Hintergrund

• Datenspenden zur Erforschung von algorithmischer Systeme
  • e.g. Citizen Browser, Mozilla Rally, Open Schufa
• Datenspendeplattform und Pilotprojekte
• 1. Datenspende-Projekt „Was zeigt dir der YouTube-Algorithmus zur Bundestagswahl 2021?“
• ab 2022 für Forschungseinrichtungen, NGOs und Redaktionen offen

Ergebnisse: YouTube zur Bundestagswahl 2021

• 6 Wochen über 5000 Datenspenden, davon 1980 valide
• Auswertung durch AlgorithmWatch, Spiegel, Viadrina
• Suchanfragen bevorzugen aktuelle Videos
• Autoplay favorisiert Abos, Likes und Watchtime
• in "Nachrichten/Schlagzeilen" kaum Unterschied zwischen Login/Logout
• Springers WELT-Kanal prominent in "Schlagzeilen", gefolgt von ÖRR

Ergebnisse: YouTube zur Bundestagswahl 2021

• Suchfunktion nahezu nicht personalisiert und thementreu
• News-Feed seriös kuratiert, thematische Empfehlungen streuen stärker, ohne Log-In selten Fringe-Content (Tagesschau → RT Deutsch)
• Autoplay-Experimente (Recommender) zeigt:
  • häufig nicht betrachtete Inhalte
  • 90% - 100% gesehene Videos am seltensten,
  • halbgesehenes findet YT besonders uninteressant

Fazit: YouTube zur Bundestagswahl 2021

• wenig Spektakuläres --> YouTube scheint bemüht, Empfehlungen zu kuratieren (Eigeninteresse)
• Zustandekommen von Empfehlungen nicht transparent:
  • YT behautet die Watchhistory verbessere Suchergebnisse, aber Suchergebnisse kaum personalisiert
  • Angebote des ÖRR im Wiederspruch zum Auftrag
    • Medienstaatsvertrag adressiert Transparenz
    • Nutzer müssen wissen können, warum welche Inhalte für sie ausgespielt werden.

Verfahren

• Dataskop nutzt Screen-Scraping
  • Browser ließt html-Text der YouTube-Seiten aus
  • A) Demoversion oder B) Login und Scraping
    • nach YouTube-Login Auslesen von pers. Verlauf
    • Autoplayexperimente: News, Seedvideos, Suchbegriffe
  • C) Speichern als json (lokal) und Visualisierungen
  • D) kurze demografische Umfrage
  • E) Datenspendeerklärung und Upload

Dataskop auf GitHub:

https://github.com/algorithmwatch

• dataskop-electron
• dataskop-platform

Erste Ergebnisse: YouTube zur Bundestagswahl 2021

Schulische Bildungsformate durch Universität Paderborn mit Fokus auf:

• Prinzipien des kollaborativen Filterns

• User-Item-Matrix und Matritzenrechnung

• Profile und personalisierte Empfehlungen

Außerschulisches Bildungsformat durch mediale pfade

• für 14- bis 21-Jährige

• game-based-learning als Türöffner für komplexe Inhalte

• kollaboratives storybasiertes Gruppenspiel ca. 3 Stunden

• durchführbar als Remote-Version oder in Präsenz

• mit Desktoprechnern, Tablets und Browser

Außerschulische Bildungsformat mit Themen-Fokus auf:

• Daten als Ressource, Daten als Kapital

• Algorithmen in kapitalistischen Verwertungsökonomien

• Auswirkungen auf Inhaltsproduktion

• Recommender - Black Box und Betriebsgeheimnis

• Grundlagen gemeinwohl-orientierter Algorithmen

• Open Data, Transparenz und Civic Science

Story-driven Cooperative Open Online Treasure Hunt

= SCOOTH

Online Studio

F00 Festival

Was machen die Spielenden?

• spielen Gigs und suchen gute Locations
• beobachten andere Influencer*innen
• folgen Gerüchten und Hinweisen
• recherchieren zum F00 Algorithmus
• erkunden Plattform Policies

Auswertung und Feedback

Teilnehmende/Player Characters (PC):

• werten die persönliche Spielerfahrung aus
• erfahren, dass DataSkop ein echtes Tool ist
• finden Gemeinsamkeiten/Unterschiede FOO vs. YT/TT
• können ihren eigenen YT-Account untersuchen (Ü18)
• identifizieren Akteure, Datenerhebung, Recommender
• diskutieren das Projekt (Data Donation, Open Science)

Gibt es

Fragen?

Hintergrund Game-based Learning

• EDA-Tool als Spielelement immersiver Methode
  • Name z.B. DarkSkop, DataMirror
  • keine Verweise auf Gesamtprojekt
  • 2 Designs (grün/violett)
• Visualisierungen synthetischer Daten
  • Viz sind Lösungen zu Spielaufgaben
  • Spielaufgaben sind durch Geschichte motiviert

Dataskop-Simulator

Plattform-Dynamiken

Ultralativ zu algorithmischer Transparenz und dem Projekt DataSkop

Links:

• Viadrina (ens) Auswertung: https://medium.com/sts-ens/youtubes-wahl-ea9c4df1297e
• DataSkop Erste Ergebnisse: https://dataskop.net/erste-ergebnisse/
• Spiegel-Auswertung https://www.spiegel.de/netzwelt/youtube-vor-der-wahl-wie-es-der-algorithmus-allen-recht-machen-soll-a-e364dccf-5f72-4736-ae1c-bdf0d213dcf1
• Plattformsimulator: https://dataskop.net/pilotprojekt-wahlempfehlung-was-zeigt-dir-der-youtube-algorithmus-zur-bundestagswahl-juli-2021/recommender-sim-info/

Zeit für Diskussion und Fragen...

Außerschulische Lernziele 1

Die Teilnehmenden:

• kennen gesellschaftliche und wirtschaftliche Akteure, ihre Zwecke und Ambivalenzen, beim Einsatz algorithmischer Empfehlungssysteme
• kennen die Bedeutung von Daten als Kapital für private und gemeinwohlorientierte Zwecke,
• wissen, welche gesellschaftlich-kulturellen Auswirkungen Empfehlungsalgorithmen auf Inhaltsproduktion haben,

Außerschulische Lernziele 2

Die Teilnehmenden:

• haben Handlungsoptionen kennengelernt, die ihnen erlauben, mit Algorithmen kreativ und emanzipatorisch umzugehen
• können einschätzen, ob ein algorithmisches Empfehlungssystem im Einsatz ist,
• haben ein Verständnis der Begriffe Algorithmus, Recommender, (Meta)-Daten, Profil, Open Data, Big Data, Civic Science entwickelt.