Conference PaperPDF Available

Algorithmen = Rankings + x? Impulse der Soziologie der Quantifizierung für die Digitalisierungsforschung

Authors:

Abstract

Die zunehmende Verbreitung und Nutzung von Algorithmen, seien es Such-, Bewertungs-oder Empfehlungs-Algorithmen, ist ein zentrales Thema der Digitalisierungsforschung. Während Algorithmen in der deutschsprachigen Techniksoziologie seit den 1990ern in An-lehnung an Turing allen voran als formalisierte und schematisierte Regelabläufe definiert werden (Heintz 1993; Rammert 2007), beschäftigt sich der Großteil der gegenwärtigen Digi-talisierungs-und Algorithmen-Forschung meist nur mit (computer-)algorithmischen Ran-kings. Diese zeichnen sich dadurch aus, dass sie genauso wie "analoge" Rankings numerische Ordinalisierungen darstellen, die auf Bewertungen basieren und eine hierarchische Ordnung implementieren; im Gegensatz zu analogen Rankings vollzieht sich die algorithmische Ranking -Erzeugung jedoch automatisiert. Angesichts der Verengung des Untersuchungsgegen-standes gegenwärtiger digitalisierungssoziologischer Forschung auf ranking-produzierende Algorithmen erscheint es umso bemerkenswerter, dass die Digitalisierungsforschung dabei die soziologische Forschung zu Quantifizierung und Rankings bisher kaum berücksichtigt hat. Diese Lücke wollen wir schließen, indem wir demonstrieren, wie sich die Erkenntnisse so-ziologischer Ranking-Forschung, die vor allem auf Arbeiten der Wissenschafts-und Wirt-schaftssoziologie zurückgeht, fruchtbar zur Untersuchung von Digitalisierungsphänomenen verarbeiten lassen. Die verschiedenen, in der Digitalisierungsforschung untersuchten Algo-rithmen lassen sich dabei analytisch jedoch nicht vollständig auf analoge Rankings reduzie-ren, da die software-technische Automatisierung der Ranking-Erzeugung zu relevanten Dif-ferenzen führt, die es ebenfalls herauszuarbeiten gilt. Unsere Überlegungen münden deshalb in einem Analyse-Raster, das die systematische Untersuchung von algorithmisch erzeugten Rankings sowie den Vergleich mit analog erzeugten Rankings erlaubt. Somit wird es mög-lich, digitalisierungsbedingte Veränderungen gesellschaftlicher Praktiken soziologisch fun-diert zu erfassen. Das Analyse-Raster wird abschließend an zwei empirischen Beispielen Grieser/Egbert: Algorithmen = Rankings + x? Short Paper für den 3. Workshop des AK "Digitalisierung und Organisation" am 05. und 06. März 2020 in Berlin 2 schlaglichtartig illustriert, der algorithmischen Kriminalitätsvorhersage im Predictive Policing und der algorithmischen Marktregulierung in App Stores.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
1
Algorithmen = Rankings + x?
Impulse der Soziologie der Quantifizierung für die Digitalisierungsforschung
Christopher Grieser, M.A.
Technische Universität Berlin
Institut für Philosophie, Literatur-, Wissenschafts- & Technikgeschichte
Fachgebiet Sozialwissenschaftliche Wissenschafts- und Technikforschung
christopher.grieser@tu-berlin.de
Dr. Simon Egbert
Technische Universität Berlin
Institut für Soziologie
Graduiertenkolleg Innovationsgesellschaft heute
simon.egbert@tu-berlin.de
Abstract
Die zunehmende Verbreitung und Nutzung von Algorithmen, seien es Such-, Bewertungs-
oder Empfehlungs-Algorithmen, ist ein zentrales Thema der Digitalisierungsforschung.
Während Algorithmen in der deutschsprachigen Techniksoziologie seit den 1990ern in An-
lehnung an Turing allen voran als formalisierte und schematisierte Regelabläufe definiert
werden (Heintz 1993; Rammert 2007), beschäftigt sich der Großteil der gegenwärtigen Digi-
talisierungs- und Algorithmen-Forschung meist nur mit (computer-)algorithmischen Ran-
kings. Diese zeichnen sich dadurch aus, dass sie genauso wie „analoge“ Rankings numerische
Ordinalisierungen darstellen, die auf Bewertungen basieren und eine hierarchische Ordnung
implementieren; im Gegensatz zu analogen Rankings vollzieht sich die algorithmische Ran-
king-Erzeugung jedoch automatisiert. Angesichts der Verengung des Untersuchungsgegen-
standes gegenwärtiger digitalisierungssoziologischer Forschung auf ranking-produzierende
Algorithmen erscheint es umso bemerkenswerter, dass die Digitalisierungsforschung dabei
die soziologische Forschung zu Quantifizierung und Rankings bisher kaum berücksichtigt
hat.
Diese Lücke wollen wir schließen, indem wir demonstrieren, wie sich die Erkenntnisse so-
ziologischer Ranking-Forschung, die vor allem auf Arbeiten der Wissenschafts- und Wirt-
schaftssoziologie zurückgeht, fruchtbar zur Untersuchung von Digitalisierungsphänomenen
verarbeiten lassen. Die verschiedenen, in der Digitalisierungsforschung untersuchten Algo-
rithmen lassen sich dabei analytisch jedoch nicht vollständig auf analoge Rankings reduzie-
ren, da die software-technische Automatisierung der Ranking-Erzeugung zu relevanten Dif-
ferenzen führt, die es ebenfalls herauszuarbeiten gilt. Unsere Überlegungen münden deshalb
in einem Analyse-Raster, das die systematische Untersuchung von algorithmisch erzeugten
Rankings sowie den Vergleich mit analog erzeugten Rankings erlaubt. Somit wird es mög-
lich, digitalisierungsbedingte Veränderungen gesellschaftlicher Praktiken soziologisch fun-
diert zu erfassen. Das Analyse-Raster wird abschließend an zwei empirischen Beispielen
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
2
schlaglichtartig illustriert, der algorithmischen Kriminalitätsvorhersage im Predictive Poli-
cing und der algorithmischen Marktregulierung in App Stores.
1. Einleitung: Rankings in der Algorithmen-Forschung
1
Die zunehmende Verbreitung und Nutzung von Algorithmen ist ein zentrales Thema der
Digitalisierungsforschung, seien es Such-, Bewertungs- oder Empfehlungs-Algorithmen.
Diese Algorithmen nehmen dabei eine zentrale Rolle etwa in der Konstitution von Märkten
(z.B. MacKenzie 2014) oder der Regulierung von Arbeit (z.B. Rosenblat/Stark 2016, Kirch-
ner 2019) ein. Die Verwendung des Begriffes „Algorithmus“ erscheint dabei indes recht lose
zu sein: In Anlehnung an die Arbeiten von Alan Turing werden in der Techniksoziologie
und Sozialtheorie Algorithmen bereits seit den 90ern als fixierte und formalisierte Re-
gelabläufe betrachtet (z.B. Heintz 1993, Rammert 2007, vgl. für die Informatik auch Kovalski
1979), so definiert beispielsweise Reichertz (2013) Algorithmen etwa als „ein[e] endlich[e] Folge
von eindeutig definierten und vorgegebenen Handlungsschritten und Verfahrensvorschriften,
welche genau definierte Probleme oder genau definierte Typen von Problemen ‚lösen’ sollen.“ So
gesehen sind Algorithmen auch kein Phänomen der Moderne, sondern lassen haben konzep-
tionell ihren Ursprung bereits in der Mathematik des indischen Mittelalters (Krämer 1988,
Galison 2019).
Dem gegenüber steht die gegenwärtige Digitalisierungsforschung, in der Algorithmen eben
nicht als schematisierte Regelabläufe verstanden werden, sondern als datenbasierte, software-
technisch-vermittelte Algorithmen, die automatisiert Rankings hervorbringen. So ist nicht
etwa die tayloristisch organisierte Fabrik des frühen 20. Jahrhunderts, sondern die compu-
tervermittelte, automatisierte Erzeugung von Arbeitsbewertung und -weisungen Thema,
wenn es um den digitalen Kapitalismus geht (z.B. Nachtwey/Staab 2019, Rosenblat/Stark
2016). So sind es auch nicht etwa die Algorithmen der digitalen Bildbearbeitung, sondern
etwa Googles Pagerank- und Facebooks Edgerank-Algorithmus Thema der Algorithmenfor-
schung (z.B. Gillespie 2014), was umso mehr deutlich macht, dass es auch nicht um software-
technische Automatisierung, sondern meist um digital erzeugte Rankings geht. Angesichts
dieser meist implizit bleibenden Verengung des Untersuchungsgegenstandes auf digital
erzeugte Rankings verwundert es umso mehr, dass die sozialwissenschaftliche Forschung zu
Quantifizierung und Rankings als grundlegender Bezugspunkt der Digitalisierungsforschung
nicht systematisch zu Rate gezogen wurde.
2
Die Vermengung von quantifizierten Rankings und Digitalisierung in der gegenwärtigen
Forschungspraxis spiegelt sich allerdings durchaus in einem engen Zusammenhang von
Quantifizierung und Digitalisierung in aktuellen, soziologischen Zeitdiagnosen wider. So
wird die Digitalisierung einerseits, neben der Ökonomisierung, als wesentlicher Treiber der
1
Wir danken Jochen Gläser für hilfreiche Anmerkungen.
2
Einzelne Arbeiten, die mit primären Fokus Algorithmen untersuchen, beziehen sich durchaus auf Konzepte
der sozialwissenschaftlichen Rankingforschung. So verwenden z.B. Scott und Orlikowski (2012) in ihrer Un-
tersuchung des Hotelbewertungsportals ‚TripAdvisor das auf Foucault zurückgehende Konzept der Diszipli-
nierung durch Rankings (Covaleski et al. 1998). In diesen Arbeiten bleibt der Bezug auf die Soziologie der
Quantifizierung jedoch in der Regel eher willkürlich und wird nicht systematisch aus dem Forschungsstand
abgeleitet.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
3
anhaltenden Quantifizierung der Gesellschaft beschrieben (Mau 2017: 40), andererseits wird
die Quantifizierung genauer: die Sozialstatistik als Vorform der Digitalisierung themati-
siert (Nassehi 2019). Fest steht, dass die Digitalisierung ohne die dahinterstehenden quantifi-
zierenden und kalkulativen Prozesse nicht denkbar ist (z.
B. Zillien 2017: 16). Ausgehend
von diesem empirischen Zusammenhang in Form eines verengten Algorithmus-Verständnis-
ses als auch in gegenwärtigen Zeitdiagnosen, wollen wir in unseren Beitrag einen theoretischen
Zusammenhang von Quantifizierung und Digitalisierung herstellen und auf diese Weise her-
ausarbeiten, dass sich zentrale Erkenntnisse der Soziologie der Quantifizierung produktiv
auf Themen der Digitalisierungsforschung anwenden lassen. Bei der Soziologie der Quanti-
fizierung handelt es sich um ein immer noch wenig institutionalisiertes Forschungsfeld (Ber-
man/Hirschman 2018: 258; Mennicken/Espeland 2019: 224f.), dass sich mit Praktiken des
Quantifizierens, also der Produktion und Kommunikationen von Zahlen, samt ihrer gesell-
schaftlichen Effekte, befasst (Espeland/Stevens 2008, Diaz-Bone/Didier 2016, Espo-
sito/Stark 2019). Aufgrund der geringen Institutionalisierung des Forschungsfeldes sind ver-
schiedene quantifizierungssoziologisch relevante Erkenntnisse meist in Publikationen der
Wirtschafts- und Wissenschaftssoziologie (z.B. Espeland & Sauder, 2007; Fourcade & Healy,
2013) sowie der Soziologie der Bewertung (z.B. Lamont 2012) zu finden. Der Einfachheit
halber fassen wir alle diese Forschungen unter das Rubrum der Soziologie der Quantifizie-
rung, auch wenn dies nicht unbedingt der Selbstbeschreibung der Forschenden entspricht.
Das für uns dabei relevante Kriterium ist, ob sich soziologisch mit der numerisch-quantitati-
ven Dimension und den daran anschließenden Praktiken und Diskursen auseinandergesetzt
wird.
