells und entsprechen, wenn dann einer sehr kleinen Frau.

00:03:58: Fünfundneinzig Prozent aller Frauen sind aber größer und schwerer als diese Referenz.

00:04:04: Spezifische anatomische Merkmale wie Beckenbreite, Brustumfang oder auch Schultergeometrie bildet derzeit überhaupt kein weiblicher Dummy ab.

00:04:14: für Frontal- oder Seitenkollisionen Nur für das Szenario eines Auffahrunfalls gibt es ein eher realistisches Modell einer durchschnittlichen Frau.

00:04:26: Im Einsatz ist das aber auch noch

00:04:28: nicht.".

00:04:29: Die Forscherin Corinna Klug sagt dazu, Frauen sind nun mal keine kleineren Männer und mit Modellen von sehr kleinen zierlichen Frauen kann oft nicht abgebildet werden was wir in den Unfällen beobachten.

00:04:43: Also bisher ist es einfach so, wenn man Brüster hat oder ein Becken.

00:04:48: Ist es nach wie vor so dass man in den Tests die zu Zulassungen führen von neuen Fahrzugs nicht ausreichend berücksichtigt wird?

00:04:57: Ein Wahnsinn!

00:04:58: Wenn man daran denkt wie lange das eigentlich schon bekannt ist.

00:05:01: und ihr ahnt es wahrscheinlich schon.

00:05:03: dieses Problem beschränkt sich nicht auf Fahrzeugsicherheit.

00:05:07: Auch in der medizinischen Forschung beim Produktdesign oder auch bei KI-Algorithmen macht sich ein Gender Gap bemerkbar.

00:05:16: Für die betroffenen Frauen kann das manchmal sehr lästig sein, wenn zum Beispiel die Gesichtserkennung nicht so gut funktioniert und nicht auf Anhieb funktioniert.

00:05:25: In anderen Fällen kann der Gender GAP aber ähnlich fatale Folgen haben wie bei den Crash Test Dummies, wenn es etwa um den Einsatz neuer Medikamente geht.

00:05:35: In den allermeisten Fällen steckt da gar keine böse Absicht dahinter, dass bewusst Frauen aus den Datensätzen herausgehalten werden.

00:05:43: Sondern der Gender Data Gap ergibt sich einfach aus strukturellen Gründen wenn zum Beispiel mehr Männer an der Entwicklung und Design eines bestimmten Produkts beteiligt sind ist natürlich naheliegend und auch verständlich das sie sich an ihren Anforderungen orientieren.

00:06:00: Auch bei medizinischen Studien ist der Gender Data Gap oft nur schwer vermeidbar wenn zum Beispiel neue Medikamente getestet werden, weil da gelten ja einige Ausschlusskriterien für mögliche Testpersonen.

00:06:14: Zum Beispiel muss natürlich ausgeschlossen werden dass die Personen dabei sind die schwanger sind oder schwanger sein könnten, um das wohl des Babys nicht zu gefährden.

00:06:25: Es ist aber auch sinnvoll, Personen nicht für solche Studien heranzusziehen und andere Arzneimittel einnehmen wie etwa die Pille weil es dann zu Reaktionen zwischen den unterschiedlichen Medikamenten kommen könnte.

00:06:40: Und wenn man all das zusammennimmt fällt schon mal ein beträchtlicher Teil potenzieller weiblicher Probandinnen weg, die man aus guten Gründen von solchen Studien ausschließen muss.

00:07:03: Den Ursachen warum Frauen in Daten so oft fehlen begegnet die Informatikerin Johanna Pirke fast täglichen ihrer Forschung auch den Folgen... Wir haben mit der Professorin an der Technischen Universität München und der Technische Universität Graz über die Hintergründe des Gender Data Gaps gesprochen, sind dabei auch auf die Crash Test Dummies zu sprechen gekommen.

00:07:32: Diese Crash Test Tummies haben halt meistens einen recht uniformen Körper, wenn ursprünglich auch designt eher auf dieses männliche Default und der weiblicher Körper in dem Fall ist dann doch wieder anders konzipiert.

00:07:44: Deswegen sieht man bei den Statistiken das Frauen viel... höheres Risiko haben für schwere Verletzungen, spezielle Verletzung in unterschiedlichen Bereichen.

00:07:54: Da sieht man einfach diesen Unterschied.

00:07:56: wenn das Norm angepasst ist auf zum Beispiel hier in dem Fall einen männlichen Körper dann leiden halt andere darunter.

