“Nutzer entwickeln 'algorithmische Volkstheorien' — informelle Erklärungen darüber, wie undurchsichtige Systeme funktionieren, die ihr Verhalten und Widerstandsstrategien leiten”

• Behauptung: Nutzer entwickeln "Volkstheorien" von Algorithmen — informelle Erklärungen der Funktionsweise undurchsichtiger Systeme, die ihr Verhalten und Widerstandsstrategien leiten
• Urteil: TEILWEISE WAHR
• Evidenzniveau: L2 — mehrere wissenschaftliche Studien bestätigen die Existenz algorithmischer Volkstheorien, aber ihre Genauigkeit und ihr Einfluss auf das Verhalten variieren
• Schlüsselanomalie: Volkstheorien sind oft technisch ungenau, demonstrieren aber ein ausgeklügeltes Verständnis der Geschäftsmodelle von Plattformen und struktureller Anreize, was die traditionelle Trennung zwischen "Experten-" und "Nutzerwissen" in Frage stellt
• 30-Sekunden-Check: Studien zu TikTok, Tinder und anderen Plattformen dokumentieren, dass Nutzer tatsächlich informelle Theorien über die Funktionsweise von Algorithmen entwickeln (S004, S010), aber diese Theorien existieren in einem Spektrum von präzise bis fehlerhaft, und ihr Einfluss auf das Verhalten wird durch multiple Faktoren vermittelt

Steelman — was Befürworter des Konzepts behaupten

Das Konzept der "algorithmischen Volkstheorien" (algorithmic folk theories) stellt einen akademischen Versuch dar, Nutzerwissen über undurchsichtige technologische Systeme zu legitimieren. Diesem Konzept zufolge entwickeln Nutzer sozialer Medien, Dating-Apps und anderer algorithmisch gesteuerter Plattformen intuitive, informelle Erklärungen darüber, wie diese Systeme funktionieren (S004, S007).

Eine Schlüsselstudie von Karizat und Kollegen (2021) über TikTok zeigt, dass Nutzer nicht nur passiv Inhalte konsumieren, sondern aktiv Theorien darüber bilden, wie der Algorithmus Sichtbarkeit, Empfehlungen und Identität bestimmt (S004, S009). Diese Theorien beeinflussen das Verhalten von Content-Erstellern: Sie experimentieren mit Hashtags, Veröffentlichungszeiten und Videoformaten und versuchen, den Algorithmus zu "überlisten" oder zu "optimieren".

Befürworter des Konzepts argumentieren, dass Volkstheorien mehrere Funktionen erfüllen (S001, S008):

• Kognitive Funktion: Sie helfen Nutzern, das unvorhersehbare Verhalten von Systemen unter Bedingungen informationeller Asymmetrie zu verstehen
• Praktische Funktion: Sie leiten Strategien der Interaktion mit Plattformen, von der Inhaltsoptimierung bis zum Widerstand gegen unerwünschte Effekte
• Soziale Funktion: Sie schaffen gemeinsame Verständnisrahmen innerhalb von Nutzergemeinschaften und bilden kollektives Wissen
• Politische Funktion: Sie dienen als Grundlage für Plattformkritik und Transparenzforderungen

Ein besonders wichtiges Argument ist, dass Volkstheorien reale Probleme algorithmischer Systeme aufdecken können, die für Entwickler oder Forscher nicht sichtbar sind. Der Kommentar von Are (2024) betont, dass die akademische Gemeinschaft Gefahr läuft, die Ungleichheit der Inhaltsmoderation zu reproduzieren, wenn sie Nutzerberichte über versteckte algorithmische Prozesse (Shadowban, böswillige Kennzeichnung) als "bloße Wahrnehmung" ablehnt (S001, S008).

Was die Evidenz tatsächlich zeigt

Empirische Studien bestätigen die Existenz algorithmischer Volkstheorien, aber mit wesentlichen Vorbehalten hinsichtlich ihrer Genauigkeit, Verbreitung und ihres Einflusses.

Dokumentierte Beispiele von Volkstheorien

Die Tinder-Forschung (S010) identifizierte eine neue Volkstheorie des "Interessenkonflikts": Nutzer glauben, dass die Plattform absichtlich optimale Übereinstimmungen zurückhält, um die App-Nutzung zu verlängern. Die Analyse von 7.043 Bewertungen und 30 Interviews zeigte, dass Nutzer drei Mechanismen vermuten: (a) Einschränkung der Profilsichtbarkeit, (b) Manipulation von Übereinstimmungen, (c) Empfehlung nicht übereinstimmender Profile (S010).

