die Logik des Feeds

Verstehen, Erkennen und Kompetenz vermitteln“


Leon Behn

Was passiert heute?!?

5. Input: aLgorithmen, recommender, Engagement

3. Methode: Daten by Design

1. Ankommen, Vorstellen, Aufwärmen

2. Input: KI - Hintergründe und Potenziale

6. MEthode: Reverse Meme Engineering

4. Mittagspause

Nutzt du  K.I.?

Nutzt du  algorithmische Empfehlungssysteme... WTH?

Algorithmetrie

 

Wie stehst du zu TikTok und Co.?

Schaut euch die Aussagen an und verteilt euch auf der Linie!

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Ich fühle mich im Internet wie zu Hause.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Ich nutze regelmäßig Short-Video-Apps wie Youtube Shorts, Instagram und/oder Tiktok.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

TikTok zeigt mir manchmal Videos, die nicht zu mir passen!

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Es wundert mich immer wieder, dass Freunde oder Bekannte bestimmte Memes auf TikTok noch nicht gesehen haben.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Ich bin froh darüber, dass der Algorithmus so gut filtert und keine schlechten Inhalte empfiehlt.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Die meißten Memes auf TikTok sind nur witzige Unterhaltung.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Ich würde mir wünschen, mein Alltag wäre so interessant und vielfältig wie meine For-You-Page.

Stimme gar nicht zu.

Stimme vollkommen zu.

–

+

Algorithmetire

Gemeinnütziger Verein

Gegründet 2013

Sitz in Berlin

Ehrenamtlicher Vorstand

 

Verein für politische Medienbildung

www.medialepfade.org

medialepfade.org

Verein für Medienbildung e.V.

Gemeinnütziger Verein für Medienbildung (seit 2013, Sitz in Berlin)

 

Bildungs- und Beratungsprojekte mit Fokus auf Technologie, Soziale Medien, Politik und Gesellschaft

 

26-köpfiges Team an zwei Standorten in Berlin

Prävention von Online-Radikalisierung 

Über uns

Unsere Schwerpunkte

 Coding, Gaming, Making

Mehr Demokratie auf Plattformen

KI kommt von Lernen Ansätze für die

Kinder- und Jugendarbeit

1 Gesellschaftliche rahmenbedingungen

 

2 KreaTives Potential


3 Bildung und vermittlung

 

5 Ethische und rechtliche Fragen

 

4 (inter-)Kulturelle Bildung und KI

 

6 Zukunftsgestaltung

 

1 GesellschafTliche Rahmenbedingungen

 

Hype oder Durchbruch?

 

KI

 

sociAL media

BIG DATA

Algorithmen

EDV

BITCOIN

Plattform-Ökonomie

Cloud computinG

Social scoring

Suchmaschienen

Internet

industrie 4.0

smart city

deepfakes

1 GesellschafTliche Rahmenbedingungen

 

EDV

1 GesellschafTliche Rahmenbedingungen

 

sociAL media

BIG DATA

Algorithmen

BITCOIN

Plattform-Ökonomie

Cloud computinG

Social scoring

Suchmaschienen

Internet

industrie 4.0

smart city

deepfakes

1 GesellschafTliche Rahmenbedingungen

 

machine learning

 

1 GesellschafTliche Rahmenbedingungen

 

maschinelles lernen

  • Methoden stammen aus den 1980er - Neuronale Netze
  • noch fehlen Daten und Rechenleistung
    • Infrastruktur für vernetzte EDV kommerziell nutzbar ab 1990 - Internet
    • kostenlose Web-Dienste und Plattformen sammeln unentgeltlich Daten/Inhalte - Datenbanken
    • Rechenzentren haben Vielfaches der Rechenleistung

1 GesellschafTliche Rahmenbedingungen

 

maschinelles lernen

Entwicklung Datenmengen

kostenfreie Web-Dienste und Plattformen sammeln kostenlose Daten/Inhalte von Milliarden Nutzenden - Datenbanken

  • Menschheitsgeschichte bis 1999 - 12 Exabyte
  • 2002 - digitaler Speicher überholt analoge Speicher  
  • 2006 weltweit ca. 180 Exabyte
  • mittlerweile 1 Yottabyte? - 1.000.000 Exabyte

(Floridi 2015)

1 GesellschafTliche Rahmenbedingungen

 

180

Exabyte

(Danke Dall-E)

1 GesellschafTliche Rahmenbedingungen

 

maschinelles lernen

Entwicklung Rechnerleistung

  • Die Anzahl der Transistoren auf einem Mikrochip verdoppelt sich alle 2 Jahre
  • In den 1950ern hätte ein iPad2 100 Billionen Dollar gekostet

