Eine Analyse technischer und sozialer Bedingungen zur Entstehung und Beeinflussung von und durch "Blasen" auf Social Media Plattformen

Inhaltsverzeichnis

1. Das Internet und die Filterblase

2. Voraussetzungen und Folgen vom Einsatz der Algorithmen
2.1 Funktionsweisen der Algorithmen
2.2 Die sozialen Netzwerke
2.2.1 Der Nutzer-Faktor
2.2.2 Der Unternehmens-Faktor
2.2.3 Das Eigeninteresse der Plattformen

3. Statistische Analysen zu Algorithmen und dem Filterblasen -Effekt

4. Soziale Phänomene der Polarisation
4.1 Die Theorie des Echokammer -Effekts
4.2 Analyse verschiedener Studien zum Echokammer -Effekt

5 Fazit

Anhang

Literaturverzeichnis

1. Das Internet und die Filterblase

Computer, die von Menschen interaktiv bei Entscheidungsprozessen verwendet werden. Was einst die Vision des Direktors der IPTO ¹ Joseph Licklider war, ist heute bereits zur Realität geworden.² Durch seine Anleitung des Time-Sharing Konzeptes und der Durchbruch des in Genf erfundenen World Wide Web 1989³, verbreitete und entwickelte sich das Internet fortan in solch einem rasanten Tempo, dass es heutzutage aus unserem Alltag nicht mehr wegzudenken ist. Allein in den Jahren von 2005 bis 2019 ist die Zahl der Internetnutzer um 2,86 Milliarden gestiegen⁴. Dieser Trend ist überdies in den letzten zwei Jahren nicht gefallen, auch bedingt durch die Pandemie.⁵ Von den 2019 gemessenen 3,97 Milliarden Internetnutzern, waren 3,46 Milliarden dabei regelmäßig auf Social Media Plattformen aktiv.⁶ Mit dem stetigen Wachstum der Nutzer, ist auch das Internet gleichermaßen gewachsen. Sowohl durch geteilte Videos, Fotos und kollektiv befüllte Wissensdatenbanken, ist das Internet bis heute zu einem riesigen Pool aus Meinungen und Informationen geworden, auf den man jederzeit zugreifen kann.

Um in diesem Chaos aus Unmengen von Daten eine Ordnung herstellen zu können, mussten Algorithmen eingeführt werden, die beispielsweise berechnen, welche Ergebnisse bei Suchanfragen weiter oben angezeigt werden.

2011 wurde dann durch Eli Pariser der Begriff der ‚ Filterblase ‘ durch sein Werk „ The Filter Bubble. What the Internet Is Hiding from You “ geprägt. In diesem schreibt er, dass diese Algorithmen dabei nicht nur objektiv auf die Eingaben der Nutzer reagieren, sondern die Informationen stets individuell anpassen und dabei auf bereits gesammelte Informationen über die Nutzer zurückgreifen.⁷ So würden diese Algorithmen ihnen vermehrt oder ausschließlich Informationen zuspielen, die deren Meinungen bereits widerspiegeln. Da die Nutzer sich hierdurch immer mehr in ihren eigenen Ansichten und Gedanken bestärkt fühlen und gleichzeitig von anderen Meinungen abgeschirmt würden, würden sie so folglich nur eine sehr einseitige Darstellung der Realität wahrnehmen. Dadurch würden Anhänger verschiedener Ansichten auf sozialen Medien in „ seperaten Universen “ leben, den sogenannten ‚ Blasen ‘, anstatt sich auch untereinander auszutauschen, was zu Polarisation politscher Meinungen führt und eine Gefährdung der Demokratie darstellen würde.⁸

Dieser Begriff der ‚ Filterblasen ‘ wird seither stark diskutiert. Unter anderem gibt es sogar Stimmen die behaupten, dass diese einen solch starken Einfluss haben, dass dadurch Menschen politisch radikalisiert und auch Wahlen beeinflusst werden.⁹

2. Voraussetzungen und Folgen vom Einsatz der Algorithmen

Im Folgenden Text werde ich mich mit der Frage auseinandersetzen, inwiefern ein solches Phänomen auf Social Media Plattformen vorhanden ist und inwiefern die Nutzer dadurch beeinflusst werden. Ziel dieser Arbeit ist es herauszustellen, dass solche wahrnehmungs-verzerrende Effekte im geringen Maße vorkommen, aber nicht nur auf Algorithmen, sondern auch soziale Effekte und dem Individuellen Umgang mit anderen Ansichten zurückzuführen sind.

