TikToks, Reels, Shorts

Plattformlogiken, KI und Verstärkereffekte verstehen

Gemeinnütziger Verein

Gegründet 2013

Sitz in Berlin

Ehrenamtlicher Vorstand

Verein für politische Medienbildung

www.medialepfade.org

360 Stunden Video pro Minute

1296000 sec

1 sec

recommender

Überblick

Wer, Wie, Was - Warum - Recommender?
Egal, Hauptsache Engagement
Reclaim Recommender
Interaktion oder Engagement Farming

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

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?

Chile (130, 300)

YouTube (800, 900)

Instagram (900, 750)

Mongolei (100, 201)

TikTok (750, 600)

Senegal (140, 100)

2-dimensionaler Einbettungsraum

2. Egal, Hauptsache Engagement

Was Korreliert?

2-dimensionaler Einbettungsraum

Chile (130, 300)

YouTube (800, 900)

Instagram (900, 750)

Mongolei (100, 201)

TikTok (750, 600)

Senegal (140, 100)

2. Egal, Hauptsache Engagement

Was Korreliert?

Chile (130, 300)

YouTube (800, 900)

Instagram (900, 750)

Mongolei (100, 201)

TikTok (750, 600)

Senegal (140, 100)

Lara (898, 925)

Serkan (826, 745)

Michelle (765, 831)

2-dimensionaler Einbettungsraum

2. Egal, Hauptsache Engagement

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

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

Interaktion

oder

Engagement Farming

Wertebasierte Strategien für TikTok & Co

Einstieg

Sichtbarkeit um welchen Preis? Reichweite ist nicht ht das einzige Kriterium für erfolgreiche SoMe-Arbeit
Social Media = oft Dramatitsierung & Polarisierung
Welche Taktiken unterstützen Engagement?