Methode: "Der menschliche Algorithmus"

Eine interaktive Simulation zur Veranschaulichung des TikTok-Algorithmus

Methodenbeschreibung

In dieser Simulation erleben die Schülerinnen und Schüler die Funktionsweise des TikTok-Algorithmus in einer handlungsorientierten, spielerischen Form. Die Methode veranschaulicht, wie der Algorithmus Nutzerinteraktionen analysiert und darauf basierend Inhalte personalisiert.

Überblick

Zielgruppe: Ab Klasse 7
Teilnehmerzahl: Beliebig (in Kleingruppen von 3-4 SuS)
Zeitbedarf: 30-45 Minuten
Sozialform: Gruppenarbeit
Material: Interessenskarten, Bildkarten, Bewertungsbögen

Lernziele

Grundprinzipien von Empfehlungsalgorithmen verstehen
Zusammenhang zwischen Nutzerinteraktionen und Inhaltsauswahl erkennen
Entstehung von Filterblasen nachvollziehen
Personalisierung von sozialen Medien kritisch reflektieren
Auswirkungen eigener Online-Interaktionen bewusst machen

Didaktischer Mehrwert:

Diese Methode macht den komplexen und abstrakten Prozess algorithmischer Personalisierung greifbar und erlebbar. Durch die Rollen als "Nutzer" und "Algorithmus" können die SuS beide Perspektiven einnehmen und verstehen, wie ihre eigenen Interaktionen den digitalen Inhalt beeinflussen, den sie täglich konsumieren. Die spielerische Herangehensweise fördert zudem die Motivation und aktive Auseinandersetzung mit dem Thema.

Ablauf der Methode

Schritt-für-Schritt-Anleitung:

1
Vorbereitung

Teilen Sie die Klasse in Gruppen von 3-4 SuS ein. In jeder Gruppe gibt es folgende Rollen:
- 1 Person als "Nutzer"
- 2-3 Personen als "Algorithmus-Team"
Geben Sie jeder Gruppe einen Satz Materialien (siehe unten).
2
Verteilung der Materialien

Der "Nutzer" erhält:
- 4-5 zufällig ausgewählte Interessenskarten, die er nicht zeigen darf
- Einen Bewertungsbogen für die Videos
Das "Algorithmus-Team" erhält:
- Einen Stapel mit 15-20 Video-Bildkarten aus verschiedenen Kategorien
- Einen Algorithmus-Protokollbogen
3
Runde 1: Erste Auswahl

Das Algorithmus-Team wählt ohne Vorkenntnisse 5 zufällige Videos aus dem Stapel aus und zeigt sie dem Nutzer. Der Nutzer bewertet jedes Video auf seinem Bogen mit:
- "Like" (interessant, entspricht meinen Interessen)
- "Weiterscollen" (neutral, weder interessant noch uninteressant)
- "Nicht interessiert" (entspricht nicht meinen Interessen)
Das Algorithmus-Team notiert die Bewertungen auf seinem Protokollbogen.
4
Analyse und Anpassung

Das Algorithmus-Team analysiert die Bewertungen und versucht, die Interessen des Nutzers zu erkennen. Es sollte:
- Muster in den positiv bewerteten Videos identifizieren
- Hypothesen über die Interessen des Nutzers aufstellen
- Eine Strategie für die nächste Auswahl entwickeln
Das Algorithmus-Team hält seine Erkenntnisse und Strategie auf dem Protokollbogen fest.
5

Runde 2: Angepasste Auswahl

Das Algorithmus-Team wählt basierend auf seiner Analyse 5 neue Videos aus, die besser zu den vermuteten Interessen des Nutzers passen sollten. Der Nutzer bewertet wieder.
6

Runde 3: Optimierte Auswahl

Das Algorithmus-Team wählt nach erneuter Analyse 5 weitere Videos aus, die noch besser zu den Interessen des Nutzers passen sollten. Nach der dritten Bewertungsrunde ist die Simulation abgeschlossen.
7
Auflösung und Reflexion

Der Nutzer deckt nun seine tatsächlichen Interessenskarten auf. Die Gruppe vergleicht:
- Wie gut hat der "Algorithmus" die Interessen erkannt?
- Welche Interessen wurden leicht erkannt, welche übersehen?
- Wie hat sich die Video-Auswahl über die drei Runden verändert?

