Die Filterblase erforschen

Eli Pariser prägte den Begriff „Filterblase“, um die Möglichkeit zu beschreiben, dass Online-Personalisierung Menschen effektiv von einer Vielfalt an Sichtweisen oder Inhalten isolieren kann. Online-Empfehlungssysteme – basierend auf Algorithmen, die versuchen vorherzusagen, welche Inhalte Nutzer am meisten konsumieren werden – sind eine Familie von Technologien, die potenziell unter diesem Effekt leiden. Da Empfehlungssysteme so weit verbreitet sind, ist es wichtig, ihre Auswirkungen auf Nutzer unter diesem Gesichtspunkt zu untersuchen. Dieser Beitrag untersucht die langfristigen Auswirkungen eines auf kollaborativem Filtern basierenden Empfehlungssystems auf Nutzer. Soweit uns bekannt ist, handelt es sich um die erste Arbeit, die den Filterblasen-Effekt in Bezug auf Inhaltsvielfalt auf individueller Ebene misst. Wir tragen eine neuartige Metrik bei, um Inhaltsvielfalt basierend auf Informationen aus nutzergenerierten Tags zu messen, und präsentieren eine neue Methodensammlung, um den zeitlichen Effekt von Empfehlungssystemen auf die Nutzererfahrung zu analysieren. Wir stellen fest, dass Empfehlungssysteme Nutzer im Zeitverlauf einem leicht eingeschränkten Mengenspektrum von Items aussetzen. Gleichzeitig zeigen wir jedoch Evidenz dafür, dass Nutzer, die tatsächlich die ihnen empfohlenen Items konsumieren, weniger starke Einschränkungseffekte erfahren und die Items positiver bewerten.