{"id":885,"date":"2026-09-14T15:27:37","date_gmt":"2026-09-14T14:27:37","guid":{"rendered":"https:\/\/digitalradikal.ustp.at\/?page_id=885"},"modified":"2026-09-14T15:27:37","modified_gmt":"2026-09-14T14:27:37","slug":"algorithmus","status":"publish","type":"page","link":"https:\/\/digitalradikal.ustp.at\/index.php\/algorithmus\/","title":{"rendered":"Algorithmus"},"content":{"rendered":"\n
\n
\n
\n

#Algorithmus<\/h1>\n\n\n\n
\n

Diejenigen, die die Anfangszeiten der sozialen Plattformen miterlebt haben, werden sich erinnern: Die pers\u00f6nliche Chronik bestand damals aus den Beitr\u00e4gen von Freund:innen bzw. Konten, mit denen man vernetzt oder \u201ebefreundet\u201c war. Accounts mit identischen Netzwerken konnten davon ausgehen, dass sie auch identische Inhalte zu sehen bekamen \u2013 zusammengestellt in einer chronologisch angeordneten Timeline [1]<\/strong>.<\/p>\n\n\n\n

Diese Art der Timeline ist heute l\u00e4ngst nicht mehr die Standardoption und, wenn \u00fcberhaupt, nur noch auf einzelnen Plattformen zu finden. \u00dcber die Jahre wurde der chronologische Feed sukzessive von algorithmisch kuratierten Timelines abgel\u00f6st. Unter die Beitr\u00e4ge von abonnierten Konten mischten sich mehr und mehr Werbung und Inhalte, die zu den eigenen Interessen passen k\u00f6nnten.<\/p>\n\n\n\n

Was man zu sehen bekommt, wird heute kaum noch vom eigenen Netzwerk, sondern prim\u00e4r vom pers\u00f6nlichen Nutzungsverhalten bestimmt. Dazu kommt, dass vor allem jene Inhalte bevorzugt werden, mit denen bereits viel interagiert wurde. Darunter z\u00e4hlen besonders popul\u00e4re, aber auch emotional aufgeladene oder kontroverse Beitr\u00e4ge [2]<\/strong>.<\/p>\n\n\n\n

Das Ziel dieses hyperpersonalisierten Angebots: die Nutzer:innen bzw. ihre Aufmerksamkeit so lange wie m\u00f6glich auf der Plattform zu halten. M\u00f6glich wird das durch diverse Design-Entscheidungen und Techniken wie das \u201einfinite scrolling\u201c [3]<\/strong>, aber vor allem durch das Herzst\u00fcck der jeweiligen Plattformen: das Recommender-System \u2013 das ist der Algorithmus, der entscheidet, welche Nutzer:innen welche Inhalte zu sehen bekommen.<\/p>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

Die fehlende Transparenz und ihre Folgen<\/strong><\/h1>\n\n\n\n

Dabei gibt es tats\u00e4chlich gar nicht \u201eDEN Algorithmus\u201c , der die Ausspielung in sozialen Medien steuert. Wie genau die Empfehlungssysteme Inhalte ausw\u00e4hlen ist von Plattform zu Plattform unterschiedlich. Und: Wie genau diese Empfehlungssysteme Inhalte ausw\u00e4hlen, ist in den meisten F\u00e4llen kaum bekannt \u2013 egal, um welche Plattform es sich handelt.<\/p>\n\n\n\n

Nicht nur die Nutzer:innen der Plattformen k\u00f6nnen h\u00e4ufig nicht nachvollziehen, ob und warum ihre Inhalte ausgespielt werden (oder nicht). Oft entstehen dadurch informelle Theorien (\u201efolktheories\u201c), mit denen sich die Anwender:innen die vermutliche Wirkungsweise eines Algorithmus erkl\u00e4ren. Auch in der Forschung sind die verf\u00fcgbaren Werkzeuge und Methodiken, um die \u201ealgorithmic opacity\u201c (die fehlende Transparenz rund um die Algorithmen) systematisch zu durchleuchten, begrenzt [4, 5]<\/strong>.<\/p>\n\n\n\n

