Filterblase

Grundidee der Filterblase

Eine Filterblase, auch Informationsblase genannt, ist ein medienwissenschaftlicher Begriff, der vom Internetaktivisten Eli Pariser in seinem gleichnamigen Buch von 2011 geprägt wurde. Sie entsteht nach Parisers Auffassung, wenn Webseiten mithilfe von Algorithmen vorhersagen, welche Informationen ein Nutzer wahrscheinlich sehen möchte. Grundlage dafür sind verfügbare Nutzerdaten, zum Beispiel Standort, Suchhistorie und Klickverhalten.

Die Systeme zeigen bevorzugt Inhalte, die zu bisherigen Interessen und Ansichten passen. Informationen, die diesen Ansichten widersprechen, werden dadurch möglicherweise seltener angezeigt. Der Nutzer kann so in einem persönlichen Informationsraum isoliert werden. Pariser bezeichnet diesen als „das persönliche Informations-Ökosystem, das durch diese Algorithmen geschaffen wird“.

Typische Beispiele sind personalisierte Google-Suchergebnisse und der personalisierte News Stream von Facebook. Pariser schildert, dass zwei Personen mit derselben Suchanfrage „BP“ völlig unterschiedliche Ergebnisse erhalten könnten: Eine Person sieht Nachrichten über Investitionsmöglichkeiten von British Petroleum, eine andere Informationen über die durch Deepwater Horizon verursachte Ölpest. Verstärkende Algorithmen können nicht nur bestätigende Inhalte, sondern auch Inhalte verbreiten, die Angst und Wut auslösen, etwa Hate Speech oder Verschwörungstheorien.

Als mögliche Folgen nennt Pariser eine eingeengte Sichtweise, den Ausschluss von neuen Ideen und wichtigen Informationen sowie eine Gefährdung des zivilgesellschaftlichen Diskurses. Menschen könnten dadurch empfänglicher für Propaganda und Manipulation werden. Die isolierende Wirkung von Filterblasen ist jedoch wissenschaftlich umstritten und gilt nicht allgemein als belegt.

Wie Personalisierung funktioniert

Bei der Web-Personalisierung werden Inhalt und Struktur einer Web-Anwendung an die besonderen Bedürfnisse, Ziele, Interessen und Vorlieben eines einzelnen Nutzers angepasst. Dafür erstellt das System ein Benutzermodell (user model). Es enthält Annahmen und Informationen darüber, was für diesen Nutzer relevant sein könnte. Das System filtert vermeintlich irrelevante Informationen heraus und erhöht dadurch die persönliche Relevanz der angezeigten Inhalte.

Google verwendet nach Pariser verschiedene „Signale“, darunter frühere Such-Stichworte, den Standort und Status-Updates von Kontakten in sozialen Netzwerken. Auf dieser Grundlage werden Suchergebnisse und Werbung angepasst; diese zielgerichtete Werbung wird als Targeted Advertising bezeichnet. Facebook beobachtet die Interaktionen eines Nutzers und filtert beispielsweise Beiträge bestimmter Personen. Klickhistorien und andere Aktivitäten werden dabei in eine einzige Benutzeridentität übersetzt, anhand derer Informationen ausgewählt werden. Bis 2011 wurde bei Facebook dafür der EdgeRank-Algorithmus verwendet; anschließend wurde er durch ein wesentlich komplexeres, maschinenlernendes System ersetzt.

Die Datenbasis entsteht fortlaufend: Ein Nutzer zeigt Interesse an Themen, indem er auf bestimmte Links klickt, Freundesseiten besucht, Filme in eine Warteschlange legt oder ausgewählte Schlagzeilen liest. Webseitenbetreiber verwenden für das Sammeln und Analysieren solcher Daten häufig Tracking-Dienste wie Google Analytics. Internetfirmen nutzen die Informationen vor allem, um Werbung an den Geschmack und die Bedürfnisse eines konkreten Nutzers anzupassen oder sie im Suchergebnis an prominenter Stelle anzuzeigen.

Mit der Personalisierung verbindet sich auch die Sorge vor einem „Hotel-California-Effekt“: Nutzer gelangen in ein Netzwerk hinein, können es aber möglicherweise nicht vollständig verlassen. Tim Berners-Lee äußerte 2010 die Befürchtung, dass soziale Netzwerke Inhalte konkurrierender Seiten blockieren und dadurch einen immer größeren Teil der Netzgemeinde an sich binden. Pariser warnt außerdem, gefilterte Suche könne den Eindruck erwecken, es existierten nur die Dinge, die das eigene enge Selbstinteresse kennt. Unsichtbare Algorithmen würden das Netz dadurch redaktionell bearbeiten.

Messung und wissenschaftliche Diskussion

Die Größe und Vielfalt einer Filterblase ist schwer zu messen, weil Menschen unterschiedlich viele Nachrichten und Informationen konsumieren. Nach Webster und Ksiazek (2012) können Untersuchungen auf drei Bereiche ausgerichtet werden: die Vielfalt der angebotenen Medieninhalte, die personalisierte Auswahl einzelner Individuen oder die Struktur und Vielfalt einer Leser- beziehungsweise Zuhörerschaft.

