Zusammenfassung
Der Beitrag befasst sich mit der grundsätzlichen Problematik, dass bei der Veröffentlichung von Daten nicht ohne Weiteres vorausgesetzt werden kann, dass die Rezipienten auch in der Lage sind, diese angemessen zu interpretieren. Dies stellt eine Herausforderung dar, die sich im Zuge der zunehmenden automatisierten Gewinnung und Verarbeitung von Daten (Big Data) noch verschärfen wird. Es wird dafür plädiert, dass hierauf mit datenhermeneutischen Überlegungen zu antworten ist – unter anderem durch eine Auseinandersetzung mit Fragen betreffs der Bedingungen angemessener Interpretierbarkeit von Daten und diesbezüglicher Pflichten der Veröffentlicher von Daten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Dies widerlegt nicht die obige Rede von Daten als den Atomen der Information, sondern weist darauf hin, dass, um in dieser Metaphorik zu bleiben, die Beziehungen zwischen diesen „Atomen“ selbst nicht „materieller“ Art sind.
- 2.
Beispielsweise: „Gemessen wurden 32 °C“, „Befragter Nr. 1 gab zur Antwort: …“ (es ist hier also an den klassischen Protokollsatz zu denken).
- 3.
Statt von „Wissen“ könnte hier auch von „Überzeugung“ oder „Meinung“ gesprochen werden, um die Konnotation von Wahrheit zu vermeiden, die in erkenntnistheoretischen Diskussionen mit dem Wissensbegriff einhergeht (Wissen als „gerechtfertigte, wahre Meinung“). Hier soll aber an die breitere Rede angeschlossen werden, in der wiederum „Meinung“ und „Überzeugung“ Konnotationen mitführen (etwa der Beliebigkeit, des Relativismus, des Voluntarismus usw.), die im Rahmen der hier anzustellenden Überlegungen unerwünscht sind.
- 4.
Dies kann etwa aus dem Verhaltenskodex für europäische Statistiken abgeleitet werden (EUROSTAT 2018), der sicherstellen soll, dass Statistiken, die im Rahmen des Europäischen Statistischen Systems produziert werden, relevant, akkurat und zeitnah sind und dass sie mit den Prinzipien der professionalen Unabhängigkeit, Neutralität und Unparteilichkeit im Einklang stehen. Dies verlangt aber auch Zurückhaltung in politischen Debatten.
- 5.
All dies wurde bekanntlich bereits von Kant für jegliche menschliche Erkenntnis festgestellt und gilt entsprechend nicht nur für die natürliche Erkenntnis vermittels der leiblichen Sinnesorgane, sondern auch für wissenschaftliches und technisch gestütztes Erkennen (vgl. Kant 1998).
- 6.
Da die Möglichkeit von Fehlinterpretation grundsätzlich besteht, ist von „in Kauf nehmen“ eigentlich erst dort zu sprechen, wo eine deutliche Tendenz zur Fehlinterpretation besteht, mit der also gerechnet werden muss. Daten sollen in dem oben dargestellten Sinne über Wirklichkeit informieren und „Missverständnis“ oder „Fehlinterpretation“ heißt dann, eine Interpretation vorzunehmen oder Schlussfolgerungen zu ziehen, die durch die Daten nicht hinreichend gedeckt oder sogar ausgeschlossen sind. Eine genauere Bestimmung von „Fehlinterpretation“ und eine Diskussion der Frage, wie Daten überhaupt die Grenzen ihrer Interpretierbarkeit abstecken können, braucht zu den hier verfolgten Zwecken nicht zu erfolgen.
- 7.
Dabei handelt es sich hier auch nicht um Beispiele für „Big“ Data im engeren Sinne, da abhängig vom technischen Stand ist, was hier als „groß“ zählt (vgl. Wiegerling et al. 2018); Absicht ist hier zudem die Darstellung einer grundsätzlichen Problematik, wofür einfache Beispiele durchaus tauglicher sind.
- 8.
