Advertisement

Datenschatten und die Gravitation fast richtiger Vorhersagen

  • Bruno GranscheEmail author
Chapter
  • 153 Downloads
Part of the Anthropologie – Technikphilosophie – Gesellschaft book series (ATG)

Zusammenfassung

Das Verhältnis von Freiheit, persönlicher Entfaltung einerseits und datengestützten Vorhersagetechniken, Personalisierung und Komfort andererseits muss angesichts von Big Data neu betrachtet werden. In diesem Beitrag wird eine Problemstelle in diesem Rahmen anhand der Metapher des ‚Datenschattens‘ thematisiert und auf ihre Konsequenzen für den Fall von Big-Data-gestützten Vorhersagen (predictive analytics) hinterfragt. Vorhersagen, die auf Big Data basieren, ignorieren die Differenz zwischen dem Individuum und seinem jeweiligen ‚Datenschatten‘ und setzen letzteren mit ersterem gleich. Zwischen beiden besteht aber eine zwar graduelle, doch letztlich unüberbrückbare Kluft. Zunehmende Bereiche der Lebenswelt der Individuen werden IT-technisch durch diesen Datenschatten vorinformiert und vorformatiert. Dies übt eine Art Hintergrund-Anziehungskraft – bildlich Gravitation – auf die Wahrnehmungs-, Entscheidungs- und Handlungsoptionen der Individuen aus. Dies umso mehr, je geringer die Kluft zwischen Individuum und Datenschatten ist. Durch diese Gravitation nähert sich das Individuum seinem Datenschatten an, mit weitreichenden Konsequenzen für dessen Zukunftsmöglichkeiten.

Literatur

  1. Aischylos. (1988). Prometheus in Fesseln. Zweisprachige Ausgabe: mit Hinweisen zur Deutung und zur Wirkungsgeschichte. Unter Mitarbeit von Dieter Bremer (1. Aufl., Bd. 918)., Insel-Taschenbuch Frankfurt a. M.: Insel.Google Scholar
  2. Aldebaran Robots. (2016). Who is Pepper? https://www.aldebaran.com/en/cool-robots/pepper. Zuletzt aktualisiert am 10.03.2016, Zugegriffen: 10. März 2016.
  3. Blue Yonder. (2017). Blue Yonder | machine-learning-lösungen. https://www.blue-yonder.com/de. Zugegriffen: 24. Juni 2017.
  4. Botsman, R. (2017). Big data meets big brother as China moves to rate its citizens. Wired.co.uk. http://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion. Zugegriffen: 14. Mai 2018.
  5. de Jouvenel, B. (1967). Die Kunst der Vorausschau. Neuwied: Luchterhand (Politica, 34).Google Scholar
  6. Hwang, Y. (2017). Digital footprint – What Facebook knows about me. IoT for all. https://www.iotforall.com/digital-footprint/. Zugegriffen: 6. Mai 2018.
  7. Jibo. (2016). Jibo, the world’s first family robot. https://www.jibo.com/. Zugegriffen: 10. März 2016.
  8. Kant, I. (1998). Kritik der reinen Vernunft. [1787]. Unter Mitarbeit von Herausgegeben von Jens Timmermann (Bd. 505)., Philosophische Bibliothek Hamburg: Felix Meiner.Google Scholar
  9. Kapp, E. (1877). Grundlinien einer Philosophie der Technik. Zur Entstehungsgeschichte der Cultur aus neuen Gesichtspunkten. Braunschweig: George Westermann. https://archive.org/details/grundlinieneine00kappgoog.
  10. Koops, B. (2011). Forgetting Footprints, Shunning Shadows. A Critical Analysis of the “Right To Be Forgotten” in Big Data Practice (Tilburg Law School Legal Studies Research Paper Series, 08/2012). http://ssrn.com/abstract=1986719. Zugegriffen: 23. Apr. 2018.
  11. Kosinski, Michal, Stillwell, David, & Graepel, Thore. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences of the United States of America, 110(15), 5802–5805.  https://doi.org/10.1073/pnas.1218772110.CrossRefGoogle Scholar
  12. Luhmann, N. (1976). The future cannot begin. Temporal structures in modern society. Social Research, 43(1), 130–152.Google Scholar
  13. Mackenzie, A. (2015). The production of prediction. What does machine learning want? European Journal of Cultural Studies, 18(4–4), 429–445.  https://doi.org/10.1177/1367549415577384.CrossRefGoogle Scholar
  14. Ortega y Gasset, J. (1964). Obras Completas. Tomo V (1933–1941) (6. Aufl.). Madrid: Revista de OccidenteRevista de Occidente (Obras Completas, V). Zugegriffen: 22. Febr. 2017.Google Scholar
  15. Pariser, E. (2011). The filter bubble. What the Internet is hiding from you. New York: Penguin.Google Scholar
  16. Slaughter, Richard A. (1990). The foresight principle. Futures, 22(8), 801–819.CrossRefGoogle Scholar
  17. Spotify. (2018). Spotify for Brands. Zielgruppen. https://spotifyforbrands.com/de-DE/audiences/. Zuletzt aktualisiert am 08.05.2018, Zugegriffen: 14. Mai 2018.
  18. Thaler, R. H., & Sunstein, C. R. (2008). Nudge. Improving decisions about health, wealth and happiness. Illustrated ed. New Haven: Yale University Press; [distributor] Wiley.Google Scholar
  19. Thaler, R. H., & Sunstein, C. R. (2009). Nudge. Wie man kluge Entscheidungen anstößt. Berlin: Econ.Google Scholar
  20. Wang, Yilun, & Kosinski, Michal. (2018). Deep neural networks are more accurate than humans at detecting sexual orientation from facial images. Journal of Personality and Social Psychology, 114(2), 246–257.  https://doi.org/10.1037/pspa0000098.CrossRefGoogle Scholar
  21. Zastrow, V. (2016). Eine neue Art von Wahlkampf: Wie Trump gewann. Frankfurter Allgemeine Zeitung FAZ, 12.12.2016. http://www.faz.net/aktuell/politik/wahl-in-amerika/wie-der-wahlsieg-von-donald-trump-mit-big-data-gelang-14568868-p3.html?printPagedArticle=true#pageIndex_4. Zugegriffen: 3. Jan. 2017.

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.FoKoSUniversität SiegenSiegenDeutschland

Personalised recommendations