Die zentrale These ist unseres Beitrags ist, dass Algorithmen, die freilich zu den wesentlichs-
ten Forschungsgegenständen der Digitalisierungsforschung gehören, in der Regel eine (teil-
)automatisierte Erstellung eines numerisch basierten Rankings darstellen bzw. ein solches
Ranking zumindest als zentrales epistemisches Element für ihr Operieren nutzen. Rankings
verstehen wir im Zuge dessen als spezifische Form der Ordinalisierung, die auf Bewertungen
basiert und eine hierarchische Ordnung und Reihenfolge implementiert (Esposito 2017:
353f.).
3
So erstellt beispielsweise der PageRank-Algorithmus von Google ein Ranking von
Webseiten auf Basis verschiedener Kriterien, wie der Zahl und Qualität der verlinkenden
Webseiten,
4
und Facebooks EdgeRank-Algorithmus erstellt Nutzenden ihren Newsfeed ba-
sierend auf einem Hintergrund-Ranking von Posts, die unter anderem nach Rezenz und Nut-
zeraffinität gewichtet werden.
5
Es mag zwar zahlreiche Algorithmen geben, deren Output nicht ein Ranking, sondern eher
ein Matching von zwei Elementen darstellt, wie beispielsweise bei Dating-Portalen oder bei
der Zuordnung von Spielenden in Online-Multiplayer-Games. Jedoch arbeiten auch solche
Matching-Algorithmen letzten Endes immer mit Rankings im Hintergrund, beispielsweise
mit Rückgriff auf Elo-Rating-basierte Algorithmen, auf deren Grundlage Spielende mit ähn-
licher Spielstärke einander zugeordnet werden. Auch andere Typen von Algorithmen, etwa
Popularitäts-, Reputations- und Prognose-Algorithmen besitzen nicht etwa grundlegend an-
3
Da es sich um Messungen von Messungen handelt, können Rankings als „meta-“ bzw. „second-order meas-
urement“ (Power 2004: 771) bezeichnet werden.
4
https://web.archive.org/web/20111104131332/https://www.google.com/competition/howgooglesearch-
works.html (21.02.2020)
5
http://edgerank.net/ (21.02.2020)
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
4
dere epistemische Logiken wie es beispielsweise Cardons Typologie (2017) impliziert, son-
dern erzeugen ihre Rankings lediglich auf Basis unterschiedlicher Merkmale: Popularitätsal-
gorithmen mit passive Spurendaten (Klicks), Reputations-Algorithmen mittels expliziter so-
zialer Anerkennung (Likes) und Prognose-Algorithmen per Wahrscheinlichkeitsberechnun-
gen auf Basis von Verhaltensprofilen.
Unsere Konzeption von einigen Algorithmen als mittels softwaretechnischer Automatisie-
rung erzeugter Rankings ermöglicht es, so unsere zentrale These, verschiedene Erkenntnisse
aus der Soziologie der Quantifizierung zur Wirkungsweise von Rankings auf Algorithmen
zu übertragen. Und da Algorithmen wiederum häufig eine zentrale Rolle bei vielen Themen
der Digitalisierungsforschung darstellen beispielsweise Plattformökonomien (z.B.
Beyer/Kirchner 2016),Regulierung von Arbeit in der Gig Economy (z.B. Rosenblat/Stark
2016), digitale Sicherheitspraktiken (z.B. Amoore 2011, Amoore/Raley 2017) oder Gamifi-
zierung von Arbeit (z.B. Schobin 2017) können die Einsichten aus der quantifizierungsso-
ziologischen Ranking-Forschung somit für Digitalisierungsphänomene fruchtbar gemacht
werden. Nicht zuletzt möchten damit auch dem modellökonomischen Gebot folgen, neuar-
tige Phänomene hier Algorithmen so weit wie möglich auf bereits bekannte Konzepte
hier Rankings zu reduzieren.
Nichtsdestotrotz sind die Algorithmen, die in der gegenwärtigen Digitalisierungsforschung
untersucht werden, keineswegs vollständig auf Rankings reduzierbar, da die softwaretechni-
sche Vermittlung zu relevanten Unterschieden führt, die wir ebenfalls thematisieren werden.
Daher die titelgebende, zugespitzte Formel: Algorithmen = Rankings + x. Gerade angesichts
verschiedener systemtheoretischer Arbeiten, die die Digitalisierung auf eine Logik der Binär-
kodierung reduzieren (z.B. Nassehi 2019, Werber 2004) führt unsere Differenzierung von
Algorithmen und Quantifizierung somit zu einer Schärfung der Frage, was genau denn an
der Digitalisierung wirklich neu sei.
Aus ausgewählten Forschungsergebnissen der Soziologie der Quantifizierung (Abschnitt 2)
sowie den spezifischen Differenzen von algorithmischen und analogen erzeugten und Ran-
kings
6
(Abschnitt 3) leiten wir im Folgenden ein Analyse-Raster ab (Abschnitt 4), das für
die Untersuchung von algorithmisch erzeugten Rankings als auch den systematischen Ver-
gleich mit analog erzeugten Rankings einsetzbar ist. Somit wird es möglich, digitalisie-
rungsbedingte Veränderungen fundiert soziologisch zu erfassen. Abschließend illustrieren
wir unser Analyseraster an zwei empirischen Fällen, der algorithmischen Kriminalitätsvor-
hersage beim Predictive Policing und der algorithmischen Marktregulierung beim App
Store (Abschnitt 5).
2. Rankings: Perspektiven der Soziologie der Quantifizierung und ihre Übertra-
gung auf Algorithmen
6
Streng genommen ist die Unterscheidung von algorithmisch und analog erzeugten Rankings nicht korrekt.
Der eingangs erwähnten Algorithmus-Konzeption folgend wäre nahezu jedes Ranking Ergebnis eines Algorith-
mus, da Rankings in der Regel aufgrund methodisch kontrollierter, sprich formalisierter und schematisierter
Abläufe erzeugt werden. Wir verwenden den Begriff „algorithmisches Ranking“ jedoch als sprachliche Verein-
fachung für Rankings, die mit Hilfe softwaretechnisch vermittelter Automatisierung erzeugt wurden.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
5
Wir schlagen vor, die Ergebnisse der soziologischen Quantifizierungs- und insbesondere der
Ranking-Forschung in folgende Effektgruppen einzuteilen: kognitive Wirkungen von Ran-
kings, feldbezogene Kausaleffekte, sowie Kausaleffekte auf Rankings selbst (Mechanismen
der Stabilisierung und Dynamik) (siehe Tabelle 1). An dieser Stelle führen wir fünf Effekte
exemplarisch aus:
Prozesse selektiver Kategorisierung
Normalisierung (Disziplinierung) von Feldern
Objektivierung und Legitimitätssteigerung
Konstitution von Steuerbarkeit
Gaming und Obsoleszenz von Rankings
Rankings sind keineswegs neutrale Werkzeuge, vielmehr haben sie konkrete epistemische
und praktische Effekte „numbers often help constitute the things they measure by directing
attention, persuading, and creating new categories for apprehending the world.“ (Espe-
land/Stevens 2008: 404, 412). Allen voran sind mit Quantifizierungen also Prozesse der Ka-
tegorisierung und Klassifizierung verbunden, die die prinzipiell komplexe und chaotische Re-
alität auf denk- und handhabbare Entitäten übersetzen sie damit simplifizieren, (selektiv) re-
duzieren und performativ erzeugen (Bowker/Star 1999; Heintz 2007: 74; Merry 2011: 84).
So sind beispielsweise die seit einigen Jahren immer beliebteren Hochschulrankings z.
B.
dasjenige vom Centrum für Hochschulentwicklung (CHE) Instrumente, die Universitäten
und anderen Hochschulen in Deutschland gemäß vorab ausgewählter Leistungskriterien hin-
sichtlich ihrer Performance einem Wert zuzuordnen, die dann entsprechend in eine Quali-
tätshierarchie gebracht werden können, was wiederum Einfluss auf die weitere Entwicklun-
gen der Hochschulen hat, denen z.
B. auf Grund guter Bewertungen mehr Mittel gewährt
werden, was auf die performative Wirkung von derart Rankings hinweist (Hazelkorn 2015;
Espeland/Sauder 2016).
Die Normalisierung von Feldern durch Rankings beschreibt im Wesentlichen den Effekt, dass
Rankings zu einer Angleichung der gerankten Akteure im Feld führen, sobald diese sich an
Rankings orientieren. Ausgehend von Foucaults (1977) Konzeption von Disziplinarmacht
wird argumentiert, dass die gerankten Akteurinnen häufig nach einer hohen Position im
Ranking streben und daher sich darauf fokussieren, in den für das Ranking relevanten Krite-
rien möglichst gut abzuschneiden, während für das Ranking irrelevante Kriterien von den
Akteurinnen vernachlässigt werden. Als Folge kommt es zu einer Homogenisierung des be-
treffenden Feldes, da die dortigen Akteure ihr Handeln an einem einheitlichen Set an Krite-
rien ausrichten (vgl. Sauder/Espeland 2009: 64, Covaleski et al. 1998: 296). Ein Beispiel hier-
für ist, dass die Benotung eines Seminars dazu führt, dass Studierende sich nur noch auf prü-
fungsrelevante Inhalte konzentrieren und nicht prüfungsrelevanten Themen wenig Auf-
merksamkeit schenken, was in einer homogenisierteren Bildung der Seminarteilnehmenden
resultiert. Die Normalisierung von Akteuren lässt sich sehr deutlich auch verschiedenen Di-
gitalisierungsthemen vorfinden: Die Orientierung an der Auffindbarkeit mittels Suchmaschi-
nen führt dazu, dass JournalistInnen ihren Artikeln algorithmisch gut auffindbare Über-
schriften (und nicht etwa kreative oder besonders treffende Überschriften) geben
(Range/Schweins 2007: 57-59); die Berücksichtigung von Online-Bewertungsportalen führt
bei der Hotelbranche dazu, dass Gäste-Feedback systematischer in das Training von Hotel-
Mitarbeitenden integriert wird (Scott/Orlikowski 2012: 32).
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
6
Quantifizierungen wird gemeinhin Objektivitätscharakter zugesprochen. Gerade ihre nume-
rische Natur, die „Objektivitätsaura von Zahlen“ (Heintz 2007: 79), ermöglicht es, auf ihrer
Basis Aussagen zu treffen, die von ihren Adressat*innen als neutral und objektiv wahrge-
nommen werden; als Aussagen, die unabhängig „from somewhere else“ (Porter 1994: 209)
entstanden sind: „Quantification is a way of making decisions without seeming to decide.“
(Porter 1995: 8). Mit ‚objektiv‘ ist hier die Attribution gemeint, dass im Rahmen eines kon-
trollierten, unvoreingenommenen Verfahrens ein im Gegensatz zu subjektiven Bewertungen
wertneutrales und der Wirklichkeit entsprechendes Ergebnis generiert würde, das mit Recht
den Anspruch auf Wahrheit kommuniziert (Porter 1994: 197; Daston/Galison 2007: 17). Die
Quellen dieser zugeschriebenen Objektivierungsleistung sieht Heintz (2007: 78f.) zum einen
in dem Faktum, dass Zahlen ihre Negationsmöglichkeit nicht in sich tragen wie z.
B. Ar-
gumente im Modus des Sprachlichen und daher stets alternative Zahlen oder konkretes
Wissens zu den Herstellungsbedingungen das oft nicht vorliegt bzw. ausgeschaltete wird
(Espeland/Stevens 2008: 422; Mennicken/Espeland 2019: 239) benötigt werden, wenn nu-
merische unterfütterte Argumente angezweifelt werden sollen. Zum anderen überzeugen
Zahlen durch ihre hohe Komprimierungs- und Verdichtungsfähigkeit, die eine deutlich ge-
ringere Indexikalität als sprachliche Formulierungen zur Folge hat. Beispielhaft sei hier auf
die jährlichen Statistiken zum Bruttosnationaleinkommen verwiesen, das als allgemein ak-
zeptierter Indikator für das volkswirtschaftliche Einkommen verwendet wird und im jährli-
chen Vergleich intuitiv einsichtbar machen kann, ob dieses gestiegen oder gefallen ist, gleich-
zeitig aber kaum Möglichkeiten anbietet, die errechneten Werte zu überprüfen.
