Page - 167 - in Limina - Grazer theologische Perspektiven, Volume 1:1

167 | www.limina-graz.eu Ich verwende mehrfach in diesem Text als einfache Beispiele elektronische Publikationen, den Kauf von Artikeln im Onlineversand sowie Social Me- dia wie Facebook. Die Anwendbarkeit ist aber universell und real deutlich weiter gefasst. Ich möchte nun zunächst einige Begriffe so definieren, wie ich sie anwende. ̟ Daten: Das sind „Nutzinhalte“ oder Content, also etwa dieser Arti- kel. ̟ Metadaten 1: Daten, die diese Nutzinhalte beschreiben. Also be- schreibend (Titel, Autor, Datum…), strukturell zuordnend (Hier- archien, Taxonomien, Orte…) und administrativ (Einordnung, Rechte…). ̟ Metadaten 2: Einerseits Daten und Protokolle über die Nutzung (wann erstellt, wann/von wem abgerufen, wie lange wo verfüg- bar…), andererseits und zusätzlich dazu dynamische Verbindungen zu anderen Daten mit Musterbezügen. ̟ Metadaten 3: Daten über die kollektive (Massen-) Nutzung von An- geboten. Das sind Nutzung, Zustimmung und Ablehnung, Kom- mentierung, Verweildauern, Re-Publikation etc. ̟ Musterbezüge: Das sind Relationen zu anderen Daten (und Meta da- ten) aufgrund von ähnlichen oder gegenteiligen Mustern in Daten wie in Metadaten. Als Beispiel sei die bekannte Empfehlung weite- rer Produkte bei Amazon genannt. Die Erkennung von Mustern fin- det oft nicht auf Basis systematischer und vordefinierter kausaler Planung statt. Vielmehr wird Big Data3 dafür genutzt, automatisch Zusammenhänge bzw. Koinzidenzen zu erkennen, vielfach ohne für die „menschliche“ Betrachtung ersichtliche und direkte Kausalität. Musterbezüge können hoch dynamisch sein. Themenverwandte Publikationen zu einem Artikel können beispielsweise laufend er- scheinen oder geändert werden Und auch diese Dynamik kann als Protokoll zu weiteren – oft ganz wesentlichen – Metadaten werden. ̟ Profilierung: Das fügt eine weitere Metaebene hinzu. Daten, Nut- zung, Nutzer und derlei Bezüge sind sehr unterschiedlich, mitunter nur oberflächlich sehr verschieden, mitunter qualitativ. Profilie- rung ist eine Art der Klassifizierung und Sammlung für bestimm- te Anwendungsfälle. So kommt es zu einer benutzerspezifischen Zuordnung einer Vorliebe für Küchenutensilien und französische Kochbücher beim Stöbern im Angebot von Amazon und in weiterer Folge zu entsprechenden Angeboten. Christian Ekhart | Big Data und Metadaten 3 Vgl. https://en.wikipedia.org/ wiki/Big_data.