Ethische und anthropologische Aspekte der Anwendung von Big-Data-Technologien

  • Klaus Wiegerling
  • Michael Nerurkar
  • Christian Wadephul
Chapter
Part of the Technikzukünfte, Wissenschaft und Gesellschaft / Futures of Technology, Science and Society book series (TEWG)

Zusammenfassung

Die Beiträge fokussieren drei prominente Anwendungsgebiete von Big Data: Wissenschaft, Gesundheitswesen und Finanzmärkte. Dabei ist der Zweck nicht derjenige, Lösungen für ethische Probleme vorzulegen, sondern zuallererst diejenigen Aspekte der Anwendung von Big-Data-Technologien zu identifizieren, durch die ethische Fragen aufgeworfen werden, und den Rahmen abzustecken für ethische und wissenschaftstheoretische Reflexion und Beurteilung.

Hinsichtlich des Anwendungsfeldes Wissenschaft ist dabei vorrangig von Interesse, ob Big Data – wie des Öfteren propagiert wird – einen Paradigmenwechsel auslösen könnte, und welche Erklärungskraft und praktische Verlässlichkeit Ergebnissen zugesprochen werden können, die durch Verfahren wie Data Mining, maschinelles Lernen usw. zustande kommen.

Big-Data-Technologien in Gesundheitswesen und medizinischer Praxis verstärken den Widerstreit zwischen Entlastung und Entmündigung. Die Gestaltung der Mensch-Maschine-Interaktion wird zu einer Kernaufgabe. Rückt der Werkzeugcharakter der Technologien aus dem Blick, geraten wir in die Zwänge einer Macht, die den Patienten entindividualisiert und menschliche Interaktionsformen in der medizinischen Praxis infrage stellt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Aldrige, I. (2010). High Frequency Trading. A Practical Guide to Algorithmic Strategies and Trading. New Jersey: Wiley.Google Scholar
  2. Anderson, C. (2013). Das Ende der Theorie. Die Datenschwemme macht wissenschaftliche Methoden obsolet. In H. Geiselberger & T. Moorstedt (Hrsg.), Big Data: Das neue Versprechen der Allwissenheit (S. 124-131). Berlin: Süddeutscher Verlag.Google Scholar
  3. Anthony, S. (2016). The secret world of microwave networks. Ars Technica 3.11.2016. http://arstechnica.com/information-technology/2016/11/private-microwave-networks-financial-hft/. Zugegriffen: 12. November 2016.
  4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Berlin: Springer.Google Scholar
  5. Penner, E., Stienecker, M., Waider, S., & Töns, A. (2015). Big Data im Gesundheitswesen. http://winfwiki.wiform/Index.php/Big_Data_im_Gesundheitswesen. Zugegriffen: 12. Oktober 2016.
  6. Böhme, G. (2008). Invasive Technisierung – Technikphilosophie und Technikkritik. Kusterdingen: Die Graue Edition.Google Scholar
  7. Böschen, S., Huber, G., & König, R. (2016). Algorithmische Subpolitik: Big Data als Technologisierung kollektiver Ordnungsbildung? Berliner Debatte Initial 27(4), 66-76.Google Scholar
  8. Boyd, D., & Crawford, K. (2013). Big Data als kulturelles, technologisches und wissenschaftliches Phänomen. In H. Geiselberger & T. Moorstedt (Hrsg.), Big Data. Das neue Versprechen der Allwissenheit (S. 187-218). Berlin: Süddeutscher Verlag.Google Scholar
  9. Budish, E., Cramton, P., & Shim, J. (2015). The High-Frequency Trading Arms Race: Frequent Batch Auctions as a Market Design Response. The Quarterly Journal of Economics 130(4), 1547-1621.  https://doi.org/10.1093/gje/qjv027
  10. Han, B. (2012). Transparenzgesellschaft. Berlin: Matthes und Seitz.Google Scholar
  11. Chen, M., Mao, S., Zhang, Y., & Leung, V. C. (Hrsg.). (2014). Big Data. Related Technologies, Challenges and Future Prospects. Heidelberg: Springer.Google Scholar
  12. CME (2017). CME Co-Location Facility. http://www.cmegroup.com/trading/files/co-location-facility-update.pdf. Zugegriffen: 12. November 2016.