Ein weiterer Strang der Quantifizierungs-Forschung beschäftigt sich mit der durch Quanti-
fizierung ermöglichten Ressourcen-Allokation (Miller 2001), also der Konstitution politischer
Steuerbarkeit mittels Statistiken, sodass die Statistik als Geburt des modernen Staates angese-
hen werden kann (Desrosières 1998, 2001). Diese quantifizierungssoziologische Idee hat ihre
Wurzeln einerseits bei Foucaults Konzeption von Biopolitik, bei der Bevölkerungsstatistiken
eine neue Form der Regierung ermöglichten (Foucault 1978; Miller/Rose 2008: 65-68; Ha-
cking 2015). Andererseits schließt die Idee auch an das ANT-Konzept der ‚immutable mobi-
les‘ (Latour 2006) an, da Zahlen gemeinhin eine höhere (physische) Mobilität zugeschrieben
wird („numbers travel faster and better than words“, Heintz 2010: 167), sodass größere sozi-
ale Felder entstehen bzw. umfangreichere Koalitionen gebildet werden können. Die Parallele
im Rahmen der Digitalisierung lässt sich bei Plattform-Unternehmen finden, die auf Basis
der Aggregation von Marktdaten den Plattformmarkt (im Sinne ihrer Profit-Interessen) re-
gulieren können (Srnicek 2017; Staab 2019). Die Nutzung von Daten zur Steuerung wird in
der Plattform-Forschung unter Begriffen wie ‚programmability‘ thematisiert (Dijck/Poell
2015: 5), entspricht im Grunde aber der Idee statistisch konstituierter Steuerbarkeit.
7
Bei vielen Rankings ist es üblich, dass diese publiziert werden und somit von den Gerankten
wahrgenommen werden, also eine Reaktivität der Rankings vorliegt, die häufig darin resul-
tiert, dass die Gerankten versuchen ihre Position im Ranking künstlich zu verbessern (Espe-
land/Sauder 2007). Dieser als Gamingbekannte Effekt ist in der Soziologie bereits lange
bekannt, so ist Mertons (1940) Mechanismus des ‚goal displacement’, bei dem Performance-
Evaluationen in der Verbesserung von Performance-Indikatoren statt Verbesserung von Per-
7
Ein wesentlicher Unterschied ist dabei jedoch, dass sich die Datensammlung von einem zentralen Staat auf
verschiedene private Unternehmen verlagert hat (Rammert 2017).
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
7
formance führen, im Grunde bereits eine Form des Gamings, wie es in der Ranking-For-
schung thematisiert wird. Eine Langzeitfolge solcher Gaming-Praktiken kann etwa sein, dass
die Ranking-Indikatoren vollkommen obsolet werden, da sie durch massenhaftes Gaming
jegliche Validität verlieren und somit obsolet werden. So verlieren Finanz-Ratings aufgrund
von Rating-Manipulationen ihre Aussagekraft (Fligstein/Goldstein 2010: 58; Carruthers
2010: 167) und Patente sind keine nützlichen Innovationsindikatoren mehr, wenn Patente
mehr als Signalling von Innovativität statt tatsächlicher Innovation genutzt wird (Mersch
2013: 138-144). Das Phänomen des Gamings lässt bei allen öffentlichen Algorithmen wie dem
finden, beispielsweise in Form der künstlichen Verbesserung der eigenen Position in der
Google-Suche (Search Engine Optimization) (Gillespie 2014). Die Versuche der Tech-Unter-
nehmen, Gaming-Praktiken entgegenzuwirken (Petre et al., 2019), werden dabei bezeichnen-
derweise mit dem Objektivitäts- und Neutralitäts-Anspruch von algorithmischen Berech-
nungen legitimiert (Petre et al., 2019, vgl. Gillespie 2010).
3. Die Modifizierung von Ranking-Effekten durch softwaretechnische Automati-
sierung
Die Frage nach der Differenz von Rankings und Algorithmen entspricht der in der Digitali-
sierungsforschung häufiger diskutierten Frage, was an der Digitalisierung denn wirklich neu
sei. Ein erster Ansatzpunkt ist hierbei das (software-)technische Medium, innerhalb dessen
die Ranking-Erzeugung stattfindet. Aus dieser Perspektive heraus lässt sich die Algorithmi-
sierung der Ranking-Erzeugung, in loser Anlehnung an Rammerts (2007: 54) Konzept der
Technisierung, als eine technisiert-schematisierte Form der Ranking-Erzeugung verstehen,
die durch den Einsatz von Softwaretechnik in ihrer Wirksamkeit gesteigert aber auch in ih-
ren Kategorie-Systemen noch stärker fixiert werden. Nicht umsonst ist die Strenge der Re-
gelbefolgung für Autor*innen wie beispielsweise Heintz (1993: 234-235) das zentrale Wesens-
merkmal von Algorithmen; die Vorstellung, dass Technik ‚gehärtete‘ bzw. ‚strengere‘ Insti-
tutionen darstellen, ist seit je her bereits ein Grundgedanke der Science and Technology Stu-
dies (STS) und Techniksoziologie (vgl. z.B. Latour 1991, Mayntz/Schneider 1995). In hand-
lungspraktischer Konsequenz resultiert dies, wie in einigen Digitalisierungsstudien bereits
angesprochen (Müller-Birn et al. 2013: 82, Büchner 2018: 339), darin, dass die Algorithmisie-
rung von Rankings zu einer erhöhten Skalierbarkeit (und damit Effizienz) führt; mit dem
Manko einer verringerten Flexibilität, was etwa idiosynkratische Charakteristika der gerank-
ten Entitäten angeht. Die erhöhte Skalierbarkeit resultiert dabei statistisch gesehen aus der
durch Computer möglich werdenden Verarbeitung der Daten ganzer Grundgesamten an-
stelle von mir einzelnen Stichproben (Kitchin 2014: 2).
Zur Veranschaulichung von Skalierbarkeit und Inflexibilität denke man beispielsweise an die
netzpolitische Diskussion um Upload-Filter, die einerseits zur Überprüfung großer Daten-
mengen eingeführt werden sollten (erhöhte Skalierung), andererseits von Netzaktivist*innen
dafür kritisiert wurden, dass sie zu einem die Meinungsfreiheit einschränkendem Overblo-
cking führen könnten (geringe Flexibilität) (Heldt 2018). Ein weiteres Beispiel wäre die Au-
tomatisierung der Fallbearbeitung von Sozialarbeiter*innen in Dänemark, die eine Bearbei-
tung weit höherer Fallzahlen ermöglichte, aber die Möglichkeiten zur Diskretion und Ku-
lanz in individuellen Fällen einschränkt (Petersen et al. 2020). Die erhöhte Skalierbarkeit
führt aber auch zu qualitativen Veränderungen, etwa wenn anstelle der Verfeinerung von
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
8
statistischen Modellen nun der Computer schlicht alle möglichen Korrelationen testen kann
(Cardon 2017: 145), was die Grundlage von soziologisch freilich kaum haltbaren Prokla-
mationen der Überflüssigkeit von Theorien durch Big Data darstellt (Anderson 2008a, vgl.
Kitchin 2014). Festzuhalten ist also, dass die Algorithmisierung der Ranking-Erzeugung die
Rigidität der ohnehin schon simplifizierten Kategorienbildung verstärkt, jedoch durch die
Automatisierung das durch die Rankings konstituierte Steuerungspotenzial deutlich verstär-
ken, da weit mehr Entitäten in die Rankingpraktiken integriert werden können.
Es gibt noch weitere Aspekte, die Algorithmen von Rankings unterscheiden. Im Gegensatz
zu analogen Rankings zeichnen sich algorithmische Rankings nämlich häufig durch Granula-
risierung aus, also einer sehr feinen Anpassung der Ergebnisse bis hin zur Zuschneidung auf
das einzelne Individuum (vgl. Passoth/Rammert 2019: 153-154, vgl. ‚fine-grained resolution‘
bei Kitchin 2014: 2). So werden etwa Google-Nutzer*innen auf Basis ihrer vorherigen Such-
anfragen stark personalisierte Suchergebnisse angezeigt. Diese Personalisierung ist letzten
Endes eine Konsequenz der erhöhten Leistungsfähigkeit von Softwaretechnik bezüglich nu-
merischer Operationen und kann in unserem Kontext als die Erstellung eines individuellen
Rankings für jede Nutzerin verstanden werden. Auf der Ebene sozialer Ordnung resultieren
solche personalisierten Ergebnisse beispielsweise in einem Aufschwung von Nischenmärk-
ten, da „seltene“ Nachfragen leichter bedient werden können (Anderson 2008b). Die erhöhte
Granularität algorithmischer Rankings im Vergleich zu analogen Rankings wird besonders
deutlich, wenn man sich vor Augen führt, dass mit der Einführung der Sozialstatistik sich
auch die Idee des „Durchschnitts-Menschen“ herausbildete (vgl. Quetelet 1869), der als Ag-
gregation sämtlicher Individuen verstanden und somit Nivellierung individueller Unter-
schiede verstanden werden kann (vgl. a. Igo 2007). Das Spannungsfeld zwischen rigiden sta-
tistischen Kategorien (Bowker/Star 1999) und individueller algorithmischer Personalisierung
ist somit eine offene empirische Frage mit hoher Relevanz für Fragestellungen zu Individu-
alisierung im Zeitalter der Digitalisierung (Reckwitz 2017, Prey 2018). Jedoch steht zu ver-
muten, dass eine erhöhte Granularisierung die Homogenisierungseffekte, die bei einer Nor-
malisierung von Feldern durch Rankings auftreten, verringern könnten.
Auf der temporalen Ebene lässt sich feststellen, dass mit Algorithmen auch eine zeitliche Ver-
dichtung der Erzeugung von Rankings einhergeht: Während analoge Rankings relativ selten
im Falle von Hochschulrankings beispielsweise nur einmal im Jahr (vgl. Espeland/Sauder
2007, Brankovic et al. 2018) veröffentlicht werden, werden algorithmisch erzeugte Ran-
kings nahezu in Echtzeit erzeugt (Djick/Poell 2013: 10, Kitchin 2014: 1). Ähnlich wie bei
der erhöhten Skalierbarkeit führt die zeitliche Verdichtung gewissermaßen zu einer deutli-
chen Steigerung von Ranking-Charakteristika: In der Hotelbranche ist etwa zu beobachten,
dass anstelle eines Besuches von Reiseführer-AutorInnen alle 12 bis 18 Monate, das Hotel-
Bewertungsportal TripAdvisor dazu führte, dass jeder Kunde ein potenzieller Reviewer ist,
der eine Hotelbewertung sofort veröffentlichen könnte. Für die Mitarbeiterschaft der Gast-
stätten bedeutete dies eine konstante Anspannung wegen permanenter Furcht vor einem ne-
gativen Review (Scott/Orlikowski 2012: 32). Während in diesem Beispiel die zeitliche Ver-
dichtung zu einer Verstärkung des Disziplinierungs-Effektes führt, kann es theoretisch zu
einer Verstärkung verschiedenster Ranking-Effekte kommen, allen voran eine potenziell hö-
here Volatilität der Rankings.
Eine weitere Differenz zwischen algorithmisch und analog erzeugten Rankings ist die In-
tegration von Nutzerdaten (präziser: Nutzungsspurendaten) bei algorithmischen Rankings.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
9
Mit dem vor etwa 15 Jahren proklamierten Trend des „Web 2.0“ (O’Reilly 2005) ging eine
zunehmende Integration von Nutzerdaten in die Online-Dienste einher; heute sind Bewer-
tungen mit Likes oder per Sternenvergabe selbstverständliches Charakteristikum nahezu al-
ler digitalen Plattformen. Konzeptualisiert wurde dies in der Wirtschaftssoziologie beispiels-
weise mit der Figur des „Prosumers“ (z.B. Dusi 2018; Joelssonet al. 2019; Ritzer/Jurgenson,
2010), Konsumierenden also, die zugleich auch Produzent*innen sind in diesem Fall Co-
Produzent*innen algorithmischer Rankings. Doch auch ohne aktive Nutzer*innenbeteili-
gung arbeiten Algorithmen in erhöhtem Maße mit den Spurendaten, die bei der Nutzung
digitaler Dienste entstehen (Nassehi 2019: 148; Zuboff 2015, 2019). Auf die Ranking-Erzeu-
gung bezogen bedeutet dies eine breitere Grundlage an Datentypen, die herangezogen wer-
den können. Die primäre Auswirkung sollte eine effektivere Steuerbarkeit sein, da nun Ver-
halten gerankt werden kann, welches zuvor mangels der dafür notwendigen Daten nicht
gerankt werden konnte. Die von Zuboff (2019) diskutierten Szenarien, in denen beispiels-
weise Versicherungen Kund*innen nach ihrem Gesundheitsverhalten ordnen und individu-
elle Angebote machen können, sollten diese erhöhtes Steuerungspotenzial hinreichend ver-
anschaulichen.
