Masterarbeit, Fachhochschule St. Pölten, Masterstudiengang Digital Media Management, 2019

Plattformunternehmen, wie YouTube, zeichnen sich nicht nur durch die Merkmale wie einer hohen Skalierbarkeit und Reichweite, der Möglichkeit zur Auswertung einer großen Datenmenge, niedrige Transaktionskosten, starke Netzwerkeffekte, sowie einer hohen Dynamik aus, sondern instrumentalisieren als digitale Intermediäre Algorithmen. Der Einsatz digitaler Empfehlungssysteme steht oft unter der Kritik, Nutzer*innen zu ihrem Hang zur Homogenität und damit Selbstauswahlprozesse zu unterstützen. Damit kann von einem Algorithmus-basierten Filterblaseneffekt gesprochen werden, der im Rahmen der vorliegenden Masterarbeit näher erforscht wurde. Dabei wurde der Video-Streaming- Dienst YouTube, als Gegenstand der Untersuchung herangezogen. Die Leitfrage dieser Arbeit lautete „Wie wirken sich Algorithmen-basierte Empfehlungssysteme auf die Entstehung von Filterblasen in der Plattformökonomie am Beispiel von YouTube aus?“. Die theoretische Basis bildeten insgesamt vier Mediennutzungstheorien: Der Uses-and- Gratifications-Ansatz, selektions- als auch rezeptionsorientierte Ansätze, sowie kontextbezogene Ansätze. Inhaltlich wurde außerdem auf die Themen Plattformökonomie, Künstliche Intelligenz (KI), Machine Learning (ML), Algorithmen, als auch auf die Thematik rund um Alghorithmen-basierte Empfehlungssysteme und den Filterblaseneffekt eingegangen. Methodisch wurde die empirische Untersuchung im Rahmen eines Experiments umgesetzt. Untersucht wurde inwieweit die politische Gesinnung einer Nutzerin bzw. eines Nutzers Einfluss auf den YouTube-Algorithmus und das darauf aufbauende Empfehlungssystem hinsichtlich der Entstehung von Filterblasen hat und inwiefern dieser auf Interaktionen mit politischen Videos durch Nutzer*innen reagiert? Die zentralen Ergebnisse dieser Arbeit können wie folgt zusammengefasst werden: Die politische Gesinnung einer Nutzerin bzw. eines Nutzers hat einen Einfluss auf den YouTube-Algorithmus und das darauf aufbauende Empfehlungssystem hinsichtlich der Entstehung von Filterblasen. Zudem reagiert der YouTube-Empfehlungsalgorithmus stärker auf die Interaktionen rechts-konservativ gesinnter Nutzer*innen, als links-liberal gesinnter Nutzer*innen. Grundsätzlich führen Algorithmen-basierte Empfehlungssysteme also zur Entstehung von Filterblasen, wer dafür allerdings in letzter Konsequenz die Verantwortung übernehmen muss, ist eine andere Frage.

Platform companies, such as YouTube, are not only characterized by features such as high scalability and reach, the ability to analyze large amounts of data, low transaction costs, strong network effects, and high dynamics but also instrumentalize algorithms as digital intermediates. The use of digital recommendation systems is often criticized for supporting users in their tendency towards homogeneity and thus self-selection processes. Therefore, we can speak of an algorithm-based filter bubble effect, which has been researched in more detail within this master thesis. The video streaming service YouTube was used as the object of the investigation. The main question of this thesis is "How do algorithm-based recommendation systems affect the development of filter bubbles in platform economics, using YouTube as an example?”. The theoretical basis was formed by a total of four theories on media use: The Uses-and- Gratifications approach, selection- and reception-oriented approaches, as well as context-related approaches. In addition, the topics platform economy, artificial intelligence (AI), machine learning (ML), algorithms, as well as the topic around algorithmbased recommendation systems and the filter bubble effect were discussed. The empirical investigation was methodically implemented within the framework of an experiment. To what extent did the political attitude of a user influence the YouTube algorithm and the recommendation system based on it with regard to the development of filter bubbles and to what extent did it react to interactions with political videos by users? The central results of this work can be summarized as follows: The political attitude of a user has an influence on the YouTube algorithm and the recommendation system based on it with regard to the development of filter bubbles. Additionally, the YouTube recommendation algorithm reacts more strongly to the interactions of right-wing conservative users than left-wing liberal users. In principle, algorithm-based recommendation systems thus lead to the development of filter bubbles, but who has to take responsibility for this is a separate question.