Serendipität und Open Data. Richtlinien für die Implementierung von Empfehlungssystemen auf Entdeckungsplattformen

2.1 Arten von Empfehlungssysteme

Empfehlungssysteme (=RS) sind in der heutigen digitalen Ära weit verbreitet.^[11] Sie beeinflussen nicht nur unsere täglichen Entscheidungen, sondern auch die Art und Weise, wie wissenschaftliche Forschung und Entdeckungen präsentiert und wahrgenommen werden. Die ethischen Herausforderungen, die mit ihrer Implementierung und Nutzung einhergehen, sind daher von großer Bedeutung, insbesondere im akademischen und wissenschaftlichen Kontext. Bevor wir uns den ethischen Implikationen der Anwendung von RS in EP für die wissenschaftliche Arbeit zuwenden, ist es notwendig, kurz einige der wichtigsten Ansätze zur Generierung von Empfehlungen vorzustellen.

Heutzutage werden RS zunehmend in einer Vielzahl von Anwendungen und für verschiedene Ziele eingesetzt, z. B. für E-Learning, Tourismus, Filme und Musik, E-Commerce, Nachrichten und in Fernsehprogrammen.^[12] In all diesen unterschiedlichen Kontexten profitieren RS von verschiedenen Methoden des text and data mining, natural language processing (NLP) und des maschinellen Lernens, um interessante Objekte zu empfehlen. Es gibt im Wesentlichen zwei Hauptansätze zur Generierung von Empfehlungen: objektbasierte und nutzerbasierte. Die objektbasierte Methode bewertet die Eigenschaften und Ähnlichkeiten der vorhandenen Artikel in den Nutzerdatensätzen im Vergleich zu anderen Artikeln, um die ähnlichsten Artikel zu finden. Die nutzerbasierte Methode analysiert die Ähnlichkeit zwischen den Präferenzen einer Zielnutzer:in und denen anderer Nutzer:innen, um die Meinung der Zielnutzer:innen zu einem bestimmten Artikel zu prognostizieren.^[13]

Diese Differenzierung wird in der Forschung durch eine dritte Kategorie weiter verfeinert, und man spricht auch von inhaltsbasierten, kollaborativen und wissensbasierten Filtertechniken.^[14]

Ein inhaltsbasierter Ansatz generiert passende Empfehlungen für die Nutzer:innen auf Basis ihres bisherigen Verhaltens. Er analysiert das bisherige Verhalten, erstellt für jede Nutzer:in ein Profil auf Basis der zuvor ausgewählten Objekte und empfiehlt Objekte mit ähnlichen Eigenschaften. Mit einem solchen RS werden seine Präferenzen nicht mit denen anderer Benutzer:innen verglichen.^[15]

Kollaborative Filtertechniken berücksichtigen stattdessen die Präferenzen mehrerer Nutzer:innen und erstellen eine Empfehlungsliste. Wenn die Präferenzen von Nutzer:in 1 und Nutzer:in 2 übereinstimmen, wird das Produkt, das Nutzer:in 2 empfohlen wird, auch Nutzer:in 1 empfohlen. Die Hypothese hinter diesem Ansatz ist, dass Personen, die in der Vergangenheit mit anderen Personen übereinstimmten, dies auch in der Zukunft tun werden.^[16]