Eine weitere Konsequenz der Algorithmisierung von Rankings ist die zunehmende Intrans-
parenz und geringere Nachvollziehbarkeit ihrer Erzeugung. So unterscheidet Burrell (2016)
zwischen drei Formen von Intransparenz algorithmischer Rankings: Intransparenz aufgrund
von Geheimhaltungspraktiken der Unternehmen, Intransparenz aufgrund fehlenden techni-
schen Verständnisses hinsichtlich Algorithmen, und die Intransparenz durch die Spezifika
von Machine-Learning-Prozessen, bei denen Ranking-Ergebnisse sogar für die Programmie-
rer*innen nicht mehr vollständig nachvollziehbar sind. Während die Intransparenz durch
Geheimhaltung auch für analoge Rankings gilt, so sind die letzteren beiden Intransparenz-
Quellen spezifisch für algorithmisch erzeugte Rankings und sprechen so für eine verstärkte
Opazität bei zunehmender Algorithmisierung. Eine Folge der erhöhten Intransparenz ist
dabei, dass das Gaming von Rankings erschwert wird (Burrell 2016: 3-4), was so langfristig
daraus folgende Obsoleszenz-Tendenz von Rankings abschwächen sollte. Auch eine verrin-
gerte Legitimität von algorithmisch erzeugten Rankings im Vergleich zu analog erzeugten
Rankings wäre denkbar.
Abbildung 1: Ranking-Effekte und ihre Modifizierung durch algo-
rithmische Ranking-Erzeugung
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
10
Die dargestellten Effekte der Algorithmisierung der Ranking-Erzeugung stellen somit letzten
Endes wesentliche, potenzielle Modifikationen der im vorherigen Abschnitt ausgeführten
Effekte von analogen Rankings dar (siehe Abbildung 1). Wann genau welche Sorte von Mo-
difizierung auftritt, ist eine offene empirische Frage,
8
die wir mit unserer Liste potenzieller
Modifikations-Effekte (siehe Tabelle 2) anregen wollen.
4. Analyse-Raster zur Untersuchung von algorithmisch erzeugten Rankings
Wie eingangs erwähnt, sollen verschiedene Erkenntnisse der Quantifizierungsforschung als
auch unsere Herausarbeitung der Unterschiede zwischen algorithmisch und analog erzeug-
ten Rankings dazu führen, ein Analyse-Raster herzuleiten, mit Hilfe dessen verschiedenste
Digitalisierungsphänomene untersuch und vergleichbar gemacht werden sollen. Das Raster
setzt sich hierbei aus Tabelle 1 und Tabelle 2 zusammen, die einerseits die Effekte von Ran-
kings und die (potenziellen) Modifikationen der algorithmischen Ranking-Erzeugung zusam-
menfassen. Es enthält freilich eine hohe Anzahl von Kriterien, die für praktische Forschungs-
vorhaben häufig zu umfangreich ist. Die Auflistung ist somit eher als Werkzeugkasten zu
verstehen, bei dem je nach Fragestellung relevante Analyse-Kriterien entnommen werden
können: Bezieht sich eine Fragestellung beispielsweise auf die Feld-Ebene, so können nur die
entsprechenden Effekte mit ihren potenziellen Modifikationen herangezogen werden.
Zweck des Rasters ist es also, einen Algorithmus (bzw. ein algorithmisch erzeugtes Ranking)
systematisch untersuchbar zu machen und etwa Leitfragen für eine empirische Untersu-
chung herzuleiten. Ferner soll mit der vorgeschlagenen Unterscheidung von Ranking-Effek-
ten, die bereits bei analogen Rankings bestehen, und weiteren Effekten, die erst bei algorith-
misch erzeugten Rankings auftreten, auch deutlich werden, welche Eigenschaften eines sozi-
alen Feldes digitalisierungsbedingt und welche nicht. Als Konsequenz hoffen wir so auch zu
der Frage beitragen zu können, was denn wirklich neu an der Digitalisierung ist denn nur
dann, wenn bei einem empirischen Fall nicht nur die analogen Ranking-Effekte, sondern
zusätzlich auch mindestens ein modifizierender Effekt durch die softwaretechnische Auto-
matisierung auftritt, besitzt der jeweils empirische Fall tatsächlich Qualitäten, die auf digita-
lisierungsbedingte Änderungen zurückzuführen sind.
8
Querliegend zu den vorgestellten Aspekten schlagen wir vor, beim Vergleich von Rankings und Algorithmen
die spezifische Verteilung der Ranking-Erzeugung auf Menschen und Algorithmen. Angelehnt an Konzepte
verteilter Kognition (Hayles 2016, Hutchins 1997) konzipieren wir die Erstellung von Rankings (bzw. ranking-
basierter Entscheidungen) als eine soziotechnische Kognitionsleistung, die sowohl auf menschliche Entschei-
dungen als auch auf algorithmische Prozesse verteilt ist, wobei die spezifische Verteilung je nach empirischem
Fall deutlich variiert. So erfolgt z.B. die Platzierung von Apps im App Store einerseits auf Basis algorithmischer
Analyse von Marktnachfrage, andererseits aber auch auf Basis der Kuratierung durch ein Team menschlicher
Reviewer (Dieter et al. 2019: 3). Bei dem Musik-Empfehlungen beim Streaming-Dienst Spotify wird die Vorge-
hensweise zugespitzt auf „First week is editorial, second week is algorithmic“ (Bonini/Gandini 2019: 6-7). Die
Verteilung auf menschliche und algorithmische Entscheidungsträger kann dabei auch durchaus strategisch er-
folgen, etwa wenn Richter auf Algorithmen verweisen, um die Legitimität ihrer Urteile zu erhöhen, aber in
der Praxis häufig von den Vorgaben des Algorithmus abweichen (Stevenson/Doleac 2019).
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
11
Konstitution simplifizierender und disparater (Denk-) Kategorien
(Bowker/Star 1999; Espeland/Sauder 2007: 17)
Erzeugung von Legitimität und (dem Anschein von) Objektivität
(Porter 1995)
Dekonstruktion und Obsoleszenz von Ranking(-kriterien) durch in-
flationäre Orientierung am Ranking (Fligstein/Goldstein 2010: 58;
Carruthers 2010: 167)
Feld-Konstitution (z.B. Heintz 2010; bezogen auf die Feld-Defini-
tion als wechselseitige Beobachtung bei DiMaggio/Powell 1983: 148)
Feld-Stratifikation (vgl. Espeland/Sauder 2007, Fourcade/Healy
2013) und eskalierende Feedback-Schleifen (Gandy 2016)
Feld-Normalisierung (Sauder/Espeland 2009: 64, Scott/Orlikowski
2012: 28, vgl. Disziplinierung bei Foucault 1977: 185ff.)
Ressourcen-Allokation (z.B. Miller 2001), Konstitution von Steuer-
barkeit (Desrosières 1998, 2001; Miller/O’Leary 1987; vgl. Biopoli-
tik bei Foucault 1978)
Ranking-Selbststabilisierung durch Matthäus-Effekte und spieltheo-
retische Dilemmata (z.B. vgl. Gläser 2015, Miller 2001: 20, Espe-
land/Sauder 2007)
Ranking-Wandel durch Wechselspiel aus Manipulation (Gaming)
und Manipulations-Abwehr (z.B. Campbell 1979, Merry 2011)
Ranking-Wandel durch eine massenmediale Logik der Neuheit (Bo-
wers/Prato 2019)
Ranking-Wandel durch Wettbewerb der Ranking-Produzenten um
„bessere“ Objektivität (Karpik 2010: 44-54)
Tabelle 1: Ausgewählte Effekte und Mechanismen der Soziologie der Quantifizierung mit Bezug
auf Rankings
Beschreibung
Hypothesen zur Modifikation von (analogen)
Rankings durch die algorithmische Erzeugung
Skalierung
erhöhte Fähigkeit zur Verar-
beitung großer Mengen an
Daten
Erhöhtes Steuerungspotenzial
Inflexibili-
tät
erhöhte Rigidität der algo-
rithmischen Kategorien
Verfestigung und stärkere Rigidität von Katego-
rien-Schemata
Granulari-
sierung
Verfeinerung von Ergebnis-
sen bzw. personalisierte Zu-
schneidung aufs Individuum
(potenzielle) Abschwächung von Homogenisie-
rungs-Effekten
Zeitliche
Verdich-
tung
Erhöhte zeitliche Dichte der
‚Veröffentlichung‘ des Ran-
kings
Verstärkung der meisten Effekte, bspw.
verstärkte Disziplinierung der gerankten
Akteure
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
12
(potenziell) erhöhte Volatilität der Ran-
king-Dynamik
Nutzer-In-
tegration
Verwendung von Nutzer-
und Nutzerspuren-Daten bei
der Ranking-Erzeugung
Erzeugung von Steuerungspotenzial in qualitativ
neuen Bereichen.
Intranspa-
renz
Erhöhte Intransparenz der
Art der Ranking-Erzeugung
Verringertes Potenzial zum Gaming (und
damit langfristig geringere Obsoleszenz
der Rankings)
potenziell verringerte Legitimität von
Rankings
Tabelle 2: Modifikations-Effekte der algorithmischen Erzeugung von Rankings
5. Empirische Illustration: Predictive Policing & App Stores
Basierend auf den aus der Quantifizierungsforschung entstammenden Erkenntnissen zu Ran-
kings als auch auf den herausgearbeiteten Differenzen zwischen algorithmisch und analog
erzeugten Rankings wollen wir das Analyseraster nun beispielhaft an zwei empirischen Fäl-
len illustrieren, der algorithmischen Regulierung von Software-Märkten (App Stores)und der
algorithmischen Kriminalitätsvorhersage (Predictive Policing). Die Auswahl der beiden Fälle
beruht einerseits auf ihrer Komplementarität (staatliche und privatwirtschaftlich erzeugte
Rankings), als auch auf ihrer Leitbild-Funktion: So ist Predictive Policing ein Vorzeige-Bei-
spiel für Datafizierung auf staatlicher Ebene (Egbert i.
E.) und App Stores gelten als ein Vor-
bild für proprietäre, digitale Marktplätze (Staab 2019). Hinzu kommt, dass die beiden Fälle
in der empirischen Bearbeitung unterschiedlich weit fortgeschritten sind, sodass wir gleich-
ermaßen illustrieren können, auf welche Weise Leitfragen aus dem Analyse-Raster abgeleitet
werden und somit die empirische Analyse analytisch stärken können; und wie bestehende
Empirie durch die Anwendung unseres Analyse-Rasters fruchtbar beleuchtet werden kann.
App Stores
Im Rahmen eines Forschungsprojektes zur Funktionsweise digitaler Plattformen sollen als
empirische Fälle App Stores, verstanden als digitale Marktplätze für Software-Applikationen
(Apps), die sich durch einen hohen Grad algorithmischer Regulierung auszeichnen (vgl. Ma-
cKenzie 2014), untersucht werden. Auch wenn einzelne Aspekte der Platzierung von Apps
im App Store durch menschliche Teams bzw. Redaktionen gestaltet werden, wie beispiels-
weise das sog. Featuring, also die gesonderte Hervorhebung einzelner Apps (Dieter et al.
2019: 3), so wird das Ranking im App Store doch größtenteils durch Algorithmen bestimmt.
Obgleich es wenig offizielle Informationen seitens der Storeeigner gibt, gehen Branchen-
Publikationen davon aus, dass App-Name, Schlagworte, Nutzer*innen-Bewertungen und ab-
solute Download-Zahlen ausschlaggebend sind für die algorithmisch erstellten Ranglisten
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
13
sind.
9
Daneben zeichnet sich der App Store vor allem durch eine Diversifizierung der Ran-
kings aus, indem es einzelne Rankings zu verschiedenen App-Kategorien, wie u.a. Lifestyle,
Spiele, Kommunikation, Finanzen, Gesundheit, Fotografie und Einkaufen, gibt.
10
Um die algorithmische Marktregulierung zu untersuchen, ergeben sich aus dem oben vorge-
stellten Analyse-Raster zunächst die folgenden vier feldbezogenen Effekte, da Marktregulie-
rung primär auf der Feld-Ebene anzusetzen ist. Dies führt zu folgenden Leitfragen:
Feld-Konstitution: Wie konstituiert sich der Markt für Apps (bzw. Sub-Märkte, die
den einzelnen App-Kategorien zuzuordnen sind) durch das App Store-Ranking? Ent-
steht Konkurrenz, im Sinne wechselseitiger Beobachtung (vgl. White 1981), zwischen
zwei Apps erst dadurch, dass sie in derselben Kategorie angesiedelt?
