Direkt zum Hauptbereich

Invasion der Meinungs-#Roboter

Neue Veröffentlichung

Für die @KASonline (Konrad Adenauer Stiftung) habe ich die Risiken durch #SocialBots zusammengefasst. Die Kurzstudie findet ihr hier.

Hegelich, S., 2016, Invasion der Meinungsroboter, in: Analysen & Argumente, 221, 2016, Konrad-Adenauer-Stiftung, 1-9.


Und das sind die Kernthesen:
  • „Social Bots beeinflussen Meinung, ihr bevorzugter Wirkungsraum sind die sozialen Netzwerke: Bei Debatten um den Brexit, bei Ereignissen wie die russische Annexion der Krimhalbinsel, während des Ukrainekonflikts und aktuell im Wahlkampf zwischen Trump und Clinton haben sie bereits in den Meinungsbildungsprozess eingegriffen.
  • „Social Bots sind von Menschen programmierte Software-Roboter. Sie sammeln Informationen und Daten, setzen aber auch bewusst Trends und Topthemen in den sozialen Medien, ohne dass der Nutzer davon Kenntnis hat. Das Beeinflussungspotenzial – der sogenannte „Bot-Effekt“ – ist theoretisch sehr groß, lässt sich empirisch aber nur schwer nachweisen.
  • „Es wird immer schwerer, Bots von Menschen zu unterscheiden. Bots betreiben Fake-Profile und geben somit vor, Menschen zu sein. Sie mischen sich bewusst in die öffentliche Diskussion in den sozialen Medien ein. Vermehren sich Bots in den sozialen Medien überproportional, könnten sie sich disruptiv auf bestehende Nachrichtenplattformen wie z.B. Twitter auswirken, da die Nutzer keinen Sinn mehr darin sehen, auf einer Plattform zu kommunizieren, auf der sich zum großen Teil nur noch Maschinen als Gesprächspartner befinden.
  • „Politische Gruppen und Parteien können Social Bots auch in Deutschland für sich nutzen. Der erfolgreiche Umgang mit Bots in den USA wird auch in Deutschland ankommen und dort zu einem intensiven Einsatz von Social Bots hinsichtlich politischer Kommunikation führen.
  • „Transparenz und der Anstoß einer offenen Debatte können entscheidend zu einer Aufklärung und einem kompetenten Umgang mit Social-Bots beitragen. Die Gleichung, dass Qualität und Quantität zusammengehören, gilt für das Internet nicht.

Kommentare

Beliebte Posts aus diesem Blog

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität die Me

Biontec-Imfpung für Babys: Wie man die Studienergebnisse verstehen kann

Pfizer hat den Covid-Impfstoff von Biontec an Babys im Alter zwischen 6 und 23 Monaten getestet. Die Ergebnisse wurden der FDA vorgelegt, im Zuge der entsprechenden Notfallzulassung. Die Dokumente finden sich hier: https://www.fda.gov/media/159195/download Auf Seite 39 finden sich die folgenden empirischen Angaben zur Wirksamkeit der Impfung. Diese möchte ich hier für Laien verständlich erklären.  Die erste Spalte gibt an, was eigentlich untersucht wurde (Efficacy Endpoint). Es geht um die Anzahl der Covid-Fälle, die nach der Impfung bei der Untersuchten Population eingetreten sind. Die zweite Spalte zeigt die Fälle für die Babys, die den Impfstoff bekommen haben, die dritte Spalte enthält die Placebo-Gruppe (diesen Babys wurde also im gleichen Zeitintervall ein Placebo verabreicht). Die vierte Spalte berechnet basierend auf den Werten von Spalte zwei und drei die Impfwirksamkeit (Vaccine Efficacy). Schauen wir uns die erste Zeile einmal im Detail an: Was genau wird hier untersucht? Di

Impfeffektivität Teil 2: Rekonstruktion der RKI-Daten

Im folgenden Beitrag geht es darum, die Daten zur Impfeffektivität des RKI zu rekonstruieren. Das ist leider notwendig, da das RKI an diversen Stellen zwar die Ergebnisse seiner Berechnungen veröffentlicht, nicht aber die Daten, die zu Grunde liegen. Richtige Transparenz fehlt daher. Um es Interessierten zu ermöglichen, sich ein eigenes Bild zu verschaffen und eigene Berechnungen anzustellen, habe ich die folgenden Auswertungen in R programmiert und stelle die Skripte auf meinem Github-Repository bereit.  Im ersten Teil dieses Blogbeitrags habe ich auf einige theoretische Schwächen in der Ermittlung der Impfeffektivität hingewiesen. Dieser zweite Teil dient zunächst dazu, die Berechnung des RKI transparent zu machen. In wie weit sich die besprochenen Argumente tatsächlich auswirken würden, kann mit Hilfe der hier rekonstruierten Daten untersucht werden. Dies wird dann der dritte Teil des Beitrags. Um die Berechnungen des RKI zur Impfeffektivität nachvollziehen zu können, braucht man