Page - 314 - in Digitale Datenbanken - Eine Medientheorie im Zeitalter von Big Data

Digitale Datenbanken314 Man hätte es im Vorhinein wissen können. Damit ist eine Grenze der Auswertungs- möglichkeiten von Informationssammlungen benannt, die sich in Zukunft ver- schieben, aber wohl nie gänzlich verschwinden wird, da Computerprogramme stets nur »inside their box« operieren können. Die diskutierten Möglichkeiten und Grenzen des Entdeckens von neuem Wissen in bereits bekannten Informationen führen zurück zu der bereits erwähnten Debatte über das beginnende Ende der Theorie unter den Bedingungen von Big Data. Dass Andersons These – die hypothesen- und theoriegeleitete Forschung werde durch die algorithmische Suche nach Korrelationen in großen Datenbeständen abgelöst – umstritten ist, wurde bereits erwähnt. Zugleich kommt der Korrelationsanalyse und anderen Data Mining-Verfahren gegenwärtig eine zunehmende Bedeutung zu. Daher argumentieren Viktor Mayer-Schönberger und Kenneth Cukier in ihrem Buch Big Data: A Revolution That Will Transform How We Live, Work and Think, dass das Fragen nach Kausalität im Vergleich zur Suche nach Korrelationen aktuell an Bedeutung verliert. Wichtiger als das knowing why (Kausalität) wird ihres Er- achtens das knowing what (Korrelation): »Knowing what, not why, is good enough« (Mayer-Schönberger/Cukier 2013: 52).63 Die Gegenüberstellung von Kausalität und Korrelation birgt die Gefahr, dass man beide als sich wechselseitig ausschließende Erkenntnismodi begreift. Dies ist jedoch nicht der Fall, denn Korrelationen nehmen in der natur- und sozialwissenschaftlichen Forschungspraxis schon lange eine wichtige Rolle ein. Kurzum: Korrelationen stehen nicht in Widerspruch zur Frage nach Kausalität und wissenschaftlicher Theoriebildung. Hierauf weisen auch Mayer-Schönberger und Cukier hin (vgl. 2013: 67f.). Was ist dann jedoch das spezifisch Neue an der Wissensproduktion im Zeitalter von Big Data? Für Mayer-Schönberger und Cukier besteht dies in der Rolle, die Analyseprogramme oder Algorithmen bei Suche nach Korrelationen einnehmen, welche in großen Informationsbeständen automatisch Zusammenhänge zwischen Variablen entdecken können (vgl. Mayer-Schönberger/ Cukier 2013: 54ff.). Infolgedessen gehe das Finden von Korrelationen der wissen- schaftlichen Hypothesen- und Theoriebildung voraus (Mayer-Schönberger/Cukier 2013: 55). Diese Behauptung ist insofern problematisch, als dass nahegelegt wird, dass Big Data-Auswertungsverfahren unbedingt und voraussetzungslos – oder in anderen Worten: theorie- und hypothesenfrei Zusammenhänge in Datensätzen ent- decken können. 63 | Es ist bemerkenswert, dass Mayer-Schönberger und Cukier fast ausschließlich Beispiele aus ökonomischen Kontexten erwähnen, um ihre Diagnose zu untermauern: »Knowing why might be pleasant, but it’s unimportant for stimulating sales. Knowing what, however, drives clicks. This insight has the power to reshape many industries, not just e-commerce« (Mayer-Schönberger/Cukier 2013: 52). Daher ist zu fragen, inwieweit der Korrelationsanalyse auch in den Wissenschaften eine größere Be - deutung zukommt als dem Fragen nach Kausalität.