Page - 315 - in Digitale Datenbanken - Eine Medientheorie im Zeitalter von Big Data

Phänomeno-Logik 315 Wie am Beispiel des Neun-Punkte-Problems gezeigt wurde, sind dem auto- matischen Entdecken von Zusammenhängen mit spezifischen Auswertungsver- fahren jedoch stets Grenzen gesetzt. Daher gilt es zu fragen, welche Auswertungs- verfahren aus welchen Gründen auf welche Datenbestände angewandt werden und wie die entdeckten Korrelationen interpretiert, verifiziert und nicht zuletzt theoretisiert werden. So mögen Algorithmen überraschende, d.h. nicht durch Hypothesen vorhergesagte Zusammenhänge zwischen spezifischen Variablen freilegen können, dass aber mit bestimmten Verfahren in bestimmten Datensätzen Korrelationen entdeckt werden können, bedarf eines Vorwissens, welches sich in die Auswertung einschreibt und die Interpretation der Ergebnisse bedingt. Es handelt sich, wenn man so will, um prozedurale Hypothesen, die von thematischen Hypothesen zu unterscheiden sind.64 Während thematische Hypothesen einen Zu- sammenhang zwischen spezifischen Variablen behaupten, beruhen prozedurale Hypothesen auf der Annahme, dass mit spezifischen Verfahren bestimmte Zu- sammenhänge entdeckt werden können. Insofern markiert Big Data nicht den Anbruch einer Ära theorie- und hypothesenfreier Forschung. Vorläufig könnte zumindest eine zunehmende Verdrängung thematischer Hypothesen durch pro- zedurale Hypothesen diagnostiziert werden, welche der Analyse vorausgehen und sie anleiten. Diese prozeduralen Hypothesen sind den Auswertungsverfahren bis- lang weitgehend implizit. Aufgabe künftiger medientheoretischer Analysen von Big Data ist es daher, diese impliziten Annahmen zu explizieren. Visuelles Erkunden mit Informationsvisualisierungen Ziel der Auswertung von Datenbanken ist es Manovich zufolge, ein Verständnis von Informationssammlungen zu entwickeln sowie Muster und Zusammenhänge darin zu entdecken, »[to] understand the ›shape‹ of [the] overall collection and notice interesting patter[n]s« (Manovich 2011). Von zentraler Bedeutung sind die im Data Mining angewandten mathematischen Analyseverfahren. Fayyad et al. nennen sechs Methoden, die typischerweise zum Einsatz kommen: Klassifikation, Clusterbildung, Regression, Assoziationsanalyse, Anomalieerkennung und die Zu- sammenfassung respektive Verdichtung (vgl. Fayyad et al. 1996: 44f.). Obwohl es sich hierbei um automatische Auswertungsverfahren handelt, führen diese nicht 64 | Dieser Unterscheidungsvorschlag lehnt sich lose an Herbert A. Simons Unter- scheidung von substanzieller und prozeduraler Rationalität an, die dieser im Kontext seiner Diskussion ökonomischer Theorien einführt. Verhalten beruht Simon zufolge auf substanzieller Rationalität, »when it is appropriate to the achievement of given goals within the Iimits imposed by given conditions and constraints« (Simon 1976: 131). Bei prozeduraler Rationalität stehen demgegenüber die Problemlösungsver- fahren im Vordergrund: »From a procedural standpoint, our interest would lie not in the problem solution – the prescribed diet itself – but in the method used to discover it« (Simon 1976: 132).