Inwiefern wirkt sich algorithmisch kuratierte Personalisierung in Unterhaltungsmedien auf das psychologische Wohlbefinden aus, und wie könnten mögliche negative Auswirkungen behoben werden?
Diese Fragen sollen durch die vorliegende Arbeit behandelt werden. Als theoretische Grundlage dafür dient die Self-Determination Theory (SDT). Dieser Ansatz eignet sich gut zur Erörterung dieser Fragestellung, da auf dessen Grundlage bereits einige Studien hinsichtlich dieses Themas durchgeführt wurden.
Um die Forschungsfrage zu beantworten, geht die Arbeit zunächst auf das Konzept von algorithmischer Kuratierung ein. Dafür wird in Kapitel 2 untersucht, wie algorithmische Kuratierung und Personalisierung auf Unterhaltungsplattformen umgesetzt wird. Anschließend wird in Kapitel 3 die SDT erläutert, die für die nachfolgende Analyse maßgeblich ist. Im Anschluss werden in Kapitel 4 verschiedene Elemente der SDT aufgegriffen, um die Forschungsfrage zu beantworten. In Kapitel 4.1 geht diese Arbeit dabei auf positive und negative Auswirkungen für die Rezipienten ein, die durch Personalisierung auf digitalen Unterhaltungsmedien entstehen. Hierbei werden ebenfalls die Auswirkungen auf das psychologische Wohlbefinden berücksichtigt. Darauf aufbauend werden in Kapitel 4.2 mögliche Lösungsansätze zur Behebung von negativen Auswirkungen präsentiert.
In Kapitel 5 wird die Forschungsfrage abschließend aufgegriffen und beantworten, indem an die Ergebnisse aus dem vorigen Kapitel angeknüpft und die wesentlichen Erkenntnisse zusammengefasst werden. Zudem werden mögliche Fragestellungen für die zukünftige Entwicklung und Forschung auf diesem Themengebiet erörtert.
c_1
2. Algorithmische Kuratierung & Personalisierung auf Unterhaltungsplattformen
4. Personalisierung & Psychologisches Wohlbefinden
5. Diskussion und Fazit
Literaturverzeichnis
1. Einleitung
Digitale Unterhaltungsmedien wie Spotify, TikTok, YouTube oder Netflix haben in den vergangenen Jahren stark an Relevanz und Reichweite gewonnen. So hat der erst 2006 gegründete Musikstreamingdienst Spotify inzwischen 675 Millionen monatliche Nutzer (Spotify, 2025). Einen noch drastischeren Anstieg der Nutzer konnte das Videoportal TikTok verzeichnen, das seit seiner Gründung 2018 inzwischen 1,59 Milliarden monatliche Nutzer verzeichnet (Arezo, 2025). Die unterschiedlichen Unterhaltungsmedien sind dabei ein integraler Bestandteil der alltäglichen Mediennutzung. Bei der ARD/ZDF-Medienstudie 2024 gaben 42 % der Befragten an, dass sie YouTube wöchentlich nutzen würden, bei Netflix waren es 35 % der Befragten und Spotify wurde von 31 % der Teilnehmer mindestens einmal pro Woche genutzt (Kupferschmitt, 2024, S. 2-6). Besonders intensiv werden Inhalte auf TikTok konsumiert, mit einer täglichen Nutzungsdauer von durchschnittlich 70-75 Minuten in Deutschland (Bogner, 2025). Diese Nutzungsdaten lassen darauf schließen, dass digitale Unterhaltungsmedien inzwischen eine wichtige Rolle im Alltag der Menschen spielen.
Eins haben dabei alle diese Plattformen gemeinsam: Sie nutzen algorithmische Kuratierung, um die Inhalte für die Rezipienten zu selektieren und personalisieren, wodurch ein besseres Nutzungserlebnis erzeugt werden soll (Bösch, 2023; Gaenssle et al., 2025, S. 300-302; Haberer, 2020, S. 150-154). Diese Vorgehensweise mag zunächst positiv anmuten, wird aber auch kritisch betrachtet. Der Grund hierfür ist, dass Nutzer durch die algorithmische Personalisierung stetig positive Nutzungserfahrungen erleben und so mehr Zeit auf den Plattformen verbringen sollen (extrazwei, o.J.; Saurwein, 2022, S. 244-245). Dies ist dahingehend problematisch, da eine erhöhte Nutzung von digitalen Medien mit einem niedrigeren psychologischen Wohlbefinden und mentalen Problemen in Zusammenhang steht. So haben Personen mit einer höheren Nutzungszeit von digitalen Medien häufiger psychische Krankheiten wie zum Beispiel Depressionen (Twenge et al., 2018, S. 3; Twenge, 2019, S. 372).
