AUSWERTUNG

Endstand

F00 Festival

Endstand

F00 Festival AKSB

F00 Festival FOS 7. Klasse

F00 Festival

Rückblick

Was war das Ziel beim F00 Festival?

Die Mission

Rückblick

Was ist beim F00 Festival passiert?

Die Geschichte

Rückblick

Wie hat F00 seine Community hintergangen ?

Der Betrug

Rückblick

Was habt ihr über F00 herausgefunden ?

Der Beweis

Rückblick

Warum wurdet ihr diqualifiziert?

Der Verstoß

Rückblick

Wer hat die AGBs gelesen?

Nutzungsbedingungen

Rückblick

Welche Daten gehören euch?

DSGVO

Rückblick

Was Daten sind personenbezogen?

Datenschutz-Grundverordnung

Feedback

F00 Feedback

Umfrage

Feedback

F00 Feedback

ogy.de/f00feedback

Modul 1

F00-Empfehlungen simulieren

Plattformsimulator

Aufgabe

Findet bei AlgorithmWatch auf F00 Island heraus, welche Channel-ID unabhängig von inhaltliche Vorlieben diese Woche die meißten Likes kassiert hat!

Lösung

Findet heraus, welche Channel-ID unabhängig von inhaltliche Vorlieben diese Woche die meißten Likes kassiert hat.

Wenn alle Intressen gleichwertig und Aktualität auf "Diese Woche", dann Item #608 auf Position 1

Die 95% geben die Beliebeheit des Videos an.

Lösung: Channel-ID #608

Hintergrund 1

Visualisierung in Aufgabe beruht auf echtem Simulationsprogramm. Mit dessen Hilfe kannst du nachahmen, wie sich verschiedene Parameter auf deine persönlichen Empfehlungen auswirken.

dataskop.net/recommender-sim/

Bild: nicht-eingeloggter User - Algorithmus schlägt vor allem Videos vor, die beliebt sind.

Hintergrund 2

Das Nutzungsverhalten der User*in wird von der Plattform mit Hilfe der erfassten Daten analysiert.

Es werden mehr Videos vorgeschlagen, die den Modellierungen des Algorithmus folgend, die Interessen der User*in bedienen.

Oskar hat sich eingeloggt. Seine Interessen liegen bei in der Kategorie Musik, Tiere, Sport (Wert 10). Oskar sucht nach einer bestimmten Information, sagen wir Video #804.

Hintergrund 3

Auf vielen Plattformen wird User*innen Werbung vor oder in den Videos angezeigt. So verdienen Plattformen ihr Geld. In unserer Simulation können wir jedoch dieses Plattformeninteresse (testweise) ausschalten.

Es wird keine Werbung angezeigt. Das Video #804, das Oskar interessiert, steigt auf Position 3 und wird hochwahrscheinlich vorgeschlagen.

Hintergrund 4

Ist das Interesse der Plattform hoch, Geld durch platzierte Werbung zu verdienen, kann der Grad der Monetarisierung (wirtschaftliche Verwertung unbezahlter Inhalte) gesteigert werden. Hier bis zum Wert 10.

Bevorzugtes Ausspielen von Werbung verändert die Empfehlungen. Monetarisierbare Videos steigen, Video #804 fällt auf Position 13, weil es keine Werbung gestattet.

Hintergrund 5

Plattformen haben die Möglichkeit, redaktionell Einfluss auf Empfehlungen der Algorithmen zu nehmen, indem sie Listen "verifizierter Quellen" nutzen (sog. "Whitelists"). Wir der Schalter aktiviert, beherrschen diese Inhalte die Empfehlungen.

Das Video #804 fällt aus der Liste der Empfehlungen, weil es nach Entscheidung der Plattformbetreibenden keine verifizierte Quelle ist, z.B. ein Vlogging-Kanal.

Leitfragen

Warum will eine Plattform, dass möglichst viel Werbung geschaut wird? Wie erreicht sie das?

Was bedeutet es, dass manche Inhalte im Hintergrund von der Plattform bevorzugt werden, manche nicht?

Themen

Plattformen haben ein Profitinteresse. Sie verdienen mehr, wenn die User'*innen mehr Zeit auf der Plattform verbringen und möglichst viel Werbung schauen.

Plattformen können redaktionell eingreifen und dir gezielt bestimmte Inhalte empfehlen oder vorenthalten.

Weiterführende Fragen

Wie wichtig ist es dir, dass dir möglichst Inhalte vorgeschlagen werden, die dich interessieren?

Was glaubst du, wie wichtig es der Plattform ist, dir Inhalte vorzuschlagen, die dich interessieren? Warum könnte es der Plattform wichtig sein?