Neben Selbsteinschätzungen werden Datensammlungen verwendet. Sie sollen nicht nur die tatsächlich ausgewählten Informationen, sondern auch die theoretisch verfügbaren Alternativen erfassen, da Nutzer den gesamten Umfang ihres möglichen Nachrichtenangebots meist nicht überblicken. Für die Analyse werden Links, Bilder und Dateien zunächst in Kategorien eingeteilt. Anschließend kann eine semantische Analyse Hinweise auf die Informationsvielfalt liefern. Die eigentlichen Personalisierungsalgorithmen sind meist nicht direkt untersuchbar, weil Online-Unternehmen sie nicht veröffentlichen.

Das Ausmaß des Filterblasen-Effekts wird unterschiedlich beurteilt. Jacob Weisberg führte 2011 ein kleines, nicht repräsentatives Experiment mit fünf Personen unterschiedlicher politischer Einstellungen durch. Bei vier Suchanfragen waren die Ergebnisse nahezu identisch. Auch Paul Boutin kam bei einem ähnlichen Versuch mit Personen unterschiedlicher Suchhistorie zu fast identischen Ergebnissen. Größere empirische Untersuchungen kamen zu vergleichbaren Resultaten; eine Studie bezifferte die Wahrscheinlichkeit, dass zwei zufällig ausgewählte Personen bei einem bestimmten Suchbegriff dieselben Ergebnisse in derselben Reihenfolge erhalten, auf 5–10 %. Jonathan Zittrain beurteilt den Einfluss personalisierter Suche auf Google-Suchergebnisse ebenfalls als gering.

Andere Untersuchungen kommen zu einer differenzierteren Einschätzung. Bakshy et al. untersuchten 2015 anhand großer anonymisierter Facebook-Daten die algorithmische Personalisierung. Ihrer Untersuchung zufolge wurde die Auswahl der angezeigten Informationen nur zu einem geringen Anteil durch Algorithmen beeinflusst. Größere Bedeutung hatten Social Homophily, also die Tendenz, sich mit ähnlichen Menschen zu umgeben, und der Selective-Exposure-Effekt: Menschen wählen bewusst oder unbewusst bestimmte Informationen aus und nehmen andere gar nicht wahr.

Gleichzeitig wird berichtet, Google besitze umfangreiche Daten aus Diensten wie Gmail und Google Maps und könne auch das Surfverhalten nicht eingeloggter Nutzer verfolgen. Andere Berichte betonen, dass eine vollständige Personalisierung des Interneterlebnisses trotz vieler Daten technisch sehr schwierig sei. Personalisierte Filter können für Verbraucher nützlich sein: Bei der Suche nach „Pizza“ können weit entfernte Lieferdienste ausgeblendet und lokale Angebote hervorgehoben werden. Für Bürger kann eine solche Filterung jedoch problematischer sein, wenn politische oder gesellschaftliche Informationen betroffen sind.

Kritisiert werden vor allem mangelnde Transparenz und Kontrolle. Nutzer wissen häufig nicht, ob überhaupt gefiltert wird, welche Signale verwendet werden und wie sie die Kriterien ändern können. Filtermechanismen gelten angesichts der Informationsmenge zwar als unverzichtbar, doch Pariser fordert, dass große Filter wie Google und Facebook ihre Funktionsweise transparenter machen und den Nutzern mehr Kontrolle geben. Eine Forschergruppe der Universität Delft empfiehlt zusätzlich, Autonomie und Transparenz stärker zu berücksichtigen. Ein Paper des Complexity Science Hub Vienna aus dem Jahr 2020 spricht dagegen klar von der Existenz von Filterblasen und findet Hinweise auf eine Tendenz zur destruktiven gesellschaftlichen Fragmentierung; laut Stefan Thurner gebe es dafür bisher keine realistischen Vorbeugungsmaßnahmen.

Gegen die Filterblasen-These wird eingewandt, dass Informationsselektion schon immer stattgefunden habe und wegen der Informationsflut unvermeidlich sei. Das Internet mache außerdem auch abseitige Diskussionen zugänglich. Inhalte würden nicht einfach nur gefiltert oder ungefiltert, sondern von vielen Akteuren verarbeitet, angereichert und verschoben. Zudem sei es für Nutzer schwierig, sich vollständig von widersprechenden Inhalten abzuschotten, weil soziale Netzwerke eine große Vielfalt präsentieren.

Ansätze für bessere Personalisierung

Paul Resnick bewertet Personalisierung nicht grundsätzlich als schlecht. Eine genaue Personalisierung könne weniger problematisch sein als fehlende oder minderwertige Personalisierung. Weil Filter große Macht besitzen, tragen sie nach seiner Auffassung Verantwortung gegenüber der Öffentlichkeit. Sie sollten keine versteckte Personalisierung einsetzen und die Auswahl nicht einseitig manipulieren.