Der wissensbasierte Filteransatz wird in Fällen verwendet, in denen sowohl der kollaborative als auch der inhaltsbasierte Ansatz versagt haben oder nicht richtig funktionieren, wenn z. B. für einen bestimmten Artikel nicht genügend Bewertungen oder Rezensionen für den Empfehlungsprozess vorliegen. Dies ist bei Artikeln der Fall, die selten gekauft werden, wie Häuser, Autos oder Finanzdienstleistungen. Die Funktionsweise dieses Ansatzes besteht darin, das Wissen der Kund:innen über das Artikelsortiment zu nutzen, um die Artikel zu empfehlen, die ihren Bedürfnissen am besten entsprechen. Der Vorteil besteht darin, dass er keine vorherige Bewertung des Objekts erfordert und somit das sogenannte Kaltstartproblem überwindet, d. h. die Schwierigkeit, personalisierte Empfehlungen zu geben, wenn keine ausreichenden Daten über neue Nutzer:innen oder Objekte vorliegen, weil historische Informationen über Interaktionen oder Präferenzen fehlen. Der Nachteil ist jedoch, dass erfahrene Ingenieure benötigt werden, um die Aufgabe zufriedenstellend zu lösen,^[17] da solche Hybridsysteme die Integration verschiedener Filtermethoden erfordern, was die Komplexität des Prozesses erhöht. Wenn diese Filtersysteme dann die Sammlung personenbezogener Informationen erfordern – wie Mitgliedschaften, Kooperationen, Forschungsinteressen, Finanzierung, Zusammenarbeit, Präferenzen bei der Nutzung anderer Werkzeuge und alles, was zu potenziell nützlichen Empfehlungen beitragen kann – entstehen potenzielle Konflikte mit dem Schutz der Privatsphäre. Besonders problematisch ist dies bei den Discovery-Plattformen der großen Verlage, die zur besseren Vermarktung ihrer Produkte auch Research Tracking betreiben. Dies kann nicht nur die informationelle Selbstbestimmung beeinträchtigen, sondern auch den freien Wettbewerb im Bereich der Informationsversorgung behindern.^[18]

Noch vor jeder ethischen Bewertung ist die Genauigkeit des RS eine wichtige Voraussetzung für ihre Akzeptanz bei den Nutzer:innen. Jedoch die Genauigkeit der Empfehlungen ist nicht der einzige Aspekt, der zur Zufriedenheit der Nutzer:innen führt: Diese können mit einer exakten Empfehlung unzufrieden sein, wenn sie dem Empfehlungssystem nicht vertrauen, wenn ihre Privatsphäre nicht gewahrt wird, wenn es lange dauert, bis sie eine Empfehlung erhalten, oder wenn sie die Benutzeroberfläche als unvorteilhaft empfinden.^[19] Generell ist es von Bedeutung, dass jedes Empfehlungssystem den Nutzer:innen immer den Kontext vermittelt, auf dem eine bestimmte Empfehlung beruht, und dass es die Möglichkeit bietet, mit dem System zu interagieren, um die Parameter, die zu solchen Empfehlungen führen, zumindest bis zu einem gewissen Grad zu verändern.^[20] Die Transparenz und Nachvollziehbarkeit des Empfehlungsprozesses ist die Grundlage für jegliches Vertrauen der Nutzer:innen in ein RS und somit für die Akzeptanz seiner Outputs.

2.2 Risiken des Einsatzes von Empfehlungssystemen in digitalen Wissenschaftsplattformen

Im Allgemeinen ist die Empfehlung potenziell relevanter Objekte durch RS mit mehreren Risiken behaftet: wie z. B. Bereitstellung unangemessener Inhalte, Verletzung der Privatsphäre, Einschränkung der Autonomie, Intransparenz und mangelnde Fairness der Algorithmen.^[21] So wurden auch generische Empfehlungen für vertrauenswürdigen Anwendungen von RS schon formuliert:

1. Sicherheit & Robustheit: Entwicklung von robusten Empfehlungsalgorithmen, die gegen verschiedene Arten von Angriffen geschützt sind, und Einsatz von adversariellem Training^[22], Regularisierung und Datenaugmentation.

2. Nichtdiskriminierung & Fairness: Anwendung von Methoden zur Erkennung und Minderung von Diskriminierung in Empfehlungssystemen.

3. Erklärbarkeit: Einführung von post-hoc-Erklärungen, intrinsischen Erklärungen und hybriden Erklärungen, um die Transparenz von Empfehlungen zu erhöhen.

4. Datenschutz: Anwendung von Techniken wie differentieller Privatsphäre, föderiertem Lernen und Anonymisierung, um die Privatsphäre der Benutzer:innen zu schützen.