  13. Dreyfus, H. L., & Dreyfus, S. E. (1987). Künstliche Intelligenz – Von den Grenzen der Denkmaschine und dem Wert der Intuition. Reinbek bei Hamburg: Rohwolt.Google Scholar
  14. Dutcher, J. (2014). What is Big Data? https://datascience.berkeley.edu/what-is-big-data/. Zugegriffen: 12. November 2016.
  15. Ester, M., & Sander, J. (2000). Knowledge Discovery in Databases. Techniken und Anwendungen. Berlin: Springer.Google Scholar
  16. Eurex (2016a). Co-location Services. http://www.eurexchange.com/exchange-de/technologie/co-location-services. Zugegriffen: 12. November 2016.
  17. Eurex (2016b). Eurex Exchange vollständig auf neue, moderne Handelsarchitektur migriert. http://www.eurexchange.com/exchange-de/ueber-uns/news/Eurex-Exchange-vollstaendig-auf-neue--moderne-Handelsarchitektur-migriert/529492. Zugegriffen: 12. November 2016.
  18. Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine 17(3), 37-54.Google Scholar
  19. CFTC & SEC (2010). Findings regarding the Market Events of May 6, 2010. Report of the Staffs of the CFTC and SEC to the Joint Advisory Committee on Emerging Regulatory Issues. http://www.sec.gov/news/studies/2010/marketevents-report.pdf. Zugegriffen: 12. November 2016.
  20. García, A. O., Bourov, S., Hammad, A., van Wezel, J., Neumair, B., Streit, A., Hartmann, V., Neuberger, P., & Stotzka, R. (2011). The Large Scale Data Facility: Data Intensive Computing for scientific experiments. Proceedings of The 12th IEEE International Workshop on Parallel and Distributed Scientific and Engineering Computing. IEEE Computer Society 2011, 1467-1474.  https://doi.org/10.1109/ipdps.2011.286
  21. Goel, A. K., Josephson, J. R., Fischer, O., & Sadayappan, P. (1995). Practical abduction: characterization, decomposition and concurrency. Journal of Experimental and Theoretical Artificial Intelligence 7(4), 429-450.  https://doi.org/10.1080/09528139508953821
  22. González-Bailón, S. (2013). Social Science in the Era of Big Data. Policy and Internet 5(2), 147-160.Google Scholar
  23. Gramelsberger, G. (2010). Computerexperimente. Zum Wandel der Wissenschaft im Zeitalter des Computers. Bielefeld: Transcript.Google Scholar
  24. Gransche, B., Shala, B., Hubig, C., Alpsancar, S., & Harrach, S. (2014). Wandel von Autonomie und Kontrolle durch neue Mensch-Technik-Interaktionen. Grundsatzfragen autonomieorientierter Mensch-Technik-Verhältnisse. Stuttgart: Fraunhofer Verlag.Google Scholar
  25. Gregoriou, G. N. (2015). The Handbook of High Frequency Trading. London: Academic Press.Google Scholar
  26. Gresser, U. (2016). Praxishandbuch Hochfrequenzhandel, Bd 1. Wiesbaden: Springer.Google Scholar
  27. Gsell, M. (2010). Essays on Algorithmic Trading. Hannover: Ibidem-Verlag.Google Scholar
  28. Hanson, N. R. (1958). Patterns of Discovery: An Inquiry into the Conceptual Foundations of Science. Cambridge: Cambridge University Press.Google Scholar
  29. Harrach, S. (2014). Neugierige Strukturvorschläge im maschinellen Lernen – Eine technikphilosophische Verortung. Bielefeld: Transcript.Google Scholar
  30. Hartenstein, H., Mickel, K.-P., & Nussbaumer, M. (Hrsg.). (2009). Informationstechnologie und ihr Management im Wissenschaftsbereich. Festschrift für Prof. Dr. Wilfried Juling. Karlsruhe: KIT.Google Scholar
  31. Hood, L. (2016). Hundert Jahre alt werden und dann ganz schnell sterben (Interview). FAZ v. 03.02.2016, Natur und Wissenschaft, S. 1.Google Scholar