\n

Von Filterblasen und Echokammern<\/h1>\n\n\n\n
\n

Ma\u00dfgeschneiderte Inhalte in Kombination mit fehlenden Informationen \u00fcber die Empfehlungssysteme haben schwerwiegende Folgen \u2013 unter anderem auf den \u00f6ffentlichen Diskurs im digitalen Raum. Dazu kommt, dass soziale Plattformen auch eine wesentliche Rolle als Informationsquelle spielen [6]<\/strong> und ihr Einfluss auf die Gesellschaft sowie Politik immer weiter zunimmt. Beispiele hierf\u00fcr sind (Bandy, 2021) [7]<\/strong> oder (St\u0103nescu, 2024) [8]<\/strong>.\u00a0<\/p>\n\n\n\n

Wenn sich die konsumierten Inhalte von Person zu Person komplett unterscheiden, erschwert das jegliches gemeinsames Gespr\u00e4ch. Zudem tragen die Dynamiken der sozialen Plattformen auch zum Entstehen von Filterblasen und Echokammern bei \u2013 auch wenn der Effekt dieser Ph\u00e4nomene oft deutlich nuancierter bzw. die Thematik deutlich komplexer ist, als es f\u00fcr gew\u00f6hnlich gern dargestellt wird [9, 10]<\/strong>.<\/p>\n<\/div>\n\n\n\n

Echokammern<\/h2>\n\n\n\n

Unter Echokammern werden soziale Umfelder verstanden, in denen sich Menschen mit Gleichgesinnten treffen. Da die pers\u00f6nlichen Ideologien und \u00dcberzeugungen in diesen Kreisen h\u00e4ufig \u00fcbereinstimmen, werden sie kontinuierlich verst\u00e4rkt. Echokammern sind dabei aber kein reines Online-Ph\u00e4nomen, sondern kommen ebenso in der Offline-Welt vor: Auch abseits der digitalen Welt interagieren Menschen tendenziell eher mit Personen, die die eigenen Ansichten teilen (z. B. im Kreis der Freund:innen oder Kolleg:innen) [10]<\/strong>.<\/p>\n\n\n\n

\n

Filterblasen<\/h2>\n\n\n\n

Im Gegensatz zu Echokammern, die das soziale Umfeld beschreiben, geht es bei Filterblasen um die Inhalte, mit denen wir in Kontakt kommen. Diese Blasen entstehen durch die spezifische Auswahl von Beitr\u00e4gen auf sozialen Plattformen. Je nachdem, auf was wir klicken, wie lange wir bei bestimmten Videos verweilen oder wonach wir suchen, w\u00e4hlen die Algorithmen weitere Inhalte f\u00fcr uns aus. Das weckt die Bef\u00fcrchtung, dass wir dadurch mit der Zeit immer weniger mit Ansichten, die unseren eigenen \u00dcberzeugungen widersprechen, in Kontakt kommen und sich somit die eigenen Ideologien immer weiter verfestigen. Die Forschung zeichnet aber auch hier kein einheitliches Bild. Teilweise deuten Studienergebnisse darauf hin, dass die pers\u00f6nlichen Auffassungen vor allem dann best\u00e4rkt werden, wenn Menschen mit stark widersprechenden Meinungen konfrontiert werden [9]<\/strong> \u2013 was offline tats\u00e4chlich seltener der Fall ist als online, wo Social-Media-Algorithmen die Timeline auf Konflikt und Krawall optimieren.<\/p>\n<\/div>\n<\/div>\n\n\n\n

NO:HATE: Algorithmus-Beobachtungen in Echtzeit<\/strong><\/h2>\n\n\n\n

Im Zuge des Forschungsprojekts ist unser Ziel, wichtige Einblicke in die Empfehlungslogik der sozialen Plattformen zu erhalten. Forscher:innern wird der Zugang zu den Daten bzw. Systemen der sozialen Plattformen oft erschwert, weshalb zumeist externe \u00dcberpr\u00fcfungen (sogenannte \u201eAudits\u201c) der Empfehlungsalgorithmen vorgenommen werden.<\/p>\n\n\n\n

