Wenn YouTube uns Videos vorschlägt, die unseren aktuellen Interessen entsprechen, wenn Amazon Produkte empfiehlt, die uns interessieren könnten, was steckt dahinter? Empfehlungsalgorithmen. Sehr raffinierte Systeme, die das Ziel verfolgen, das Nutzererlebnis weiter zu personalisieren, mit dem Risiko unerwünschter Polarisierungseffekte. Und sie werfen Fragen auf, die mit der umfangreichen Verknüpfung von Informationen zusammenhängen, die uns interessieren und aus verschiedenen Quellen kommen...
Als Unternehmen wie Amazon, Google oder Facebook in den Internetsektor investierten und ihr Terrain abgrenzten, wo zuvor Zehntausende von Start-ups gescheitert waren, standen sie vor einer besonderen Herausforderung: Wie kann man einen Besucher binden? Wie kann man dafür sorgen, dass er wiederkehrt, und im Falle von Nachrichten- oder Streaming-Seiten, dass er so lange wie möglich verweilt?
Bei der Erschließung dieses neuen Feldes erfanden die Giganten des Webs innovative Methoden, um einen Besucher durch den Einsatz von Empfehlungsalgorithmen zu fesseln.
Diese Algorithmen wurden mit folgenden Zielen entwickelt:
- das Nutzererlebnis so angenehm wie möglich zu gestalten;
- dem Besucher Inhalte anzubieten, die so gut wie möglich zu seinen Entdeckungswünschen passen;
- die Leistung verschiedener Schlüsselkennzahlen zu verbessermen (Videoansichtsdauer, Lesezeit, durchschnittlicher Warenkorb usw.);
- Informationen so zu filtern, dass sie auf jeden Nutzer zielsicher zugeschnitten sind.
Das Schlüsselwort hierbei ist: Personalisierung. Für ein Medium wie Facebook ist dies eine echte Herausforderung. Mehr als zwei Milliarden Nutzer genießen einen einzigartigen, sekündlich aktualisierten Newsfeed.
Betrachten wir auch den Fall YouTube. Die führende Plattform für Online-Videos speichert Milliarden von Videos und fügt täglich neue hinzu. Trotzdem schlägt Ihnen diese Plattform, wenn Sie sich bei YouTube anmelden, nur einige Dutzend Clips vor, mit einer Auswahl, die sich mit jedem Besuch ändert, aber beharrlich – nicht immer sehr subtil, das ist wahr – darauf abzielt, Ihnen ein Programm vorzuschlagen, dass Ihre Aufmerksamkeit erregt. Wie schafft es YouTube, Ihnen Inhalte vorzuschlagen, die Sie zur Rückkehr bewegen und Sie dazu bringen, immer neue Videos zu entdecken? Hauptsächlich durch die Kombination der Themen, die Sie gerade interessieren, mit jenen von anderen Nutzern, die ein ähnliches Profil wie Sie haben.
Alle großen Digitalunternehmen haben schnell das Potenzial erkannt, das in der riesigen Datenmenge der Nutzer liegt. Heute werden Empfehlungsalgorithmen von einer sehr großen Anzahl von Webseiten eingesetzt. Sie sind darauf ausgelegt, jederzeit passendste neue Inhalte zu identifizieren. Die bekanntesten Beispiele sind:
- die Beiträge oder Freundschaftsvorschläge von Facebook, Instagram oder Twitter;
- die von Amazon oder Alibaba empfohlenen Produkte;
- die von YouTube oder TikTok vorgeschlagenen Clips;
- die auf Nachrichtenseiten hervorgehobenen Artikel;
- die von Reiseportalen wie Booking.com und TripAdvisor empfohlenen Reiseziele und Aktivitäten.
Die Effektivität dieser Herangehensweise ist unbestreitbar. So kommen bei Netflix 80% der meistgesehen.
Wie funktionieren Empfehlungsalgorithmen?
Wie schreiten die Webriesen vor, um uns immer gezielter anzusprechen? Ihre Empfehlungsalgorithmen nutzen Filtertechniken, um Muster zu erkennen. Die wesentlichen geltenden Mechanismen sind die folgenden.
Das kollaborative Filtrieren
Das kollaborative Filtrieren (collaborative filtering) ist einer der meistgenutzten und wirksamsten Empfehlungsalgorithmen. Es basiert auf der Annahme, dass wenn zwei Personen in der Vergangenheit denselben Inhalt mochten, sie wahrscheinlich auch in Zukunft ähnliche Interessen haben werden.
Ein Vorteil des kollaborativen Filterns ist, dass es keinesfalls direktiv wirkt. Es beruht ausschließlich auf der Nutzerhistorie. Ein Nachteil dieses Ansatzes besteht jedoch darin, dass die Vielfalt der dem User präsentierten Inhalte eingeschränkt wird. Nutzer werden nicht unterschiedlichen Ansichten ausgesetzt, sondern hauptsächlich Informationen, die mit ihren aktuellen Überzeugungen in Einklang stehen.
Content-based Filtering
Der auf Inhalten basierte Ansatz (Content-based Filtering) analysiert eine Reihe von Inhalten ohne die Gewohnheiten anderer Nutzer zu berücksichtigen. Er konzentriert sich auf Ähnlichkeiten zu Empfehlungszwecken. Das Thema eines Inhalts wird identifiert, indem Schlüsselwörter erfasst und mit denen anderer Artikel verglichen werden.
Popularität
Bei diesem Algorithmus wird davon ausgegangen, dass Sie, wenn Sie eine bestimmte Webseite besuchen, die Seiten, die am meisten besucht werden, wahrscheinlich mögen werden. Mit anderen Worten, es empfiehlt die populärsten Inhalte. Ein Vorteil dieses Ansatzes ist, dass er auf neue Besucher der Website anwendbar ist.
Die Risiken der Polarisierung
Empfehlungsalgorithmen bieten viele Vorteile für die Nutzer, da die personalisierten Empfehlungen in der Regel relevant sind. Dennoch können sie mehrere Nachteile mit sich bringen und einige haben gesellschaftliche Auswirkungen.
So hat die Zahl der Menschen, die extreme Ansichten zu Themen wie Politik oder Klimawandel vertreten, deutlich zugenommen. Diese „Polarisierung“ kann gefährlich wirken, da sie fähig ist, den kritischen Geist zu schwächen oder einfach die Fähigkeit, abseits der gewohnten Pfade zu denken.
In demselben Kontext hat die SACEM aufgedeckt, dass 99 % der meistgestreamten Tracks auf Spotify nur 10 % des Katalogs ausmachen. Noch besorgniserregender ist, dass 20 % der Tracks nie dem Publikum angeboten werden.
Das Hauptproblem ist mit der Datenverschmelzung und der Integration externer Informationen auf der Plattform verknüpft. Wer war nicht schon überrascht, nach einer Suche auf Google nach bedeutenden Jazzpianisten zu sehen, dass YouTube Videos zu diesem Thema empfiehlt oder Facebook vorschlägt, Gruppen von Jazzliebhabern beizutreten?
All diese Faktoren können den Polarisierungseffekt verstärken, zeigen aber auch einen immer größeren Eingriff in die Privatsphäre jedes Einzelnen. Und somit die Notwendigkeit, angemessene Schutzmaßnahmen zu ergreifen.