Dies ist nicht einfach eine paranoide Fantasie — die Theorie spiegelt das Verständnis eines fundamentalen Widerspruchs zwischen dem erklärten Ziel der Plattform (bei der Partnersuche zu helfen) und dem Geschäftsmodell (Nutzungszeit und Abonnements zu maximieren) wider. Nutzer entwickelten Gegenstrategien: kontraintuitives Verhalten (absichtliche Verletzung der vermuteten Algorithmusregeln) und Filterung nach Standort für Vielfalt und Sicherheit (S010).

Die Forschung zu chinesischen sozialen Medien (S002) dokumentiert Volkstheorien über die Steigerung der Inhaltspopularität. Nutzer entwickelten komplexe Vorstellungen darüber, wie Algorithmen Engagement bewerten, und passten Widerstandsstrategien basierend auf diesen Theorien an (S002, S010).

Das Genauigkeitsproblem

Kritisch wichtig ist, dass Volkstheorien oft technisch ungenau sind. Eine systematische Übersicht über algorithmische Entscheidungsfindung in Organisationen (90 Artikel, PRISMA-Methodik) ergab, dass Nutzervorstellungen über Algorithmen durch multiple Faktoren vermittelt werden: wahrgenommene Fairness, Vertrauen, Rollenunsicherheit, interpretative Arbeit und Reduktionismus (S009).

Die Forschung zur Wahrnehmung algorithmischer Diskriminierung im Kontext personalisierter Empfehlungen (S011, S012) zeigte, dass verschiedene Nutzer widersprüchliche Volkstheorien entwickeln, um dieselben Phänomene zu erklären. Dies deutet darauf hin, dass Volkstheorien eher kognitive Verzerrungen und den sozialen Kontext der Nutzer widerspiegeln als die tatsächliche Funktionsweise von Algorithmen.

Machtdynamiken und Widerstand

Eine systematische Übersicht über Content-Erstellung in algorithmischen Umgebungen (S007) identifizierte vier Themen: (1) Marktrationalität, die der Sichtbarkeit zugrunde liegt, (2) Machtverschiebung durch Volkstheorien, (3) neo-normative Kontrolle durch Algorithmen, (4) Untergrabung idealisierter Fantasien über Plattformen.

Kernbefund: Algorithmen erhalten Dominanz über Ersteller durch dynamische Machtverhältnisse, und neoliberale Fantasien rechtfertigen und stützen algorithmische Macht (S007). Volkstheorien können Macht verschieben, aber auch Missverständnisse verewigen — Nutzer können Anstrengungen in Strategien investieren, die nicht funktionieren, oder Handlungen vermeiden, die effektiv wären.

Methodologische Einschränkungen

Die Erforschung von Volkstheorien steht vor einem fundamentalen Problem: Es ist unmöglich, die Genauigkeit von Nutzertheorien ohne Zugang zu den tatsächlichen Algorithmen zu überprüfen, die Plattformen geheim halten. Dies schafft eine epistemologische Sackgasse — wir können dokumentieren, dass Nutzer X glauben, aber nicht bestimmen, ob X wahr ist (S001, S008).

Der Kommentar von Are (2024) argumentiert, dass akademisches Peer-Review diese Ungleichheit unbeabsichtigt verstärken kann, indem es "rigorose" Beweise für Phänomene verlangt, die per Definition vor Forschern verborgen sind (S001). Dies ist parallel zur Opferbeschuldigung in Gewaltfällen — Plattformen profitieren von der Diskreditierung von Nutzerberichten.

Konflikte und Unsicherheiten

Spannung zwischen Transparenz und Opazität

Das Integrative Spannungsausrichtungs-Framework (ITA Framework) aus der systematischen Übersicht von 90 Artikeln identifiziert Transparenz ↔ Opazität als eine von vier fundamentalen Spannungen in der algorithmischen Entscheidungsfindung (S009). Transparenz ist keine einfache Lösung für das Problem der Volkstheorien:

• Übermäßige Transparenz kann Nutzer überlasten oder Wettbewerbsvorteile von Plattformen offenlegen
• Teilweise Transparenz kann eine Illusion des Verständnisses schaffen und fehlerhafte Volkstheorien verstärken
• Strategische Opazität kann notwendig sein, um Manipulationen zu verhindern (z.B. Spam-Filter)

Vertrauen entsteht aus multiplen Faktoren, einschließlich wahrgenommener Fairness, Autonomie und Interessenausrichtung, nicht nur aus Transparenz (S009).

Authentizität versus Optimierung

Eine Serie von fünf präregistrierten Experimenten (N=654, 555, 631, 177, 526) zeigte, dass Menschen Intuition für Entscheidungen vorschreiben, die für Authentizität kritisch sind, selbst wenn der algorithmische oder überlegte Ansatz objektiv bessere Ergebnisse produzieren würde. Dies deutet auf eine fundamentale Spannung zwischen algorithmischer Optimierung und menschlichen Werten von Authentizität und Autonomie hin.