 

1050ta

(Floridi 2015)

1 GesellschafTliche Rahmenbedingungen

 

ImageNet - Bedeutung in die Bilder bringen

  • 14 Millionen Bilder aus Flickr, Bildersuche, Webplattformen
  • 20000 Kategorien aus WordNet-Taxonomie
  • 19 Jahre wenn nur Studierende Bilder labeln würden
  • „Crowd Work“-Plattform Amazon Mechanical Turk
  • 49.000 Arbeiter:innen aus 167 Ländern labeln Daten

maschinelles lernen

ARBEITSleistung

(netzpolitik.org 2023)

1 GesellschafTliche Rahmenbedingungen

 

Chat GPT  -  angemessenes Verhalten in den Chatbot bringen

  • KI-Filter - Detektor für toxische Sprache (wie bei Facebook)
  • Zehntausende Textsnippets (problematische Inhalte)
  • Labeln durch Subunternehmer in Kenia ab November 2021
  • 1,3-2 $/h für psychisch belastende Datenanreicherung

maschinelles lernen

ARBEITSleistung

(time.com 2023)

1 GesellschafTliche Rahmenbedingungen

 

Welche Zwecke verfolgt das Mittel der Automatisierung?

  • Effizienz
  • Fehlerkontrolle
  • Verfügbarkeit
  • Kosten
  • Skalierung
  • Risikoreduktion
  • Ressourcen

1 GesellschafTliche Rahmenbedingungen

 

Welche Zwecke verfolgen diese KI-Technologien?

  • Scoring-Algorithmus der Schufa

  • Empfehlungsalgorithmen auf TikTok/Amazon

  • Gesichtserkennung

  • Spamfiltern in E-Mail-Programmen

  • Smart-Home-Anwendungen

  • Sportnachrichten und Börsenmeldungen

  • Navigationssysteme oder assistiertes Fahren

  • medizinische Diagnostik oder Klimaforschung

1 GesellschafTliche Rahmenbedingungen

 

Welche Zwecke verfolgen diese KI-Technologien?

  • Schufa - Kreditwürdigkeit prüfen

  • TikTok/Amazon - Produktempfehlungen aussprechen

  • Gesichtserkennung - Überwachung automatisieren

  • Spamfiltern - Gegenautomatisierung

  • Smart-Home-Anwendungen - Datenerfassung

  • Nachrichten ohne Redaktion

  • Navigation/Fahren - Fehlervermeidung/Sicherheit

  • Diagnostik/Klima - Komplexität erfassen

1 GesellschafTliche Rahmenbedingungen

 

1 GesellschafTliche Rahmenbedingungen

 

Solutionismus

Solutionismus

Gibt es zu jedem Problem eine technische Lösung?

 

Was sind die Ursachen für strukturelle Probleme?

 

Ist das Problem in seiner ganzen Dimension erfasst?

1 GesellschafTliche Rahmenbedingungen

 

Fragt nach gesellschaftl. Bedingungen von KI-Entwicklung

1 GesellschafTliche Rahmenbedingungen

 

  • Digitale Automaten und Datenwirtschaft
  • Unsichtbare Bedeutungs-Arbeit
  • Welche Haltungen und Einstellungen liegen welcher Technologieentwicklung zu Grunde?
  • Welches Problem soll/kann durch eine Technologieentwicklung gelöst werden?

 

  • Wem gehören die Produktionsmittel?
  • Wem dient welche Technologie in welchen Maße und zu welchem Ziel?
  • Wem gehören die KI-Technologien?

Fragt nach der Agenda hinter Datenwirtschaft und Plattformökonomie!

1 GesellschafTliche Rahmenbedingungen

 

2 KreaTives Potential

 

Was ist kreativ an KI?

  • administrative KI
  • generative KI
  • kreative Nutzung
  • kreative Prozesse
  • Kreativität?

Wo liegt das kreative Potential dieser KI-Technologien?

  • Bewertung von Kreditwürdigkeit (Schufa)

  • Produktempfehlungen (TikTok/Amazon)

  • Gesichtserkennung (Überwachung)

  • Spamfiltern (E-Mail-Programme)

  • Smart-Home-Anwendungen (Alexa)

  • Sportnachrichten und Börsenmeldungen

  • Navigationssysteme oder assistiertes Fahren

  • medizinische Diagnostik oder Klimaforschung

2 kreaTives Potential

 

Kreativität  oder Generierung

2 kreaTives Potential

 

(Danke Dall-E)

2 KreaTives Potential


Fragt nach den Zwecken von KI-Technologien.

