Du klickst auf ein Video, weil es oben steht. Das System registriert den Klick als Interesse und zeigt mehr davon. Bald sieht es so aus, als habe der Algorithmus deinen Geschmack nur entdeckt. Tatsächlich hat er zugleich die Auswahl geformt, aus der dieser Geschmack sichtbar wurde. Messung und Einfluss laufen im Kreis.
Daten entstehen nicht neutral
Ein Klick bedeutet nicht immer Zustimmung: Neugier, Ärger, Autoplay oder prominente Platzierung können ihn auslösen. Trotzdem werden solche Signale zum Training verwendet. Das Modell lernt daher aus Verhalten unter einer bereits kuratierten Oberfläche.
Warum das Bekannte immer stärker wird
Häufig empfohlene Inhalte erhalten mehr Chancen auf Reaktion und damit mehr Daten. Weniger sichtbare Alternativen können nicht beweisen, dass sie gefallen hätten. Diese Schleife kann Popularität konzentrieren und Vielfalt reduzieren, wenn das System Exploration nicht bewusst einbaut.
Personalisierung ist nicht automatisch Manipulation
Gute Empfehlungen sparen Zeit und können Nischen auffindbar machen. Wirkung hängt von Zielgröße, Transparenz, Produktdesign und Kontrolle ab. Ein System, das nur Verweildauer maximiert, setzt andere Anreize als eines, das Zufriedenheit oder Vielfalt berücksichtigt.
Wie Nutzer Spielraum zurückgewinnen
Verlauf und Personalisierungseinstellungen prüfen, uninteressante Inhalte markieren und bewusst direkt suchen. Abonnements oder chronologische Ansichten können eine zweite Zugangsroute schaffen. Ein einzelner Klick ist kein Schicksal, aber wiederholte Signale formen das Menü.
Der Spiegel, der mitmalt
Empfehlungsalgorithmen werden gern als Spiegel des Geschmacks beschrieben. Ein normaler Spiegel verändert das Gesicht nicht. Dieser Spiegel verschiebt jedoch die Beleuchtung, versteckt manche Gegenstände und merkt sich, wohin wir schauen. Danach nennt er das Ergebnis unsere Präferenz.
