Verzerrung als zentrale Herausforderung algorithmischer Kommunikation?
Als neuer Ansatz für die Erhebung digitaler Spuren gewinnen sogenannten Studien mit Datenspenden in der Kommunikationswissenschaft an Bedeutung. Hier fragen Menschen ihre eigenen Daten von z.B. Facebook an und stellen diese dann der Wissenschaft zur Verfügung. Wissenschaftler:innen weisen jedoch zunehmend auf potenzielle Fallstricke von Datenspendenstudien hin. Dazu gehören niedrige Rücklaufquoten, die die Rekrutierungskosten in die Höhe treiben können, aber auch systematische Fehler, sodass gespendete Daten untersuchte Effekte verfälschen könnten.
Daher testen wir Strategien zur Reduzierung von systematischen Verzerrungen in Datenspendenstudien, z. B. indem wir Befragten persönliche technische Unterstützung bei der Datenerhebung oder personalisierte Auswertungen ihrer Daten anbieten. In zwei Online-Experimenten setzen wir diese Strategien in einem Umfrage- und Datenspendendesign um. Zentrale Fragestellung der Studie ist: Können wir Verzerrungen durch z.B. Non-Response-Bias in Datenspendestudien quantifizieren und durch adäquates Stichproben- und Umfragedesign minimieren?
Methode
Die Studie kombiniert ein Online-Experiment mit einer Datenspende-Studie. Befragte füllen zunächst einen kurzen Online-Fragebogen aus. Anschließend werden Befragte geben, ihre Social-Media-Daten von vier unterschiedlichen Plattformen (Instagram, Facebook, Twitter, Youtube) zu spenden. Dabei werden Befragte zufällig unterschiedlichen Experimentalbedingungen zugeteilt. Mit diesen testen wir, ob (a) das (fehlende) Angebot von technischem Support bei Datenspenden, (b) das (fehlende) Angebot einer personalisierten Datenauswertung oder (c) der Hinweis auf die gesellschaftliche Relevanz von Datenspenden Verzerrungen in der Teilnahmebereitschaft beeinflussen.
Ergebnisse
Erste Ergebnisse zeigen, dass Datenspende-Studien klaren Verzerrungen unterliegen: Menschen mit höherer Social-Media-Nutzung sind eher bereit, ihre Social-Media-Daten zu spenden. Gleichzeitig nehmen Menschen mit geringeren technischen Fähigkeiten oder höheren Privatsphäre-Bedenken seltener an diesen teil, was zu Verzerrungen und weniger repräsentativen Daten führt. Dabei scheinen die eingesetzten Strategien keinen positiven Einfluss auf Teilnahmebereitschaft zu haben.
Steckbrief
| Titel (deutsch): | Verzerrung als zentrale Herausforderung algorithmischer Kommunikation? |
| Titel (englisch): | Can We Get Rid of the Bias? Mitigating Systematic Error in Data Donation Studies through Sampling & Survey Strategies |
| Erhebungszeitraum: | 12/2022–01/2023 |
| Stichprobe (effektiv): | 2.384 |
| Stand der Informationen: | 20.03.2023 |
Publikationen
Hase, V., & Haim, M. (2023). Can We Get Rid of the Bias? Mitigating Error in Data Donation Studies via Sampling
and Survey Design Strategies. 73rd Annual Conference of the International Communication Association (ICA). 25.–
29. May 2023, Toronto.
Hase, V., & Haim, M. (2023). Verzerrung als zentrale Herausforderung algorithmischer Kommunikation? Annual Conference of the German Communication Association (DGPuK). 18.–20. May, Bremen.
Weitere Informationen
https://www.ifkw.uni-muenchen.de/organisation/personen/mitarbeiter/hase_valerie/index.html