Feld-Stratifikation: Laut Dolata und Schrape (2014) gibt es eine enorm ungleiche Ver-
teilung der Gewinne in der App Economy, bei der gut zwei Dutzend Apps die Hälfte
der Profite einnehmen. Inwiefern sind ist diese ungleiche Verteilung auf ranking-be-
dingte Matthäus-Effekte (‚success breeds success‘, Merton 1968) zurückzuführen?
Feld-Normalisierung: Führt die Notwendigkeit auf Seiten der App-Entwickler*innen,
sich dem Ranking anzupassen, zu einer Homogenisierung der Apps? Einzelne Funk-
tionalitäten, wie beispielsweise Popups, die Nutzer*innen um (gute) Bewertungen
bitten, scheint es beispielsweise in der großen Mehrheit der Apps zu geben.
Konstitution von Steuerbarkeit: Inwiefern ermöglicht der App Store dem Plattform-
betreiber (also vor allem Apple bzw. Google) Einfluss auf die auf ihrer Plattform
vorzufindenden Apps zu nehmen? Die durch den App Store entstehende Zugangs-
kontrolle als auch Kontrolle über das Ranking scheint in der Geschichte (mobiler)
Betriebssysteme einen entscheidenden Wendepunkt darzustellen, mit dem Betreiber
von Software-Plattformen mehr Kontrolle gewinnen konnten (vgl. Ghazawneh &
Henfridsson, 2013).
Um nun die spezifischen Effekte der algorithmischen Ranking-Erzeugung in den Blick zu
nehmen, führen die modifizierenden Faktoren zu weiteren Leitfragen:
Skalierung: Inwiefern ist die algorithmische Erzeugung der App Store-Rankings not-
wendig, um mit der schieren Masse an App
11
s umzugehen?
Inflexibilität: Gibt es durch die automatisierte Entscheidungsfindung von Algorith-
men bedingte Platzierungsbewegungen oder gar Entfernungen aus den Stores, die von
den Plattformbetreibern womöglich gar nicht intendiert sind?
Granularisierung: In welchem Umfang haben personalisierte Empfehlungen im App
Store („User, die diese App heruntergeladen haben, haben auch diese App herunter-
geladen“) einen Einfluss auf die Diversität der installierten Apps? Führen sie eventuell
dazu, dass trotz der ungleichen Verteilung der Profite Nischen-Apps überleben kön-
nen?
Zeitliche Verdichtung: Führt die Echtzeit-Aktualisierung der App Store-Rankings zu
einer erhöhten Volatilität der Rankings oder einer verstärkten (da permanenten) An-
passung der App-Entwickler*innen an die vom App Store geforderten Vorgaben?
9
https://shanebarker.com/blog/app-store-ranking-factors/ (21.02.2020)
10
https://play.google.com/store/apps (21.02.2020)
11
Es gibt ca. 2,8 Millionen Apps im Android App Store und rund 2,0 Millionen im iOS App Store (App An-
nie 2018a: 2, 2018b: 2).
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
14
Nutzerdaten-Integration: Inwiefern ermöglicht die Integration von Nutzungsdaten in
Form von Sterne-Bewertungen den Plattformbetreibern neue Steuerungspotenziale?
Würde ein App Store-Ranking ohne Nutzer*innenbewertungen fundamental anders
aussehen?
Intransparenz: Sind die Details der Entstehung der Ranking-Platzierung bekannt und
wenn nicht, welche Auswirkungen hat dies auf die sogenannten App-Store-Optimiza-
tion (App-Store-bezogene Gaming-Praktiken die eine bessere Position im Ranking
zum Ziel haben) und auf die Legitimität von Apple und Google als Plattformbetrei-
bern?
Predictive Policing
Predictive Policing, also die vor allem präventiv motivierte polizeiliche Anwendung von al-
gorithmischen Verfahren, um operative Prognosen in Bezug auf wahrscheinliche Ursprünge
bzw. Zeiten und Orte zukünftiger Kriminalität zu generieren und umzusetzen, kann mit
Blick auf dessen technisch-analytischen Charakteristika in zwei grundlegende Dimensionen
eingeteilt werden: die der zu Prognosezwecken analysierten Daten sowie die für diese prä-
diktiven Analysen genutzten Algorithmen. Für beide Dimensionen und insbesondere für
ihre Kombination gilt, dass Predictive Policing ein genuin numerisch und statistisch gepräg-
tes Phänomen ist; mithin ein Phänomen, dass auf konstruktive Weise mit Konzepten und
Begriffen aus der Quantifizierungssoziologie zu analysieren ist. Damit ist, so unsere These,
eine tiefenschärfte Analyse von prognosebasierter Polizeiarbeit möglich und ganz konkret
eine gegenstandsnahe und empirisch fundierte Analyse dessen, was Singelnstein (2018: 9)
konstatiert, wenn er sagt, dass durch Predictive Policing polizeiliche Tätigkeit spezifisch per-
spektiviert werde, da Kriminalität dabei allein „durch die Brille der Algorithmen“ gesehen
werde.
Grundsätzlich gilt bei der prognosebasierten Polizeiarbeit zunächst das Gesetz der großen
Zahl: je mehr Fälle des vorherzusagenden Delikts in der Vergangenheit polizeilich registriert
wurden, desto robuster sind die entsprechenden Prognosen. Kurzum: Prognostisch bearbei-
tet werden können nur Massendelikte. Dies impliziert, dass die prognostischen Nutzungs-
möglichkeiten der Polizei prinzipiell eingeschränkt sind, da nur ausgewählte Delikte und
Gegenden überhaupt die zahlenmäßigen Voraussetzungen für polizeiliche Prognosearbeit
erfüllen. Nicht durch Zufall ist der Wohnungseinbruchdiebstahl das (fast) einzige Delikt, das
bislang im deutschsprachigen Raum im Rahmen von Predictive Policing bearbeitet wird.
Ohnehin ein Massendelikt, haben sich die Fallzahlen ab ca. 2008 nochmals kontinuierlich
vervielfacht (von 108.284 Fällen 2008 auf 167.136 Fälle 2015).
12
Neben den quantitativen Ausprägungen der für Predictive Policing nutzbar gemachten Da-
tenbasis, die vor allem auf polizeiinternen Zahlen zur Kriminalitätsbelastung basiert, sind
auch deren qualitativen Charakteristika von Relevanz für die soziologische Analyse des Pre-
dictive Policing, da sie spezifische Einschränkungen und Verzerrungen aufweisen. Zum ei-
nen unterscheidet sich je nach Delikt das Größenverhältnis zwischen Hell- und Dunkelfeld
also dem Anteil polizeilich registrierter Taten (Hellfeld) gegenüber dem Anteil jener Taten,
12
https://de.statista.com/statistik/daten/studie/555860/umfrage/polizeilich-erfasste-faelle-von-wohnungsein-
bruchdiebstahl-in-deutschland/ (07.02.2020).
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
15
die nicht zur Kenntnis der Polizei gelangen (Dunkelfeld) was die jeweilige Prognosegüte
freilich zu beeinträchtigen vermag. Deliktspezifisch unterschiedlich ist auch die Quelle der
polizeilichen Registrierung: werden Delikte eher aktiv, also durch polizeiliche Kontrollen,
registriert, oder passiv, durch Anzeigen aus der Bevölkerung bzw. der Opfer? Für Predictive
Policing ist dies insofern relevant, als sogenannte Kontrolldelikte also jene Taten, die vor
allem oder ausschließlich durch polizeiliches Kontrollieren registriert werden, da es keine
Opfer gibt, die Strafanzeige stellen, wie z.
B. gemeinhin bei Drogen- oder Umweltkriminali-
tät sich für die Prognosearbeit weniger eignen. Denn hier repräsentieren die registrierten
Fälle aus der Vergangenheit kein eigenständiges, immanentes Muster der Tatbegehung, also
auf raumzeitliche Profile einschlägiger Täter*innen. Vielmehr werden Muster polizeilicher
Tätigkeit projiziert: nur wo die Polizei in der Vergangenheit war, hat sie diese Delikte regis-
triert. Polizeiliche Prognosearbeit läuft in diesem Zusammenhang auf „predicting policing“
(Edwards 2016) hinaus; der Vorhersage, wo die Polizei in Zukunft Streife fahren wird. Indes
ist auch fernab von Kontrolldelikten die prognosebasierte Polizeiarbeit stets gefährdet, ei-
genhändig ihre Datenbasis gleichsam zu kontaminieren und zu verzerren. Denn die heraus-
gegebenen Prognosen führen für gewöhnlich dazu, dass in den prognostizierten Risikogebie-
ten verstärkt Streife gefahren wird, was wiederum die dortige Wahrscheinlichkeit erhöht,
Straftaten zu registrieren. Diese neu aufgenommenen Taten werden wiederum in das poli-
zeiliche Vorgangsbearbeitungssystem eingespeist, dessen sich die Prognosesoftware bedient,
um die Vorhersagen zu erstellen. Wir haben es hier also mit einem feedback loop zu tun, der
sofern nicht gegengesteuert wird eine sich selbst verstärkende Tendenz aufweist und zu
einem ungewünschten Matthäus-Effekt (vgl. Merton 1968) führt, da vereinzelte Gebiete mit
immer höherer Wahrscheinlichkeit als Risikogebiete klassifiziert werden (Ensign et al. 2018).
Die Folge ist der aus der Ranking-Forschung bekannte Stratifizierungseffekt: Risikogebiete
haben ein erhöhtes Streifen-Aufkommen und werden später zu noch riskanteren Gebieten
deklariert, vermeintlich sicheren Gebieten werden weniger Polizeistreifen zugeordnet und
durch weniger Kriminalitätsmeldungen werden diese im weiteren Verlauf zu noch sichereren
Gebieten deklariert.
Neben den deliktspezifischen Einschränkungen im Verhältnis von Hell- und Dunkelfeld gilt
es noch die spezifischen Verzerrungen in der polizeilichen Datenbasis hervorzuheben. Aus
polizeisoziologischen Studien ist bekannt, dass Täter*innen nicht nur gemäß begangenem
Delikt die Entdeckungsrisiken variieren freilich stark zwischen den Delikten, z.
B. häusli-
che Gewalt versus Banküberfall , sondern auch hinsichtlich ihres ethnischen Hintergrund
unterschiedlichen Entdeckungsrisiken ausgesetzt sind, da die gruppenbezogenen Wahr-
scheinlichkeiten variieren, von der Polizei kontrolliert und registriert zu werden (z.
B. Harris
1999; Herrnkind 2014; Egbert 2018b). Mit der automatisierten Ranking-Erzeugung mittels
Algorithmen im Rahmen kommt es in diesem Zusammenhang tendenziell zu einer Art ‚tech-
washing‘: durch die algorithmische Intransparenz und die mit ihr assoziierten Objektivitäts-
mythen kommt es zu einer Überdeckung der damit verbundenen Verzerrungen. Denn zu-
meist sind nur die Software-Operateure in Lage- und Analyseeinheiten hinreichend über die
Funktionsweise der Prognosesoftwares informiert, die Patrouillenkräfte auf der Straße, die
in den prognostizieren Risikogebieten Streife fahren, sind dies nur bedingt.
Verstärkt wird dieser Effekt dadurch, dass die mit Zahlen und numerischen Repräsentatio-
nen allgemein verbundenen Objektivitäts-Attribuierungen auch im Predictive Policing zu
finden sind. So zeigen Interviewdaten mit Streifenkräften, dass den Vorhersagen gerade auf
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
16
Grund ihrer statistischen und gleichermaßen abstrakten Funktionslogik besonderes Ver-
trauen entgegengebracht wird:
„Also rein rechnerisch MUSS hier [im Prognosegebiet] irgendetwas geschehen, ist ja alles Re-
chenaufgabe schlussendlich. Dann achtet man natürlich schon ein bisschen mehr auf die klei-
nen Details. Man fährt auch viel langsamer durch, als wenn man einfach so das Gebiet kon-
trolliert.“ (Streifenkraft 23: 141ff.)
