Der Anteil von Show-HN-Beiträgen steigt, aber die Scores sinken

• In letzter Zeit ist der Anteil der Show-HN-Beiträge stark gestiegen, besonders deutlich seit dem Aufkommen von LLMs (Large Language Models)
• Während der Anteil von 2012 bis 2022 bei etwa 2–3 % lag, wuchs er bis Dezember 2025 auf über 12 %
• Gleichzeitig zeigt sich beim durchschnittlichen Score ein Abwärtstrend: Im Dezember 2025 lag der durchschnittliche Show-HN-Score bei 9,04 Punkten und damit 10 Punkte unter dem Gesamtdurchschnitt (19,53 Punkte)
• Der Autor ist sich nicht sicher, ob dies auf eine geringere Qualität von LLM-generierten Beiträgen zurückzuführen ist, und erwähnt lediglich eine mögliche Ermüdung der Nutzer
• Die Analyse wurde mit den öffentlichen Hacker-News-Daten in BigQuery durchgeführt; Python-Code und CSV-Dateien sind auf GitHub veröffentlicht

---

Analyse der Veränderungen bei Anteil und Score von Show HN

• Von 2012 bis 2022 blieb der Anteil der Show-HN-Beiträge mit 2–3 % stabil

  • Danach stieg der Anteil mit dem Aufkommen von LLMs, die Code schreiben können
  • Claude Code und Cursor 1.0 beschleunigten diesen Trend
  • Im Dezember 2025 waren mehr als 12 % aller Beiträge Show HN
  • Der Autor weist ausdrücklich auf eine Korrelation zwischen dem Anstieg von Show HN und der Verbreitung von LLMs hin

• Die Scores von Show HN zeigen dagegen einen Abwärtstrend

  • Bis 2023–2024 lagen sie mit 15–18 Punkten auf einem ähnlichen Niveau wie alle Beiträge insgesamt
  • Im Dezember 2025 lag der Durchschnitt bei 9,04 Punkten, also rund 10 Punkte unter dem Gesamtdurchschnitt von 19,53 Punkten
  • Der Autor sagt, er könne „nicht sicher sagen, ob die Qualität von LLM-generierten Show HN niedriger ist“
  • Er ergänzt, dass „es auch sein könnte, dass Nutzer von zu vielen Show-HN-Beiträgen ermüden“
  • Den Anstieg des Durchschnittsscores im Jahr 2022 führt er möglicherweise auf „den Zustrom neuer Nutzer“ zurück

Datenerhebung und Analysemethode

• Die Analyse wurde mit dem öffentlichen Hacker-News-Datensatz in BigQuery durchgeführt

  • Per SQL-Abfrage wurden die Felder time, title, type, score, id extrahiert
  • Da das Feld type kein Attribut show_hn enthält, wurde gefiltert, indem der Titel in Kleinbuchstaben umgewandelt und geprüft wurde, ob er mit show_hn: beginnt
  • Die Daten sind etwa 400 MB groß, die ursprüngliche CSV ist nicht in GitHub enthalten
  • Nach Ausführung der Abfrage wurden die Daten nach Google Drive exportiert und heruntergeladen

• Der Analysecode und die CSV-Dateien sind im GitHub-Repository
  https://github.com/plastic041/hackernews
  verfügbar

Ausblick und Grenzen

• Der Anteil der mit LLM erzeugten Show-HN-Beiträge sollte zusätzlich analysiert werden,
  doch da im Beitragstext nicht angegeben wird, ob ein LLM verwendet wurde, ist eine Zuordnung nicht möglich
• Der Autor plant, die Daten alle paar Monate zu aktualisieren und den Beitrag zu überarbeiten
• Die Daten für 2026 umfassen bislang nur 13 Tage, und die Scores sind noch nicht stabil, weshalb sie von der Analyse ausgeschlossen wurden