00:08:03: Das ist jetzt müssen wir es nicht nur Frauen sein, das betrifft ja Detacab.

00:08:07: Es sind eigentlich all der unterrepräsentierten Gruppen und das passiert oft gar nicht absichtlich aber es wird getestet oder probt vielleicht Normgruppen, die eher zum Beispiel einen männlichen Patienten repräsentieren.

00:08:22: Und da werden schon teilweise Frauen mit einem Herzinfarkt wieder nach Hause geschickt weil die typische Herzinfaktdiagnostik zB auch wieder auf ein Männerkörper oder auf Männer Symptome spezialisiert oder trainiert worden ist.

00:08:36: und das gleiche sieht man als hoch skaliert in allen technischen Informatikbereichen.

00:08:40: natürlich auch

00:08:41: Auf die Informatik werden wir später noch genauer eingehen.

00:08:45: Zunächst wollen wir aber noch ein paar andere Beispiele beleuchten, wo der Gender Data Gap teilweise auch ziemlich überraschend erscheint – zum Beispiel bei Studieaufnahmen wie dieser hier.

00:08:57: Also Historie wissen wir dass zb früher Frauen kaum Moderationsjobs sind.

00:09:03: das war wirklich früher kaum Moderationsjobs nehmen haben können oder ihre Stimme verstellen mussten, weil die ursprünglichen Systeme diese hohen Frequenzen oder höhere Frequenz nicht aufnehmen konnten.

00:09:15: Das heißt da gab es technische Limitierungen, warum Frauen zum Beispiel auch teilweise solche Moderations- oder Radiojobs ganz früher nicht wirklich durchgenommen können ohne sich selbst verstellen zu müssen?

00:09:27: Inzwischen ist die Technik weiterentwickelt worden und wir hört werden auch höhere.

00:09:34: In Radio und Podcast sind zum Glück auch viele weibliche Stimmen zu hören.

00:09:38: Aber dafür, dass das möglich ist war Aufmerksamkeit für das Problem notwendig und natürlich die Entwicklung einer Lösung.

00:09:47: Ein ganz anderer Bereich wo es noch sehr wenig Bewusstsein für die Unterrepräsentation von Frauen gibt – ist Gaming!

00:09:54: Und das ist umso überraschender als es viel mehr weiblichen Gamerinnen gibt, als man vielleicht meinen könnte.

00:10:00: Wenn wir uns das überlegen... Oh wow, wie schaut denn ein typischer Gamer aus?

00:10:05: Und die meisten hätten dann wieder so einen jungen dem Keller sitzt im Kopf.

00:10:10: Das ist aber statistisch halt falsch!

00:10:12: Also wir wissen auch, also typische Gamers sind fünfhunddreißig plus, laden Statistiken und fast die Hälfte identifizieren sich als Weiblech So... und wenn ich jetzt aber bei einem Bild-Generierungs-Tour, also KI basiert Stable Diffusion habe ich da mal so gewendet nach einem Bild von Gamern Such Dann kriegt man immer vier Bilder.

00:10:32: Und das allererste Mal, weil ich das durchgeführt hab, sind drei jungen Burschen im Keller kommen und ein Ork.

00:10:39: Aber es war halt keine Frau dabei!

00:10:42: Das passiert einfach von dem... Es repräsentiert nicht unbedingt die Wirklichkeit sondern ein bisschen das was datenmäßig gegeben ist.

00:10:50: Ein weiteres Beispiel aus der Informatik wo man auch sieht, dass vielleicht noch lustig ist.

00:10:55: Mich macht's traurig, weil mich selten repräsentiert Aber in dem Fall ist es dann halt ein Org.

00:11:03: Aber schwierig wird's zum Beispiel im Bereich Bilderkennung und da gibt's ganz große Lücken, gibt's eine tolle Forschung auch am Anfang sehr, sehr entspannend.

00:11:11: Frauen auf die Media Lab zeigen dass z.B.

00:11:15: schwarze Menschen sehr stark unterpräsentiert sind in diesen Trainingsdaten.

00:11:19: Wenn man sich den Gender Data Gap anhand von verschiedenen Beispielen ansieht wie auch Johanna Pirke das macht zeigt sich auch wie unterschiedlich die Gründe sind, die dazu führen dass Frauen oder andere Gruppen in den Daten nicht ausreichend repräsentiert sind.