In vielen F\u00e4llen kommen sogenannte \u201esock puppet audits\u201c zum Einsatz, um den \u201ealgorithmic content shift\u201c zu \u00fcberpr\u00fcfen [11]<\/strong>. Dabei handelt es sich beispielsweise um automatisierte Bots, die so gut wie m\u00f6glich versuchen, das Verhalten echter Nutzer:innen auf der Plattform nachzuahmen. In weiterer Folge wird analysiert, wie sich die vorgeschlagenen Inhalte basierend auf dem festgelegten Verhalten entwickeln. Ein Beispiel hierf\u00fcr ist [12]<\/strong>. Auf den Plattformen TikTok und YouTube wurden auf diese Weise bereits Filterblasen-Effekte [13]<\/strong>, Radikalisierungstendenzen [14]<\/strong> oder die Weiterverbreitung von Verschw\u00f6rungstheorien [15]<\/strong> empirisch untersucht und quantifiziert.<\/p>\n\n\n\n

Zumeist werden dem \u201esock puppet\u201c fixe Verhaltensweisen vorgegeben, wie z. B. konkrete Zeitvorgaben, wie lange ein Video geschaut wird, oder ein konkretes Set an Hashtags bzw.Schlagw\u00f6rtern, nach denen Inhalte ausgew\u00e4hlt werden [16]<\/strong>.<\/p>\n\n\n\n

Das hat allerdings wesentliche Nachteile: Echte Nutzer:innen konsumieren selten jedes Video gleich lang. Zahlreiche Videos bleiben oft nur den Bruchteil einer Sekunde auf dem Screen, w\u00e4hrend andere zur G\u00e4nze abgespielt werden. Nutzer:innen handeln zumeist nicht nach festgelegten Mustern, sondern basierend darauf, was ihnen angezeigt wird. Automatisierte Programme wie Bots k\u00f6nnen hingegen mit den aktuellen Zug\u00e4ngen selten direkt auf die gezeigten Inhalte reagieren. Ihr Verhalten ist dadurch weniger nat\u00fcrlich und st\u00e4rkerdeterministisch gesteuert als das echter Nutzer:innen \u2013 mit entsprechenden Auswirkungen auf die Ergebnisse. Dar\u00fcber hinaus ist eine direkte Reaktion auf die gezeigten Inhalte (bzw. den Verlauf eines Videos) kaum m\u00f6glich, da das Wahrnehmen bzw. Konsumieren der Inhalte und die Interaktion zumeist technisch getrennte Prozesse sind. Durch moderne Vision\u2013Language-Modelle (VLMs) wurden in diesem Bereich zwar bereits wesentliche Fortschritte erzielt [16]<\/strong>, allerdings schr\u00e4nken der hohe Rechenaufwand und die daraus resultierende Reaktionszeit den Einsatz in Live-Systemen ein.<\/p>\n\n\n\n

Um eine m\u00f6glichst realistische Interaktion mit sozialen Plattformen zu imitieren, wird im Rahmen des Forschungsprojekts darum ein anderer Ansatz mit Fokus auf Echtzeit-Klassifikation von Inhalten verfolgt. Dazu wird Contrastive Language\u2013Image Pre-Training (kurz CLIP) eingesetzt [17]<\/strong>, das Videos Frame f\u00fcr Frame gemeinsam mit Textbeschreibungen (\u201ePrompts\u201c) quasi in Echtzeit verarbeiten kann. Das erlaubt den automatisierten Systemen, binnen k\u00fcrzester Zeit den gesehenen Inhalt einzuordnen und dementsprechend darauf zu reagieren \u2013 \u00e4hnlich zu dem Verhalten, welches Social-Media-Nutzer:innen tats\u00e4chlich zeigen. So soll m\u00f6glichst realistisches Nutzungsverhalten nachgestellt und die daraus resultierende Auswahl der Inhalte beobachtet werden. Ziel ist es, die Empfehlungslogik von Plattformen besser zu verstehen bzw. den verhaltensbasierten algorithmic content shift in Echtzeit zu beobachten und zu analysieren.<\/p>\n\n\n\n

\n
\n
\n

Quellen\/Referenzen<\/h2>\n\n\n\n

Christopher A. Bail, Lisa P. Argyle, Taylor W. Brown, John P. Bumpus, Haohan Chen, M. B. Fallin Hunzaker, Jaemin Lee, Marcus Mann, Friedolin Merhout und Alexander Volfovsky: \u00bbExposure to Opposing Views on Social Media Can Increase Political Polarization\u00ab. Proceedings of the National Academy of Sciences of the United States of America 115(37), 2018: S. 9216\u20139221.\u00a0https:\/\/doi.org\/10.1073\/pnas.1804840115<\/a>. [9]<\/strong><\/p>\n\n\n\n

