Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Elena Esposito (Soziologie)

Korrelation und Kommunikation:
Big Data in der Soziologie

〈1〉 Ausgehend von dem provokativen und einflussreichen Artikel von Chris Anderson in Wired (Anderson 2008) ist die Verbreitung der Digitalisierung zu einer Herausforderung für Methoden, aber auch für die Annahmen der wissenschaftlichen Forschung in allen Bereichen geworden. Für die Sozialwissenschaften ist diese Herausforderung noch tiefergehend, weil sie reflexiv wird. Ist die Soziologie in der Lage, die damit einhergehenden Änderungen in Form der Beobachtung der Gesellschaft, also der Soziologie selbst, zu beobachten? Mein Eindruck ist, dass die Entwicklung der Digitalisierung die Kompetenzen und Fragen meiner Disziplin in den Vordergrund rückt anstatt sie zu beseitigen, weil die Entwicklung der Technologie eine Reflexion über Bedeutung und Formen der Kommunikation erfordert (oft unabhängig von den Absichten der Beobachter). Wir brauchen darum einen Kommunikationsbegriff, der in der Lage ist, die laufenden Transformationen zu erfassen. Das kann heute nur die Soziologie leisten.

〈2〉 Die heute sehr verbreitete aber auch sehr undurchsichtige zentrale Frage betrifft die Bedeutung von Big Data. Worum handelt es sich eigentlich bei Big Data?

〈3〉 Die praktischen Ergebnisse sind erstaunlich. Schon heute sind die Systeme des „machine learning“ in der Lage, vorher nie gesehene Bilder zu erkennen, Gespräche über unbekannte Themen zu führen, Verhalten, Gedanken und Wünsche der Nutzer zu antizipieren, Sätze zu ergänzen, bevor wir mit dem Tippen fertig sind, und uns Ratschläge zu geben. Aufgrund von Big Data können wir selbstfahrende Autos bauen (oder werden es bald können), direkt online Anrufe von einer Sprache in eine andere übersetzen, digitale Assistenten verwenden, welche die Informationen, die wir brauchen, jeweils punktuell liefern.

〈4〉 Auf theoretischer Ebene ist es jedoch noch nicht klar, ob und wie Big Data (wie einige Beobachter behaupten: Kitchin 2014) zu einem “computational turn in thought and research” (Boyd and Crawford 2012: 663; Berry 2011) führt, der das Verständnis von Daten, Informationen und schließlich auch Forschung und Wissen zutiefst verändern wird (Wagner-Pacifici et al 2015a). Es kann nicht bloß eine Frage der Quantität sein (data is bigger), solange nicht gezeigt wird, wo und wie Quantität zur Qualität wird.

〈5〉 Die Prämisse der vermeintlichen Revolution ist der Prozess der “datification” (Mayer-Schönberger und Cukier 2013: 73ff.), der es erlaubt, mehr und mehr Phänomene in einem quantifiziertem Format auszudrücken, das dann analysiert und verarbeitet werden kann. Soziale Medien ermöglichen es, auch emotionale und relationale Aspekte wie Gefühle, Stimmungen und Beziehungen zwischen Menschen zu „datifizieren“. Das ‚Internet der Dinge‘ kann Daten aus materiellen Elementen wie etwa physikalischen Objekten und räumlichen Positionen extrahieren. Wir haben also viel mehr Daten als je zuvor und auch die Fähigkeit, sie zu verwalten.

〈6〉 Das hat zur Folge, dass das uns vertraute wissenschaftliche Denken – basierend auf zu testenden Hypothesen und Identifikation von Kausalzusammenhängen – obsolet geworden ist (Anderson 2008). Wenn man Zugriff auf alle Daten und genug Rechenleistung hat, um sie zu analysieren, sind Hypothesen und Erklärungen nicht mehr nötig. Man kann sich dann direkt den Ergebnissen zuwenden. Diese Ergebnisse wiederum sind nicht der Abschluss eines Gedankengangs, sondern einfach die Identifizierung von Formen und Mustern: die Entdeckung von Korrelationen, welche die Bedeutung und die Folgen eines Phänomens enthüllen, unabhängig von jeder Theorie. “With enough data, the numbers speak for themselves.” (Anderson 2008)

〈7〉 Wenn man alle Daten eines Phänomens (das statistische Universum) zur Verfügung hat, braucht man weder Stichproben noch probabilistische Verfahren. Man kann das Universum direkt verarbeiten (n = alle), auf der Suche nach den Mustern, die Computer aus dem Ozean der Daten extrahieren können. Statistische Verfahren wären bloß noch das Korrelat unserer begrenzten Rechenkapazität, die uns zwingt, Vereinfachungen und Abkürzungen zu verwenden. Jetzt aber, da Rechenleistung nahezu unbegrenzt ist, wären diese sowie geschickte Demonstrationen und Hypothesen nicht mehr notwendig. “Korrelation ersetzt Kausalität” (Anderson 2008). Man muss nicht wissen, “warum” ein bestimmtes Ergebnis entsteht, sondern nur “was” es ist (Mayer-Schönberger und Cukier 2013: 7).