00:11:35: Wie schon erwähnt geschieht das meistens nicht mit böser Absicht sondern ergibt sich einfach daraus wie Teams zusammengesetzt sind oder auch wie Forschungs- und Entwicklungsprozesse aufgesetzt werden

00:11:46: Zum Beispiel bei Selbstverhandene Autos.

00:11:49: Wir haben jetzt Daten die trainiert sind zum Großteil an weißen Menschen Und die werden natürlich dann dementsprechend viel leichter im Straßenverkehr erkannt.

00:11:59: Das heißt, wir haben da wirklich ein ganz großes Gap auch gut abbildbar das schwarze Menschen viel schwieriger zu erkennen sind oder erkannt wurden.

00:12:08: also inzwischen tut sich da Gott sei Dank relativ viel in diesen Bilderkennungssystemen.

00:12:13: Das kann natürlich dann die Unfall-Häufigkeit erhöhen.

00:12:16: Das heisst haben wie ein resistisches System Fragezeichen Ja und nein, also per se der Algorithmus selbst.

00:12:22: Der ist weder sexistisch noch rassistisch nach oder trifft nicht die ganzen Ismen sondern basiert halt auf den Trainingsdaten oder auch oft ein bisschen auf den Designentscheidungen.

00:12:34: und da möchte ich wieder hinweisen das ist ganz oft nicht Absicht aber oft dann auf designt Entscheidungen vom Entwicklungsthemen oder Forschungsthhmen.

00:12:41: Das ist halt so wie wenn wir uns die Statistik anschauen gerade in der Formatik.

00:12:45: es ist halt sowas viele von den Forschungsteams Besonders divers sind.

00:12:51: Es ist auch in der Spieleentwicklung, also historisch gesehen.

00:12:54: oft sind das Teams wo ganz oft viele Männer zusammensitzen und viele Fragestellungen gehen dann nicht absichtlich aber unabsichtlich einfach verloren.

00:13:03: oder zu seinen Entscheidungen Wir haben halt ganz oft auch vergangenheitsmäßig einfach das typische, zum Beispiel mit dem typischen männlichen Körper.

00:13:12: Und dass es irgendwie unbewusst ist, dieses neutrale Menschen angenommen wird sei das jetzt bei den Crash-Tests.

00:13:19: damals hat man das Gefühl, dass es möglichst neutral... Das Problem ist, dass Neutralität oder auch statistischer Durchschnitt oder Standard oder irgendwas halt sehr viele Menschen ausschließt und vor allem eben auch wichtig auch Randgruppen und dass man dann einfach einen Datensatz hat, der dann aus vielleicht einem Gemisch passiert.

00:13:40: Aber sehr vieler einfach auslässt.

00:13:42: Johanna Pirke hat im Vorjahr ein Buch zu Gaming veröffentlicht – The Game is on!

00:13:48: Wie gaming unsere Welt revolutioniert ist es in den ECO-Wing-Verlag erschienen.

00:13:53: Eine große Leseempfehlung an dieser Stelle.

00:13:56: Zum Gender Data Gap hat sie selbst aber auch eine lektüre Empfehlung und dabei geht es um ein Buch, das mich selbst auch sehr beeindruckt hat.

00:14:03: Es gibt ein total fantastisches Buch.

00:14:06: natürlich gibt's mehrere Bücher bei einem Buch wo auch viele von den Beispielen her kommen die gerne zitieren.

00:14:11: dass ist das buch Unsichtbare Frauen in Whistleblum Woman von Carolina Perez Und das ist ein Buch, was einfach wirklich fantastische Beispiele aufzeichnet.

00:14:20: Das trifft es – also ich komme natürlich aus den Formatik,

00:14:24: d.h.,

00:14:24: ich kann viele Beispiele aus dem Gaming-Bereich oder aus der Informatik selbst mitbringen.

00:14:28: Hier sind aber auch ganz viele Bereiche z. B. aus dem Stadtdesign.

00:14:32: Das war mir auch gar nicht so bewusst.

00:14:34: Auch wie Städte designt sein sollen gibt's natürlich ganz unterschiedliche Bedürfnisse von Männern und Frauen.

00:14:41: wenn wir uns das überlegen Die meisten, also da muss man auch wieder ehrlich sein.

00:14:46: Also ganz viele aus dem Stadt des Seins kennen vielleicht eher die männlichen Lebensrealitäten und überlegen sich ganz klassisch was wäre der beste Weg von A nach B?