Jack Bandy: \u00bbProblematic Machine Behavior: A Systematic Literature Review of Algorithm Audits\u00ab. Proceedings of the ACM on Human-Computer Interaction 5(CSCW1), 2021: Article 74.\u00a0https:\/\/doi.org\/10.1145\/3449148<\/a>. [7]<\/strong><\/p>\n\n\n\n

Niels Br\u00fcgger: \u00bbA Brief History of Facebook as a Media Text: The Development of an Empty Structure\u00ab. First Monday 20(5), 2015.\u00a0https:\/\/doi.org\/10.5210\/fm.v20i5.5423<\/a>. [1]<\/strong><\/p>\n\n\n\n

Michael Ann DeVito, Darren Gergle und Jeremy Birnholtz: \u00bb\u201cAlgorithms Ruin Everything\u201d: #RIPTwitter, Folk Theories, and Resistance to Algorithmic Change in Social Media\u00ab. In: Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems (CHI ’17). New York, NY: ACM, 2017, S. 3163\u20133174.\u00a0https:\/\/doi.org\/10.1145\/3025453.3025659<\/a>. [5]<\/strong><\/p>\n\n\n\n

Motahhare Eslami, Karrie Karahalios, Christian Sandvig, Kristen Vaccaro, Aimee Rickman, Kevin Hamilton und Alex Kirlik: \u00bbFirst I \u201cLike\u201d It, Then I Hide It: Folk Theories of Social Feeds\u00ab. In Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems (CHI ’16). New York, NY: ACM, 2016, S. 2371\u20132382.\u00a0https:\/\/doi.org\/10.1145\/2858036.2858494<\/a>. [4]<\/strong><\/p>\n\n\n\n

Matthew Gentzkow und Jesse M. Shapiro: \u00bbIdeological Segregation Online and Offline\u00ab. The Quarterly Journal of Economics 126(4), 2011: S. 1799\u20131839.\u00a0https:\/\/doi.org\/10.1093\/qje\/qjr044<\/a>. [10]<\/strong><\/p>\n\n\n\n

Eslam Hussein, Prerna Juneja und Tanushree Mitra: \u00bbMeasuring Misinformation in Video Search Platforms: An Audit Study on YouTube\u00ab. Proceedings of the ACM on Human-Computer Interaction 4(CSCW1), 2020: Article 48, 27 Seiten.\u00a0https:\/\/doi.org\/10.1145\/3392854<\/a>. [13]<\/strong><\/p>\n\n\n\n

Hazem Ibrahim, HyunSeok D. Jang, Nouar Aldahoul, Aaron R. Kaufman, Talal Rahwan und Yasir Zaki: \u00bbSystematic Partisan Content Skews in TikTok During the 2024 US Elections\u00ab. Nature, 2026.\u00a0https:\/\/doi.org\/10.1038\/s41586-026-10447-1<\/a>. [12]<\/strong><\/p>\n\n\n\n

Daniel Klug, Yiluo Qin, Morgan Evans und Geoff Kaufman: \u00bbTrick and Please. A Mixed-Method Study On User Assumptions About the TikTok Algorithm\u00ab. In: Proceedings of the 13th ACM Web Science Conference 2021 (WebSci \u201921). New York, NY: ACM, 2021, S. 84\u201392.\u00a0https:\/\/doi.org\/10.1145\/3447535.3462512<\/a>. [2]<\/strong><\/p>\n\n\n\n

Maleeha Masood, Shreya Kannan, Zikun Liu, Deepak Vasisht und Indranil Gupta: \u00bbCounting How the Seconds Count: Understanding TikTok Behavior via ML-Driven Analysis of Video Content\u00ab. In: Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI \u201926). New York, NY: ACM, 2026: Article 1396.\u00a0https:\/\/doi.org\/10.1145\/3772318.3790311<\/a>. [16]<\/strong><\/p>\n\n\n\n

Nic Newman, Amy Ross Arguedas, Craig T. Robertson, Rasmus Kleis Nielsen und Richard Fletcher: Reuters Institute Digital News Report 2025. Oxford: Reuters Institute for the Study of Journalism, 2025.\u00a0https:\/\/doi.org\/10.60625\/risj-8qqf-jt36<\/a>. [6]<\/strong><\/p>\n\n\n\n

Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger und Ilya Sutskever: \u00bbLearning Transferable Visual Models from Natural Language Supervision\u00ab. In: Proceedings of the 38th International Conference on Machine Learning (ICML 2021). Proceedings of Machine Learning Research 139, 2021: S. 8748\u20138763.\u00a0https:\/\/proceedings.mlr.press\/v139\/radford21a.html<\/a>. [17]<\/strong><\/p>\n\n\n\n

Manoel Horta Ribeiro, Raphael Ottoni, Robert West, Virg\u00edlio A. F. Almeida und Wagner Meira Jr.: \u00bbAuditing Radicalization Pathways on YouTube\u00ab. In: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT \u201920)*. New York, NY: ACM, 2020, S. 131\u2013141.\u00a0https:\/\/doi.org\/10.1145\/3351095.3372879<\/a>. [14]<\/strong><\/p>\n\n\n\n

Jan Ole Rixen, Luca-Maxim Meinhardt, Michael Gl\u00f6ckler, Marius-Lukas Ziegenbein, Anna Schlothauer, Mark Colley, Enrico Rukzio und Jan Gugenheimer: \u00bbThe Loop and Reasons to Break It: Investigating Infinite Scrolling Behaviour in Social Media Applications and Reasons to Stop\u00ab. Proceedings of the ACM on Human-Computer Interaction 7(MHCI), 2023: Article 228.\u00a0https:\/\/doi.org\/10.1145\/3604275<\/a>. [3]<\/strong><\/p>\n\n\n\n

Christian Sandvig, Kevin Hamilton, Karrie Karahalios und Cedric Langbort: \u00bbAuditing Algorithms: Research Methods for Detecting Discrimination on Internet Platforms\u00ab. In: Data and Discrimination: Converting Critical Concerns into Productive Inquiry \u2013 Preconference at the 64th Annual Meeting of the International Communication Association. Seattle, WA, 2014, 23 Seiten.\u00a0https:\/\/websites.umich.edu\/~csandvig\/research\/Auditing%20Algorithms%20%20Sandvig%20%20ICA%202014%20Data%20and%20Discrimination%20Preconference.pdf. [11]<\/strong><\/p>\n\n\n\n

Ivan Srba, Robert Moro, Matus Tomlein, Branislav Pecher, Jakub Simko, Elena Stefancova, Michal Kompan, Andrea Hrckova, Juraj Podrouzek, Adrian Gavornik und Maria Bielikova: \u00bbAuditing YouTube\u2019s Recommendation Algorithm for Misinformation Filter Bubbles\u00ab. ACM Transactions on Recommender Systems 1(1), 2023: Article 6, 33 Seiten.\u00a0https:\/\/doi.org\/10.1145\/3568392<\/a>. [15]<\/strong><\/p>\n\n\n\n

Georgiana Camelia St\u0103nescu: \u00bbFake News, Bots, and Influencers: The Impact of Social Media on Romania\u2019s 2024 Elections\u00ab. Social Sciences and Education Research Review 11(2), 2024: S. 361\u2013366.\u00a0https:\/\/doi.org\/10.5281\/zenodo.15258337<\/a>. [8]<\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

#Algorithmus Diejenigen, die die Anfangszeiten der sozialen Plattformen miterlebt haben, werden sich erinnern: Die pers\u00f6nliche Chronik bestand damals aus den Beitr\u00e4gen von Freund:innen bzw. Konten, mit denen man vernetzt oder \u201ebefreundet\u201c war. Accounts mit identischen Netzwerken konnten davon ausgehen, dass sie auch identische Inhalte zu sehen bekamen \u2013 zusammengestellt in einer chronologisch angeordneten Timeline [1]. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"class_list":["post-885","page","type-page","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/pages\/885","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/comments?post=885"}],"version-history":[{"count":3,"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/pages\/885\/revisions"}],"predecessor-version":[{"id":888,"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/pages\/885\/revisions\/888"}],"wp:attachment":[{"href":"https:\/\/digitalradikal.ustp.at\/index.php\/wp-json\/wp\/v2\/media?parent=885"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}