Datafizierung, Disziplinierung, Demystifizierung
1.3 Daten für die Entzauberung
Daten sind der Schlüssel zum Wissen, sie sind die Grundlage der empirischen Wissen-schaften und bieten nicht nur den quantitativ, sondern auch den qualitativ Forschenden eine Sichtweise auf die Welt. Daten sind keine Fakten, das war Francis Bacon wichtig, und das sollten wir uns immer wieder vor Augen führen. Daten können Fakten im wis-senschaftlich arbeitenden Geist erzeugen, bestätigen oder in Frage stellen. Daten können auch Sachverhalte verschleiern. Die Datenkunde mausert sich langsam zur grundlegen-den Kulturtechnik des mündigen Mitglieds der vernetzten Gesellschaft. Der Datenwis-senschaftler Hans Rosling demonstrierte einem großen Publikum (und dank audiovisu-ellen Daten auch auf Youtube, vimeo und co), wie Daten dazu genutzt werden können, kulturelle Differenzen zu überbrücken, Vorurteile abzubauen und für ein gemeinsames Verständnis zu sorgen. Auf eine sehr humorvolle und entlarvende Art hält uns Rosling den Spiegel vor, dass wir uns auf Daten, Zahlen und Fakten verlassen, die wir in der Schule gelernt haben und die nun auf allen Medienkanälen reproduziert werden. Unsere Vorstellung von Ländern des globalen Südens beispielsweise sind dem Mythos näher als der Gegenwart (Rosling, 2006). Die Demystifizierung falscher, vielleicht sogar schäd-licher Annahmen mit Hilfe von Daten war der Hauptantrieb des Humanisten Rosling.
Doch dazu müssen diese Daten auch vorhanden sein. Es gibt eine prinzipielle Ver-zerrung, wenn es um Daten geht: Wir können nur messen, was messbar ist. Das ist also einerseits von Instrumenten und Werkzeugen abhängig, andererseits aber auch von Kultur und Sitten. Es liegt nicht an fehlenden Werkzeugen, dass Caroline Criado Perez (2019) einen Gender Data Gap beobachten konnte, sondern auch an der gelebten Datenkultur der Gesellschaft. Daten werden zu einem bestimmten Zweck erhoben, und je mehr Aufwand in die Datenerhebung gesteckt wird, desto eher erwartet man eine Dividende: Daten werden so zu einem Zahlungsmittel.
Daten sind das zentrale Element der Digitalisierung, weil sie sowohl der alten Welt der automatisierten Datenverarbeitung entstammen, als auch der neuen Welt der heu-ristischen Datentechniken wie Machine Learning, Big Data und Artificial Intelligence angehören. Es ist daher nicht verwunderlich, dass immer wieder auf die Herausbildung einer Datenkompetenz (data literacy) gepocht wird, ohne freilich zu sagen, wie diese genau aussehen soll. Zur Demystifzierung gehört auch der ernüchternde Blick auf die gegenwärtigen Praktiken der Datenverarbeitung. Der Großteil der Menschen ent-scheidet sich meistens dafür, sich nicht ausgiebig mit Daten zu beschäftigen, auch nicht mit den von ihnen selbst generierten, die durch Zustimmung zu nicht gelesenenen Nutzungserklärungen von »irgendwem« zu welchen Zwecken auch immer nutzbar werden. In einer freiheitlichen und arbeitsteiligen Gesellschaft sollten wir das auch ak-zeptieren, doch dann müssen datenbasierte Geschäftsmodelle stärker in die Pflicht ge-nommen werden, beispielsweise durch die Forderung, datenbasierte Geschäftsmodelle keiner Geheimhaltungspflicht zu unterwerfen oder die genaue Kennzeichnung der datenverarbeitenden Systeme zu verlangen.
Ein weiterer Schritt zur Demystifizierung könnten didaktische Systeme wie MENACE sein (vgl. Ullrich 2019c). MENACE war der Name einer didaktischen Maschine zur Vermittlung von Machine-Learning-Prinzipien, das von Donald Michie in den 1960er Jahren erdacht und beschrieben wurde. Seine Maschine konnte Noughts and Crosses (auch bekannt als Tic-Tac-Toe, Three in a Line oder Tatetí) gegen einen menschlichen Spieler spielen (vgl. Michie 1961). Die Machine Educable Noughts And Crosses Engine war ein maschinelles Lernsystem, aber mit einer Besonderheit: Die Maschine bestand nicht etwa aus Computerbauteilen, sondern aus Streichholzschachteln, die mit bunten Perlen gefüllt waren. Jede Farbe steht dabei für eine der neun möglichen Positionen, die ein X oder ein O auf dem Spielfeld einnehmen kann. Der Aufbau war einfach und beeindruckend zugleich, nicht weniger als 304 Schachteln wurden dafür benötigt, eine Schachtel für jede mögliche Konfiguration im Spiel. Der Operator zieht nun zufällig eine farbige Perle aus der jeweiligen Schachtel mit der entsprechenden Konfiguration.
Im Laufe der ersten Spiele wird die Streichholzschachtel-Maschine wahrscheinlich ver-lieren, da es keinerlei Strategie gibt, da die Perlen zufällig gezogen werden. Doch dann setzt das maschinelle Lernen ein: Wenn MENACE verliert, werden alle gezogenen Per-len, die zur Niederlage führten, entfernt. Wenn MENACE gewinnt, werden drei Perlen in der jeweiligen Farbe zu den verwendeten Schachteln hinzugefügt. Das bedeutet, dass die Chance zu verlieren verringert wird, während auf der anderen Seite gute Züge er-heblich belohnt werden. Wenn MENACE lange genug trainiert wird, »lernt« es eine Gewinnstrategie (indem es die Chancen für gute Züge verbessert) und »spielt« daher ziemlich gut.
Das Interessante daran ist, dass kein Mensch einem Kistenstapel irgendeine Absicht zuschreiben würde, im Gegensatz zu maschinellen Lernsystemen, die mit Software auf einer Computerhardware implementiert sind. Gerade beim maschinellen Lernen oder der Künstlichen Intelligenz kann man sich als kritischer Beobachter der Informations-gesellschaft immer noch darüber wundern, »welch enorm übertriebenen Eigenschaften
selbst ein gebildetes Publikum einer Technologie zuschreiben kann oder sogar will, von der es nichts versteht.« (Weizenbaum 1978, S. 20)
Mit dem Verstehen-Wollen fängt alles an, um die Macht der Daten entsprechend zum Wohle der Allgemeinheit nutzen zu können. Die Vereinigung Deutscher Wissen-schaftler ist sich dieser besonderen Verantwortung bewusst, die der Einfluss des techno-logisch-wissenschaftlichen Fortschritts auf die Geisteshaltung des Menschen mit sich bringt und daher setzen wir uns dafür ein, dass wir als vernetzte Gesellschaft insgesamt die informationelle Hoheit wieder zurückerlangen.