Bei einer Betrachtung der digitalen Gegenwart fällt ein Phänomen gehäuft auf: Algorithmische Personalisierungen. Sei es der anfangs chronologisch dargestellte und heute personalisierte Newsfeed von Facebook, die 2009 eingeführte personalisierte Google-Suche oder die Vorschläge von Netflix und Spotify – sie alle operieren mit Algorithmen, die der Personalisierung von ausgespielten Inhalten dienen.
Grundlage ist meist ein erfasstes Kundenprofil, welches von den jeweiligen Institutionen dazu verwendet wird, um auf Nutzerseite individuell abgestimmte Empfehlungen auszusprechen. Dies reicht von Kaufempfehlungen (Amazon) bis hin zum Vorschlag des potentiellen Partners (Parship). Genealogisch betrachtet stellt sich die Forschungsfrage, inwieweit Kundenprofile und algorithmische Personalisierungen nicht auch eine Vorstufe des Profilings und der Rasterfahndung darstellen.
Inhaltsverzeichnis
1. Einleitung
2. Ethnografischer Einstieg
3. Zum Begriff des Algorithmus
3.1. Assoziierungen, Analogien und Metaphern
3.2. Informationstheoretische Definition
3.3. Black Box
3.4. Kräfteverhältnis
4. Der Kunde vor dem Hintergrund der Kriminalistik
4.1. Profiling: Täterprofil als Vorstufe des Kundenprofils
4.2. Rasterfahndung als Vorstufe der algorithmischen Personalisierung
5. Fallbeispiel Netflix
6. Fazit
Zielsetzung & Themen
Die Arbeit untersucht genealogisch das Phänomen algorithmischer Personalisierungen und hinterfragt kritisch, inwieweit Kundenprofile und Algorithmen als moderne Vorstufen des Profilings und der Rasterfahndung verstanden werden können, wobei das Unternehmen Netflix als zentrales Fallbeispiel dient.
- Genealogie algorithmischer Personalisierung
- Vergleich von Kundenprofiling mit kriminalistischem Profiling
- Analyse des "Black Box"-Charakters von Algorithmen
- Fallstudie zur Funktionsweise von Empfehlungssystemen (Netflix)
- Kräfteverhältnisse zwischen Algorithmus, Institution und Nutzer
Auszug aus dem Buch
3.3. Black Box
Der vermeintlich blackboxartige Charakter des Algorithmus zeigt sich insbesondere darin, dass große Unternehmen wie Google, Facebook oder Amazon ihre Algorithmen zur spezifischen Personalisierung ihrer Angebote für die Außenwelt verdeckt halten, was auf der Nutzerseite sowohl die „Furcht vor unsichtbaren technischen Vorgängen“ evoziert als auch die Forderung nach mehr Transparenz, Fairness, Serendipität und eine „Ethik der Algorithmen“.
In Anlehnung an das angeführte informationstheoretische Verständnis wird davon ausgegangen, dass Algorithmen ausschließlich mechanistischen Anweisungen folgen. Wären diese Anweisungen transparent, so die Annahme und Forderung, könnte der Macht von Algorithmen entgegengewirkt werden. Nach dem Dekan des Instituts für Computerwissenschaft an der Carnegie Mellon Universität Andrew Moore würden jedoch „die Menschen überschätzen, inwieweit IT-Firmen verstehen, wie ihre eigenen Systeme arbeiten“. Auch laut des Netzwerk-Aktivisten Eli Pariser seien mit der steigenden Komplexität der Algorithmen tatsächlich selbst die Programmierer oftmals nicht mehr in der Lage, die genaue Funktionsweise ihrer selbst programmierten Algorithmen zu durchblicken. Pariser zitiert den Google-Mitarbeiter Danny Sullivan, nachdem selbst „wenn man die Mechanik offenlegte, man es immer noch nicht verstehen [würde]“.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung führt in die Problematik algorithmischer Personalisierung ein und formuliert die Forschungsfrage nach der Nähe von Kundenprofilen zum kriminalistischen Profiling.
2. Ethnografischer Einstieg: Dieses Kapitel verortet die algorithmische Personalisierung in der Moderne und zeigt auf, wie der Umgang mit Kontingenz durch algorithmische Rationalisierung beeinflusst wird.
3. Zum Begriff des Algorithmus: Es werden verschiedene Deutungsmuster, Metaphern und die informationstheoretische Definition des Algorithmus sowie das Konstrukt der "Black Box" kritisch beleuchtet.
4. Der Kunde vor dem Hintergrund der Kriminalistik: Hier wird eine genealogische Parallele zwischen dem polizeilichen Profiling bzw. der Rasterfahndung und der heutigen digitalen Kundenprofilierung gezogen.
5. Fallbeispiel Netflix: Die Arbeit analysiert das Empfehlungssystem von Netflix von den Anfängen (CineMatch) bis zur heutigen hybriden Struktur aus menschlichen Taggern und Algorithmen.
6. Fazit: Das Fazit fasst zusammen, dass die Nähe zum Profiling besteht, der Nutzer jedoch durch aktives Verhalten die algorithmische Steuerung mit beeinflussen kann.
Schlüsselwörter
Algorithmische Personalisierung, Genealogie, Kundenprofil, Profiling, Rasterfahndung, Netflix, CineMatch, Algorithmus, Black Box, Kontingenz, Datenabgleich, Filterblase, Nutzerverhalten, Empfehlungssysteme
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die historische und soziale Herkunft algorithmischer Personalisierung und setzt diese in Bezug zu kriminalistischen Methoden wie dem Profiling.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Themen sind Algorithmen, Datenverarbeitung in der digitalen Gesellschaft, das Konzept der Rasterfahndung und die Funktionsweise von personalisierten Empfehlungssystemen.
Was ist das primäre Ziel der Forschungsarbeit?
Ziel ist es zu ergründen, ob moderne Kundenprofile und algorithmische Personalisierungen als eine Art digitale Fortführung von kriminalistischem Profiling betrachtet werden können.
Welche wissenschaftliche Methode wird in der Arbeit verwendet?
Die Autorin nutzt die Methode der Mediengenealogie in Anlehnung an Nietzsche, um Brüche und Diskontinuitäten statt einer linearen Entwicklung aufzuzeigen.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Begriffsklärung des Algorithmus, einen Vergleich mit kriminalistischen Methoden und eine detaillierte Fallstudie zu Netflix.
Welche Schlüsselwörter charakterisieren die Publikation?
Wichtige Begriffe sind unter anderem algorithmische Personalisierung, Genealogie, Profiling, Rasterfahndung, Black Box und Netflix.
Wie unterscheidet sich der Algorithmus von einem Kochrezept?
Während ein Kochrezept viele Handlungen implizit voraussetzt, müssen Algorithmen in jedem Schritt explizit programmiert sein, zudem verfügen sie im Gegensatz zu klassischen Rezepten über die Fähigkeit zur Mustererkennung.
Warum spielt die Rasterfahndung eine Rolle bei der Analyse von Netflix?
Die Arbeit zeigt auf, dass Netflix ähnlich wie bei der Rasterfahndung nicht auf das Individuum fokussiert, sondern auf das Abgleichen von Mustern, um eine Zielgruppe einzugrenzen.
- Citar trabajo
- Bachelor of Arts Ann-Kristin Mehnert (Autor), 2016, Algorithmische Personalisierungen vom Täter- zum Kundenprofil? Eine genealogische Untersuchung am Fallbeispiel Netflix, Múnich, GRIN Verlag, https://www.grin.com/document/345268