Daher stellt sich also die Frage, inwiefern sich algorithmisch kuratierte Personalisierung in Unterhaltungsmedien auf das psychologische Wohlbefinden auswirkt und wie sich negative Auswirkungen beheben lassen könnten. Diese Fragen sollen durch die vorliegende Arbeit behandelt werden. Als theoretische Grundlage dafür dient die Self-Determination Theory (SDT). Dieser Ansatz eignet sich gut zur Erörterung dieser Fragestellung, da auf dessen Grundlage bereits einige Studien hinsichtlich dieses Themas durchgeführt wurden (Dietrich et al., 2024, S. 1-11; Hutmacher & Appel, 2023, S. 26-35).
Um die Forschungsfrage zu beantworten, geht die Arbeit zunächst auf das Konzept von algorithmischer Kuratierung ein. Dafür wird in Kapitel 2 untersucht, wie algorithmische Kuratierung und Personalisierung auf Unterhaltungsplattformen umgesetzt wird (Kümpel, 2025, S. 741-743). Anschließend wird in Kapitel 3 die SDT erläutert, die für die nachfolgende Analyse maßgeblich ist (Ryan & Deci, 2002, S. 4-17) Im Anschluss werden in Kapitel 4 verschiedene Elemente der SDT aufgegriffen, um die Forschungsfrage zu beantworten. In Kapitel 4.1 geht diese Arbeit dabei auf positive und negative Auswirkungen für die Rezipienten ein, die durch Personalisierung auf digitalen Unterhaltungsmedien entstehen. Hierbei werden ebenfalls die Auswirkungen auf das psychologische Wohlbefinden berücksichtigt (Hutmacher & Appel, 2023, S. 30-32). Darauf aufbauend werden in Kapitel 4.2 mögliche Lösungsansätze zur Behebung von negativen Auswirkungen präsentiert (Bhattacharya, 2024, S. 20-23).
In Kapitel 5 wird die Forschungsfrage abschließend aufgegriffen und beantworten, indem an die Ergebnisse aus dem vorigen Kapitel angeknüpft und die wesentlichen Erkenntnisse zusammengefasst werden. Zudem werden mögliche Fragestellungen für die zukünftige Entwicklung und Forschung auf diesem Themengebiet erörtert.
2. Algorithmische Kuratierung & Personalisierung auf Unterhaltungsplattformen
Bevor der Prozess der algorithmischen Kuratierung erläutert wird, sollte zunächst genauer auf den Terminus „Algorithmus“ eingegangen werden. Algorithmen lassen sich als schrittweise Verfahren für das Lösen von Problemen beschreiben. Hierbei geht es darum, aus einem Input einen definierten Output zu generieren. Bspw. wird aus dem aufgezeichneten Nutzerverhalten eine geeignete Filmempfehlung erzeugt (Kümpel, 2025, S. 737; Rader & Gray, 2015, S. 173). Zur Lösungsberechnung werden dabei komplexe und computergestützte Prozesse genutzt. Algorithmen erfüllen verschiedene Funktionen, wobei sie in Bezug auf Medienrezeption vor allem zum Klassifizieren, Assoziieren, Filtern und Priorisieren von Inhalten zentral sind. Aufgrund dieser Funktionen wird auch häufig von Empfehlungsalgorithmen gesprochen (Hagen et al., 2017, S. 130-131; Kümpel, 2025, S. 742).
Algorithmische Kuratierung lässt sich als den Lösungsprozess definieren, der aus einem gegebenen Input den gewünschten Output erzeugen soll. Es beschreibt einen automatisierten Vorgang der Organisation, Auswahl und Präsentation von relevanten Teilmengen aus einem größeren Datenbestand (Rader & Gray, 2015, S. 173). Dies bedeutet konkret, dass die Inhalte auf verschiedenen Plattformen durch den Algorithmus hinsichtlich ihrer Relevanz geprüft und klassifiziert werden. Hierbei sollen für den Rezipienten unwichtige Inhalte herausgefiltert und dem Nutzer schlussendlich nur Inhalte präsentiert werden, die seinen Interessen entsprechen (Saurwein, 2022, S. 244-245). Die Inhalte sollen also durch die algorithmische Kuratierung personalisiert werden. Der Grund dafür ist u. a. die enorme Masse von Inhalten, die auf den verschiedenen Plattformen vorhanden ist und sich stetig erweitert. Allein auf YouTube werden z. B. pro Minute 500 Stunden Videomaterial hochgeladen. Demnach ist eine Erfassung des gesamten Angebots für die Rezipienten nicht möglich und es muss eine Vorauswahl erfolgen, um eine Überforderung der Nutzer durch zu viele Inhalte zu verhindern (Gaenssle et al., 2025, S. 302). Gleichzeitig soll die Personalisierung aber auch dazu beitragen, dass die Rezipienten ihre Nutzungszeit auf den jeweiligen Plattformen erhöhen sowie mehr mit den Inhalten interagieren. Dies wirkt sich wiederum positiv auf den Erfolg der Plattform aus. Dementsprechend spielen auch wirtschaftliche Interessen eine Rolle, wenn es um die Personalisierung der Inhalte geht (Saurwein, 2022, S. 244-245).
