Was lese ich? Wen sehe ich? – Empfehlungsalgorithmen in der Wissenschaftskommunikation
Im letzten Beitrag habe ich mich mit Altmetriken befasst, einer Gruppe von Algorithmen, die Impact und Reputation in der Wissenschaft aufgrund unterschiedlichster “alternativer” Kennzahlen aus sozialen Medien ermitteln wollen. Eine zweite Gruppe von Algorithmen, die im Zusammenhang mit zukünftigen Entwicklungen der Wissenschaftskommunikation betrachtet werden muss, bilden Empfehlungsalgorithmen – Algorithmen, durch die Empfehlungen für den Nutzer generiert werden.[i] Im Rahmen einer wissenschaftlichen Social Media-Plattform können sich derartige Empfehlungen auf andere Nutzer mit ähnlichen wissenschaftlichen Profilen beziehen, auf für einen Nutzer als relevant erachtete Publikationen, auf die Auswahl in der Chronik anzuzeigender Ereignisse oder auf Suchergebnisse, um nur einige Beispiele zu nennen. Damit sind ähnliche Aspekte erfasst wie der Anzeige möglicherweise interessanter Produkte bei Amazon, des Vorschlags von neuen „Freunden“ und die Filterung der Chronik bei Facebook oder die nutzerspezifische Auswahl von Suchergebnissen bei Google.
Wenn mit Bezug auf diese Plattformen von einer Filter Bubble gesprochen wird[ii], in der sich ein Nutzer befindet, so kann dies in ähnlicher Weise auch für wissenschaftlich genutzte Plattformen konstatiert werden. Der Nutzer befindet sich aufgrund der speziell auf ihn zugeschnittenen Empfehlungen und Angebote zunehmend in einer abgeschlossenen „Blase“ von aufeinander verweisenden Informationen, deren weitere Nutzung ihn immer weiter von außerhalb liegenden Angeboten entfernt und seine Informationssphäre zu einem mehr oder mehr abgeschlossenen Netzwerk werden lässt. Auf inhaltlicher Seite entspricht dies Meinungsinseln, wissenschaftlichen Paradigmen und theoretisch-methodischer Homogenität, was letzten Endes zum Rückgang an wissenschaftlicher Innovationsfähigkeit führen kann. Gleichzeitig findet eine Verstärkung auch der Zentren derartiger Netzwerke statt, die eine überproportional wachsende Zahl von Verbindungen aufweisen – ein Effekt, der auch als „Superstar-Ökonomie“ bezeichnet wird[iii] und statistisch zu einem starken Abfall des Zentrums gegenüber der Peripherie in Hinsicht auf die Zahl der Netzwerk-Verknüpfungen führt. In Hinsicht auf das Scoring, die Reputationsmessung von Personen wird damit auch eine überproportionale Aufwertung durch Altmetriken bewirkt.
Empfehlungsalgorithmen sind unterschiedlich ausgeprägt. Bei der Methode des Collaborative Filterung werden Ähnlichkeiten zu anderen Objekten oder Personen gesucht und deren Verhalten für die Auswahl einer Empfehlung herangezogen. Dieser Ansatz wird umso besser, je mehr Vergleichsdaten zur Verfügung stehen. Inhaltsbasiertes Filtering arbeitet dagegen auf Nutzerprofilen, um dazu passende Empfehlungen zu ermitteln. In wissenschaftlichen Sozialen Netzwerken wie ResearchGate werden aus diesem Grund die Interessens- und Spezialisierungsgebiete der Nutzer abgefragt, in Verbindung mit kollaborativem Filtering werden darauf aufbauend weitere Merkmale empfohlen bzw. zur Markierung vorgeschlagen.
So wie die Personalisierung durch Empfehlungsalgorithmen im Internet-Handel eine sehr wichtige Rolle spielt, dürfte sich die gleiche Bedeutung derartiger Algorithmen auch für die wissenschaftliche Nutzung in Sozialen Netzwerken ergeben. Manipulationsmöglichkeiten entstehen dabei aufgrund des Scorings auf der Grundlage von Altmetriken, die mit den Bewertungsalgorithmus in einen selbstverstärkenden Kreislauf eintreten können. Über die Manipulation von realen oder vorgetäuschten Profilen können Empfehlungen generiert werden, die sich nach Annahme durch einen Nutzer auf die Bewertung des Empfohlenen oder seiner Publikationen auswirken kann. Auch der Aufbau des Netzwerks selbst kann über die Manipulation von Vorschlägen beschleunigt werden. Momentan gibt es für Nutzerprofile in ResearchGate etwa keine Obergrenzen für die Angabe Interessensgebieten, so dass mit einem sehr breit angelegten Profil hohe Empfehlungsraten erzielt werden können.
Anmerkungen:
[i] Sogenannte Recommendation Systems, s. als Überblick Brusilovsky, Peter, Alfred Kobsa & W. Nejdl (2007). The adaptive web. Methods and strategies of web personalization. Lecture notes in computer science State-of-the-art survey. Band 4321. Berlin, New York: Springer.
[ii] Vgl. Pariser, Eli (2012). Filter Bubble. Wie wir im Internet entmündigt werden. München: Carl Hanser Verlag.
[iii] Vgl. z.B. Brynjolfsson, Erik & Andrew McAfee (2014). The Second Machine Age. Wie die nächste industrielle Revolution unserer aller Leben verändern wird. Kulmbach: Plassen Verlag.
Ja, Personalisierung macht Sinn. Um der Filterblase (dem Echoraum) zu entgehen bieten sich multiple Identitäten an. Wer mehr als eine Sicht erleben möchte, legt sich einfach zwei oder gar mehrere Identitäten an mit ihrem je eigenen Profil.
Andererseits gilt doch in der realen Welt: Filterblasen/Echoräume finden man überall dort, wo es wenig Diversität gibt oder wo Diversität gar als schädliche/obstruktive Opposition eingestuft wird. Je autokratischer, diktatorischer ein System, je mehr werden die Medien gleichgeschaltet, je mehr werden abweichende Meinungen verfolgt. So ist es also in der sozialen und politschen Realität. Wo Pluralismus jedoch gutgeheissen und gelebt wird, dort ist Opposition erlaubt und werden konträre Meinungen sogar ermutigt, denn die Auseinandersetzung mit der Gegen- oder Andersmeinung kann zu einer Klärung des eigenen Standpunkts führen und in seltenen Fällen gar zu einer Synthese der divergierenden Ansichten auf einer höheren Ebene.
Auch in den digitalen von vielen Identitäten bewohnten Lebensräumen könnte eine dialektische, diskurshafte Umwelt aufgebaut werden. Wer Interessen und Meinungen aus einem bestimmten Spektrum zeigt, den könnte die digitale Umwelt auch gezielt mit Interessen und Meinungen aus dem konträren Lager konfrontieren um damit den Diskurs anzustossen und die Diskursfähigkeit zu erhöhen. Dafür spricht folgende Beobachtung: Die grössten sozialen, politischen und wissenschaftlchen Fortschritte wurden in kompetitiven und pluralistischen Umgebungen erreicht. Das alte Griechenland bestand aus Stadtstaaten, die sich so stark voneinander unterscheiden konnten wie Sparta und Athen und auch sonst gab es viele unterschiedliche Schulen, Moden und Ansichten, die in der Öffentlichkeit wie in einer permanenten Arena präsentiert wurden. Die Renaissance und der Humanismus in Oberitalien verstanden es Einflüsse aus dem Orient und der europäischen Vergangenheit (antikes Griechenland) neu zu interpretieren und zu einem neuen Ganzen zu synthetisieren.