TikToks, Reels, Shorts
Plattformlogiken, KI und Verstärkereffekte verstehen
Gemeinnütziger Verein
Gegründet 2013
Sitz in Berlin
Ehrenamtlicher Vorstand
Verein für politische Medienbildung www.medialepfade.org
Wir möchten dazu beitragen, Desinformation und Online-Radikalisierung präventiv zu begegnen und das Potenzial von Kurzvideos für politische Bildung zu nutzen.
Zielsetzung TikTokSlam
Wirkmechanismen von Online-Radikalisierung besser verstehen
Sichtbarkeit von demokratischem Engagement und Werten verstärken
Plattformen nicht rechten Akteur*innen überlassen, menschenverachtenden Diskursen etwas entgegensetzen
Projektvorstellung
Auszubildende, Berufsanfänger*innen und Fachkräfte
Zentrale BestandteileAkteur*innen der Demokratievermittlung, von
NGOs und Vereinen
Workshops für Fachtage, Veranstaltungen für Berliner zivilgesellschaftliche Vereine
TikToks, Reels, Shorts
Plattformlogiken, KI und Verstärkereffekte verstehen
360 Stunden Video pro Minute
1296000 sec
1 sec
recommender
Überblick
- Wer, Wie, Was - Warum - Recommender?
- Egal, Hauptsache Engagement
- Reclaim Recommender
- Interaktion oder Engagement Farming
Zentrale Fähigkeiten von Recommendersystemen
1. Items kategorisieren
2. User analysieren
3. Beziehungen modellieren
4. Rankings erstellen
5. Vorhersagemodelle verbessern
1. Wer, Wie, Was - Warum - Recommender?
1. Items kategorisieren
d.h., "Verstehen", was ein Video zeigt und was für ein Video das ist.
Das System muss erkennen:
Ist das ein Tanz, ein politischer Kommentar, ein Beauty-Tutorial oder ein wütender Monolog?
➡️ Dafür analysiert das System Bild, Ton, Text.
1. Wer, Wie, Was - Warum - Recommender?
2. User analysieren
d.h., "Beobachten", wie Menschen auf Videos reagieren
Das System merkt sich:
- Wer hat wie lange geschaut?
- Wurde geliked, geteilt oder kommentiert?
- Wurde gleich weitergewischt?
➡️ Es „lernt", welche Inhalte einen Account wirklich interessieren – und welche nicht.
1. Wer, Wie, Was - Warum - Recommender?
3. Beziehungen modellieren
d.h., Zusammenhänge zwischen Menschen und Videos erkennen
Das System versucht zu verstehen:
„Aha, Menschen, die Video A mochten, mochten oft auch Video B."
➡️ Es bildet so Cluster von ähnlichen Videos und Accounts, ohne dass wir Einsicht haben.
1. Wer, Wie, Was - Warum - Recommender?
4. Rankings dynamisch erstellen
d.h. schnell entscheiden, was du als nächstes sehen wirst
Das System bewertet aktuell Millionen von Videos:
„Welches davon passt jetzt genau zu dir – basierend auf deinen bisherigen Reaktionen?"
➡️ Es will möglichst genau vorhersagen: „Was hält einen User am längsten auf der Plattform und erzeugt Engagement?"
1. Wer, Wie, Was - Warum - Recommender?
5. Vorhersagemodelle verbessern
d.h. es lernt über eine dauerhafte Feedback-Schleife
Wenn du aufhörst, bestimmte Inhalte zu schauen oder neue Interessen zeigst, registriert es das.
➡️ Es passt sich ständig an – dein Feed verändert sich mit dir.
1. Wer, Wie, Was - Warum - Recommender?
RecommenderSysteme
sind Machine Learning Technologien
Sie analysieren komplexes Nutzerverhalten und vielfältige Inhaltsmerkmale und lernen daraus Wahrscheinlichkeiten:
- Wie wahrscheinlich ist es, dass du das nächste Video zu Ende schaust?
- Oder likest, kommentierst, folgst?
1. Wer, Wie, Was - Warum - Recommender?
Systeme nicht neutral
Sie zeigen, was das Nutzungsverhalten bedient,
nicht, was du brauchst, suchst oder korrekt ist.
Das bedeutet...
+++ mehr Ähnliches angezeigt +++ kontroverse /emotionale Inhalte überbetont +++ bestimmte Inhalte unsichtbar +++ Videos +++
Die Systeme reagieren auf Engagment.
1. Wer, Wie, Was - Warum - Recommender?
Was ist Engagement?
Maschinelles Lernen braucht Zahlen
und Engagement liefert diese.
Engagement wird aus messbaren Signalen abgeleitet.
2. Egal, Hauptsache Engagement
Engagement-Signale
Signal
Daten
Bedeutung
Watchtime
Dauer in Sek.