  32. Hubig, C. (2006). Die Kunst des Möglichen I: Grundlinien einer dialektischen Philosophie der Technik. Bd 1: Technikphilosophie Als Reflexion der Medialität. Bielefeld: Transcript.Google Scholar
  33. Hubig, C. (2007). Ubiquitous Computing – Eine neue Herausforderung für die Medienethik. International Review of Information Ethics 8(12), 28-35.Google Scholar
  34. Janich, P. (2006). Kultur und Methode – Philosophie in einer wissenschaftlich geprägten Welt. Frankfurt a. M.: UTB.Google Scholar
  35. Johnson, B. (2010). Algorithmic Trading and DMA: An introduction to direct access trading strategies. London: Myeloma Press.Google Scholar
  36. Johnson, D. (1985). Computer Ethics. Englewood Cliffs: Prentice-Hall.Google Scholar
  37. Kaminski, A., & Harrach, S. (2010). Do abductive machines exist? Proposal for a multi-level concept of abduction. In Proceedings of ecap10: 8th European Conference on Philosophy and Computing (482-487). München: Dr. Hut.Google Scholar
  38. Kaminski, A. (2012). Wie entsteht Software? Übersetzungen zwischen vertrautem Kontext und formalem System: Die heiße Zone des Requirements Engineerings. In C. Schilcher & M. Will-Zocholl (Hrsg.), Arbeitswelten in Bewegung (S. 85-123). Wiesbaden: Springer.Google Scholar
  39. Karang, R. K. (2013). Inside the Black Box. A Simple Guide to Quantitative and High-Frequency Trading. New Jersey: Wiley.Google Scholar
  40. Langkafel, P. (2016). Big Data in medical Science and Healthcare Manangement. Berlin: De Gruyter.Google Scholar
  41. Lemke, H. U., & Berliner, L. (2012). Der digitale Operationssaal – Stand und zukünftige Entwicklungsphasen. In W. Niederlag, H. U. Lemke, G. Strauß & H. Feußner (Hrsg.), Der digitale Operationssaal. Methoden, Werkzeuge, Systeme, Applikationen und gesellschaftliche Aspekte (S. 13-19). Dresden: De Gruyter.Google Scholar
  42. Luger, G., & Stern, C. (1993). Expert Systems and the Abductive Circle. In R. J. Jorna, B. van Heusden & R. Posner (Hrsg.), Signs, Search and Communication. Semiotic Aspects of Artificial Intelligence (S. 151-171). Berlin: De Gruyter.Google Scholar
  43. Mainzer, K. (2014). Die Berechnung der Welt – Von der Weltformel zu Big Data. München: C.H. Beck.Google Scholar
  44. Mainzer, K. (2016). Zur Veränderung des Theoriebegriffs im Zeitalter von Big Data und effizienten Algorithmen. Berliner Debatte Initial 27(4), 22-34.Google Scholar
  45. MacKay, D. J. C. (2003). Information Theory, Inference and Learning Algorithms. Cambridge: Cambridge University Press.Google Scholar
  46. Manovich, L. (2014). Trending. Verheißungen und Herausforderungen der Big Social Data. In R. Reichert (Hrsg.), Big Data. Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (S. 65-83). Bielefeld: Transcript.Google Scholar
  47. Manzeschke, A. (2014). Digitales Operieren und Ethik. In W. Niederlag, H. U. Lemke, G. Strauß & H. Feußner (Hrsg.), Der digitale Operationssaal (S. 227-250). Berlin: De Gruyter.Google Scholar
  48. Manzeschke, A., Assadi, G., & Viehöver, W. (2015). The Role of Big Data in Ambient Assisted Living. IRIE 24(5), 22-31.Google Scholar
  49. Mayerl, J. (2015). Bedeutet „Big Data“ das Ende der sozialwissenschaftlichen Methodenforschung? Soziopolis. https://www.researchgate.net/publication/312042281_Bedeutet_Big_Data_das_Ende_der_sozialwissenschaftlichen_Methodenforschung. Zugegriffen: 12. November 2016.