Hierfür werden wir zuerst Algorithmen auf Social Media Plattformen im Allgemeinen betrachten, deren grundsätzliche Funktionsweisen und warum diese Notwendig sind. Anschließend betrachten wir die Ansprüche an solche Algorithmen aus den Perspektiven der Nutzer, der Plattforminhaber und anderer Unternehmen. Daraufhin werde ich mich mit einigen Studien zu den tatsächlichen Filterungsverfahren der Algorithmen verschiedener Plattformen auseinandersetzen und schlussendlich befassen wir uns mit den wissenschaftlichen Diskursen bezüglich der Wirkung und des Ursprungs des Blaseneffektes und der Polarisation auf sozialen Netzwerken.

2.1 Funktionsweisen der Algorithmen

Um zu verstehen, inwiefern ein Algorithmus als objektiv oder subjektiv filternd beurteilt werden kann, stellt sich hier nun erst einmal die Frage, was genau ein Algorithmus ist. In seinem Kern ist ein Algorithmus schlicht „eine Reihe von schrittweisen Befehlen, die durchgeführt werden sollen, um aus einer Eingabe eine Ausgabe zu erzeugen. “¹⁰ Demnach ist ein Algorithmus sozusagen der Programmablaufplan und bestimmt nach welchen Regeln dieses Programm sich verhalten soll. Diese können für verschiedenste Funktionen eingesetzt werden, wie zum Beispiel die Regulierung von Feed¹¹ -Zusammenstellungen auf Social Media Plattformen, Chat Bots, generelle Automatisierungen oder Risikoanalysen¹²,¹³,¹⁴. Diese dienen damit in erster Linie zur Vereinfachung von Prozessen, um den Nutzer eines solchen Algorithmus Zeit zu sparen.

Auf Social Media Plattformen gibt es hierbei drei verschiedene Arten von Algorithmen, die zum Einsatz kommen. Zuerst gibt es Algorithmen, die „ collaborative filtering “ betreiben. Diese dienen zur Analyse von Nutzungsmustern anderer Nutzer und versuchen aufgrund ihrer Erkenntnisse Prognosen zu erstellen, ohne dabei auf die tatsächlichen Inhalte der Aktionen einzugehen. Diese Algorithmen stecken meist hinter Empfehlungen, wie: ‚Nutzer, die wie du diesen Beitrag geliked¹⁵ haben, folgen außerdem diesem Account‘. Zweitens gibt es noch „ content filtering “ Algorithmen, die inhaltliche Merkmale vergleichen und auf dessen Basis Prognosen erstellen. Durch diese erhält man beispielweise Empfehlungen wie ‚ähnliche Artikel‘ oder ‚dieser Kanal könnte Ihnen auch gefallen‘. Und als drittes gibt es die „ social filtering “ Algorithmen, welche davon ausgehen, dass zwischen verlinkten Personen ähnliche Interessen bestehen. Darauf aufbauend, versuchen sie Prognosen über die Nutzer anhand des Verhaltens des näheren sozialen Umfelds aufzustellen. Zudem gibt es neben diesen drei Grundtypen viele Mischformen, welche als „ hybrid filtering “ Algorithmen bezeichnet werden.¹⁶

Basierend auf den erstellten Prognosen, filtert der Algorithmus nun die vielzähligen Inhalte und entscheidet, welche Beiträge an welcher Stelle und in welcher Form den Nutzern bereitgestellt werden. Markus Appel stellt hierzu ein Schaubild auf, nach dem auf Social Media Plattformen eine Filterung auf drei Ebenen stattfindet.¹⁷ Zuerst werden die vielfältigen Informationen durch Algorithmen auf „ potenzielle Informationen des eigenen Netzwerkes“ ¹⁸ reduziert. Diese sind Informationen mit Bezug auf das nähere soziale Umfeld auf der entsprechenden Plattform, wie Kontakte oder abonnierte Kanäle. In der zweiten Ebene wählt ein anderer Algorithmus die anschließend „ dargestellte[n] Informationen “¹⁹. Hierbei werden nun beispielsweise Beiträge so angeordnet, dass Beiträge die nach dem Algorithmus als besonders wichtig betrachtet werden, weiter oben angezeigt werden. Zuletzt findet nach Appel eine Filterung durch den Nutzer statt, nämlich die der „ ausgewählten Informationen “²⁰. Dieser wählt nun, mit welchen der Beiträge er weitergehend interagieren möchte oder nicht. Dabei wird diese Auswahl meist unbewusst getroffen, da man z.B. nach Appel mit Beiträgen, die sich weiter oben befinden, eher interagiert, als wenn man weiter scrollen muss. Demnach werden die Informationen, die in der Ebene der „dargestellte[n] Informationen “ vom Algorithmus als wichtig erachtet werden, in der Ebene der „ausgewählten Informationen“ auch am ehesten vom Nutzer betrachtet. Dennoch zeigt dies erneut, dass die Nutzer hier stets nur einen Bruchteil an Informationen zugeteilt bekommen, innerhalb dessen sie auch wiederum nur mit einem Bruchteil interagieren. Fraglich ist hier, ob ein Algorithmus dennoch in der Lage ist, diesen Bruchteil mehrseitig zu gestalten und ob er überhaupt solche Priorisierungen objektiv vollziehen kann.