Wo denkst du könnte es problematisch sein, wenn die Plattform bestimmte Inhalte bevorzugt und manche weniger vorschlägt?

Impressum

Lizenz: CC BY mediale pfade, Leon Behn, Robert Behrendt

Kontakt: mediale pfade.org - Verein für Medienbildung e.V. Oranienstr. 19a | 10999 Berlin | Twitter, Instagram, Facebook, YouTube, LinkedIn @medialepfade| kontakt@medialepfade.org | Tel.: 030/55273140

Die Methode "F00 Festival" wurde Rahmen des BMBF-geförderten Verbundprojektes “Dataskop” entwickelt. Mehr unter: dataskop.net/

Modul 2

Welcher Style geht im Dome?

Dataskop App

Aufgabe

Erkennt, welcher Musikstil seit gut einer Woche auf F00 trendet!

Lösung

Erkennt, welcher Musikstil seit gut einer Woche auf F00 trendet.

A) "Psycho Beat" trendet seit ca. 11 Tagen

B) "Heavy Funk" hat ingesamt mehr Views und ist Genrefavorit, trendet aber im Gegensatz zu Psycho Beat nicht mehr in der letzten Woche.

Tage

Lösung: Psycho Beat

Hintergrund

Daten-Visualisierung beruht auf einem tatsächlichen Analyseprogramm.

dataskop.net

Dataskop analysiert hier die YouTube-Historie und veraunschaulicht, welche Videos wie lange geschaut werden.

Diese Visualisierung der Dataskop App zeigt die Watchtime der geschauten Videos geordnet nach YouTube-Genre über einen bestimmtem Zeitraum. Im oberen Teil sind aggregierte Informationen über das Nutzungsverhalten eines eingeloggten Users zu finden.

Leitfragen

Welche Arten von Daten erhebt Youtube (oder eine andere Plattform) über mich?

Was kann durch diese Daten über mich herausgefunden werden?

Themen

Plattformen wie Youtube erfassen und verarbeiten sehr unterschiedliche Arten von Nutzungsdaten.

Die Verabeitung durch algorithmische System erlaubt Vergleiche mit Daten anderer Nutzenden und Modellbildungen über inhaltliche Vorlieben.

Zusätzliche Informationen wie Standort, Nutzungszeiten, Alter, Geschlecht und Interessen können Aufschluss über Gesundheit, persönliche Probleme, Sexualität oder Bildungsgrad geben.

Weiterführende Fragen

Was könnten Dinge sein, von denen du nicht willst, dass sie jemand anderes von dir weiß.

Glaubst du, dass dein Sehverhalten einen "Fingerabdruck" im Internet hinterlässt?

Wie findest du es, dass theoretisch Daten von dir im Internet existieren, die niemand sonst über dich wissen sollte?

Impressum

Lizenz: CC BY mediale pfade, Leon Behn, Robert Behrendt

Die Methode "F00 Festival" wurde Rahmen des BMBF-geförderten Verbundprojektes “Dataskop” entwickelt. Mehr unter: dataskop.net/

Modul 3

Data Training mit Trainingsdaten

Recommender

Text

Aufgabe

Welchen Star unterstützt der F00-Algorithmus so, dass es sich lohnt, ihn zu abonnieren?

Lösung

Welchen Star unterstützt der F00-Algorithmus so, dass es sich lohnt, ihn zu abonnieren.

Auf Basis des Trainingsvideos erzeugt der F00-Recommender eine Liste mit verschiedenen Empfehlungspfaden. Zu sehen sind Thumbnails derjenigen Videos, die empfohlen werden und im Autoplay-Modus nacheinander abgespielt werden.

Lösung

Welchen Star unterstützt der F00-Algorithmus so, dass es sich lohnt, ihn zu abonnieren.

Die nächste Grafik zeigt die Thumbnails nach Videoläng geordnet. Diese Sortierung bietet keine Lösung zur Aufgabe, zeigt aber eine andere Weise der Datenaufbereitung.

Lösung

Welchen Star unterstützt der F00-Algorithmus so, dass es sich lohnt, ihn zu abonnieren.

Der F00-Recommender schlägt auf Basis des Trainingsvideos den Kanal E.G.O. am häufigsten vor. Woran das liegt, wird aus der Grafik nicht ersichtlich.

Lösung: Kanalname E.G.O.

Hintergrund

Die Daten-Visualisierung beruht auf dem Analyse-programm dataskop.net

Autoplay-Experimente auf YouTube haben untersucht, welche Wege die Empfehlungen verschiedener Nutzer*innen bei selbem Ausgangsvideo nehmen.