Eine direkte Folge dieser Objektivitätszuschreibung ist, dass Streifenkräfte in prognostizier-
ten Risikogebieten aufmerksamer sind und offensiver kontrollieren, tendenziell mithin die
Verdachtsschwelle sinkt (Egbert 2018b: 659f.).
Deutlich wird auf diese Weise, dass Predictive Policing gleichsam eine Herrschaft der Indi-
katoren impliziert, die wesentlich für die Nützlichkeit der Prognosesoftwares sind, da sie die
mit Predictive Policing anvisierte zukunftsgerichtete Komplexitätsreduktion überhaupt erst
ermöglichen (Balogh 2016: 337). Denn das weitläufig genutzte near-repeat prediction pattern
basiert auf der These, dass professionelle Serien-Einbrecher*innen die als rationale Akteure
imaginiert werden (vgl. Sidebottom/Wortley 2016: 168) dazu neigen, kurze Zeit nach einer
erfolgreichen Tat in unmittelbarer Umgebung der Ersttat erneut zuzuschlagen (Johnson
2008, Gluba 2017). Aus Sicht der Prognose-Algorithmen wird gemäß dieser These die Wahr-
scheinlichkeit eines Wiederholungseinbruches als hoch eingeschätzt, wenn Profitäter*innen
am Werk waren und das betreffende Gebiet folglich im Ranking der zu bestreifenden Ge-
biete nach oben bewegt. Aufgabe der Prognosesoftware ist es dementsprechend zu detektie-
ren, ob eine neu registrierte Einbruchstat von professionellen Täter*innen durchgeführt
wurde, da nur bei diesen eine gewisse Wiederholungswahrscheinlichkeit und damit Progno-
sefähigkeit besteht. Hierfür werden wiederum Indikatoren genutzt, so im Falle von
PRECOBS mit Bezug auf die Fragen, wie die Täter*innen ins Objekt gelangt ist und was
gestohlen wurde. Wurde beispielsweise eine Terassentür fachkundig aufgehebelt oder ein
Fenster gekonnt aufgebohrt und gleichzeitig nur Bargeld und Schmuck entwendet, Beute
also, die unauffällig zu transportieren ist und hohen Wiederverkaufswert besitzt, wird von
Profitäter*innen ausgegangen und ein Alarm lanciert (Schweer 2015: 14f.).
An dieser Stelle wird auch ersichtlich, wie einfach es für Einbrecher*innen ist, den progno-
sebasierten Ansatz der Polizei zu überlisten (gaming), indem sie sich nämlich schlicht mus-
ter-untypisch verhalten, also etwa keine unmittelbaren Wiederholungstaten durchführen. Es
handelt sich hierbei um reaktives Verhalten (Espeland/Sauder 2007), an das sich die Software
anpassen muss. Eine spezifische, durchaus beabsichtigte Möglichkeit solcher Verhaltensän-
derungen ist die Abschreckung geneigter Täter*innen in den prognostizierten Risikogebie-
ten aufgrund einer erhöhten Polizeipräsenz. In diesen Gebieten sinkt folglich erwünsch-
termaßen die Zahl an near-repeat-Delikten, was die Wahrscheinlichkeit sinken lässt, dass
dort in Zukunft erneut ein erhöhtes Einbruchsrisiko erwartet wird. Oft bedeutet Abschre-
ckung allerdings schlicht Verlagerung: Die Täter*innen satteln also entweder auf andere, we-
niger riskante Taten um oder verlagern ihr Handeln in andere Gebiete (Bowers et al. 2011).
Dies ist aber auch ein Reaktionsmuster, das die Software nicht erfassen kann, sodass diese
somit ausgestochen wird. Die near-repeat-These unterliegt also durch die verstärkte Verhal-
tensanpassung seitens der erfassten professionellen Einbrecher*innen einer gewissen Obso-
leszenz, sodass sie mittel- bis langfristig womöglich gar nicht mehr als Grundlage für das
Predictive Policing verwendet werden kann.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
17
Die epistemischen Kerneinheiten von Predictive Policing sind, wie bereits erwähnt, die Prog-
nosemuster. Diese implizieren (statistische) Regelmäßigkeit. Ein Muster ist per Definition
etwas, das in einer regelmäßigen, verständlichen Form vorliegt. Innerhalb eines Datensatzes
bezieht sich dies auf statistische Zusammenhänge zwischen bestimmten Variablen und ihrer
entsprechenden Klassifizierung. Predictive Policing ist vor allem Mustererkennung; Muster,
die auf die räumliche und zeitliche Verteilung der Kriminalität hinweisen. Mit anderen Wor-
ten: Muster machen das Wissen über regelmäßige Vorkommnisse von Verbrechen, die in
Datensätzen verborgen liegen, überhaupt erst sichtbar und geben ihm Form. Dieser Trend
verleiht den Mustern eine beträchtliche Autorität. Tatsächlich sind sie die einzige Möglich-
keit, durch die der Algorithmus einer Prognosesoftware über das Auftreten von Kriminalität
in der Gesellschaft wissenkann (Kaufmann et al. 2019: 674). Und obgleich die near-repeat-
These, die wesentliche Basis für die Mustererkennung im Predictive Policing ist, prinzipiell
auf kriminalistischen Erfahrungen beruht, die polizeiliche Lageanalyst*innen ebenfalls auf-
weisen, ist es vor allem der durch algorithmische Rankings erlangte Geschwindigkeitsvorteil,
der Predictive Policing so attraktiv macht. Denn gemäß near-repeat-These sinkt das Risiko
eines erneuten Einbruches bereits nach 72 Stunden wieder auf das Basisniveau ab, was eine
zeitnahe Detektion des Musters notwendig macht. Menschliche Expert*innen sind indes
schlicht nicht in der Lage, neue Einbrüche mit der notwendigen Geschwindigkeit gemäß der
oben erwähnten Prognosekriterien zu analysieren. Nur das algorithmische Ranking ist
schnell genug, um eine Prognose von near-repeat-Taten sinnvoll umsetzen zu können (zeit-
liche Verdichtung).
Dieser analytische Vorteil durch algorithmische Rankings wird nochmals gesteigert, wenn
neben den polizeilichen Kriminalitätsdaten noch weitere Daten prognostisch verwendet wer-
den, wie z.B. im Falle des LKA NRW und dessen Prognosesoftware SKALA|MAP, die zur
Vorhersageberechnung neben den polizeieigenen Kriminalitätsdaten auf hinzugekaufte Da-
ten zu sozioökonomischen und infrastrukturellen Charakteristika von Wohnquartieren zu-
rückgreifen (LKA NRW 2018: 24f.). Ohne algorithmische Unterstützung wäre all dies nicht
möglich.
6. Fazit: Algorithmen = Rankings + softwaretechnische Automatisierung
An dieser Stelle wollen unsere eingangs zuspitzte Formel, „Algorithmen = Rankings + x“
konkretisieren und schlagen vor für das ist die softwaretechnisch vermittelte Automatisie-
rung einzusetzen, da sämtliche diskutierten modifizierenden Effekte (Abschnitt 3) auf diese
rückführbar sind. Wir hoffen zudem mit unserer empirischen Illustration gezeigt zu haben,
wie unser Analyse-Raster für die Erforschung von Algorithmen (im Sinne von algorithmisch
erzeugter Rankings) fruchtbar gemacht werden kann. Am Beispiel des App Stores wurde
ersichtlich, wie das Analyseraster bereits auf einige sehr konkrete Analyseperspektiven und
Hypothesen hinführt, die beispielsweise die Grundlage von Interviewleitfäden darstellen
kann. Am Beispiel des Predictive Policing haben wir gezeigt, dass nicht nur aus der Ranking-
Forschung bekannte Konzepte wie die Stratifzierung der gerankten Entitäten (hier: Risiko-
gebiete) sich immer noch zur produktiven Analyse der prognosesoftware-basierten Polizei-
arbeit eignen, sondern auch, dass die algorithmische Ranking-Erzeugung spezifische Konse-
quenzen wie eine erhöhte Prognose-Geschwindigkeit hat. Somit wird deutlich, dass das Pre-
dictive Policing digitalisierungsspezifische Qualitäten hat, die es von der „analogen“ Krimi-
nalitätsprognose mittels jährlicher Kriminalitätsstatistik, signifikant unterscheiden.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
18
Literatur
Amoore, L. (2019). Introduction: Thinking with Algorithms: Cognition and Computation
in the Work of N. Katherine Hayles. Theory, Culture & Society, 36(2), 316.
https://doi.org/10.1177/0263276418818884
Anderson, C. (2008a). The End of Theory: The Data Deluge Makes the Scientific Method
Obsolete. WIRED. http://www.wired.com/science/discoveries/magazine/16-
07/pb_theory
Anderson, C. (2008b). The Long Tail: Why the future of business is selling less of more (2nd
ed.). Hyperion.
App Annie. (2018a). The Data Behind 10 years of Google Play (p. 34). https://www.appan-
nie.com/en/insights/market-data/google-play-all-time/
App Annie. (2018b). The Data Behind 10 years of iOS App Store (p. 35). https://www.ap-
pannie.com/en/insights/market-data/google-play-all-time/
Balogh, D. (2016). Near Repeat-Prediction mit PRECOBS bei der Stadtpolizei Zürich. Krim-
inalistik, 70(5), 335341.
Berman, E. P., & Hirschman, D. (2018). The Sociology of Quantification: Where Are We
Now? Contemporary Sociology, 47(3), 257266.
https://doi.org/10.1177/0094306118767649
Bonini, T., & Gandini, A. (2019). “First week is editorial, second week is algorithmic”: Plat-
form gatekeepers and platformization of music curation.
https://doi.org/10.31219/osf.io/zp4wx
Bowers, A., & Prato, M. (2019). The Role of Third-Party Rankings in Status Dynamics: How
Does the Stability of Rankings Induce Status Changes? Organization Science.
https://doi.org/10.1287/orsc.2019.1316
Bowers, K. J., Johnson, S. D., Guerette, R. T., Summers, L., & Poynton, S. (2011). Spatial
displacement and diffusion of benefits among geographically focused policing initia-
tives: A meta-analytical review. Journal of Experimental Criminology, 7(4), 347374.
https://doi.org/10.1007/s11292-011-9134-8
Bowker, G. C., & Star, S. L. (1999). Sorting things out: Classification and its consequences.
MIT Press.
Bradshaw, S. (2019). Disinformation optimised: Gaming search engine algorithms to amplify
junk news. Internet Policy Review, 8(4). https://policyreview.info/articles/analy-
sis/disinformation-optimised-gaming-search-engine-algorithms-amplify-junk-news
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
19
Brankovic, J., Ringel, L., & Werron, T. (2018). How Rankings Produce Competition: The
Case of Global University Rankings. Zeitschrift Für Soziologie, 47(4), 270288.
https://doi.org/10.1515/zfsoz-2018-0118
Büchner, S. (2018). Digitale Infrastrukturen Spezifik, Relationalität und die Paradoxien von
Wandel und Kontrolle. Arbeits- Und Industriesoziologische Studien, 11(2), 279293.
Campbell, D. T. (1979). Assessing the impact of planned social change. Evaluation and Pro-
gram Planning, 2(1), 6790. https://doi.org/10.1016/0149-7189(79)90048-X
Cardon, D. (2017). Den Algorithmus dekonstruieren. Vier Typen digitaler Informationsbe-
rechnung. In R. Seyfert & J. Roberge (Eds.), Algorithmuskulturen. Über die rechne-
rische Konstruktion der Wirklichkeit. (pp. 131150). transcript. https://medi-
arep.org/handle/doc/2335
Carruthers, B. G. (2013). From uncertainty toward risk: The case of credit ratings. Socio-
Economic Review, 11(3), 525551. https://doi.org/10.1093/ser/mws027
Carruthers, Bruce G. (2010). Knowledge and liquidity: Institutional and cognitive founda-
tions of the subprime crises. In M. Lounsbury & P. M. Hirsch (Eds.), Markets on
trial: The economic sociology of the U.S. financial crisis (1. ed, pp. 157182). Emer-
ald.
Covaleski, M. A., Dirsmith, M. W., Heian, J. B., & Samuel, S. (1998). The Calculated and
the Avowed: Techniques of Discipline and Struggles Over Identity in Big Six Public
Accounting Firms. Administrative Science Quarterly, 43(2), 293327.
https://doi.org/10.2307/2393854
Desrosières, A. (1998). The politics of large numbers: A history of statistical reasoning. Har-
vard University Press.