Inwiefern ein Algorithmus ein solches Problem angeht, liegt am Ende in dem Ermessen der Plattform. Da die Frage nach der Wertung von Beiträgen sehr komplex ist und unterschiedlichste Faktoren berücksichtigen muss, sind auch die Algorithmen, die diese Wertungen treffen müssen, meist sehr komplex. Welche dieser Faktoren die höchste Priorität haben, müssen die Betreiber festlegen. Dadurch kommt es dazu, dass die Algorithmen unterschiedlicher Plattformen auch nach unterschiedlichen Kriterien arbeiten.²¹ Oft sind diese für die Nutzer „ undurchsichtig “²², da sie zum einen permanent optimiert und weiterentwickelt werden, so dass es am Ende „[s]elbst für die Entwickler [immer schwieriger] wird […], sie in ihrer Gänze zu verstehen “²³. Für Außenstehende Betrachter kommt hinzu, dass die genauen Abläufe der Algorithmen von den Plattformen meist geheim gehalten werden.²⁴ Inwiefern diese versuchen ihre Algorithmen möglichst objektiv zu halten, ist demnach nicht einsehbar und kann nur vermutet werden.

Zusammenfassend lässt sich also sagen, dass sich die Beurteilung der Algorithmen von außen schwer nachvollziehen lässt. Prinzipiell könnten diese aber rein objektiv agieren, auch wenn sie gezwungen sind Informationen stark zu filtern und diese aufgrund dessen zu werten. Dafür müssen von den Betreibern Faktoren priorisiert werden, die entscheiden inwieweit diese Faktoren objektiv oder subjektiv abgewogen werden. Wie objektiv diese Algorithmen letztendlich sind, liegt folglich allein in deren Ermessen und Verantwortung.

Ungewiss bleibt, ob objektive Algorithmen von den Plattforminhabern erwünscht sind, oder ob es nicht sogar Faktoren gibt, die diese eher dazu leiten, gerade die Subjektivität solcher Algorithmen zu bestärken. Darum betrachten wir nun genauer die Social Media Plattformen.

2.2 Die sozialen Netzwerke

Wie in der oben bereits erwähnten Statistik, nutzen ca. 87% aller Internetnutzer regelmäßig Social Media Plattformen. Bevor wir hier nun die verschiedenen Akteure auf diesen betrachten, befassen wir uns erst einmal mit dem Begriff ‚ Social Media ‘ an sich.

Für diesen findet man verschiedene Definitionen, wie beispielsweise „Medien-Kanäle, welche aus von Nutzern generiertem Inhalt bestehen“ ²⁵. Eine andere Definition versteht soziale Medien als „ internet-basierte Anwendungen, die auf den ideologischen und technischen Grundlagen des Web 2.0 [aufbauen ]“²⁶. Alexander Decker hat sich in seinem Werk ‚ Social Media – Grundlegende Aspekte zum Begriff und systematischen Management ‘ mit verschiedenen Bedeutungsansätzen auseinandergesetzt und versucht, diese zu einer einheitlichen Definition zusammenzuführen.²⁷ Er kommt zu der Erkenntnis, dass die in dem Werk betrachteten Verständnissen vier gemeinsame Aspekte haben: Zum einen basieren sie auf dem Web 2.0, da dies erst die Entwicklung sozialer Medien ermöglichte. Als zweites geht es bei sozialen Medien um den Austausch von Nutzer generierten Inhalten und deren Verteilung in digitaler Form. Dies gilt in vielen Texten auch als „ wichtigstes Charakteristikum “²⁸. Das dritte Merkmal ist, dass diese geteilten Inhalte verschiedenste Formen annehmen können. Durch die vielfältigen technischen Möglichkeiten reichen diese heute von Texten und Kommentaren, über Bildern und Videos bis hin zu Audios. Zuletzt wird aufgezählt, dass Soziale Medien „ Kommunikationsbeziehungen “ in einem größeren Umfang ermöglichen, als es mit „ traditionellen ²⁹ “ Medien möglich ist. Während beim Radio, dem Fernsehen oder auch der Zeitung der Nutzer diese lediglich als passiver Empfänger von Informationen nutzen kann, ermöglichen soziale Medien den Nutzern sowohl als Empfänger als auch als Sender zu agieren.