〈8〉 Jenseits der Emphase und der provokatorischen Absicht dieser Art von Diskursen, führt Digitalisierung in der Tat zu einer anderen Art und Weise, Daten zu benutzen und zu analysieren.  Aber Daten sind immer ein wesentlicher Bezugspunkt der soziologischen Forschung gewesen. Was sind die Folgen für Praxis und Theorie? Zum Zwecke einer Diskussion werde ich mich hier (sehr kurz) auf drei Aspekte der gängigen Veränderungen konzentrieren, die aber potenziell eine Reihe weitreichender Auswirkungen haben können.

〈9〉
1) Die erste Änderung betrifft das zu bearbeitende Material. Die Fülle von Daten, die es angeblich ermöglichen, das gesamte betreffende Universum zu verarbeiten, besteht nicht, wie in der Tradition unserer Disziplin und der probabilistischen Verarbeitung, aus Informationen. Die “Datifizierung” geht nicht von Informationen aus, die Menschen bewusst offenlegen (oder möglicherweise beschließen, nicht zugänglich zu machen), sondern sie gewinnt Daten aus Umständen, um die die betroffenen Personen sich nie gekümmert haben und die ihnen oft gar nicht bewusst sind (Bewegungen im Raum, Verbindungen mit anderen Benutzern, unbewusste Regelmäßigkeit ihres Verhaltens). Die Verarbeitung beruht nicht auf Primärdaten (was Menschen tun oder entscheiden, was sie kaufen, wie sie wählen, welche Präferenzen sie äußern), sondern auf Sekundärdaten, die mittels Korrelationen und formalisierten Verfahren gewonnen werden. Diese Sekundärdaten folgen weder der Entscheidungslogik der betreffenden Personen noch einer verständlichen Logik.

〈10〉 Verantwortlich für die Verarbeitung der Daten sind eigentlich nicht die Maschinen, sondern diffuse miteinander verbundene Algorithmen, die weitgehend unabhängig von den Informationen und der Kontrolle ihrer Schöpfer arbeiten. Machine learning und  knowledge discovery in databases (KDD) sind Praktiken, die mit Hilfe der Algorithmen Informationen produzieren, die nicht nur zuvor unbekannt waren (wie in allen Fällen der Berechnung), sondern die nicht einmal aus bedeutenden Elementen hervorgehen: Sie verarbeiten keine Informationen. Digitalverfahren sind in der Lage, in den im Web zirkulierenden Materialien Muster und Korrelationen zu entdecken, die kein menschlicher Geist produziert hat und keine bewusste Intelligenz verstehen kann, die aber trotzdem Informationen produzieren und Folgen haben.

〈11〉 Die Macht von Big Data beruht auf der Fähigkeit, auf Informationen zu verzichten, um Informationen zu produzieren. Die Algorithmen verarbeiten nur Daten, also Unterschiede. Mit Batesons Formulierung1: Programme brauchen nur Unterschiede, und sind in der Lage, daraus andere Unterschiede zu gewinnen, die einen Unterschied machen – also informativ werden. Die ausgehende Information braucht keine eingehende Information. Es genügt über Daten zu verfügen, welche die Programme nicht nur aus dem entnehmen, was wir denken, sondern auch und vor allem aus dem, was wir tun, ohne daran zu denken und ohne uns darüber bewusst zu sein. Diese Maschinen sind nicht trivial auf radikalerer Weise als diejenige, die von Foerster (1981) beschrieb: sie geben nicht nur zu unterschiedlichen Zeiten verschiedene Antworten auf die gleiche Frage, sondern sie produzieren verschiedene Antworten, bevor die Frage überhaupt gestellt wurde. Mit Hildebrandts Worten (2015: 46): “We have moved from an information society to a data-driven society.”