  50. Mayerl, J., & Zweig, K. A. (2016). Digitale Gesellschaft und Big Data: Thesen zur Zukunft der Soziologie. Berliner Debatte Initial 27(4), 77-83.Google Scholar
  51. Mayer-Schönberger, V., & Cukier, K. (2013). Big Data, die Revolution, die unser Leben verändern wird. München: Redline.Google Scholar
  52. McNulty, E. (2014). Understanding Big Data: The Seven Vs. http://dataconomy.com/2014/05/seven-vs-big-data. Zugegriffen: 12. November 2016.
  53. Mooney, S. J., Westreich, D. J., & El-Sayed, A. M. (2015). Commentary: Epidemiology in the Era of Big Data. Epidemiology 26(3), 309-394.  https://doi.org/10.1097/ede.0000000000000274
  54. Müller-Jung, J. (2016). Der Anfang einer digitalen Wohlfühl-Utopie. FAZ vom 03.02.2016, Natur und Wissenschaft.Google Scholar
  55. Müller-Jung, J. (2013). Wird Big Data zur Chiffre für den digitalen GAU? FAZ vom 06.03.2013, Natur und Wissenschaft, S. 1.Google Scholar
  56. National Highway Traffic Safety Administration, Office of Defects Investigations, U.S. (NHTSA) (2017). ODI Resume – Investigation: PE 16-007. https://static.nhtsa.gov/odi/inv/2016/INCLA-PE16007-7876.PDF. Zugegriffen: 20. Januar 2017.
  57. Niederlag, W., Lemke, H., Strauß, G., & Feußner, H. (Hrsg.). (2014). Der digitale Operationssaal. Berlin: De Gruyter.Google Scholar
  58. Peirce, C. S. (1998). Collected Papers of Charles Sanders Peirce, Reprint of the Edition 1931-1958. Vol 1-6 hg von , 1931-1935. von C. Hartshorne & P. Weiss (Hrsg.), vol. 7-8 hg. von A.W. Burks, Cambridge: Harvard University Press.Google Scholar
  59. Püschel, F. (2014). Big Data und die Rückkehr des Positivismus. Zum gesellschaftlichen Umgang mit Daten. In M. Burkhardt & S. Gießmann (Hrsg.), Mediale Kontrolle 3.1/2014 (S. 1-23).Google Scholar
  60. Reckter, B. (2016). Big Data unterstützt das Team im Operationssaal. VDI Nachrichten vom 15.1.2016, Ausgabe 01. http://www.vdi-nachrichten.com/Technik-Wirtschaft/Big-Data-unterstuetzt-Team-im-Operationssaal. Zugegriffen: 12. November 2016.
  61. Rheinberger, H. (2007). Wie werden aus Spuren Daten, und wie verhalten sich Daten zu Fakten? Nach Feierabend – Zürcher Jahrbuch für Wissensgeschichte 3, 117-125.Google Scholar
  62. Richter, P. (2016). Big Data. In J. Heesen (Hrsg.), Handbuch Medien- und Informationsethik (S. 210-216). Stuttgart: Springer.Google Scholar
  63. Ritschel, G., & Müller, T. (2016). Big Data als Theorieersatz? Berliner Debatte Initial 27(4), 4-11.Google Scholar
  64. Roßnagel, A. (2013). Big Data – Small Privacy? Zeitschrift für Datenschutz 3(11), 562-567.Google Scholar
  65. Röhle, T. (2014). Big data – Big Humanities? Eine historische Perspektive. In: R. Reichert (Hrsg.), Big Data. Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (S. 157-172). Bielefeld: Transcript.Google Scholar
  66. Sachsse, H. (1972). Technik und Verantwortung. Probleme der Ethik im technischen Zeitalter. Freiburg i. Br.: Rombach.Google Scholar
  67. Schurz, G. (1995). Die Bedeutung des abduktiven Schließens in Erkenntnis- und Wissenschaftstheorie. https://www.academia.edu/19417147/Die_Bedeutung_des_abduktiven_Schlie%C3%9Fens_in_Erkenntnis-_und_Wissenschaftstheorie_Author. Zugegriffen: 20. September 2016.