All diese Merkmale funktionieren allerdings nur dank der Algorithmen. Ohne diese wären soziale Plattformen technisch nicht übersichtlich umsetzbar. Allerdings gibt es hier an die Algorithmen viele verschiedene Ansprüche aus unterschiedlichen Perspektiven. Im folgenden Abschnitt betrachten wir deshalb, was für unterschiedliche Faktoren verschiedene Parteien priorisieren würden, und wie sich dies in der technischen Gestaltung der Algorithmen widerspiegeln könnte.

2.2.1 Der Nutzer-Faktor

Da soziale Medien vor allem darauf basieren, dass es viele Nutzer gibt, die miteinander interagieren, sind die Nutzer auch ein wichtiger Faktor für die Plattformgestaltung. Ziel der Plattformen ist es demnach möglichst viele Nutzer zu erhalten, indem die Interaktion auf der Plattform möglichst unkompliziert³⁰, weit zugänglich³¹ und unterhaltend ist³². Demnach wird es von vielen Plattformen als sinnvoll erachtet Algorithmen einzusetzen, die die angezeigten Informationen den individuellen Interessen des Nutzers anpassen.³³

Betrachten wir beispielsweise die öffentlich bekannten Funktionsweisen des Facebook Algorithmus. Auch dieser zielt darauf ab den Neuigkeiten- Feed möglichst interessant zu gestalten, um die durchschnittliche Dauer der Facebook-Nutzung zu erhöhen. Hierfür gibt es zum einen generelle Algorithmen, die beispielsweise Beiträge nach ihrer Aktualität bewerten, indem kürzlich gepostete Dinge oder Feed- Beiträge, auf die immer noch viel interagiert wird, eher auf der Hauptseite angezeigt werden als Beiträge, die schon älter sind.³⁴ Aber hier gibt es auch individuell angepasste Algorithmen, die sich daran orientieren, mit welchen Dingen man in der Vergangenheit bereits interagiert hat. So werden zum einen bestimmte Inhalte ausgeblendet, wenn ähnliche Beiträge als negativ bewertet wurden. Zum anderen gibt es einen sehr komplexen „ Affinity Score “³⁵. Hierbei werden nicht nur die Aktualität der Interaktion zwischen zwei Personen oder Seiten einbezogen, sondern auch die Häufigkeit, in der diese miteinander interagieren und wie stark dieser Interaktionspartner in deinem Umfelds-Netz integriert ist.³⁶ So haben regelmäßige Interaktionen zwischen Leuten, die sich gegenseitig folgen, beispielsweise mehr Gewicht als Leute, die sich nur über einen gemeinsamen Freund online begegnen und sich dort regelmäßig gegenseitig kommentieren. Dadurch erhält jeder Nutzer eine individuelle Zusammensetzung von Informationen, da niemand sonst exakt die gleichen gesammelten Parameter hat. Dies kann für die Nutzer der Plattform zwar nützlich sein, birgt aber natürlich auch Problematiken. Da Beiträge, mit denen viel interagiert wurde, höhere Prioritäten haben und weiter oben angezeigt werden, man gleichzeitig aber auch statistisch eher mit oben angezeigten Beiträgen interagiert, könnten hierdurch ein Spiraleffekt entstehen. Inwiefern diese jedoch einem so starken Ausmaß vorhanden sind, dass der Informationseinfluss ganz und gar einseitig wird, bis hin zur Isolation in einer ‚ Filterblase‘, bleibt zu betrachten.

[...]

¹ Information Processing Techniques Office

² Vgl. Myrach, Thomas / Zwahlen, Sara Margarita: Virtuelle Welten? Die Realität des Internets. Peter Lang Verlag, Bern 2008. S.15.

³ Ebd. S.24

⁴ Abb.1, siehe Anhang.

⁵ Vgl. Anonym (1): Rasantes Wachstum beim Internet-Datenvolumen. Veröffentlichungsdatum: 21.03.2021. https://www.sueddeutsche.de/digital/internetnutzung-corona-datenvolumen-2020-1.5241652 (letzter Zugriff: 15.10.2021).