Volkstheorien können diese Spannung widerspiegeln — Nutzer widersetzen sich algorithmischer Optimierung nicht nur, weil sie missverstehen, wie Algorithmen funktionieren, sondern weil sie die Logik der Optimierung in bestimmten Lebensbereichen grundsätzlich ablehnen (S009).

Informationshomogenität

Die Forschung zu Volkstheorien der Informationshomogenität (S006) zeigt, dass Nutzer unterschiedliche Vorstellungen darüber haben, wie Algorithmen Filterblasen und Echokammern schaffen. Einige Nutzer glauben, dass Algorithmen sie hauptsächlich ähnlichen Inhalten aussetzen, während andere glauben, dass sie vielfältige Inhalte sehen. Diese widersprüchlichen Volkstheorien koexistieren innerhalb derselben Plattformen.

Interpretationsrisiken

Romantisierung von Nutzerwissen

Es besteht das Risiko, Volkstheorien als eine Form von "Wissen von unten" zu romantisieren, das Unternehmensmacht herausfordert. Während Volkstheorien reale Probleme aufdecken können, können sie auch Fehlinformationen, Verschwörungstheorien und kontraproduktives Verhalten verewigen (S007, S009).

Die Forschung zu Online-Belästigung (S007) zeigt, dass Volkstheorien darüber, wie Moderationsalgorithmen funktionieren, Nutzer dazu bringen können, Missbrauch nicht zu melden oder Umgehungsstrategien zu entwickeln, die tatsächlich nicht funktionieren.

Falsche Dichotomie zwischen Experten- und Volkswissen

Das konzeptionelle Framework von Are (2024) stellt die Unterscheidung zwischen "Experten"-Wissen (akademisch/technisch) und "Volks"-Wissen (Nutzer) in Frage und argumentiert, dass marginalisierte Nutzer oft Erfahrungswissen über die Funktionsweise von Algorithmen haben, auf das externe Forscher nicht zugreifen können (S001, S008).

Dies bedeutet jedoch nicht, dass alle Volkstheorien gleichermaßen gültig sind. Die Herausforderung besteht darin, epistemologische Frameworks zu entwickeln, die Nutzerwissen wertschätzen können, ohne Standards empirischer Evidenz aufzugeben.

Instrumentalisierung durch Plattformen

Plattformen können Volkstheorien zu ihrem Vorteil ausnutzen. Wenn Nutzer glauben, dass bestimmte Verhaltensweisen die Sichtbarkeit erhöhen (zu bestimmten Zeiten posten, bestimmte Hashtags verwenden), können sie ihre Aktivität auf der Plattform erhöhen, selbst wenn diese Überzeugungen falsch sind. Algorithmische Opazität kann strategisch sein — sie hält Nutzer beim Raten und Experimentieren (S007, S010).

Soziotechnische Schäden

Die Taxonomie der Schäden algorithmischer Systeme (S013) identifiziert multiple Schadenskategorien, die sowohl aus den Algorithmen selbst als auch aus Volkstheorien über sie resultieren können: Repräsentationsschäden, Chancenschäden, Autonomieschäden und Informationsqualitätsschäden.

Ungenaue Volkstheorien können Nutzer zu Entscheidungen führen, die ihnen schaden — zum Beispiel Selbstzensur basierend auf falschen Überzeugungen über Shadowbanning oder Investition von Zeit und Ressourcen in Optimierungsstrategien, die nicht funktionieren (S001, S007, S010).

Methodologische Schlussfolgerung

Die Evidenz bestätigt, dass Nutzer Volkstheorien über Algorithmen entwickeln und dass diese Theorien das Verhalten beeinflussen, aber mit wichtigen Qualifikationen:

• Volkstheorien variieren stark in der Genauigkeit, von einsichtsvoll bis völlig falsch
• Ihr Einfluss auf das Verhalten wird durch Vertrauen, sozialen Kontext, technische Kompetenz und andere Faktoren vermittelt
• Sie können Nutzer sowohl ermächtigen (durch Aufdeckung realer Probleme) als auch schädigen (durch Verewigung von Missverständnissen)
• Algorithmische Opazität macht es unmöglich, die meisten Volkstheorien definitiv zu verifizieren
• Es besteht eine fundamentale Spannung zwischen der Wertschätzung des Erfahrungswissens von Nutzern und der Aufrechterhaltung von Standards empirischer Evidenz

Das Urteil TEILWEISE WAHR spiegelt diese Komplexität wider: Algorithmische Volkstheorien existieren und sind wichtig, aber nicht auf die einfache und ermächtigende Weise, die einige Befürworter suggerieren (S001-S013).