  68. Seidler, C. (2012). Neutrino-Experiment. Loses Kabel blamiert Teilchenphysiker. http://www.spiegel.de/wissenschaft/natur/neutrino-experiment-loses-kabel-blamiert-teilchenphysiker-a-817077.html. Zugegriffen: 30. Juni 2016.
  69. Simanowski, R. (2014). Data Love. Berlin: Matthes & Seitz.Google Scholar
  70. Staun, H. (2014). Wie wir gerne leben sollen – Big Data & Social physics. http://www.faz.net/aktuell/feuilleton/big-data-social-physics-wie-wir-gern-leben-sollen-13126401.html. Zugegriffen: 30. Juli 2016.
  71. Steinebach, M., Halvani, O., Schäfer, M., Winter, C., & Yannikos, Y. (2014). Big Data und Privatheit. Darmstadt: Fraunhofer.Google Scholar
  72. Steinbuch Centre for Computing (SCC) (2007). SCIENTIFIC COMPUTING, HPC AND GRIDS. Karlsruhe: KIT.Google Scholar
  73. Thagard, P. (1988). Computational Philosophy of Science. Cambridge: MIT Press.Google Scholar
  74. Toprak, C. (2011). System: maschinelles Lernen. In M. Mühlhäuser, W. Sesink, A. Kaminski & J. Steimle (Hrsg.), IATEL. Interdisciplinary Approaches to Technology-enhanced Learning (S. 229-234). Münster: Waxmann.Google Scholar
  75. UK Government Office for Science (2012). High frequency trading – assessing the impact on market efficiency and integrity. http://mbsportal.bl.uk/secure/subjareas/accfinecon/bis/14064812_1061_dr28_efficiency.pdf. Zugegriffen: 12. November 2016.
  76. Van Est, R., & Stemerding, D. (2012). Making Perfect Life – European Governance Challenges in 21st Century Bio-engineering. Brussels: European Parliament.Google Scholar
  77. Venturini, T., Latour, B., & Meunier, A. (2015). Eine unerwartete Reise. Einige Lehren über die Kontinuität aus den Erfahrungen des Sciences Po médialab. In F. Süssenguth (Hrsg.), Die Gesellschaft der Daten. Über die digitale Transformation der sozialen Ordnung (S. 17-39). Bielefeld: Transcript.Google Scholar
  78. Wadephul, C. (2016). Führt Big Data zur abduktiven Wende in den Wissenschaften? Berliner Debatte Initial 27 (4), 35-49.Google Scholar
  79. Weston, H. (2016). Data Analytics as Predictor of Character or Virtues, and the Risks to Autonomy. IRIE 24(5), 32-43.Google Scholar
  80. Wiegerling, K. (2005). Szenarien Gesundheit. In J. Heesen, C. Hubig, O. Siemoneit & K. Wiegerling (Hrsg.), Leben in einer vernetzten und informatisierten Welt. Context-Awareness im Schnittfeld von Mobile und Ubiquitous Computing. Nexus Schriftenreihe, SFB 627 Bericht Nr. 2005/05. http://informatik.uni-stuttgart.de/pub/library/ncstrl.ustuttgart_fi/SFB627-2005-05/SFB627-2005-05.pdf. Zugegriffen: 30. Juni 2017.
  81. Wiegerling, K. (2011). Philosophie intelligenter Welten. München: Wilhelm Fink.Google Scholar
  82. Wiegerling, K. (2012). Der technische aufgerüstete Mensch und die Frage nach der Gesundheit. In C. Hoffstadt, F. Peschke, M. Nagenborg & S. Müller (Hrsg.), Dualitäten – Aspekte der Medizinphilosophie (S. 137-154). Bochum: Projektverlag.Google Scholar
  83. Wirth, U. (1995). Abduktion und ihre Anwendungen. Ein Forschungsbericht. Zeitschrift für Semiotik 17(3-4), 405-424.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • Klaus Wiegerling
    • 1
  • Michael Nerurkar
    • 1
  • Christian Wadephul
    • 1
  1. 1.Karlsruher Institut für Technologie (KIT) - Institut für Technikfolgenabschätzung und Systemanalyse (ITAS)KarlsruheDeutschland

Personalised recommendations