Seite - 87 - in Algorithmuskulturen - Über die rechnerische Konstruktion der Wirklichkeit

3. #trendingistrending 87 lineaktivität Gedanken zu machen (Beer 2015; Beer/Burrows 2013; Gerlitz/ Lury 2014; Grosser 2014; Hallinan/Striphas 2014; Hanrahan 2013; Lotan 2015; Marwick 2015). Erstens sind wichtige Fragen zu stellen, wie diese Messins- trumente gebaut sind und wie sie die digitale Kultur prägen. Ähnliche Fra- gen wurden schon bezüglich demoskopischer Methoden zur Feststellung der öffentlichen Meinung gestellt (Beniger 1992; Bourdieu 1972; Herbst 2001). Wie werden Behauptungen über das was ›trending‹ ist erstellt, wer wird dabei erfasst und inwiefern könnten diese Behauptungen verzerrend sein? Compu- terbasierte statistische Methoden zur Ermittlung des populären Geschmacks können in vielerlei Hinsicht unausgewogen und verzerrend sein (Baym 2013). Trends könnten einige Formen der Publikumsaktivität besser erfassen als an- dere, nicht allein indem sie diese übersehen, sondern auch indem sie diese zu etwas vermeintlich Irrelevantem machen. Da nur wenige Institutionen diese Metriken in großem Umfang generieren können und diese oftmals selbst de- ren Produzent und Vertreiber (und Betreiber von Plattformen) sind, besteht darüber hinaus das Risiko eigennütziger Verzerrungen, indem sie jene Arten an Kollektivität formen, die sie erhoffen zu erzeugen und die auf ihre Plattform zugeschnitten sind. Zweitens, was sind die Effekte dieser Metriken, wenn sie in die Öffentlich- keit zurückgeleitet werden? Es gibt Hinweise dafür, dass Metriken Popularität nicht lediglich abbilden, sondern diese auch verstärken – ein Matthäus-Effekt mit wirklichen ökonomischen Konsequenzen für die Gewinner wie auch für die Verlierer. Einige Social-Media-Plattformen sind so strukturiert, dass sie Popula- rität mit Sichtbarkeit belohnen, indem sie die höchst rangierenden Suchergeb- nisse oder den am besten von einer Community bewerteten Inhalt ganz oben auf ihrer Seite aufführen. Wenn Sichtbarkeit für Publizität von Bedeutung ist, dann sind Metriken der Popularität, welche diese Sichtbarkeit bestimmen ebenso be- deutsam (Sorenson 2007; Stoddard 2015). Darüber hinaus nutzen einige Kon- sumenten solche Metriken als Indikatoren für Qualität: Das Kaufen entlang der Bestsellerliste oder das Downloaden der am häufigsten heruntergeladenen Songs ist eine bessere Strategie um an Qualität zu kommen als sich allein vom Zufall leiten zu lassen. Dies wiederum bedeutet, dass frühe Gewinner Verstär- kungseffekte ihrer eigenen Popularität genießen (Salganik/Watts 2008). Die Dynamik solcher Feedbackschleifen ist im Falle von Trending-Algo- rithmen wahrscheinlich ausgeprägter und verwobener. Weil die Kalkulationen nahezu in Echtzeit erfolgen (Weltevrede et al. 2014) und just in dem Moment an die Nutzer zurückgeleitet werden, in dem sie mit diesen hervorgehobenen Inhalten interagieren können, ist es wahrscheinlich, dass die Zunahme an Popularität noch gesteigert wird. Wie David Beer anmerkt, »beobachten wir eine emergierende ›Politik der Zirkulation‹, in der Daten rekursiv in die Re- konfiguration von Kultur zurück gefaltet werden« (Beer 2015: 2). In einigen Fällen ist dies zentral für das Interface einer Plattform. Man klicke beispiels-