5. Umweltwohlbefinden: Einsatz von Methoden zur Reduzierung des Speicher- und Energieverbrauchs von Empfehlungssystemen.

6. Rechenschaftspflicht & Überprüfbarkeit: Betonung der Bedeutung der Rechenschaftspflicht und Einführung von Mechanismen zur Überprüfung und Kontrolle von Empfehlungssystemen.^[23]

Wenn man jedoch die spezifische Anwendung von RS auf digitalen Plattformen für akademische Zwecke betrachtet, ist die ethische Diskussion über ihre Implikationen noch im Rückstand^[24] und es wären spezifischere Kriterien und Richtlinien erforderlich. Obwohl ihr Einsatz im heutigen hyperspezialisierten akademischen Umfeld die Produktivität fördert, sollen vor allem die Auswirkungen auf Denkgewohnheiten und Verhaltensmuster der Akteure, die sie einsetzen, berücksichtigen werden. Sie können die Fähigkeit der Nutzer:innen schwächen, für unerwartete, aber potenziell nützliche Entdeckungen empfänglich zu bleiben, und damit ihre Fähigkeit, heterodoxes Denken und ungewohnte Sichtweisen zu akzeptieren.

In der Literatur werden vor allem zwei Formen von Verzerrungen, die die Anwendung von RS in wissenschaftlichen Kontext negativ beeinflussen können, nämlich, der confirmation bias und der popularity bias. Im ersten Fall besteht die Tendenz, nur und ausschließlich Empfehlungen zu erhalten, die die eigene Meinung bestätigen, und Beiträge mit „unbequemen“ Argumenten systematisch auszuschließen. Im zweiten Fall neigen die Nutzer:innen dazu, nur Beiträge auszuwählen, die bereits populär sind, und weniger bekannte, aber potenziell wichtige Quellen zu vernachlässigen. Dies begünstigt die Verbreitung von Beiträgen aus etablierten Forschungsbereichen und entmutigt die Entwicklung alternativer Themen und heterodoxer Beiträge. Diese Verzerrung tritt häufig auf, da sie in jedem Datensatz enthalten ist, der eine kleine Anzahl beliebter Artikel und eine große Anzahl unbeliebter Artikel enthält.^[25] Diese Verzerrung zeigt sich häufig bereits auf der Ebene der bereitgestellten Filter und Facetten, die die Präferenzen von Nischennutzer:innen – wie Forschende, die an weniger populären Themen arbeiten – nicht berücksichtigen.^[26] Diese Problematik von Voreingenommenheit wird auch bei Buchempfehlungssystemen offensichtlich.^[27] Obwohl kollaborative Filteralgorithmen den Vorteil haben, keine sensiblen Benutzer- oder Artikelinformationen für Empfehlungen zu benötigen, können sie dennoch unter dem Popularity-Bias leiden. Dieser Bias kann oft zu weiteren, nicht offensichtlicher Voreingenommenheit führen. Außerdem können Verzerrungen in den Empfehlungen auf bereits vorhandene Verzerrungen in den Eingabedaten zurückzuführen sein, die in der Regel auf methodische Ungenauigkeiten bei der Datenerhebung zurückzuführen sind. Solche Verzerrungen können durch den Algorithmus verstärkt werden, indem die Verzerrungen in den Eingabedaten jedes Mal weitergegeben werden, wenn neue Empfehlungen erstellt werden.^[28]