Moderationshinweise:

Betonen Sie, dass es für das "Algorithmus-Team" eine Herausforderung ist, die Interessen schnell zu erkennen – genau wie bei echten Algorithmen ist das ein Lernprozess.
Achten Sie darauf, dass die Nutzer ihre Bewertungen authentisch und konsistent zu ihren geheimen Interessenskarten abgeben.
Weisen Sie darauf hin, dass auch echte Algorithmen anfangs "raten" müssen und sich erst durch Interaktionen verbessern.
Wenn die Gruppen unterschiedlich schnell sind, können schnellere Gruppen eine vierte Runde durchführen oder ausführlichere Strategien entwickeln.

Benötigtes Material:

1. Interessenskarten (für den "Nutzer")

Erstellen Sie Karten mit verschiedenen Interessen. Jeder "Nutzer" erhält 4-5 zufällige Karten.

Sport

Musik

Kochen

Gaming

Tiere

Mode

Comedy

Kunst

Dies sind nur Beispiele – erstellen Sie mehr Kategorien passend zu den Interessen Ihrer SuS.

2. Video-Bildkarten (für das "Algorithmus-Team")

Erstellen Sie 15-20 Karten mit Bildern/Beschreibungen fiktiver Videos aus verschiedenen Kategorien. Jedes Algorithmus-Team erhält einen vollständigen Satz.

Fußball-Tricks

Jugendlicher zeigt spektakuläre Fußballtricks im Garten

#Sport #Fußball

Piano-Cover

Teenager spielt bekannten Pop-Song auf dem Klavier

#Musik #Talent

Schnelles Dessert

Einfaches Schoko-Dessert in 3 Minuten zubereiten

#Kochen #Rezept

Diese Beispiele sollten um mindestens 12-17 weitere Karten ergänzt werden, die verschiedene Interessen abdecken.

3. Bewertungsbogen (für den "Nutzer")

Ein einfacher Bogen, auf dem der Nutzer seine Bewertungen für jedes gezeigte Video notieren kann.

Runde	Video	Bewertung	Kommentar
1	1	Like Neutral Nicht interessiert

4. Algorithmus-Protokollbogen (für das "Algorithmus-Team")

Ein Bogen, auf dem das Team seine Analyse und Strategie dokumentieren kann.

Protokollbogen: Der menschliche Algorithmus

Runde 1: Erste Beobachtungen

Welche Videos wurden positiv/negativ bewertet? Welche Muster erkennt ihr?

Hypothese nach Runde 1

Was glaubt ihr, interessiert den Nutzer? Welche Kategorien?

Strategie für Runde 2

Wie wählt ihr die nächsten Videos aus? Was testet ihr?

Auswertung und Reflexion

Gemeinsame Reflexion nach der Simulation

Nach Abschluss der Gruppenphase sollte eine gemeinsame Reflexion im Plenum folgen. Folgende Leitfragen können die Diskussion strukturieren:

Zum Algorithmus:

Wie hat sich die Genauigkeit des "Algorithmus" über die Runden verändert?
Welche Interessen waren leicht zu erkennen, welche schwer?
Welche Strategien hat euer Algorithmus-Team entwickelt?
Welche Art von "Daten" waren am hilfreichsten für genaue Empfehlungen?
Wie könnte der Algorithmus noch besser werden?

Zum Nutzererlebnis:

Wie hat sich die Relevanz der gezeigten Videos über die Runden verändert?
Hat der Algorithmus deine Interessen korrekt erkannt?
Wie hast du dich als "Nutzer" gefühlt, wenn dir relevante/irrelevante Videos gezeigt wurden?
Würdest du im echten Leben ähnlich bewerten wie in dieser Simulation?
Fandest du es angenehm, wenn dir der Algorithmus "ähnliche" Inhalte zeigt?