  • Generative KI oder administrative KI?
  • KI ist zielgerichtet und ergebnissorientiert
  • kulturelle Bildung und Kunst dürfen spielen und sind prozessorientiert

Lernen und Lehren

  • mediengestützter Prozess
  • vermessbarer Prozess?
  • automatisierbarer Prozess?

 

Kompetenzvermittlung

  • Wissen, Bewerten, Handeln (Dimensionen nach B. Schorb)

3 Bildung und vermittlung

 

3 Bildung und vermittlung

 

Welche Komptenzen werden in einer Gesellschaft im digitalen Wandel gebraucht?

3 Bildung und vermittlung

 

https://digid.jff.de/

3 Bildung und vermittlung

 

Wissen

Lernen über KI (Bedingungen, Prinzipien, Folgen)

 

Bewerten

Lernen anhand von KI (Verhalten, Produkte)

 

Handeln

Lernen mittels KI (Dienste, Tools, Daten)

3 Bildung und vermittlung

 

Erforscht und erkundet selbst KI-Technologien.

  • handlungsorientiertes Lernen
  • Mythen und Begriffe zu KI hinterfragen
  • Arten und Struktur von Daten verstehen

4 (inter-)Kulturelle Bildung und KI

 

Tools und Einsatzgebiete

Projektmanagmenttools

Musikprogramme

Visualisierungssoftware

Bildgeneratoren

Übersetzungssysteme

Datenverwaltung

Videogeneratoren

Wissensmanagment

4 (inter-)Kulturelle Bildung und KI

 

Konzeptionsassistenten

Beispiele Promts ChatGPT

4 (inter-)Kulturelle Bildung und KI

 

  • Spiele mit mir einen Pub-Quiz zur deutsch-polnischen Geschichte und Kultur für Spielende beider Länder!
  • Was musst du von mir wissen, um ein Rollenspiel für Jugendliche zum gegenseitigen Kennenlernen zu erstellen?
  • Ich möchte einen interkulturellen Austausch gestalten, welche Regionen und Aspekte der beiden Kulturen sind für Jugendliche interessant? Wohin soll es gehen?
  • Was können LLMs in der interkulturellen und kulturellen Bildungsarbeit nicht übernehmen?

Grenzen von LLMs in der Bildungsarbeit

4 (inter-)Kulturelle Bildung und KI

 

4 (inter-)Kulturelle Bildung und KI

 

Fragt nach verschiedenen Perspektiven auf KI.

  • Bilder und Analogien zu KI klären
  • Abstraktes sicht-, hör-, fühlbar machen
  • Hands-on und Praxis zur Technologie
  • KI-Interpretation aus dem Negativ?

5 Ethische und rechtliche Fragen

 

  • Was sind automatisierbare Prozesse und Entscheidungen?
  • Wie wollen wir im digitalen Wandel lernen und arbeiten?
  • Wer hat Zugang zu welchen Ressourcen, Produktionsmitteln?
  • Wie kommen Sinn und Bedeutung in unser Handeln?
  • Ist alles, was technisch möglich ist, gesellschaftlich gewollt?
  • Wem gehören welche Daten und was passiert damit?
  • Welche Kosten werden bei Automatisierungen nicht kalkuliert?
  • Welche Information ist korrekt und relevant?
  • Was haben gute Gründe mit freien Entscheidungen zu tun?

5 ethische und rechtliche Fragen

 

5 ethische und rechtliche Fragen

 

Datenschutz-Grundverordnung (DSGVO)

 youngdata.de

Digital Service Act (DSA)

algorithmwatch.org

algorithmwatch.org

Artifical Intelligence Act (AI ACT)

irights.info

Text

Artifical Intelligence Act (AI ACT)

  • Risikobasierter Ansatz
    • Hochrisiko Bildungseinrichtungen, Arbeitsplatz, Strafverfolgung, Migration, Justiz und Wahlen
    • Verbot von Social Scoring, biometrische Überwachung, Emotionserkennung
  • Neue Informationsrechte - Hochrisikosysteme
  • Ausnahmen - nationale Sicherheit

Text

Urheberrecht an Daten und KI-Inhalten

  • starkes Urheberrecht in Deutschland
  • Schutz durch menschliche Mitwirkung
    • Kreative Promts
  • Persönlichkeits- und Markenrechte
  • Rechtsstreitigkeiten um Trainingsdaten
    • New York Times vs. Microsoft
  • Trainingsdaten aus Anwendungen