Desrosierés, A. (2001). How real are statistics? Four possible attitudes. Social Research, 68(2),
339355.
Diaz-Bone, R., & Didier, E. (2016). Introduction: The Sociology of QuantificationPerspec-
tives on an Emerging Field in the Social Sciences. Historical Social Research / Histo-
rische Sozialforschung, 41(2), 726.
Dieter, M., Gerlitz, C., Helmond, A., Tkacz, N., van der Vlist, F. N., & Weltevrede, E.
(2019). Multi-Situated App Studies: Methods and Propositions. Social Media + Soci-
ety, 5(2), 115. https://doi.org/10.1177/2056305119846486
Dijck, J. van, & Poell, T. (2013). Understanding Social Media Logic. Media and Communi-
cation, 1(1), 214. https://doi.org/10.17645/mac.v1i1.70
DiMaggio, P. W., & Powell, W. W. (1983). The iron cage revisited: Institutional isomor-
phism and collective rationality in organizational fields. American Sociological Re-
view, 48(2), 147160.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
20
Dolata, U., & Schrape, J.-F. (2014). App Economy: Demokratisierung des Software-Marktes?
Technikfolgenabschätzung Theorie Und Praxis, 23(2), 7681.
Dusi, D. (2018). Beyond prosumer capitalism: Retaining the original understanding of
prosumption. Current Sociology, 66(5), 663681.
https://doi.org/10.1177/0011392117697459
Edwards, E. (2016). Predictive Policing Software Is More Accurate at Predicting Policing
Than Predicting Crime. American Civil Liberties Union.
https://www.aclu.org/blog/criminal-law-reform/reforming-police/predictive-polic-
ing-software-more-accurate-predicting
Egbert, S. (2018a). Predictive Policing und die soziotechnische Konstruktion ethnisch co-
dierter Verdächtigkeit. In M. Pfadenhauer & A. Poferl (Eds.), Wissensrelationen. Bei-
träge und Debatten zum 2. Sektionskongress der Wissenssoziologie (1st ed., pp. 653
663). Beltz Juventa.
Egbert, S. (2018b). About Discursive Storylines and Techno-Fixes: The Political Framing of
the Implementation of Predictive Policing in Germany. European Journal for Secu-
rity Research, 3(2), 95114. https://doi.org/10.1007/s41125-017-0027-3
Egbert, S. (i.E.). Datafizierte Polizeiarbeit (Wissens-)Praktische Implikationen und rechtli-
che Herausforderungen. In D. Hunold & A. Ruch (Eds.), Aktuelle Beiträge zur Poli-
zeiforschung. Springer VS.
Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C., & Venkatasubramanian, S. (2017).
Runaway Feedback Loops in Predictive Policing. ArXiv:1706.09847 [Cs, Stat].
http://arxiv.org/abs/1706.09847
Espeland, W. N., & Sauder, M. (2007). Rankings and Reactivity: How Public Measures Rec-
reate Social Worlds. American Journal of Sociology, 113(1), 140.
https://doi.org/10.1086/517897
Espeland, W. N., & Sauder, M. (2016). Engines of Anxiety. Academic ratings, reputations
and accountability. Russell Sage Foundation. https://www.russellsage.org/engines-
anxiety
Espeland, W. N., & Stevens, M. L. (2008). A Sociology of Quantification. European Journal
of Sociology / Archives Européennes de Sociologie, 49(03), 401436.
https://doi.org/10.1017/S0003975609000150
Esposito, E. (2017). Organizing without Understanding: Lists in Ancient and in Digital Cul-
tures. Zeitschrift Für Literaturwissenschaft Und Linguistik: Lili, 47(3), 351359.
Fligstein, N., & Goldstein, A. (2010). The anatomy of the mortgage securitization crisis. In
M. Lounsbury & P. M. Hirsch (Eds.), Markets on trial: The economic sociology of
the U.S. financial crisis (1. ed, pp. 2970). Emerald.
Foucault, M. (1977). Überwachen und Strafen: Die Geburt des Gefängnisses (W. Seitter,
Trans.). Suhrkamp.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
21
Foucault, M. (1978). The History of Sexuality, Volume I: An introduction (1st ed.). Pan-
theon Books.
Fourcade, M., & Healy, K. (2007). Moral Views of Market Society. Annual Review of Soci-
ology, 33(1), 285311. https://doi.org/10.1146/annurev.soc.33.040406.131642
Frisch, T. (2019). Digitale Bewertungskultur im Tourismus 2.0: Grenzüberschreitung und
Normalisierungsdruck. In J. Kropf & S. Laser (Eds.), Digitale Bewertungspraktiken
(pp. 4170). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-
21165-3_3
Galison, P. (2019). Algorists Dream of Objektivity. In J. Brockman (Ed.), Possible minds:
Twenty-five ways of looking at AI (pp. 231239). Penguin Press.
Gandy, O. H. (2012). Statistical Surveillance. Remote Sensing in the Digital Age. In D. Lyon,
K. D. Haggerty, & K. Ball (Eds.), Routledge handbook of surveillance studies. Rout-
ledge.
Germany, S. N., Stuttgart. (2019). Aus für die Einbruchvorhersage-Software: Strobl entschei-
det sich gegen Precobs. stuttgarter-nachrichten.de. https://www.stuttgarter-nach-
richten.de/inhalt.aus-fuer-die-einbruchvorhersage-software-strobl-entscheidet-sich-
gegen-precobs.19a18735-9c8f-4f1a-bf1b-80b6a3ad0142.html
Ghazawneh, A., & Henfridsson, O. (2013). Balancing platform control and external contri-
bution in third-party development: The boundary resources model. Information Sys-
tems Journal, 23(2), 173192. https://doi.org/10.1111/j.1365-2575.2012.00406.x
Gillespie, T. (2010). The politics of ‘platforms.’ New Media & Society, 12(3), 347–364.
https://doi.org/10.1177/1461444809342738
Gillespie, T. (2014). The relevance of algorithms. In T. Gillespie, P. J. Boczkowski, & K. A.
Foot (Eds.), Media technologies: Essays on communication, materiality, and society
(pp. 167194). The MIT Press.
Gläser, J. (2015). Der Journal Impact Faktor in der Soziologie: Die Gefahren eines Un-Ma-
ßes. Soziale Welt, 66(2), 215224. https://doi.org/10.5771/0038-6073-2015-2-215
Gläser, J., Laudel, G., Grieser, C., & Meyer, U. (2018). Scientific Fields as Epistemic Re-
gimes: New Opportunities for Comparative Science Studies [Working Paper TUTS-
WP-3-2018].
Gluba, A. (2017). Der Modus Operandi bei Fällen der Near Repeat-Victimisation Ergeb-
nisse einer empirischen Studie. Kriminalistik, 71(6), 369374.
Hacking, I. (2015). Biopower and the avalanche of printed numbers. In V. W. Cisney & N.
Morar (Eds.), Biopower: Foucault and Beyond (pp. 6581). University of Chicago
Press.
Harris, D. A. (1999). The Stories, the Statistics, and the Law: Why Driving While Black
Matters. MINNESOTA LAW REVIEW, 84, 63.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
22
Hayles, N. K. (2016). Cognitive Assemblages: Technical Agency and Human Interactions.
Critical Inquiry, 43(1), 3255. https://doi.org/10.1086/688293
Hazelkorn, E. (2015). Rankings and the Reshaping of Higher Education: The Battle for
World-Class Excellence (2nd ed.). Palgrave Macmillan UK.
https://doi.org/10.1057/9781137446671
Heintz, B. (1993). Algorithmus und Maschine: Die Bedeutung von Turings Maschinenbegriff
für die Techniksoziologie. In Die Herrschaft der Regel. Zur Grundlagengeschichte
des Computers (pp. 234260). Campus.
Heintz, B. (2010). Numerische Differenz. Überlegungen zu einer Soziologie des (quantitati-
ven) Vergleichs. Zeitschrift für Soziologie, 39(3), 162181.
Heintz, B. (2019). Vom Komparativ zum Superlativ: Eine kleine Soziologie der Rangliste. In
S. Nicolae, M. Endreß, O. Berli, & D. Bischur (Eds.), (Be)Werten. Beiträge zur sozi-
alen Konstruktion von Wertigkeit (pp. 4579). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-21763-1_3
Herrnkind, M. (2014). Filzen Sie die üblichen Verdächtigen!“ oder: Racial Profiling in
Deutschland. Polizei & Wissenschaft, 15(3), 3558.
Hutchins, E. (1994). Cognition in the Wild. MIT Press.
Igo, S. E. (2007). The averaged American: Surveys, citizens, and the making of a mass public.
Harvard University Press.
Joelsson, T. N., Hyrynsalmani, S., & Molenaar, S. (2019). The Role of Prosumers in the
Evolution of a Software Ecosystem: Case Steam. Proceedings of the International
Workshop on Software-intensive Business: Start-ups, Ecosystems and Platforms
(SiBW 2018), Espoo, Finland.
Johnson, S. D. (2008). Repeat burglary victimisation: A tale of two theories. Journal of Ex-
perimental Criminology, 4(3), 215240. https://doi.org/10.1007/s11292-008-9055-3
Karpik, L. (2010). Judgement Devices. In Valuing the unique: The economics of singularities
(pp. 4454). Princeton University Press.
Kaufmann, M., Egbert, S., & Leese, M. (2019). Predictive Policing and the Politics of Pat-
terns. The British Journal of Criminology, 59(3), 674692.
https://doi.org/10.1093/bjc/azy060
Kirchner, S., & Beyer, J. (2016). Die Plattformlogik als digitale Marktordnung. Zeitschrift
Für Soziologie, 45(5), 324339. https://doi.org/10.1515/zfsoz-2015-1019
Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society,
1(1), 112. https://doi.org/10.1177/2053951714528481
Kowalski, R. (1979). Algorithm = Logic + Control. Commun. ACM, 22(7), 424436.
https://doi.org/10.1145/359131.359136
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
23
Krämer, S. (1988). Symbolische Maschinen. Die Idee der Formalisierung in geschichtlichem
Abriß. Wissenschaftliche Buchgesellschaft.
Kropf, J., & Laser, S. (Eds.). (2019). Digitale Bewertungspraktiken: Für eine Bewertungsso-
ziologie des Digitalen. Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-21165-3
Lamont, M. (2012). Toward a Comparative Sociology of Valuation and Evaluation. Annual
Review of Sociology, 38(1), 201221. https://doi.org/10.1146/annurev-soc-070308-
120022
Latour, B. (1991). Technology is society made durable. In J. Law (Ed.), A Sociology of Mon-
sters. Essays on Power, Technology and Domination (pp. 103131). Routledge.
Latour, B. (2006). Drawing Things Together: Die Macht der unveränderlich mobilen Ele-
mente. In A. Belliger & D. J. Krieger (Eds.), ANThology: Ein einführendes Hand-
buch zur Akteur-Netzwerk-Theorie (1., Aufl., pp. 259307). Transcript.
MacKenzie, D. (2014). A sociology of algorithms: High-frequency trading and the shaping
of markets. Preprint. School of Social and Political Science, University of Edinburgh.
Mau, S. (2017). Das metrische Wir: Über die Quantifizierung des Sozialen (Erste Auflage,
Sonderdruck, Originalausgabe). Suhrkamp.
Mayntz, R., & Scharpf, F. W. (1995). Der Ansatz des akteurszentrierten Institutionalismus.
In R. Mayntz & F. W. Scharpf (Eds.), Gesellschaftliche Selbstregelung Und Politische
Steuerung (pp. 3972). Campus.
Mennicken, A., & Espeland, W. N. (2019a). What’s New with Numbers? Sociological Ap-
proaches to the Study of Quantification. Annual Review of Sociology, 45(1), 223
245. https://doi.org/10.1146/annurev-soc-073117-041343
Mennicken, A., & Espeland, W. N. (2019b). What’s New with Numbers? Sociological Ap-
proaches to the Study of Quantification. Annual Review of Sociology, 45(1), 223
245. https://doi.org/10.1146/annurev-soc-073117-041343
Mersch, C. (2013). Die Welt der Patente: Soziologische Perspektiven auf eine zentrale Insti-
tution der globalen Wissensgesellschaft (1. Aufl.). Transcript.
Merton, R. K. (1940). Bureaucratic Structure and Personality. Social Forces, 18(4), 560568.
https://doi.org/10.2307/2570634
Merton, R. K. (1968). The Matthew Effect in Science. Science, 159(3810), 5663.