„Arbeitslose sind Personen, die […] vorübergehend nicht in einem Beschäftigungsverhältnis stehen, […] eine versicherungspflichtige Beschäftigung suchen und dabei den Vermittlungsbemühungen der Agentur für Arbeit zur Verfügung stehen [und] sich bei der Agentur für Arbeit arbeitslos gemeldet haben. […] An Maßnahmen der aktiven Arbeitsmarktpolitik Teilnehmende gelten als nicht arbeitslos“.
- 9.
- 10.
Der typische Medienkonsument/Bürger wird hier ungefähr so denken: arbeitslos ist, wer arbeitsfähig ist, aber keine Arbeit findet oder gar nicht finden will; oder auch so: wer Arbeitslosengeld bezieht.
- 11.
Gemeint ist, dass die durch die Definition der Bundesagentur für Arbeit konstituierte statistische Gruppe von „Arbeitslosen“ außerhalb dieser Statistik nicht als soziale Gruppe erscheint, weder durch Selbstzuschreibung noch durch Fremdzuschreibung. Es handelt sich dabei, so könnte man sagen, um ein definitionsbedingtes Artefakt.
- 12.
Eine Veröffentlichung mit Interpretationshilfen bei der Bewertung von Gender-Pay-Gap-Statistiken bietet beispielsweise die ASTAT-Info 4/2019.
- 13.
Hier soll ja eben nicht behauptet werden, dass die Beobachtung einer solchen Differenz den genannten Schluss ausschließt, sondern nur, dass sie nicht als „gute Datenbasis“ dazu dienen kann und sich darauf beziehende Hypothesen mindestens weitere Analysen und Falsifikationsversuche verlangen würden.
Literatur
ASTAT. (2019). Der Gender Pay Gap aus unselbständiger Beschäftigung in der Privatwirtschaft – 2017. Bozen: ASTAT-Info.
Bundesagentur für Arbeit. (2004). Begriff der Arbeitslosigkeit in der Statistik unter SGB II und SGB III. https://statistik.arbeitsagentur.de/Statischer-Content/Grundlagen/Statistik-SGBII-SGBIII/Generische-Publikationen/Arbeitslosenbegriff-unter-SGBII-und-SGBIII.pdf. Zugegriffen: 1. Apr. 2019.
Bundesagentur für Arbeit. (2019). Glossar der Statistik der Bundesagentur für Arbeit. https://statistik.arbeitsagentur.de/Statischer-Content/Grundlagen/Glossare/Generische-Publikationen/Gesamtglossar.pdf. Zugegriffen: 1. Apr. 2019.
EUROSTAT. (2018). Verhaltenskodex für europäische Statistiken. Luxemburg: Amt für Veröffentlichungen der Europäischen Union.
Gigerenzer, G. (2014). Risiko. Wie man die richtigen Entscheidungen trifft. München: btb Verlag.
Günther, G. (2002). Das Bewußtsein der Maschinen, Eine Metaphysik der Kybernetik. Baden-Baden: AGIS.
Kant, I. (1998). Kritik der reinen Vernunft. Hamburg: Felix Meiner.
Nerurkar, M., Wiegerling, K., & Wadephul, C (2019). Transformation der Wissenschaft und Grenzen der Datafizierung (im Erscheinen).
Wiegerling, Klaus, Nerurkar, Michael, & Wadephul, Christian. (2018). Ethische und anthropologische Aspekte der Anwendung von Big-Data-Technologien. In Barbara Kolany-Raiser, Reinhard Heil, Carsten Orwat, & Thomas Hoeren (Hrsg.), Big Data und Gesellschaft (S. 1–67). Wiesbaden: Springer VS.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Nerurkar, M., Gärtner, T. (2020). Datenhermeneutik: Überlegungen zur Interpretierbarkeit von Daten. In: Wiegerling, K., Nerurkar, M., Wadephul, C. (eds) Datafizierung und Big Data. Anthropologie – Technikphilosophie – Gesellschaft. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-27149-7_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-27149-7_8
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-27148-0
Online ISBN: 978-3-658-27149-7
eBook Packages: Social Science and Law (German Language)