Transfer zur realen TikTok-Erfahrung

Unterschiede zum echten TikTok-Algorithmus:

Der echte Algorithmus analysiert viel mehr Datenpunkte: Verweildauer, Wiedergaben, Teilen, Kommentare, aber auch Gerätetyp, Standort, Netzwerkverbindung usw.
Er arbeitet viel schneller und kann Millionen von Videos in Sekundenbruchteilen auswerten
Er kann Inhalte der Videos selbst analysieren (Texte, Objekte, Musik, Bewegungen)
Er berücksichtigt Trends und Viralität in seinem Auswahlprozess
Er macht keine bewussten Hypothesen, sondern nutzt maschinelles Lernen, um Muster zu erkennen

Gemeinsamkeiten mit dem echten TikTok-Algorithmus:

Beide lernen aus Interaktionen und verbessern sich mit der Zeit
Beide versuchen, Interessen und Vorlieben zu erkennen
Beide experimentieren mit der Anzeige verschiedener Inhalte, um zu sehen, was gefällt
Beide personalisieren den Feed basierend auf vergangenen Interaktionen
Beide können Filterblasen erzeugen, indem sie immer ähnlichere Inhalte anzeigen

Weiterführende Diskussion zur Filterblase

Die Simulation zeigt auch, wie Filterblasen entstehen: Je mehr der Algorithmus über die Interessen lernt, desto spezifischer werden die gezeigten Inhalte. Dies kann zu folgenden Fragen führen:

Ist es gut oder schlecht, wenn uns hauptsächlich Inhalte gezeigt werden, die zu unseren bekannten Interessen passen?
Wie könnte ein Algorithmus für mehr Vielfalt sorgen?
Welche Verantwortung haben Nutzer, um ihre eigene Filterblase zu durchbrechen?
Welche Verantwortung haben Plattformen wie TikTok?
Wie beeinflusst die "For You Page" unsere Weltwahrnehmung?

Varianten und Erweiterungen

Rollentausch

Nach dem ersten Durchlauf wechseln die SuS die Rollen. So kann jeder beide Perspektiven (Nutzer und Algorithmus) erleben. In einer abschließenden Reflexion können die Erfahrungen aus beiden Rollen verglichen werden.

Vergleichende Analyse

Verschiedene Gruppen erhalten unterschiedliche Interessen- und Video-Sets. Am Ende vergleichen die Gruppen, bei welchen Interessentypen der Algorithmus schneller oder langsamer gelernt hat. Dies zeigt, dass einige Interessen leichter zu erkennen sind als andere.

Filterblase verstärken

In einer vierten Runde soll das Algorithmus-Team bewusst nur noch Videos aus den erkannten Hauptinteressen zeigen, ohne neue oder abweichende Inhalte einzustreuen. Anschließend wird diskutiert, wie sich dies anfühlt und welche Probleme dadurch entstehen könnten.

Werbealgorithmus

Zusätzlich zu den Video-Karten gibt es Werbekarten. Das Algorithmus-Team muss neben den Videos auch passende Werbung auswählen, die zu den vermuteten Interessen passt. Dies veranschaulicht, wie personalisierte Werbung funktioniert.

Erweiterte Lerneinheit:

Diese Simulation kann in eine umfassendere Lerneinheit zum Thema "Algorithmen in sozialen Medien" eingebettet werden:

Vorab: Theoretische Einführung zu Empfehlungsalgorithmen und ihren Grundprinzipien
Hauptteil: Durchführung der "Menschlicher Algorithmus"-Simulation
Vertiefung: Analyse der tatsächlichen For You Page der SuS (wenn möglich)
Erweiterung: Entwicklung von Strategien, um den Algorithmus bewusst zu beeinflussen
Abschluss: Kritische Diskussion über Vor- und Nachteile personalisierter Medien