Text

Desinformation durch KI-generierte Inhalte

  • Keine speziellen Regelungen für Deep Fakes
  • Kennzeichnungspflicht auf EU-Ebene (DSA)
  • Gefahren durch Deep Fakes
    • Desinformation
    • pornografische Inhalte, Nudes
    • Identitätsdiebstahl
    • Verleumdung

Text

Persönlichkeitsrechte und Datenschutz

  • Recht auf informationelle Selbstbestimmung
  • Recht am eigenen Wort
  • Recht am eigenen Bild
  • DSGVO regelt den Schutz personenbezogener Daten
    • Verbotsprinzip
    • berechtigter Anspruch
    • Zustimmung zur Verarbeitung

Link zur FSM-Broschüre

A

B

C

Ein

der KI-Entwicklungen

ethische und rechtliche Fragen

 

ccountabiliy

ias

ommons

A

B

C

ethische und rechtliche Fragen

 

ccountabiliy - Verantwortung und Transparenz

ommons - Zugänglichkeit und Gemeinwohl

A

B

C

ias - Vorurteile und Diskriminierung

ethische und rechtliche Fragen

 

5 Ethische und rechtliche Fragen

 

Findet gemeinsam die relevanten Fragen zu KI.

  • Welche Fragen öffnen kulturelle Bildungs- angebote zu KI für wen?
  • Welche Fragen befördern unerwartete Kooperationen zu KI mit wem?

Einsatz von KI in der Beteiligungsarbeit

 

U18 Wahlen - Visualisierung von Anliegen

  • KI-Bildmaschine (Interface zur API Dall-E)
  • Verarbeitung von Fragen, Antworten und Stilen

KI-Bildmaschine

LoginDaten

 

  • Url: https://ki.medialepfade.org/
  • Login: hallo@medialepfade.org
  • PW: mediale-pfade24

Labor als setting zur Methode

Labor als setting zur Methode

Hintergrund: Verbundprojekt Dataskop

Labor als setting zur Methode

Hintergrund: Verbundprojekt Dataskop

Daten by Design

 

Interaktion und Algorithmus

Spielanleitung

Interaktion

1. Interaktionen identifizieren (Pink)

  • Nutzt die pinken Marker und markiert alle Interaktionen mit der TikTok-For-You-Page, die ihr kennt!

  • Tauscht euch in der Gruppe aus!

  • In der Legende auf dem Spielfeld werden die Symbole der Interaktionen kurz erklärt.

 

Spielanleitung

Interaktion

algorithmische Bewertung

2. Interaktionen bewerten (Grün)

  • Nutzt die grünen Marker und bewertet die Interaktionen! Welchen Einfluss haben die Interaktionen auf die Empfehlung ähnlicher Videos?

  • Tauscht euch in der Gruppe aus!

    • 👍bezeichnet einen positiven Einfluss auf den Algorithmus

    • 👎bezeichnet einen negativen Einfluss auf den Algorithmus.

    • Nutze das Fragezeichen ?, wenn du dir nicht sich bist.

    • Nutze das 🚫 wenn du glaubst, die Interaktion sperrt das Video für deine Empfehlungen.

 

Spielanleitung

Interaktion

algorithmische Gewichtung

algorithmische Bewertung

3. Interaktionen gewichten (Algorithmus/Blau)

  • Nutzt die blauen Marker (1–3) und gewichtet damit Interaktionen, die Einfluss auf die Empfehlungen haben. Ihr könnt nur Interaktionen gewichten, die einen Daumen hoch/runter haben. Was glaubt ihr, findet der TikTok-Empfehlungsalgoritmus besonders wichtig!

  • Tauscht euch in der Gruppe aus!

 

Spielanleitung

Interaktion

Nutzungstyp

algorithmische Gewichtung

algorithmische Bewertung

4. Interaktionen gewichten (Persona/Gelb

  • Nutzt die gelben Marker (1–3) und gewichtet damit die Interaktionen, die einem bestimmten Nutzungsart entsprechen. Entscheidet in der Gruppe, welchen Nutzungsart ihr darstellen wollt (Swiper, Liker, Commenter, Melder, Abonnierer, Merker etc.) Ihr könnt nur Interaktionen gewichten, die einen Daumen hoch/runter haben.