Interesse, inhaltliche Relevanz
Like
nein/ja (0/1)
Zustimmung, Anerkennung, Lob
Share
nein/ja | Adresse
soziale Relevanz, virales Potenzial
Save
nein/ja
langfristiges Interesse
Kommentar
tieferes Engagement, ggf. Polarisierung
Follow
nein/ja
Relevanz des Creators
Skip / Swipe
Schwellwert: 3 sek
Ablehnung, Langeweile
Replay
+n
Interesse, Verstehen, Abwesenheit
nein/ja | Text
Was ist Engagement?
Engagement wird durch
messbare Nutzungsignale beschrieben.
Interpretation, Gewichtung
und Korrelierung
dieser Signale mit Videomerkmalen führt zu Empfehlungen.
2. Egal, Hauptsache Engagement
Was Korreliert?
Chile (130, 300)
YouTube (800, 900)
Instagram (900, 750)
Mongolei (100, 201)
TikTok (750, 600)
Senegal (140, 100)
2-dimensionaler Einbettungsraum
2. Egal, Hauptsache Engagement
Was Korreliert?
2-dimensionaler Einbettungsraum
Chile (130, 300)
YouTube (800, 900)
Instagram (900, 750)
Mongolei (100, 201)
TikTok (750, 600)
Senegal (140, 100)
2. Egal, Hauptsache Engagement
Maschinelle Lernlogik
Nutzungssignale (User-Engagement) steuern Lernprozesse
Modell analysiert Videoinhalte (gewichteter Merkmalkatalog)
Modell analysiert Account-Verhalten (Reiz-Reaktion)
Empfehlung aufgrund der Nutzungsignale, nicht inhaltl. Werte
Modell lernt: „Welche Kombinationen von Merkmalen erzeugen welches Verhalten?"
Optimierung: „Zeige mehr von dem, was Engagement erzeugt."
Zielsetzung: Maximierung von Verweildauer, Aktivität und Wiederkehrrate.
2. Egal, Hauptsache Engagement
Psychologie des Engagements
Engagement ist ein Index für emotionalen Reaktionen, aber kein Beleg für Qualität, Zustimmung oder Aufklärung.
Engagement ≠ Zustimmung oder Qualität
Beispiel: Ein provokantes, falsches oder hetzerisches Video kann Wut auslösen, und genau deshalb interagiert das Publikum stark – um zu widersprechen, sich aufzuregen oder es weiterzuleiten.
2. Egal, Hauptsache Engagement
Psychologie des Engagements
Interface-Merkmal
Wirkung auf Nutzerverhalten
Starker Fokus |
1 Video pro Screen
Maximale Aufmerksamkeit auf einen Reiz
Einfaches Feedback |
Swipen, Zurück, Verweilen etc.
Reduzierter Kontext |
kein Titel, Erklärung, Kommentar
Endloser Feed |
lineare, offene, zyklische Struktur
Jede Handlung ist Signal für das System
Schnelle Reaktionen ohne Reflexionsraum
Reiz-Reaktion ohne Pause und Abschlusslogik
Engagement und Verstärkereffekte
Ursache
Wirkung
Optimierung auf Engagement
Feedback-Loop
Ähnlichkeitslernen
Interfacedesign
Fehlende inhaltliche Bewertung
Schnelle, emotionale Inhalte bevorzugt
Erste Erfolge massiv verstärkt
Ausspielen bekannter Inhalte
Reflexartiges Feedback
kein Filter für Richtigkeit oder Qualität
Engagement - nur ein Baustein in Software-Architektur, die verschiedene Verstärkereffekte erzeugt.
2. Egal, Hauptsache Engagement
Technische Designs sind nicht neutral.
Die Verstärkereffekte lassen sich ggf. bremsen durch:
- andere Zielgrößen (z. B. Zufriedenheit statt Engagement)
- Fokus auf Inhaltsmerkmale, statt auf Nutzungsdaten
- Systeme, die inhaltliche Vielfalt betonen
- Medienbildung, die diese Systeme verstehbar macht
- kritische Nutzungsweisen (reflektierend statt reaktiv)
Reclaim recommender
3. Reclaim Recommender
wären da nicht diese Netzwerkeffekte
Warum bleiben wir trotzdem bei TikTok, Insta, YouTube & Co.?
Netzwerkeffekte = Je größer das Netzwerk, desto größer der Nutzen für alle.
- Reichweite & Sichtbarkeit gibt es dort, wo die Masse ist
- Interaktion entsteht, wo sich viele Menschen bewegen
- Viralität folgt der algorithmischen Plattformlogik
- Gewöhnung & Komfortzonen erschweren Plattformwechsel
Reclaim recommender
3. Reclaim Recommender
Kontakt & Ressourcen
mediale pfade
- Website: medialepfade.org
- Projekt: tiktokslam.berlin
- E-Mail: info@medialepfade.org
Workshop-Material
- Alle Materialien als OER verfügbar
- QR-Code zum Download der Präsentation
Copy_ilker_Karl_ Modul B - TikToks, Reels, Shorts – Plattformlogiken, KI und Verstärkereffekte verstehen
By medialepfade-workshop