Die Grafik der Dataskop App zeigt, welche Autoplay-Empfehlungen ein Ausgangsvideo auf YouTube erzeugt. Jede Empfehlung (1. Spalte) ist Ausgangspunkt für weitere Empfehlungslisten (Zeilen).

Leitfragen

Auf welcher Grundlage empfehlen algorithmische Systeme (Recommender) Nutzenden neue Inhalte?

Was sind die Vorteile von algorithmischen Empfehlungen, wo siehst du Nachteile?

Themen

Algorithmische Empfehlungssyteme benötigen Trainingsdaten, um zu lernen, wie sie genaue Prognosen zu passenenden Inhalten erstellen können.

Trainingsdaten können einer selbstlernenden Software durch Menschen zu Verfügung gstellt werden oder durch Rechner automatisiert erhoben werden.

In menschengemachten Trainingsdatensätzen können potenziell Stereotype einfließen, die von der Maschine fraglos übernommen werden.

Weiterführende Fragen

Wie ließen sich Trainingsdaten für selbstlernende Maschinen ohne unabsichtlich einfließende Vorurteile und Stereotype erstellen?

Welche unbedachten Stereotype könnten in Trainingsdaten für selbstlernende Empfehlungssysteme enthalten sein?

Impressum

Lizenz: CC BY mediale pfade, Leon Behn, Robert Behrendt

Die Methode "F00 Festival" wurde Rahmen des BMBF-geförderten Verbundprojektes “Dataskop” entwickelt. Mehr unter: dataskop.net/

Modul 4

Träumen Maschinen vom Lernen

Kollaboratives Filtern

Aufgabe

Findet heraus, welchen Gig (Item) der Empfehlungsalgorithmus am höchsten bewertet!

Lösung

Findet heraus, welchen Gig (Item) der Empfehlungsalgorithus am höchsten bewertet.

Nutzt die Formel unter der Matrix, um die Scores zu errechnen. Super-User(3x2x5) + Item4(2x1x4) = 38

Lösung:

item4 [Gig-ID Move-it]

Empfehlungsscore 38

Hintergrund

Das Rechenverfahren in der Grafik nennt sich Matrizenmultiplikation.

Dieses Verfahren wird auch im kollaborativen Filtern durch selbstlernende Systeme genutzt. Dabei bildet und nutzt das selbstlernende System sogenannte latente Eigenschaften der Items.

Latente Eigenschaften (Merkmal α β γ) von Usern/Items haben wenig mit Eigenschaften im alltagssprachlichen Sinne zu tun, sie können auch abstrakte Größen sein.

Leitfragen

Was bedeutet es, dass ein selbstlernende Maschine eigenständig latente Eigenschaften definiert?

Was alles könnten latente Eigenschaften sein? Wie denkt bzw. kategorisiert eine Maschine?

Themen

Latente Eigenschaften können in einem neuronalen Netz durch zusätzliche Daten und eigenständige maschinelle Anpassungen immer genauer spezifiziert werden und liefern dadurch präzisere Prognosen.

Eine selbstlerndes algorithmisches System (neuronales Netz) arbeitet eigenständig – es ist eine Blackbox. Wir Menschen können nun nicht mehr nachvollziehen, welche Anpassungen an z.B. latenten Eigenschaften ein neuronales Netz vornimmt. Wir bemerken nur genauere Vorhersagen und Empfehlungen.

Weiterführende Fragen

Wie findest du es, dass selbst die Entwickler eines selbstlernenden Sytems dessen Rechenabläufe nicht mehr beschreiben können (Blackbox)?

Was glaubst du kann passieren, wenn ästhetische, gesellschaftliche oder moralische Werte von lernenden Maschinen empfohlen werden?

Impressum

Lizenz: CC BY mediale pfade, Leon Behn, Robert Behrendt

Die Methode "F00 Festival" wurde Rahmen des BMBF-geförderten Verbundprojektes “Dataskop” entwickelt. Mehr unter: dataskop.net/

Modul X

Ein Algorithmus

für Alle

Kriterien für die beste Empfehlung

Doc Coda ist überzeugt von euch! Ihr seid sein Team, um ein neues F00 zu entwickeln. Er hat auch schon einen Arbeitstitel..

Aufgabe

a:tune

your moment, your song

Inhaltliche Passung

a:tune

Der beste Song zu deinem Moment.

Neugier befriedigen

Unterhaltung

Berieselung

Aktualität

No Regrets

Reichweite

Image

Bedeutung

Interaktion

Kommuniation

Transparenz

Geld

Sparsamkeit

Wachstum

Qualität

F00 Festival Auswertung Workshop

By mediale pfade

F00 Festival Auswertung Workshop