 

Spielanleitung

Interaktion

Nutzungstyp

algorithmische Gewichtung

algorithmische Bewertung

4. Personas

 

  • Swiper*in

  • Liker*in

  • Commenter*in

  • Melder*in

  • Abonnierer*in

  • Merker*in

 

Auswertung

Gruppe 3

Gruppe 1

Gruppe 2

Gruppe 4

Auswertung

Interaktion

Nutzungstyp

algorithmische Gewichtung

+

algorithmische Bewertung

=

?

=

2

+

+

=

2

=

=

Wert

Wert

Auswertung

Interaktion

Nutzungstyp

algorithmische Gewichtung

x

algorithmische Bewertung

=

?

=

2

x

x

=

2

=

=

Wert

Wert

Auswertung

Interaktion

algorithmische Bewertung

(

)

x

(

)

2

Auswertung

Interaktion

Nutzungstyp

algorithmische Gewichtung

x

algorithmische Bewertung

=

?

=

2

x

=

2

=

=

Wert

Wert

Auswertung

(

)

(

)

=

?

ϑ

∑

ϒ

*

*

*

=

2

=

2

=

=

Wert

Wert

x

Spielanleitung

Interaktion

Nutzungstyp

algorithmische Gewichtung

algorithmische Bewertung

(

)

x

=

x

=

2

=

(-2)

18

TikTok-LAbor

Pause!!!

Warm-Up

 

 

 

Warm-Up

 

 

 

TikToks, Reels, Shorts

Plattformlogiken, KI und Verstärkereffekte verstehen

360 Stunden Video pro Minute

1296000 sec

1 sec

recommender

Überblick

  1. Wer, Wie, Was - Warum - Recommender?
  2. Egal, Hauptsache Engagement
  3. Reclaim Recommender

Zentrale Fähigkeiten von Recommendersystemen

1. Items kategorisieren

2. User analysieren

3. Beziehungen modellieren

4. Rankings erstellen

5. Vorhersagemodelle verbessern

1. Wer, Wie, Was - Warum - Recommender?

1. Items kategorisieren

d.h., "Verstehen", was ein Video zeigt und was für ein Video das ist.

Das System muss erkennen:

Ist das ein Tanz, ein politischer Kommentar, ein Beauty-Tutorial oder ein wütender Monolog?

➡️ Dafür analysiert das System Bild, Ton, Text.

1. Wer, Wie, Was - Warum - Recommender?

2. User analysieren

d.h., "Beobachten", wie Menschen auf Videos reagieren

Das System merkt sich:

  • Wer hat wie lange geschaut?
  • Wurde geliked, geteilt oder kommentiert?
  • Wurde gleich weitergewischt?

➡️ Es „lernt", welche Inhalte einen Account wirklich interessieren – und welche nicht.

1. Wer, Wie, Was - Warum - Recommender?

3. Beziehungen modellieren

d.h., Zusammenhänge zwischen Menschen und Videos erkennen

Das System versucht zu verstehen:

„Aha, Menschen, die Video A mochten, mochten oft auch Video B."

➡️ Es bildet so Cluster von ähnlichen Videos und Accounts, ohne dass wir Einsicht haben.

1. Wer, Wie, Was - Warum - Recommender?

4. Rankings dynamisch erstellen

d.h. schnell entscheiden, was du als nächstes sehen wirst

Das System bewertet aktuell Millionen von Videos:

„Welches davon passt jetzt genau zu dir – basierend auf deinen bisherigen Reaktionen?"

➡️ Es will möglichst genau vorhersagen: „Was hält einen User am längsten auf der Plattform und erzeugt Engagement?"

1. Wer, Wie, Was - Warum - Recommender?

5. Vorhersagemodelle verbessern

d.h. es lernt über eine dauerhafte Feedback-Schleife

Wenn du aufhörst, bestimmte Inhalte zu schauen oder neue Interessen zeigst, registriert es das.

➡️ Es passt sich ständig an – dein Feed verändert sich mit dir.

1. Wer, Wie, Was - Warum - Recommender?

RecommenderSysteme

sind Machine Learning Technologien

Sie analysieren komplexes Nutzerverhalten und vielfältige Inhaltsmerkmale und lernen daraus Wahrscheinlichkeiten: 

  • Wie wahrscheinlich ist es, dass du das nächste Video zu Ende schaust?
  • Oder likest, kommentierst, folgst?

1. Wer, Wie, Was - Warum - Recommender?

Systeme nicht neutral

Sie zeigen, was das Nutzungsverhalten bedient,

nicht, was du brauchst, suchst oder korrekt ist.

Das bedeutet...

+++ mehr Ähnliches angezeigt +++ kontroverse /emotionale Inhalte überbetont +++ bestimmte Inhalte unsichtbar +++  Videos +++

Die Systeme reagieren auf Engagment.

