Open-Science-Strategien
In der Forschung wird vielfach mit neuen Datenquellen (digitalen Datenspuren) und Methoden (Machine Learning) gearbeitet. Im Gegensatz zu anderen Erhebungen wissen die Beforschten in der Regel nicht, dass sie und ihre Daten zum Forschungsgegenstand werden. Open-Science-Konzepte dagegen versuchen Forschung transparenter, nachvollziehbarer und partizipativer zu gestalten. Das Projekt behandelt eben dieses Spannungsfeld.
Open Science als zivilgesellschaftliche Initiative
Open Science ist eine in der wissenschaftlichen Gemeinschaft entwickelte fächerübergreifende Initiative, um im Sinne einer „offenen Wissenschaft“ die Ergebnisse von Forschung innerhalb der Wissenschaft selbst, aber vor allem auch für Öffentlichkeit und Zivilgesellschaft, für Bürger:innen und Praktiker:innen frei und schnell zugänglich zu machen. Durch neue Wege z.B. von Open Access und Open Data sollen wissenschaftliche Erkenntnisse allgemeinverständlich kommuniziert und Forschung dadurch transparenter und nachvollziehbarer gestaltet werden.
In der Digitalisierungsforschung wird vielfach mit neuen Datenquellen gearbeitet, wie etwa mit Social-Media-Inhalten oder mit Datenspuren, die durch den Gebrauch von Internet-of-Things-Technologien erzeugt wurden. Zur Analyse dieser Datenquellen kommen neue Forschungsmethoden der Data Science und des Machine Learning zum Einsatz, wie sie vielfach auf Social-Media-Plattformen selbst verwendet werden, um Nutzerverhalten zu analysieren, Trends zu spiegeln oder gar vorherzusagen.
In dem Projekt soll die Frage untersucht werden, welche Modelle der Zusammenarbeit mit ‚Beforschten’ im Sinne der Open Science in diesem Forschungsfeld möglich, forschungsethisch vertretbar und methodologisch sinnvoll sind.
Aktive Gestaltungen digitaler Datenspuren
Die Erzeuger:innen digitaler Daten agieren oft als aktive und bewusste Produzent:innen von Inhalten. Sich auf Social Media oder vermehrt in verschiedensten vormals nicht der digitalisierten Datenerfassung zugänglichen Kontexten des Alltags (Internet of Things) zu bewegen, bedeutet, Datenspuren nicht nur passiv zu hinterlassen, sondern diese aktiv als Autor:in zu erzeugen, anzupassen und bewusst Öffentlichkeiten mitzugestalten. Anknüpfend an existierende Literatur ist zu vermuten, dass etwa das Phänomen der Produser (Bruns, 2008), d.h. eine Verwischung zwischen der Rolle als Produzierende und Nutzende, das Selbstverständnis als Datenerzeugende prägen. Auch das Interesse am Erzeugen von Aufmerksamkeit im Sinne neuer Aufmerksamkeitsökonomien könnte wichtig sein: Einzelne Nutzende verwenden verschiedene Strategien zur Erzielung von Online-Popularität (Marwick 2013, Tufekci 2013), die sich womöglich auf ihre Rolle in der Forschung auswirken.
Wie schätzen Bürger:innen Data Analytics ein?
Das Projekt untersucht Selbstverständnisse von Nutzer:innen im Hinblick auf den Einsatz neuer Methoden der Data Science. Erste Untersuchungen weisen darauf hin, dass Diskurse auf Social Media über die Ergebnisse von Data Analytics komplex und konfrontativ sind: Zum Beispiel wird die Aussagekraft von Big-Data-Methoden in Frage gestellt und die Kontextabhängigkeit von Daten betont, z.B. wird von Nutzenden kritisch hinterfragt, ob Aussagen ohne genauere Kenntnisse des situativen Erhebungskontextes Gültigkeit besitzen (Kinder-Kurlanda, 2018 und 2019).
mehr lesen
Auf diesem Hintergrund soll eine erste Klassifikation möglicher Rollen in der Zusammenarbeit zwischen Forschenden und Beforschten in Forschungsprojekten mit innovativen Datenquellen erstellt werden. So gibt es etwa über nutzergesteuerte ‚Datenspenden‘ und Citizen-Science-Ansätze verschiedene Möglichkeiten, ‚Beforschte‘ als aktive Teilnehmer*innen in Forschung einzubinden und ihr Detailwissen über spezifische Technologien und deren Funktionsweise zur Überprüfung von Forschungsergebnissen nutzbar zu machen.
Vorgehensweise im Projekt
Die Vorgehensweise ist zweistufig:
1. Untersuchung der Selbstverständnisse von Social-Media-Nutzenden
- Analyse von Auseinandersetzungen auf Social Media, die sich an der Darstellung von Ergebnissen der Analysen von Nutzendenverhalten (Data Analytics) entzünden
- Mix aus Methoden: qualitativ (z.B. Inhaltsanalyse) und quantitativ (z.B. Interaktionshäufigkeiten, ggf. Topic-Modeling)
2. Kategorisierung möglicher Rollen für Social-Media-Nutzende in der Forschung
- Fokusgruppen mit Forschenden zur Diskussion der Kategorisierungen
Neue Modelle der Zusammenarbeit zwischen Forschenden und Beforschten
Das Projekt kombiniert Forschung mit der Entwicklung von Best Practice. Best-Practice-Modelle sind interessant für Wissenschaftler*innen, die mit neuen Daten und Methoden forschen, aber auch etwa für Daten-Kurator*innen, die Forschungsarbeit unterstützen. Ihnen allen stellt sich die Frage, welche Daten auf welche Art und Weise erhoben und verwertet werden sollten und dürfen, wenn mit innovativen Datenquellen gearbeitet wird.
Open Science: Neue Beziehungen zwischen Forschenden und Beforschten? Zum Selbstverständnis von Zielgruppen der Data Analytics
Projektbeginn: 01.04.2020
Forschungspartner: GESIS – Leibniz-Institut für Sozialwissenschaften
Literatur
Bruns, A. (2008). Blogs, Wikipedia, Second Life, and beyond: From production to produsage (Vol. 45). Peter Lang.
Kinder-Kurlanda, K. (2019). Alltagserfahrungen mit Algorithmen. In: Marion Hamm/Ute Holfelder/Christian Ritter/Alexandra Schwell/Ove Sutter (Hrsg.), Widerständigkeiten des Alltags. Beiträge zur einer empirischen Kulturanalyse. Für Klaus Schönberger zum 60. Geburtstag (S.143-149). Klagenfurt: Drava Verlag.
Kinder-Kurlanda, K. (2018). Algorithmen im Alltag. In: Jahrestagung der GWTF Gesellschaft für Wissenschafts- und Technikforschung „Verhalten und Vorhersage. Die techno-sozialen Zukünfte algorithmischer Bewertungssysteme“. Berlin, 15-16 November 2018.
Marwick, A. E. (2015). Instafame: Luxury selfies in the attention economy. Public culture, 27:1(75), 137-160.
Tufekci, Z. (2013). “Not this one” social movements, the attention economy, and microcelebrity networked activism. American Behavioral Scientist, 57(7), 848-870.
Beteiligte Forscher:innen
