Algorithmischer Bias

Ungleichheit, Verzerrung und Diskriminierung

Diese Begriffe sind verwandt, aber nicht identisch. Ungleiche Ergebnisse können unterschiedliche Präferenzen und Gelegenheiten widerspiegeln. Ein Messverfahren kann bereits durch fehlende Sichtbarkeit verzerrt sein. Diskriminierung verlangt eine genauere Untersuchung von Gruppen, Regeln und Kontext.

Hutson und Kollegen diskutieren, wie die Gestaltung intimer Plattformen Ausschlüsse verstärken oder begrenzen kann. Der Beitrag behandelt unter anderem Filter und Darstellung. Er ist kein Nachweis, dass ein bestimmter Prozentsatz aller Apps diskriminiert. 16

Popularitäts-Bias und Geschäftsziele

Die Studie von Celdir, Cho und Hwang verbindet Daten einer asiatischen Plattform mit einem ökonomischen Modell. Die Darstellung hier war zuvor falsch: Gleich häufige Empfehlungen führten im untersuchten Modell zu weniger Umsatz und weniger Matches. Umsatz und Vermittlung müssen sich also nicht grundsätzlich widersprechen. 14 15

Das Ergebnis ist kontextabhängig. Es rechtfertigt weder jede Konzentration von Sichtbarkeit noch die Annahme, jede Umverteilung müsse schaden. Für eine konkrete Plattform wären ihre Daten, Zielgrößen und Nebenwirkungen erforderlich.

Was ein fairerer Vergleich braucht

Man kann Reichweite, gegenseitiges Interesse, Kontaktqualität und Sicherheit getrennt betrachten. Eine Verbesserung in einer Dimension kann eine andere verschlechtern. Auch fehlende oder ungenaue Gruppenangaben begrenzen einen Vergleich.

CupidLeaks verspricht deshalb keinen universell fairen Algorithmus. Ein niedrigerer Gini im Simulator besagt zunächst nur, dass die simulierten Likes gleichmäßiger verteilt sind. Er beweist keine höhere Zufriedenheit, keine Abwesenheit von Diskriminierung und keinen realen Vermittlungserfolg.