1. Wer, Wie, Was - Warum - Recommender?

Was ist Engagement?

"Different factors have different importance, in different contexts."
Todd Beaupré (Senior Director Product Mgnt. Google)

  

Maschinelles Lernen braucht Zahlen

und Engagement liefert diese.

 

Engagement wird aus messbaren Signalen abgeleitet. 

 

2. Egal, Hauptsache Engagement

Engagement-Signale

Signal

Daten

Bedeutung

Watchtime

Dauer in Sek.

Interesse, inhaltliche Relevanz

Like

nein/ja (0/1)

Zustimmung, Anerkennung, Lob

Share

nein/ja | Adresse

soziale Relevanz, virales Potenzial

Save

nein/ja

langfristiges Interesse

Kommentar

tieferes Engagement, ggf. Polarisierung

Follow

nein/ja

Relevanz des Creators

Skip / Swipe

Schwellwert: 3 sek

Ablehnung, Langeweile

Replay

+n

Interesse, Verstehen, Abwesenheit

nein/ja | Text

Was ist Engagement?

  

Engagement wird durch

messbare Nutzungsignale beschrieben.

 

Interpretation, Gewichtung

und Korrelierung

dieser Signale mit Videomerkmalen führt zu Empfehlungen.

2. Egal, Hauptsache Engagement

Was Korreliert?

#id_item/259249743 (150, 376)

#id_user/298933464 (278, 312)

#id_user/995269285 (238, 423)

#id_user/7742372765(190, 210)

#id_item/234779324 (273, 177)

#id_item/873247237 (765, 782)

#id_item/6321017089 (812,853)

#id_user/2347234772 (870,720)

#id_item/2349234923 (779,653)

#id_item/3758375783 (912,877)

2. Egal, Hauptsache Engagement

Was Korreliert?

2-dimensionaler Einbettungsraum

#id_item/259249743 (150, 376)

#id_user/298933464 (278, 312)

#id_user/995269285 (238, 423)

#id_user/7742372765(190, 210)

#id_item/234779324 (273, 177)

#id_item/873247237 (765, 782)

#id_item/6321017089 (812,853)

#id_user/2347234772 (870,720)

#id_item/2349234923 (779,653)

#id_item/3758375783 (912,877)

2. Egal, Hauptsache Engagement

Was Korreliert?

 Video Katze (150, 376)

 Video lustig (278, 312)

 Account Serkan (238, 423)

 Account Michelle (190, 210)

 Video Hund (273, 177)

Account Lara (765, 782)

 Video Urlaub (812,853)

Account Anouk (870,720)

Video Sport (779,653)

Video Auto (912,877)

2. Egal, Hauptsache Engagement

Ser

Mi

La

An

2-dimensionaler Einbettungsraum

Maschinelle Lernlogik

Nutzungssignale (User-Engagement) steuern Lernprozesse

Modell analysiert Videoinhalte (gewichteter Merkmalkatalog)

Modell analysiert Account-Verhalten (Reiz-Reaktion)

Empfehlung aufgrund der Nutzungsignale, nicht inhaltl. Werte

 

Modell lernt: „Welche Kombinationen von Merkmalen erzeugen welches Verhalten?"

Optimierung: „Zeige mehr von dem, was Engagement erzeugt."

Zielsetzung: Maximierung von Verweildauer, Aktivität und Wiederkehrrate.

2. Egal, Hauptsache Engagement

Psychologie des Engagements

Engagement ist ein Index für emotionalen Reaktionen, aber kein Beleg für Qualität, Zustimmung oder Aufklärung.

Engagement ≠ Zustimmung oder Qualität

 

Beispiel: Ein provokantes, falsches oder hetzerisches Video kann Wut auslösen, und genau deshalb interagiert das Publikum stark – um zu widersprechen, sich aufzuregen oder es weiterzuleiten.

2. Egal, Hauptsache Engagement

Psychologie des Engagements

Interface-Merkmal

Wirkung auf Nutzerverhalten

Starker Fokus |

1 Video pro Screen

Maximale Aufmerksamkeit auf einen Reiz

Einfaches Feedback |

Swipen, Zurück, Verweilen etc.