Ein weiterer problematischer Aspekt im Zusammenhang mit RS, der auch Auswirkungen auf digitale Suchdienste haben kann, ist das sogenannte nudging. Dabei handelt es sich um den Einsatz von Werkzeugen, die Menschen dazu bringen, bestimmte Entscheidungen zu treffen, ohne dass sie sich dessen bewusst sind und ohne, dass sie dazu gezwungen werden, weil die Entwickler oder Anbieter des Dienstes davon ausgehen, dass diese Entscheidungen im Interesse der Nutzer:innen sind. In einer Übersicht über die Literatur zu Nudging-Mechanismen in RS stellen Jesse und Jannach fest, dass von 87 Nudging-Mechanismen mindestens 69 Mechanismen in 18 verschiedenen RS eingesetzt wurden.^[29] Es ist offensichtlich, dass das Konzept des Nudging mit der Vorstellung von guter wissenschaftlicher Praxis kollidiert: Die Idee, dass die Forschenden unbewusst von Dritten dazu gedrängt werden, Themen zu untersuchen oder Ressourcen zu nutzen, die andere für sie ausgewählt haben, steht in eklatantem Widerspruch zu der Vorstellung von Forschung als einer autonomen und kritischen Übung. Nudging ist in einem solchen Kontext ethisch unhaltbar.

Auf Lernplattformen können zwar RS, die sich adaptiv an die Bedürfnisse und Anforderungen der Lernenden anpassen, selbstgesteuertes, exploratives und eigenverantwortliches Lernen erleichtern und Orientierung für Lernaktivitäten bieten.^[30] Auf der anderen Seite kann es problematisch sein, dass diese RS nach Kriterien entwickelt werden, die normalerweise für die Entwicklung von RS in anderen Bereichen, wie z. B. E-Shopping und Unterhaltung, gelten. Während im E-Commerce der Schwerpunkt von RS auf der Personalisierung in Bezug auf den Geschmack liegt, liegt der Schwerpunkt in der Lernumgebung auf der kontextuellen Personalisierung in Bezug auf den Wissenserwerb. Und während im kommerziellen Kontext die Relevanz der abgegebenen Empfehlungen im Hinblick auf die erfolgreiche Vermarktung von Produkten im Vordergrund steht, sind Empfehlungen im pädagogischen Kontext vor allem als eine andere Art von Anregung für die Nutzer:innen ebenso zentral, sei es als Anregung zum kritischen Denken oder zur eigenständigen Aneignung des Lernstoffes im Hinblick auf das Erreichen der jeweiligen Lernziele. RS im Bildungskontext müssen vor allem kontextsensitiv sein, um das Wissen der Lernenden richtig zu interpretieren. Dies kann entweder durch hybride RS oder durch die Einbeziehung der Lernenden in den Empfehlungsprozess selbst erreicht werden.^[31]

Auch Fairness im Sinne von Nichtdiskriminierung kann auch in diesem speziellen Bereich eine Herausforderung darstellen. Mangel an Fairness kann sowohl Endnutzer:innen betreffen, wenn Angehörige rechtlich geschützter Gruppen oder bestimmte Personengruppen systematisch schlechtere Empfehlungen erhalten, als auch Anbieter:innen von Inhalten, wenn Artikel von Angehörigen rechtlich geschützter Gruppen oder Personen von einem Algorithmus zu wenig empfohlen werden.^[32] Fairness bleibt dennoch ein schwer definierbarer Begriff, da es letztlich keinen formalen Rahmen gibt, der „alle möglichen Varianten von Fairness abdeckt^[33] und als ein sozial konstruiertes Konzept, das häufig die konkurrierenden Interessen der Stakeholder widerspiegelt, reicht eine Definitionen aus einer reinen technischen Perspektive nicht aus.^[34] Somit scheint dieser Begriff allein nicht ausreichend klar zu sein, um die Definition von Richtlinien für die Anwendung von RS im akademischen Bereich zu ermöglichen und damit sicherzustellen, dass ein RS wissenschaftlichen Anforderungen gerecht wird. Betrachtet man die Anwendung von RS in diesem spezifischen Kontext, so müssen die Auswirkungen solcher Technologien auf die Werte und Erwartungen in diesem spezifischen Bereich berücksichtigt werden. Neben dem bereits erwähnten Wert der Autonomie, der jede Form von Nudging in diesem Bereich problematisch erscheinen lässt, steht hier zweifellos der Wert der Entdeckung neuen Wissens und der Stimulierung von Innovationsprozessen. Dann erscheint die Anwendung von RS im wissenschaftlichen Kontext vor allem als denkbar schädlich, da sie potenziell geeignet ist, Konformismus zu fördern und heterodoxe, aber möglicherweise wertvolle Forschungsvorhaben zu entmutigen. Um konkrete Richtlinien für die Anwendung von RS in einem akademischen Kontext zu formulieren, scheint es daher sinnvoller, sich auf eine andere Fähigkeit von RS zu konzentrieren, nämlich die, nicht nur sehr präzise und genaue, sondern auch überraschende, desorientierende, aber potenziell wertvolle Ressourcen zu präsentieren. Die folgenden Empfehlungen für die ethische Gestaltung einer RS für wissenschaftliche Entdeckungsplattformen orientieren sich daher am Konzept der Serendipität.