⁶ Abb.2, siehe Anhang.

⁷ Vgl. Pariser, Eli: Filter Bubble. Wie wir im Internet entmündigt werden. Hanser Verlag, München 2012. S.10, 17f

⁸ Pariser 2012, S.13f.

⁹ Vgl. Behrens, Cristoph: Der Mythos von der Filterblase. Veröffentlichungsdatum: 28.11.2016. https://www.sueddeutsche.de/wissen/erkenntnistheorie-der-mythos-von-der-filterblase-1.3254772 (letzter Zugriff: 15.10.2021).

¹⁰ Humborg, Christian / Nguyen, Thuy Anh: Die publizistische Gesellschaft. Journalismus und Medien im Zeitalter des Plattformkapitalismus. Springer Verlag, Wiesbaden 2018. S.21.

¹¹ Vgl. Unter dem Begriff Feed auf sozialen Netzwerken versteht man eine sich regelmäßig aktualisierende Liste von Neuigkeiten oder Beiträgen der entsprechenden Plattform.

¹² Vgl. Osburg, Thomas / Heinecke, Stephanie: Media Trust in a Digital World. Communication at Crossroads. Springer Verlag, Cham 2019. S.135.

¹³ Vgl. Humborg 2018, S.21.

¹⁴ Vgl. Röchert, Daniel: Die Meinungs-Roboter, die BürgerInnen zum Schweigen bringen? Veröffentlichungsdatum: 08.02.2019. https://www.dicint.iw.uni-due.de/2019/02/08/die-meinungs-roboter-die-burgerinnen-zum-schweigen-bringen/ (letzter Zugriff: 15.10.2021).

¹⁵ Einen Beitrag mit einer ‚Gefällt-Mir‘-Aktion versehen.

¹⁶ Haim, Mario: Echokammer. Veröffentlichungsdatum: 10.04.2020. https://journalistikon.de/echokammer/ (letzter Zugriff: 15.10.2021).

¹⁷ Vgl. Messingschlager, Tanja / Holiz, Peter: Filter Bubbles und Echo Chambers. In: Appel, Markus (Hg.): Die Psychologie des Postfaktischen. Über Fake News, „Lügenpresse“, Clickbait und Co. Springer Verlag, Berlin 2020. S.92f.

¹⁸ Ebd. S.92.

¹⁹ Aao.

²⁰ Ebd. S.93.

²¹ Vgl. Mangold, Ina: Filterblasen: Wenn man nur das gezeigt bekommt, was man eh schon kennt. Wie entstehen eigentlich Filterblasen und wie funktionieren sie? Ein Überblick. Veröffentlichungsdatum unbekannt. https://www.lmz-bw.de/medien-und-bildung/jugendmedienschutz/fake-news/filterblasen-wenn-man-nur-das-gezeigt-bekommt-was-man-eh-schon-kennt/ (letzter Zugriff: 15.10.2021).

²² Humborg 2018, S.22.

²³ Aao.

²⁴ Mangold unbekannt

²⁵ Eigene Übersetzung nach: Plettenberg, Nils / Nakayama, Johannes / Belavadi, Poomima / Halbach, Patrick / Burbach, Laura / Valdez, André Calero / Ziefle, Martina: User Behaviour and Awareness of Filter Bubbles in Social Media. In: Duffy, Vincent G. (Hg.): Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management. Springer Verlag, Cham 2020. S.81.

²⁶ Eigene Übersetzung nach: Kaplan, Andreas M. / Haenlein, Michael: Users oft he world, unite! The challenge and opportunities of Social Media. In: Business Horizons, Vol. 53 -1. Januar – Februar 2010. S.61.

²⁷ Decker, Alexander: Social Media – Grundlegende Aspekte zum Begriff und zum systematischen Management. In: Deutscher Dialogmarketing Verband e.V. Dialogmarketing Perspektiven Management. Springer Verlag, Wiesbaden 2019. S.113f.

²⁸ Ebd S.114.

²⁹ Aao.

³⁰ Vgl. ebd. S.117.

³¹ Vgl. ebd. S.118 und Schmidt, Jan-Hinrik: Social Media. Springer Verlag, Wiesbaden 2013. S.10.

³² Vgl. Mangold unbekannt.

³³ Vgl. Aao.

³⁴ Vgl. Aao.

³⁵ Widman, Jeff: EdgeRank. Veröffentlichunsdatum unbekannt. http://edgerank.net/ (letzter Zugriff: 15.10.2021.

³⁶ Vgl. Aao.