〈12〉
2)
Die kommunikative Bedeutung von Big Data ist eine Folge davon. Wir haben es mit einer Art der Datenverarbeitung (und Informationsverwaltung) zu tun, die sich von menschlicher Informationsverarbeitung und vom menschlichen Verständnis unterscheidet. Gerade deshalb sind diese Technologien so erfolgreich. Erst als die Projekte der digitalen Informationsverarbeitung den Anspruch aufgaben, die Prozesse des menschlichen Bewusstseins in digitaler Form zu reproduzieren, gelang es ihnen, die Ergebnisse zu erzielen, die wir heute sehen. Ähnliches findet sich in einer bekannten Metapher von Hans Blumberg:  Die Menschen waren erst in der Lage zu fliegen, als sie die Idee aufgaben, Maschinen zu bauen, die ihre Flügel schlagen wie Vögel. Gerade weil Algorithmen nicht versuchen unserem Bewusstsein zu ähneln, werden sie mehr und mehr zu kompetenten Kommunikationspartnern: Sie können unsere Fragen angemessen beantworten und liefern Informationen, die keine menschliche Intelligenz je entwickelt hat und rekonstruieren konnte.

〈13〉 Das Vorausgegangene wird in der Praxis deutlich, aber nicht immer in der Theorie. Die im Bereich der Big Data verwendeten Metaphern bewahren immer noch einen Verweis auf den menschlichen Geist und auf seine Prozesse. In der Tat ist die Idee verbreitet, dass die jüngsten Verfahren des “deep learning” so effektiv sind, weil sie auf neuronalen Netzen beruhen, inspiriert durch die Funktionsweise des menschlichen Gehirns. Wie die meisten Forscher zugeben, wissen wir aber noch sehr wenig über die Arbeitsweise unseres Gehirns. Die Analogie wird somit merkwürdig: Sie kann als Orientierung an mangelndem Wissen verstanden werden. Können wir keine andere, angemessenere Metapher finden, wenn die Maschinen nicht mehr versuchen, Bedeutungen so zu verstehen, wie das menschliche Bewusstsein?

〈14〉 Der jüngste Ansatz der Big Data ist eigentlich ganz anders als die Modelle der Künstlichen Intelligenz (AI) aus den 70er und 80er Jahren, die das Ziel hatten, durch Nachahmung oder Analogie (“starke” und “schwache” AI) mit einer Maschine die Prozesse der menschlichen Intelligenz zu reproduzieren.  Das tun die neuen Systeme nicht mehr, und einige Designer erklären ausdrücklich: “Wir versuchen nicht, Intelligenz zu kopieren ” (Solon, 2012) – es wäre eine zu große Belastung.

〈15〉 Man könnte sagen, dass das, was diese Netzwerke reproduzieren, keine Intelligenz, sondern Kommunikation ist. Das Web realisiert keine künstliche Intelligenz, sondern eine Art der künstlichen Kommunikation, die unserer Gesellschaft unvorhersehbare und unkontrollierbare Informationen zur Verfügung stellt. Vielleicht wird die Gesellschaft als Ganzes “smarter”. Das liegt aber nicht daran, dass sie Intelligenz künstlich reproduziert, sondern  daran, dass sie eine neue Form der Kommunikation schafft, welche die Daten anders nutzt.

〈16〉
3)
Wie kann man Information nutzen, die man nicht versteht? Big Data scheint zu einer neuen epistemologischen Haltung in den Beziehungen mit der Welt zu führen (Kitchin 2014). Das ist der dritte Aspekt, den ich in meinem Beitrag diskutieren möchte. Da die Verarbeitung durch Algorithmen nicht auf Kausalität beruht und ihre Prozesse sich dem menschlichen Verständnis entziehen, scheint sich das Ziel der Forschung von der Erklärung zur Vorhersage zu verschieben: zu einer zuvor undenkbaren Form der erweiterten Prognose. Es geht heute nicht darum, die Zweifel und die Unsicherheit der Zukunft zu aufzulösen: das klassische Problem der offenen Zukunft, dem sich seit ein paar Jahrhunderten das Wahrscheinlichkeitskalkül zuwendet (Esposito 2007). Die algorithmische Prognose ist nicht probabilistisch, sondern “aktuariell” (im Sinne von Harcourt 2007). Sie impliziert eine ganz andere Beziehung zwischen Gegenwart und Zukunft.

〈17〉 Von Google Instant (das uns die Ergebnisse zeigt, bevor wir mit der Eingabe unserer Suche fertig sind) bis zum predictive shopping (das dem Verbraucher Waren und Dienstleistungen anbietet, bevor er sie gewählt und bestellt hat) scheinen die auf Big Data beruhenden Technologien fähig zu sein, Antworten zu geben, ohne dass Fragen formuliert wurden. Durch Identifizierung von Rekurrenzen und Regularitäten in einer Masse von Daten, die weit über das bisherige Verhalten der betroffenen Nutzer hinausgehen, scheinen Algorithmen in der Lage zu sein, die von ihnen produzierte Zukunft vorherzusagen: Sie erraten z.B., welche Tweets oft retweeted werden (Mullainathan 2014).