Resnicks Vorschläge umfassen mehrere miteinander verbundene Ansätze:

• Mehrdimensionale Präferenzen sollen nicht nur Themen, sondern auch Standort, Sichtweise oder Ideologie und Publikum berücksichtigen.
• Das System soll die Erforschung von Nutzerinteressen und deren kommerzielle Verwertung ausgewogen gestalten.
• Portfolio-Präferenzen sollen eine Mischung aus bestätigenden und herausfordernden Informationen ermöglichen.
• Ein zeitversetzter Präferenz-Indikator soll kurzfristige von langfristigen Interessen unterscheiden.
• Das System soll Nutzer in Richtung langfristiger Präferenzen unterstützen, etwa Bildung gegenüber einem nur kurzfristigen Unterhaltungsinteresse.
• Ein gemeinsames Referenzpunkt-Feature soll beliebte Themen einbeziehen, für die sich ein Nutzer sonst weniger interessiert.
• Funktionen, die das Einnehmen einer anderen Perspektive erleichtern, sollen helfen, die Meinungen anderer Menschen besser zu verstehen.

Der unverbindliche Leitfaden der Universität Delft fordert drei Grundprinzipien: Erstens sollen pro Nutzer verschiedene Identitäten möglich sein, die sich je nach Kontext unterscheiden können. Zweitens soll der Filter auf Autonomie ausgelegt sein, sodass der Nutzer ihn an seine Bedürfnisse anpassen und die aus früheren Interaktionen gebildete Identität verändern kann. Drittens soll der Filter transparent sein: Der Nutzer muss wissen, dass gefiltert wird, welche Kriterien verwendet werden und welche Benutzeridentität das System zugrunde legt.

Verwandte Konzepte

Das Relevanzparadoxon beschreibt, dass Personen oder Organisationen vor allem nach Informationen suchen, die sie von Anfang an für relevant halten. Dadurch werden Informationen ausgeschlossen, die zunächst unwichtig erscheinen, sich später aber als nützlich erweisen. Die tatsächliche Relevanz eines Fakts wird oft erst erkennbar, nachdem man ihn kennt. Der Informationssuchende bleibt so in einem „intellektuellen blinden Fleck“ und erfährt möglicherweise etwas nicht, das er eigentlich benötigt. Das Problem gilt als bedeutsam für Wissenschaft und Bildung.

Der Echokammer-Effekt bezeichnet eine Verengung der Weltsicht durch verstärkten Umgang mit Gleichgesinnten in sozialen Netzwerken. Dadurch können Bestätigungsfehler entstehen. Der zentrale Unterschied zur Filterblase besteht darin, dass die Personalisierung bei der Filterblase vor allem durch Algorithmen als „pre-selected personalization“ erfolgt, während sie bei der Echokammer durch individuelle Entscheidungen als „self-selected personalization“ entsteht. Nutzer konsumieren bestimmte Medieninhalte und meiden andere. Das Phänomen kann auch offline auftreten, etwa wenn sich politisch homogene Gruppen bilden, die überwiegend bestätigende Informationen teilen.

Die empirische Existenz und Bedeutung von Echokammern ist umstritten. Studien zeigen, dass Nutzer häufig Gleichgesinnten folgen und deren Nachrichten teilen. Andere Untersuchungen legen nahe, dass nur wenige Nutzer in Echokammern leben, diese kleinen Gruppen aber durch hohe Aktivität besonders homogene Online-Räume schaffen können. Wieder andere Studien zeigen, dass Nutzer sozialer Medien zunehmend auch Nachrichten konsumieren, die ihren eigenen Ansichten widersprechen. Die Begriffe Filterblase und Echokammer werden in der Literatur nicht immer streng getrennt und teilweise synonym verwendet.

Die Schweigespirale nach Elisabeth Noelle-Neumann beschreibt, dass Menschen ihre Meinung freiwillig zurückhalten, wenn sie glauben, sie widerspreche der Mehrheitsmeinung. Dadurch können Minderheitsmeinungen weiter zurückgedrängt werden. Medien können diesen Prozess als Gatekeeper verstärken, wenn sie aufgrund eigener politischer Ansichten eine bestimmte Mehrheitsmeinung vortäuschen.

Das 1988 von Noam Chomsky und Edward S. Herman entworfene Propagandamodell vertritt die These, dass gesellschaftlicher Konsens durch organisierte Teile der Zivilgesellschaft, etwa Nichtregierungsorganisationen und Verbände, sowie durch die Schlüsselposition der Massenmedien entsteht. Dieser Konsens bilde daher nicht unbedingt die tatsächliche Vielfalt der Meinungen in der Bevölkerung ab. Chomsky präzisierte das Modell 1991; später wurde es vielfach als empirisch bestätigt beschrieben.