00:14:54: Das ist vermutlich von zu Hause zur Arbeit.

00:14:57: Und dann gibt es aber total spannende und wichtige Beispiele, die wir zeigen gerade im Navigation- und Citybereich sind die Lebensrealitäten von Frauen vermutlich nicht zur Arbeit und zurück, sondern einmal zum Kindergarten und dann vielleicht noch zur Pflegestätte.

00:15:15: Und die vielen Umwege vielleicht noch einkaufen gehen und dann erst zur Arbeit.

00:15:21: Das sind halt ganz andere Routen.

00:15:23: Standardmäßig, die z.B.

00:15:25: klassische Frau wie gesagt pflege ist halt traditionell immer noch stärker bei der Frau Und das müsste zum Beispiel auch im City-Design Rute von Ussen und Kohl berücksichtigt werden.

00:15:37: Oder auch auf spannendes Beispiel aus dem Buch war die Schneeräumung, dass der Fokus eher dann auf okay es muss für die Autos zuerst geräumt werden aber gerade Fußwege wo ältere Menschen oder Kinder wegen Platz haben sollten und sicher gegen könnten wenn dabei vernachlässigt.

00:15:53: Das nächste ist natürlich auch die Größe vom Smartphone für die, die es zuhören.

00:15:59: Ich halte gerade ein riesiges Smartphone in meiner Hand, das mir wahrscheinlich zwanzigmal am Tag runterfällt.

00:16:04: Warum fallt's mehr runter?

00:16:06: Nicht weil ich so ungeschickt bin was man vielleicht glauben wird sondern weil es eigentlich eher designt ist für eine große Hand.

00:16:12: Ich hab halt nicht so eine große hand und deswegen tu' ich mich ja eigentlich... also kann sehr viel sehen und ich kann dann sehr viel tun auf dem Smartphone aber eigentlich ist es nicht wirklich desigent für mich!

00:16:21: Und das sind jetzt vielleicht Klingen nach kleinen Beispielen aber das summiert sich halt.

00:16:26: Das ist dann halt ein Tag, der insgesamt ein bisschen komplizierter und länger wird.

00:16:30: Und da rede ich jetzt von mir, wo ich es vermute selbst noch in einer privilegierteren Rolle stehe – wenn man sich also überlegt was das mit Menschen bei Behinderungen zum Beispiel macht wie eher nicht schwierig dann von Randgruppen die vielleicht noch weniger Prozent ausmachen als schon eigentlich eine Gruppe, die eigentlich fünfzig Prozent ausmachen sollt, dann wird's halt besonders schwierig.

00:16:54: Es gibt ja so sehr viele Beispiele und Gründe, warum und wie Frauen in Daten unterrepräsentiert sind.

00:17:00: Manchmal ist das einfach nur bizarr.

00:17:03: Teilweise hat es aber auch wirklich fatale Folgen.

00:17:06: Da stellt sich natürlich die Frage – was lässt sich dagegen tun?

00:17:22: Um blinde Flecken und Biases in Datensätzen aufzuspüren, bedarf es zunächst einmal Bewusstsein für das Thema überhaupt.

00:17:30: Damit ist das Problem zwar noch nicht gelöst aber es ist zumindest schon mal ein ganz wichtiger Anfang

00:17:36: um

00:17:37: das Problem überhaupt irgendwie im Fokus zu haben.

00:17:41: Wenn einmal klar ist dass es ein Problem gibt können zum Beispiel neue Normen oder Guidelines helfen zur inklusiveren Datensätze zu kommen oder auch Simulationen die neue Perspektiven öffnen.

00:17:53: Wenn man weiß, dass man zum Beispiel ein Produkt entwickelt und da wird man... Ganz, ganz viele Guidelines und Empfehlungen der nächsten in letzter Zeit auch finden.

00:18:02: Dass man es versucht einfach so viele Gruppen mitzudenken wie möglich.

00:18:06: Das kann man machen indem man sich direkt ins Team integriert.

00:18:09: das heißt ich unterstützt das immer sehr dass wir diverse und interdisziplinäre Teams fördert aber natürlich können wir es nicht von allen Randgruppen jeweils ein Teammember im Team haben.

00:18:20: da gibt's aber total schöner Guidelines beispielsweise die uns helfen ein bisschen raus aus unserer eigenen Box zu denken oder auch Consulting-Agenturen, die sich auf das spezialisiert haben.

