Zusammenfassung
In diesem Artikel geben wir eine grundlegende Einführung in die algorithmischen Empfehlungssysteme und wie sie – unter Umständen – Filterblasen und Echokammern in sozialen Medien erzeugen könnten. Der Term Filterblase beschreibt dabei das Phänomen, dass wir von Algorithmen hauptsächlich solche Themen wieder vorgeschlagen bekommen, die wir schon mögen. Als Echokammern bezeichnet man Freundesgruppen, die hauptsächlich aus Leuten mit ähnlicher Meinung bestehen, in denen also jede Aussage widerhallt. Auch wenn es noch keine Studien gibt, die wirklich nachweisen, dass Menschen heutzutage durch die Wirkung von Algorithmen tatsächlich in dichteren Filterblasen leben oder in der Bildung von Echokammern bestärkt werden, ist doch klar, dass mit Hilfe dieser Algorithmen unsere Meinungsbildung manipuliert werden könnte. Daher sprechen wir uns für eine sinnvolle Überwachung von solchen Algorithmen aus, um eine solche Manipulation überhaupt entdecken zu können.
References
Brin S, Page L (1998) The anatomy of a large-scale hypertextual web search engine computer networks and ISDN systems. 30:107–117
Epstein R, Robertson RE (2015) The search engine manipulation effect (SEME) and its possible impact on the outcomes of elections. P Natl Acad Sci :E4512–E4521
Google (2017a) Webspam content violations. https://support.google.com/webmasters/answer/35769?hl=en, letzter Zugriff: 1.5.2017
Google (2017b) Alles über die Suche – Algorithmen. https://www.google.com/insidesearch/howsearchworks/algorithms.html?hl=de, letzter Zugriff: 1.5.2017
Hagen L, In der Au A, Wieland M (2017) Polarisierung im Social Web und der intervenierende Effekt von Bildung. Eine Untersuchung zu den Folgen algorithmischer Medien am Beispiel der Zustimmung zu Merkels ,,Wir schaffen das!“. Sonderausgabe ,,Algorithmen, Kommunikation und Gesellschaft“
Hanfeld M (10.10.2015) Punkte für gefälliges Verhalten. FAZ, http://www.faz.net/video/medien/punktrichter-citizen-score-ueberwachung-in-china-13848403.html, letzter Zugriff: 29.5.2017
Manning CD, Schütze H et al. (1999) Foundations of statistical natural language processing. MIT Press
O’Neil C (2016) Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown Publishing Group, New York
Pariser E (2012) Filter Bubble: Wie wir im Internet entmündigt werden. Carl Hanser Verlag, München
Silverman C (2016) This analysis shows how viral fake election news stories outperformed real news on Facebook. Buzzfeed, 16.11.2016, https://www.buzzfeed.com/craigsilverman/viral-fake-election-news-outperformed-real-news-on-facebook, letzter Zugriff:
Silverman C, Strapagiel L, Shaban H, Hall E, Singer-Vine J (2016) Hyperpartisan Facebook pages are publishing false and misleading information at an alarming rate. Buzzfeed, 20.10.2016, https://www.buzzfeed.com/craigsilverman/partisan-fb-pages-analysis, letzter Zugriff:
Spreckelsen C, Spitzer K (2008) Wissensbasen und Expertensysteme in der Medizin. Vieweg + Teubner, GWV Fachverlage GmbH, Wiesbaden
The Intercept (2015) SKYNET: courier detection via machine learning. https://theintercept.com/document/2015/05/08/skynet-courier/, letzter Zugriff: 3.5.2017
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Zweig, K., Deussen, O. & Krafft, T. Algorithmen und Meinungsbildung. Informatik Spektrum 40, 318–326 (2017). https://doi.org/10.1007/s00287-017-1050-5
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00287-017-1050-5