Die Personalisierung der Inhalte kann dabei auf zwei unterschiedlichen Wegen erfolgen: Der erste Weg ist die implizite Personalisierung. Hierbei werden die Präferenzen der Rezipienten auf Basis verschiedener Nutzungsdaten und inhaltlichen Metriken ermittelt. Darauf aufbauend werden die Inhalte priorisiert und gefiltert (Kümpel, 2025, S. 740). Besonders die möglichst breite Erfassung der Nutzer- und Verhaltensdaten ist dabei ein Erfolgsfaktor für eine präzise Personalisierung, da durch diese Informationen die Bedürfnisse der Rezipienten besser antizipiert und bedient werden können (Haberer, 2020, S. 153-154). So wird bspw. erfasst, mit welchen Inhalten der Nutzer besonders stark interagiert oder mit welchen anderen Rezipienten ein intensiver Austausch stattfindet. Diese personenbezogenen Daten werden mit Meta-Informationen über die Inhalte, wie z. B. dem Veröffentlichungszeitpunkt, verknüpft. Zudem werden globale Relevanzindikatoren, wie die Aufrufzahlen oder Verbreitungsgeschwindigkeit, mit einbezogen. Auf Basis dieser Verknüpfungen und Datensammlungen wird schließlich computerbasiert über die Ausspielung der Inhalte entschieden (Kümpel, 2025, S. 740). Folglich sind die Nutzer bei dieser Art der Personalisierung überwiegend passiv und die Entscheidungen werden weitestgehend durch das System vorgenommen (Hagen et al., 2017, S. 132).
Ein konkretes Beispiel für implizite Personalisierung bietet der Musikstreaming-Dienst Spotify. Dieser Anbieter nutzt die Software „The Echo Nest“, um „Taste Profiles“ seiner Nutzer zu erstellen, die als Basis für algorithmische Musikempfehlungen dienen. Um diese Profile zu erstellen, werden die Ton- und Textspuren der gehörten Musik analysiert, geclustert und mit anderen Songs abgeglichen. Zuzüglich werden die Anwender- und Verhaltensdaten ausgewertet. Hierzu zählen z. B. demografische Daten sowie die Interaktionen mit dem Interface. Zudem wird das Hörverhalten anhand verschiedener Parameter mit anderen Nutzern abgeglichen. Anhand dieser gesammelten Daten in den „Taste Profiles“ sollen so möglichst gut personalisierte Musikvorschläge und Playlists generiert werden (Haberer, 2020, S. 150-153).
Der zweite Ansatz ist die explizite Personalisierung, bei der die Nutzer aktiv und selbstgesteuert angeben, welche Inhalte ihnen angezeigt werden sollen und welche nicht. Diese Art der Personalisierung findet z. B. dann statt, wenn die Rezipienten einen Account auf einer Plattform abonnieren oder angeben, dass sie kein Interesse an einem angezeigten Inhalt haben. Anhand dieser aktiven Handlungen werden schließlich die gewünschten Inhalte vermehrt angezeigt und uninteressante Inhalte rausgefiltert (Kümpel, 2025, S. 740). Bei dieser Form der Personalisierung haben die Nutzer dementsprechend mehr Einfluss, wobei jedoch nie eine vollständige Kontrolle über die angezeigten Inhalte erreicht wird. Dies liegt daran, dass in algorithmisierten Medienumgebungen beide Formen der Personalisierung zusammenwirken, wobei den impliziten Empfehlungsmechanismen eine höhere Priorisierung zugeordnet wird. Folglich werden die Akte expliziter Personalisierung als Input-Variablen berücksichtigt, sind aber nicht allein maßgeblich für die ausgespielten Inhalte (Kümpel, 2025, S. 740).
3. Self-Determination Theory
In diesem Kapitel wird die SDT beschrieben, die als Analysegrundlage für die folgende Analyse dient.
Die SDT ist ein metatheoretischer Ansatz zur Untersuchung der menschlichen Motivation, der von Ryan und Deci entwickelt wurde. Anhand der Theorie soll untersucht werden, inwiefern der soziale Kontext sowie andere äußere Umstände Einfluss auf den Prozess der Selbstmotivation und die psychologische Entwicklung nehmen. Die zentrale Grundannahme ist, dass Menschen die angeborene und natürliche Tendenz dazu haben, die Herausforderungen ihrer Umwelt zu bestehen. So soll durch neue Erfahrungen mit der Zeit ein immer kohärenteres Selbstverständnis entstehen. Diese Tendenzen können durch den gegebenen sozialen Kontext und Umgebungseinflüsse entweder unterstützt oder behindert werden (2002, S. 5; Center for Self-Determination Theory [CSDT], o.J.).
- Arbeit zitieren
- Anonym (Autor:in), 2025, Alles Well-Being, oder was? Die Auswirkungen von algorithmisch kuratierter Personalisierung in digitalen Unterhaltungsmedien auf das psychologische Wohlbefinden, München, GRIN Verlag, https://www.grin.com/document/1622839