00:18:31: Ein Beispiel jetzt vielleicht umgekehrt also auch aus meiner Forschung.

00:18:36: Auch wenn man das vielleicht nicht hört aber ich bin ein bisschen kleiner und habe gemeinsam mit einer Kollegin, die ja auch ein bisschen klein ist, haben wir eine Virtuality Welt entwickelt und haben halt die Welt gebaut für quasi aus unserer Sicht und auch für uns kalibriert und haben da stunden Tage entwickelt.

00:18:54: Und dann haben wir es einen Kollegen Der über zwei Meter groß war zum Testen gegeben und der war dann quasi so ein riesiger, riesiger sich kaum verwegen hat können in unserer Welt.

00:19:04: Das weiß einfach aus unserer Sicht umgekehrt einmal das sein.

00:19:07: Wie wir schon besprochen haben sind vom Data Gap nicht nur Frauen betroffen sondern auch andere Gruppen die eben in großen Datensätzen oft nicht ausreichend berücksichtigt und abgebildet werden zb bestimmte Minderheiten oder auch Menschen mit Behinderung.

00:19:23: Und einige Strategien, die entwickelt worden sind um den Gender Data Gap zu schließen könnten auch dabei helfen Daten generell inklusiver zu machen für viele Gruppen.

00:19:35: Wir müssen da ganz groß hervorheben dass das jetzt unterschiedlichste Bereiche betrifft und wir da ja als unterschiedlichsten Gruppen mitdenken sollten und natürliches auch Menschen mit Behinderungen.

00:19:46: Jetzt gibt es da ein großes Beispiel, was sehr viele betrifft.

00:19:50: Wenn ich mich nicht ganz vertue ist ja fast jeder zehnte Mann davon zum Beispiel betroffenes Farmenblindheit.

00:19:56: Das klingt jetzt etwas nach etwas kleineren Messers aber glaube ich für sehr viele die vielleicht auch selbst betroffen sind.

00:20:01: Ein gutes Beispiel.

00:20:03: wenn ich als ein Spieldesign und ich bin aber selbst nicht farmenblind dann designe ich das so wie ich es verstehe.

00:20:09: Ich kenne diese Problematik gar nicht möchte aber natürlich wirtschaftlich gesehen, aber natürlich auch vom Inklusionsaspekt gesehen dieser Zielgruppe nicht verlieren.

00:20:20: Das heißt was tue ich?

00:20:21: In dem Fall gibt es zum Beispiel die Accessibility Guidelines die mir helfen.

00:20:26: das ist eine schöne Checklist von unterschiedlichen Einschränkungen wie ich da meine Software oder mein Spiel doch so zugängig gestalt dass es für möglichst viele Menschen einfach zum Beispiel spielbar oder benutzbar ist.

00:20:39: Hier gibt es zum Beispiel auch Simulatoren, die mir dann zeigen.

00:20:41: Hey!

00:20:42: So würde dein Spiel oder deine Software oder dein Produkt aussehen wenn du diese Art von Farbenblindheit hast.

00:20:50: Das heißt da gibt's sehr viele Systeme, die

00:20:52: eigentlich helfen

00:20:53: dass wir ohne den Zuggriff zu diesen diversen Gruppen oder das man spezielle Consulting-Agenturen anfragen gibt es trotzdem sehr viel Wissen eigentlich was schon zugänglich und gratis da draußen ist.

00:21:08: Es gibt also immer noch sehr viele Probleme, wenn es darum geht Frauen oder andere Gruppen in großen Datensätzen entsprechend abzubilden.

00:21:17: Es gibt aber auch schon sehr viele Strategien wie man diesem Thema begegnen kann und eine ganz wichtige Sache dabei ist Bewusstsein zu schaffen darüber zu reden weil erst

00:21:27: dann

00:21:28: kann man überhaupt Lösungen auf den Weg bringen.

00:21:31: Und bitte testet endlich gescheitere Crash Test Dummies!

00:21:35: Für heute sagen wir Danke fürs Zuhören

00:21:38: Und wir freuen uns, wenn ihr beim nächsten Mal wieder dabei seid.

00:21:41: Jeden zweiten Mittwoch überall, wo es Podcast gibt!

00:21:44: Ich bin David Renard

00:21:45: und ich bin Tanja Traxler.

00:21:47: Diese Folge wurde von Christoph Neuwirt produziert.

00:21:50: Bis zum nächsten mal!