Reduzierter Kontext |

kein Titel, Erklärung, Kommentar

Endloser Feed |

lineare, offene, zyklische Struktur

Jede Handlung ist Signal für das System

Schnelle Reaktionen ohne Reflexionsraum

Reiz-Reaktion ohne Pause und Abschlusslogik

Engagement und Verstärkereffekte

Ursache

Wirkung

Optimierung auf Engagement

Feedback-Loop

Ähnlichkeitslernen

Interfacedesign

Fehlende inhaltliche Bewertung

Schnelle, emotionale Inhalte bevorzugt

Erste Erfolge massiv verstärkt

Ausspielen bekannter Inhalte

Reflexartiges Feedback 

kein Filter für Richtigkeit oder Qualität

Engagement - nur ein Baustein in Software-Architektur, die verschiedene Verstärkereffekte erzeugt.

2. Egal, Hauptsache Engagement

Engagement und Verstärkereffekte

2. Egal, Hauptsache Engagement

Technische Designs sind nicht neutral.

Die Verstärkereffekte lassen sich ggf. bremsen durch:

  • andere Zielgrößen (z. B. Zufriedenheit statt Engagement)
  • Fokus auf Inhaltsmerkmale, statt auf Nutzungsdaten
  • Systeme, die inhaltliche Vielfalt betonen
  • Medienbildung, die diese Systeme verstehbar macht
  • kritische Nutzungsweisen (reflektierend statt reaktiv)

Reclaim recommender

3. Reclaim Recommender

 

Was Plattformen tun (könnten), jenseits von

Engagment und Empörung...

  • Inhaltliche Präferenzen selbst angeben & gewichten
  • Differenzierte Accounteinstellungen ermöglichen
  • Empfiehl mir Ähnliches-Buttons zur aktiven Steuerung
  • Topic-Feeds statt personalisierter Feeds wie bei Bluesky
  • Follower-basierte Gewichtung wie bei Mastodon
  • Abonnementbasiert wie bei YouTube
  • Regel-/Communitybasiert wie Discord/Mastodon

Reclaim recommender

3. Reclaim Recommender

Orientierung durch Redaktion

Was wäre, wenn wir nicht nur auf Algorithmen vertrauten?

 

 Alternativen im Empfehlungsdesign 

  • redaktionelle Netzwerke technisch abbilden (ÖRR, Presse, Recherchenetzwerke)
  • Verifizierte Quellen/Wissen bevorzugen und ausweisen
  • Menschen statt Maschinen moderieren Inhalte

Reclaim recommender

3. Reclaim Recommender

wären da nicht diese Netzwerkeffekte

Warum bleiben wir trotzdem bei TikTok, Insta, YouTube & Co.?

Netzwerkeffekte = Je größer das Netzwerk, desto größer der Nutzen für alle.

  • Reichweite & Sichtbarkeit gibt es dort, wo die Masse ist
  • Interaktion entsteht, wo sich viele Menschen bewegen
  • Viralität folgt der algorithmischen Plattformlogik
  • Gewöhnung & Komfortzonen erschweren Plattformwechsel

Reclaim recommender

3. Reclaim Recommender

Fragen und Anmerkungen

TikTok-LAbor

Reverse-Meme-Engineering

Wie funktioniert Kultur und Kommunikation auf Social Media?

WTF sind eigentlich Memes?!?

WTF sind eigentlich Memes?!?

Überlegt, welche Merkmale ein Video/Bild im Internet in aller Regel hat, um als Meme zu gelten!

WTF sind eigentlich Memes?!?

A wie...

Adaption

A wie Adaption

Adaption heisst...

...es ist anpassbar und kann in verschiedene  thematische Zusammenhänge gebracht werden.

Beispiel

Adaption

WTF sind eigentlich Memes?!?

W wie...

W wie Wiedererkennbarkeit!

Wiedererkennbarkeit heisst...

...es lassen sich in unterschiedlichen Kontexten Elemente dieses Memes wiedererkennen!

Beispiel

Wiedererkenbarkeit

WTF sind eigentlich Memes?!?

M wie...

Medienkonvergenz

M wie Medienkonvergenz!

Medienkonvergenz heisst...

...es werden unterschiedliche Arten von Medien im Meme verwendet (Text, Bild, Ton, Video etc.)!

Beispiel Medienkonvergenz

P wie...

WTF sind eigentlich Memes?!?

P wie Popularität!

Popularität heisst...

...es wird in einer oder mehreren Communities verwendet und ist beliebt!

Beispiel Popularität

E wie...

WTF sind eigentlich Memes?!?

E wie Entwicklung!


(oder Geschichte)

Entwicklung heisst...

...es hat einen Ursprung und verändert sich mit der Zeit!

Beispiel Entwicklung

Reverse Meme Engineering

Reverse Meme Engineering

Aufgabenstellung

Wählt euer Meme für die Recherche!