Miller, P. (2001). Governing by Numbers: Why Calculative Practices Matter. Social Re-
search, 68(2), 379396.
Miller, P., & O’Leary, T. (1987). Accounting and the construction of the governable person.
Accounting, Organizations and Society, 12(3), 235265.
https://doi.org/10.1016/0361-3682(87)90039-0
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
24
Miller, P., & Rose, N. (2008). Governing the Present: Administering Economic, Social and
Personal Life | Wiley. Polity Press. https://www.wiley.com/en-us/Govern-
ing+the+Present%3A+Administering+Economic%2C+Social+and+Per-
sonal+Life-p-9780745641003
Müller-Birn, C., Dobusch, L., & Herbsleb, J. D. (2013). Work-to-rule: The emergence of
algorithmic governance in Wikipedia. Proceedings of the 6th International Confer-
ence on Communities and Technologies - C&T ’13, 80–89.
https://doi.org/10.1145/2482991.2482999
Nassehi, A. (2019). Muster. Theorie der digitalen Gesellschaft. C.H. Beck Verlag.
Nicolae, S., Endreß, M., Berli, O., & Bischur, D. (Eds.). (2019). (Be)Werten. Beiträge zur
sozialen Konstruktion von Wertigkeit. Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-21763-1
O’Reilly, T. (2005). What Is Web 2.0? Design Patterns and Business Models for the Next
Generation of Software. http://www.oreilly.de/artikel/web20.html
Passoth, J.-H., & Rammert, W. (2019). Fragmentale Differenzierung als Gesellschaftsdiag-
nose: Was steckt hinter der zunehmenden Orientierung an Innovation, Granularität
und Heterogenität? In C. Schubert & I. Schulz-Schaeffer (Eds.), Berliner Schlüssel zur
Techniksoziologie (pp. 143177). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-22257-4_6
Petersen, A. C. M., Christensen, L. R., & Hildebrandt, T. T. (2020). The Role of Discretion
in the Age of Automation. Computer Supported Cooperative Work (CSCW).
https://doi.org/10.1007/s10606-020-09371-3
Petre, C., Duffy, B. E., & Hund, E. (2019). “Gaming the System”: Platform Paternalism and
the Politics of Algorithmic Visibility. Social Media + Society, 5(4),
2056305119879995. https://doi.org/10.1177/2056305119879995
Porter, T. M. (1994). Objectivity as Standardization: The Rhetoric of Impersonality in Meas-
urements, Statistics and Cost-Benefit Analysis. In A. Megill (Ed.), Rethinking Objec-
tivity (pp. 197237). Duke University Press.
Porter, T. M. (1996). Trust in Numbers. https://press.princeton.edu/books/paper-
back/9780691029085/trust-in-numbers
Power, M. (2004). Counting, Control and Calculation: Reflections on Measuring and Man-
agement. Human Relations, 57(6), 765783.
https://doi.org/10.1177/0018726704044955
Prey, R. (2018). Nothing personal: Algorithmic individuation on music streaming platforms.
Media, Culture & Society, 40(7), 10861100.
https://doi.org/10.1177/0163443717745147
Quetelet, A. L. (1869). A Treatise on Man and the Development of his Faculties.
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
25
Rammert, W. (2007). Die Form der Technik und die Differenz der Medien. Auf dem Weg
zu einer pragmatistischen Techniktheorie. In TechnikHandelnWissen (pp. 47
64). VS Verlag für Sozialwissenschaften.
Range, S., & Schweins, R. (2007). Klicks, Quoten, Reizwörter: Nachrichten-Sites im Internet
(p. 61). Friedrich-Ebert-Stiftung.
Reckwitz, A. (2017). Die Gesellschaft der Singualitäten. Zum Strukturwandel der Moderne.
Suhrkamp.
Ringel, L., & Werron, T. (Eds.). (2019). Rankings Soziologische Fallstudien. Springer Fach-
medien Wiesbaden. https://doi.org/10.1007/978-3-658-26366-9
Ritzer, G., & Jurgenson, N. (2010). Production, Consumption, Prosumption: The nature of
capitalism in the age of the digital ‘prosumer.’ Journal of Consumer Culture, 10(1),
1336. https://doi.org/10.1177/1469540509354673
Rosenblat, A. (2018). Uberland: How algorithms are rewriting the rules of work. University
of California Press.
Sauder, M., & Espeland, W. N. (2009). The Discipline of Rankings: Tight Coupling and
Organizational Change. American Sociological Review, 74(1), 6382.
https://doi.org/10.1177/000312240907400104
Schneider, V., & Mayntz, R. (1995). Der akteurszentrierte Institutionalismus in der Tech-
nikforschung. In J. Halfmann, G. Bechmann, & W. Rammert (Eds.), Technik und
Gesellschaft Jahrbuch 8: Theoriebausteine der Techniksoziologie. Campus.
Schweer, T. (2015). „Vor dem Täter am Tatort“ – Musterbasierte Tatortvorhersagen am Bei-
spiel des Wohnungseinbruchs. Die Kriminalpolizei, 32(1), 1316.
Scott, S. V., & Orlikowski, W. J. (2012). Reconfiguring relations of accountability: Materi-
alization of social media in the travel sector. Accounting, Organizations and Society,
37(1), 2640. https://doi.org/10.1016/j.aos.2011.11.005
Sidebottom, A., & Wortley, R. (2016). Environmental Criminology. In A. R. Piquero (Ed.),
The Handbook of Criminological Theory (pp. 156181). John Wiley & Sons Ltd.
Singelnstein, T. (2018). Predictive Policing: Algorithmenbasierte Straftatprognosen zur vo-
rausschauenden Kriminalintervention. Neue Zeitschrift Für Strafrecht, 38(1), 19.
Srnicek, N. (2017). Platform capitalism. Polity.
Staab, P. (2019). Digitaler Kapitalismus: Markt und Herrschaft in der Ökonomie der Unk-
nappheit. Suhrkamp.
Stevenson, M. T., & Doleac, J. L. (2019). Algorithmic Risk Assessment in the Hands of Hu-
mans (SSRN Scholarly Paper ID 3489440). Social Science Research Network.
https://papers.ssrn.com/abstract=3489440
Grieser/Egbert: Algorithmen = Rankings + x?
Short Paper für den 3. Workshop des AK „Digitalisierung und Organisation“ am 05. und 06. März 2020 in
Berlin
26
Werber, N. (2004). Vom Unterlaufen der Sinne. Digitalisierung als Codierung. transcript.
http://dx.doi.org/10.25969/mediarep/2645
White, H. C. (1981). Where Do Markets Come From? American Journal of Sociology, 87(3),
517547.
Wilson, G. L. K., James Q. (1982). Broken Windows. The Atlantic. https://www.theatlan-
tic.com/magazine/archive/1982/03/broken-windows/304465/
Zuboff, S. (2015). Big other: Surveillance capitalism and the prospects of an information civ-
ilization. Journal of Information Technology, 30(1), 7589.
https://doi.org/10.1057/jit.2015.5
Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new
frontier of power (First edition). PublicAffairs.
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
This paper examines the nature of discretion in social work in order to debunk myths dominating prevalent debates on digitisation and automation in the public sector. Social workers have traditionally used their discretion widely and with great autonomy, but discretion has increasingly come under pressure for its apparent subjectivity and randomness. In Denmark, our case in point, the government recently planned to standardise laws to limit or remove discretion where possible in order for automation of case management to gain a foothold. Recent studies have focused on discretion in the public sector, but few have examined it explicitly and as part of real cases. As a consequence, they often leave the myths about discretion unchallenged. Inspired by the literature on discretion and CSCW research on rules in action, this study reports on an empirical investigation of discretion in child protection services in Denmark. The results of our analysis provide a new understanding of discretion as a cooperative endeavour, based on consultation and skill, rather than an arbitrary or idiosyncratic choice. In this manner, our study contradicts the myth of discretion inherent in the automation agenda. Correspondingly, we ask for attention to be given to systems that integrate discretion with technology rather than seek to undermine it directly or get around it surreptitiously. In this age of automation, this is not only an important but also an urgent task for CSCW researchers to fulfil.
Article
Full-text available
As the logic of data-driven metrification reconfigures various realms of social and economic life, cultural workers—from journalists and musicians to photographers and social media content creators—are pursuing online visibility in earnest. Despite workers’ patterned deployment of search engine optimization, reciprocal linking, and automated engagement-boosting, tech companies routinely denigrate such practices as gaming the system. This article critically probes discourses and practices of so-called system-gaming by analyzing three key moments when platforms accused cultural producers of algorithmic manipulation. Empirically, we draw upon textual analyses of news articles ( n = 105) and user guidelines published by Google, Facebook, and Instagram. Our findings suggest that the line between what platforms deem illegitimate algorithmic manipulation and legitimate strategy is nebulous and largely reflective of their material interests. However, the language used to invoke this distinction is strongly normative, condemning “system gamers” as morally bankrupt, while casting platform companies as neutral actors working to uphold the ideals of authenticity and integrity. We term this dynamic “platform paternalism” and conclude that gaming accusations constitute an important mechanism through which platforms legitimate their power and authority, to the detriment of less well-established cultural producers.
Article
Full-text available
Racial profiling is discussed in Germany only for few years, although it can be proved empirically since centuries. In an analysis of applied police strategies eight groups of pheno- menon can be identified. Besides, the highly controversial so-called vehicle control without reasonable grounds or per- sonal stop and frisk, there are known, for example, raids, massive data mining operations, offender-based prediction assessments, group-related special registration or stereo- typed measures of investigation. Knowledge from studies itself explicitly to the phenomenon racial profiling accepts are rare in Germany. But the police science supplies plenty of material which argues by the way with the subject and gives valuable instructions. Opinion polls with affected persons and at the police conclude by a considerable problem field. Beside direct forms of the discrimination the existence of in- direct, systemic or institutional racism must be also assumed. Criminal Profiling, Institutional Discrimination, Foreigners‘ Criminality, Police History, Police Stops, Police Suspicion, Police Racism, Racial Profiling, Syste- mic Racism.
Book
Beherrschten vor 20 Jahren noch Industriekonglomerate, Energiekonzerne und Banken die Rangliste der wertvollsten Unternehmen, wurden diese längst von Internetgiganten wie Google, Apple, Amazon und Tencent abgelöst. Digitale Technik ist allgegenwärtig: Wir tragen Hochleistungsrechner in unseren Taschen herum, Waschmaschinen können sich mit dem Internet verbinden. Doch erschöpft sich darin das Neue am digitalen Kapitalismus? Das Buch beleuchtet den digitalen Kapitalismus aus unterschiedlichen Perspektiven, um ihn präziser auf den Begriff zu bringen. Er zeigt, wie digitale Überwachungs- und Bewertungspraktiken in immer mehr Bereiche der Wirtschaft vordringen und dabei die soziale Ungleichheit verschärfen. Das Spezifische am digitalen Kapitalismus, ist die Herausbildung »proprietärer Märkte«: Kam es früher darauf an, Dinge herzustellen und mit Gewinn zu verkaufen, geht es im Zeitalter der Unknappheit um das Eigentum an den Märkten selbst.
Chapter
Fragmentale Differenzierung – so die These – ist ein besonderer Modus sozialer Differenzierung, mit dem der strukturelle Wandel als reflexive Rekonfiguration von Gegenwartsgesellschaften verstanden werden kann. Die Muster und Mechanismen unterscheiden sich von denen der segmentären, stratifikatorischen und funktionalen Differenzierung. An die Stelle des Ordnens nach gleichartigen Segmenten, ungleichen Lagen oder gleichwertigen Funktionen sehen wir ein regelbrechendes und agil vermischendes Ordnen von ungleichartigen Fragmenten der institutionalisierten Systeme in Wirtschaft, Politik, Recht und Öffentlichkeit treten. Zunächst werden die Merkmale und Muster von drei markanten Prozessen des Wandels identifiziert und verglichen: die Ausweitung des Kreativitäts- und Innovationsimperativs, die Steigerung feinkörniger Auflösung von Einheiten und die Betonung heterogener Konstellationen. Danach werden die Mechanismen ihrer Herstellung und die infrastrukturellen wie soziotechnischen Bedingungen dafür in Auseinandersetzung mit aktuellen Gesellschaftsanalysen (Abbott, Reckwitz, Latour) herausgearbeitet. Vielfalt der Differenzierungen und ökologische Koordination werden als Konsequenzen für die Gesellschaftsanalyse gezogen.