Findet bei AlgorithmWatch auf F00 Island heraus, welche Channel-ID unabhängig von inhaltliche Vorlieben diese Woche die meißten Likes kassiert hat!
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
Visualisierung in Aufgabe beruht auf echtem Simulationsprogramm. Mit dessen Hilfe kannst du nachahmen, wie sich verschiedene Parameter auf deine persönlichen Empfehlungen auswirken.
Bild: nicht-eingeloggter User - Algorithmus schlägt vor allem Videos vor, die beliebt sind.
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.
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.
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.
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.
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?
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.
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?
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/
Erkennt, welcher Musikstil seit gut einer Woche auf F00 trendet!
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
Daten-Visualisierung beruht auf einem tatsächlichen Analyseprogramm.
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.
Welche Arten von Daten erhebt Youtube (oder eine andere Plattform) über mich?
Was kann durch diese Daten über mich herausgefunden werden?
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.
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?
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/
Text
Welchen Star unterstützt der F00-Algorithmus so, dass es sich lohnt, ihn zu abonnieren?
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.
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.
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.
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).
Auf welcher Grundlage empfehlen algorithmische Systeme (Recommender) Nutzenden neue Inhalte?
Was sind die Vorteile von algorithmischen Empfehlungen, wo siehst du Nachteile?
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.
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?
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/
Findet heraus, welchen Gig (Item) der Empfehlungsalgorithmus am höchsten bewertet!
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
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.
Was bedeutet es, dass ein selbstlernende Maschine eigenständig latente Eigenschaften definiert?
Was alles könnten latente Eigenschaften sein? Wie denkt bzw. kategorisiert eine Maschine?
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.
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?
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/
Doc Coda ist überzeugt von euch! Ihr seid sein Team, um ein neues F00 zu entwickeln. Er hat auch schon einen Arbeitstitel..
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