re:publica 2018: Algorithmische Gegenmacht

Inzwischen gibt es auch das Video zur Podiumsdiskussion:

Am 3.05., 17:30, Stelle ich unser neues Projekt mit der Hans-Böckler-Stiftung auf der re:publica vor und diskutiere mit Matthias Spielkamp und Katharina Simbeck, moderiert von Melanie Stein. Hier geht es zum Programm.
Unter anderem zeige ich, wie man den Analysealgorithmus von IBM Watson austricksen kann.

Hier der Link zum Projekt: https://www.boeckler.de/11145.htm?projekt=S-2017-375-2%20B

Und hier die Struktur meines Inputreferats:
Zunächst sollte man sich dieses Video von IBM Watson ansehen:

Und hier gibt es die Daten: https://www.ibm.com/communities/analytics/watson-analytics-blog/hr-employee-attrition/

IBM Watson kommt zu dem Schluss, dass Überstunden (OverTime) der wichtigste Faktor sind, um vorherzusagen, ob jemand das Unternehmen verlässt.

Ich habe versucht, den Decision Tree nachzubauen:

Dann simuliere ich mit Jackknifing, was passiert, wenn nur ein Teil der Daten zur Verfügung steht:

Man sieht also, dass man nicht einfach die erste Variable als wichtigste nehmen kann. Decision Trees sind nicht besonders robust, weil sie "gierig" sind: Sie nehmen immer die Unterteilung, die gerade am meisten bringt, ohne zu berechnen, welche Auswirkungen das für die nächsten Splits hat.

Hätte man viele simulierte Decision Trees kombiniert (Random Forest), wäre das Ergebnis übrigens ganz anders:

Anstelle von OverTime zeigt sich, dass das monatliche Einkommen viel entscheidender ist. Wenn die Personalabteilung also will, dass die Leute im Unternehmen bleiben, sollte sie höhere Löhne zahlen!

Abschließend kann man noch simulieren, wie Anfällig der Algorithmus ist, wenn nur einzelne Datenpunkte verändert werden:

Fazit: Wenn immer mehr Entscheidungen über Algorithmen getroffen werden, dann bedeutet das Wissen über diese Verfahren und der Zugang zu den Daten auch Macht. Diese Macht wird nicht von den Unternehmern (re)produziert, sondern von den Arbeitnehmern. Daher: Alle Flip-Flops stehen still, wenn dein schlauer Kopf es will!

Beliebte Posts aus diesem Blog

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...

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 di...

The Social Science One Facebook Cooperation: A Systemic Failure

This blogpost is a detailed background statement to this comment published in Nature at https://www.nature.com/articles/d41586-020-00828-5 . Fast-Read The following text argues that the Social Science One initiative that is celebrated by Facebook as success is an systemic failure. Privacy concerns are instrumentalized to withhold data from independent researchers while similar data is still available to private companies. The hurdles for researchers at Social Science One are set in a way that it is nearly impossible to study the effect of social media on elections and democracy. This fits to the strategic interest of Facebook to play cooperative but to control the outcomes of research. Social Science One is structured in a way that it is easy for Facebook to instrumentalize this organization. We end with policy recommendations. An appendix shows that the dataset delivered by Facebook is more or less useless. Background Facebook has announced the release of a dataset that is shar...

Political Data Science

Dieses Blog durchsuchen