Kommt euerem Meme auf die Spur!

Analysiert das Meme mit Blick auf Bild, Ton, Text und Message?

 

Nutzt dafür die Seite 1 des Arbeitsblattes.

Kommt euerem Meme auf die Spur!

Recherchiert Herkunft und Varianten zu eurem Meme! Welche Werte werden vermittelt und welche Andeutungen stecken darin?

 

Nutzt dafür die Seite 2 des Arbeitsblattes.

Kommt eurem Meme auf die Spur!

Recherchiert im Internet: knowyourmeme.com, wikipedia.org , YouTube, TikTok, Google usw.

Zu dieser Präsentation

Reverse Meme Engineering

 - Finger Dance (Diggits) -

Meme-Struktur

Die Gesamtstruktur des Memes

Video-Pfad

Es entwickelt sich über die Jahrzehnte bis zu einem Trend auf der Plattform Vine

Das Meme hat seinen Ursprung im Funk der 70er Jahre

☝

☝

Sound-Pfad

Waffensounds gab es erstmals in der Popkultur im HipHop der 80er.

M.I.A. synchronisierte erstmals Schussgeräusche zu Musik.

Der EDM Song Astronomia von Tony Igy war 2010 noch relativ unbekannt.

2020 ging der Song durch das Coffin Dance Meme viral

"Gun Sync" wurde mit Videospielen kombiniert und erlangte durch das Spiel "Players Battleground Unkown" Bekanntheit.

☞

☝

☜

☜

☜

Meme-Struktur

Mögliche Message des Memes

Zu Beginn fokussierte sich der Trend eher auf Tanzelemente

☜

Jetzt stellt das Meme auch Präzsion und Waffen in den Vordergrund

☜

Meme-Struktur

Reverse Meme Engineering

 - Wednesday -

Meme-Struktur

Video-Pfad

Wednesday erschien zum ersten Mal im Cartoon "Die Addams Family" 1938.

Wednesday tanzt zum ersten Mal.

☝

☟

In der vierten Folge der Serie "Wednesday" tanzt Wednesday in einer langen Szene.

☝

Sound Pfad

Lady Gaga veröffentlichte ihren Song "Bloody Mary" bereits 2011.

☞

Das Cover von "Goo Goo Muck" von The Cramps wurde für die musikalische Unermalung in "Wednesday" genutzt.

☜

Für das TikTok Meme wurde der Song auf 1,25x Geschwindigkeit mit Tonepitch gebracht.

☜

Meme Pfad

Mögliche Message des Memes

Die Figur Wednesday wurde in der Serie von 2022 sexualisiert. Dies setzt sich in der Memesierung der TikTok -Community fort.

☟

Meme Struktur

Reverse Meme Engineering

 - Bella Hadid -

Meme-Struktur

Sound-Pfad

Solitude von M83 ist das Urpsungslied von 2016.

☟

Cover von Felsman + Tiley.

☟

Lied wird durch Ausschnitt meme-fähig gemacht.

☟

Video-Pfad

Ausschnit aus dem Interview Sekunde 4-9.

☜

Meme-Pfad

Viele TikToker*innen Reposten den Sound des Memes und filmen sich dabei selbst.

☜

Meme-Struktur

Mögliche Message des Memes

Viele Posts der Community reproduzieren problematische Perspektiven auf Essen und Körper.

☟

Das Meme erntete für diese Perspektiven viel Kritik.

☟

Bella Hadid hatte vor einiger Zeit aufgrund von ADHS-Medikameten selbst Probleme mit Essstörungen.

☜

Meme-Struktur

Reverse Meme Engineering

 - The Floss -

Meme-Struktur

Meme-Videopfad

Der Ursprung des Tanzes ist unklar. Er wurde jedoch immer wieder rezipiert.

☜

☜

☜

Viral ging der Tanz durch einen Live-Auftritt von Katie Perry mit dem "Backpack Kid".

☟

Der Battle Royal Ego Shooter "Fortnite" erscheint 2017. Er besitzt integrierte Gesten (Emotes), mit denen Spielende kommunizieren können

☟

Meme-Soundpfad

Die musikalische Ähnlichkeit zwischen "Swish Swish" von Katie Perry und dem "The Floss" Dance Emote bei Fortnite sind kaum zu überhören.

☟

☟

Meme Struktur

Mögliche Message des Memes

Meme Struktur

Reverse Meme Engineering

 - Bombastic Side-Eye,

Criminal Offensive Side-Eye -

Meme Struktur

Meme-Pfad

Mögliche Message des Memes

Abschlussrunde