〈18〉 Diese Fähigkeit zur Vorhersage, die bereits sehr verbreitet aber auch sehr umstritten ist (z.B. Amoore and Piotukh 2015), zeigt zugleich die Macht und die Grenzen von Big Data. Da die Vorhersage auf  Korrelationen und nicht auf Kausalität beruht, neigt sie dazu, die Form einer (aufgrund der Datenmasse artikulierten und verarbeiteten) Reproduktion der Vergangenheit anzunehmen und nicht die authentisch offene Zukunft zu antizipieren. Der Algorithmus, der (mit guter Genauigkeit) vorhersagt, welche Tweets wahrscheinlich retweeted werden, ist z. B. nicht in der Lage, Tweets autonom zu produzieren, die retweeted werden. Die Algorithmen erzeugen Formen der “mechanical prediction”, die voraussetzen, dass Unsicherheit und Überraschung einem regelmäßigen (obwohl für menschliche Wahrnehmung unzugänglichem) Muster folgen. Doch wird die durch Algorithmen produzierte Überraschung in dem Moment erodiert, in dem sie benutzt wird, denn die offene Zukunft neigt dazu, durch die Produktion neuer, authentisch unvorhersehbarer Überraschungen zu reagieren. Das zeigt etwa die Entwicklung der Finanzmärkte, die in Zeiten der Krise alle Vorhersagen der Modelle stürzen.

〈19〉 Die offene Zukunft wird aufgrund von Information, die keinem Algorithmus (nicht einmal in der Form von Daten) zugänglich sind, jedes Mal neu von der laufenden Gegenwart produziert und reproduziert, weil die Informationen vor dem Zeitpunkt, in dem sie hergestellt werden, nicht existieren. Das bedeutet nicht, dass algorithmische Vorhersagen nutzlos sind, sondern sie dienen dazu, das System und nicht die Welt zu erkennen: was man von der Zukunft erwarten kann, nicht was wirklich passieren wird.

 

Literatur

Amoore, Louise and Piotukh, Volka 2015. Life beyond big data: governing with little analytics. Economy & Society 44(3): 341-366.

Anderson, Chris 2008. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. In Wired, 16.

Bateson,  Gregory 1972. Steps to an ecologyof mind. New York: Ballantine Books.

Berry, David M. 2011. The Computational Turn: Thinking About the Digital Humanities. In Culture Machine, 12: 1-22.

danah boyd and Crawford, Kate 2012. Critical Questions for Big Data. In Information, Communication and Society, 15 (5): 662-679, doi:10.1080/1369118x.2012.678878

Esposito, Elena 2007. Die Fiktion der wahrscheinlichen Realität. Frankfurt a.M.: Suhrkamp 2007.

von Foerster, Heinz 1981. Observing Systems. Seaside (Cal.): Intersystems Publica­tions.

Bernard E. Harcourt 2007. Against Prediction. Profiling, Policing, and Pinishing in an Actuarial Age. Chicago & London: The University of Chicago Press.

Hildebrandt, Mireille 2015. Smart Technologies and the End(s) of Law. Cheltenham: Edgar.

Rob Kitchin 2014. Big Data, new epistemologies and paradigm shifts. In Big Data & Society, April-June: 1-12.

Mayer-Schönberger, Viktor and Cukier, Kenneth 2013. Big Data. A Revolution That Will Transform How We Live, Work, and Think. London: Murray.

Mullainathan, Sendhin 2014.  Why Computers Won’t Be replacing You Just Yet, New York Times, 2 Luglio.

Solon, Olivia 2012. Weavrs. The autonomous, tweeting blog-bots that feed on social content, Wired.co.uk, 28. March.

Wagner-Pacifici, Robin, Mohr, John W., and Breiger Ronald L. (eds.). 2015. Assumptions of Sociality: A Colloquium of Social and Cultural Scientists. Special Issue of  Big Data & Society, 2(2).

 

  1. Bateson (1972, p.582) definiert Information als “difference that makes a difference” []

OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
eles (4. Juli 2016). Elena Esposito (Soziologie). Digitalität. Abgerufen am 24. April 2025 von https://digigeist.hypotheses.org/145


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.