4.1 Der Open Data Navigator

Mit dem Open Data Navigator^[45] hat die Stiftung Switch^[46] den Prototyp einer Plattform für Open Data aus verschiedenen, heterogenen Domänen lanciert. Das Hauptziel der Plattform besteht darin, die Entdeckung und Nutzung von Open Data aus einer inter- und multidisziplinären Perspektive zu fördern. Sie umfasst Anwendungsfälle, in denen z. B. Daten aus der öffentlichen Verwaltung mit Daten aus dem Bereich des kulturellen Erbes und mit wissenschaftlichen Publikationen kombiniert werden, oder Anwendungsfälle, in denen Berichte einer NGO mit Statistiken der öffentlichen Verwaltung und/oder sozialwissenschaftlichen Veröffentlichungen interpretiert werden sollen. Stakeholder einer solchen Plattform sind in erster Linie Individuen, die in verschiedenen Wissensbereichen forschen und lehren und Unterstützung in Bezug auf offene Daten außerhalb des akademischen Datenkreislaufs benötigen. Eine bessere Integration dieser nicht-akademischen offenen Daten in den wissenschaftlichen Prozess ist das Hauptziel dieser Initiative.

Die Plattform sammelt in erster Linie Metadaten von Open-Data-Repositorien, die für Lehre und Forschung relevant sein können. Diese werden als Linked Open Data aggregiert, um eine Art Metadatenkatalog nach einem gemeinsamen Metadatenschema^[47] zu erstellen, einer Auswahl von schema.org^[48] basierend auf dem Feedback von Vertretern der Stakeholder-Community. Auf diese Weise werden Verbindungen zwischen Datensätzen hergestellt, die nicht nur für Menschen, sondern auch für Maschinen lesbar sind. Dadurch ist es möglich, verschiedene Arten von RS zu implementieren und Empfehlungen zu generieren. Aber selbst wenn die Metadaten als Linked Data gespeichert und indexiert werden, wird dies ohne ein geeignetes Such- und Empfehlungssystem nicht unbedingt zu zufälligen, aber glücklichen Entdeckungen führen. Es ist in erster Linie für Suchprozesse ausgelegt, die sehr genaue, aber nicht überraschende Ergebnisse erfordern. Der Aufbau einer RS, die Serendipität in Entdeckungsprozessen ermöglicht, erfordert daher wiederum die Integration verschiedener Lösungen, die die ursprünglichen Daten anreichern, um neue Arten von Empfehlungen zu generieren. Aber auch hier gibt es spezifische Schwierigkeiten, die besondere Aufmerksamkeit verdienen, auch im Hinblick auf ihre langfristigen Auswirkungen.

4.2 Herausforderungen bei der Umsetzung eines RS auf dem Open Data Navigator

Aufgrund der wissenschaftlichen und gesellschaftlichen Relevanz der Open Data sind die Schwierigkeiten bei der Erstellung einer geeigneten RS für eine solche Plattform nicht nur technischer, sondern auch ethischer Natur. Unzureichende Empfehlungen können sowohl die wissenschaftliche Forschung und ihre gesellschaftlichen Auswirkungen als auch die Aktivitäten der Bürger:innen beeinträchtigen, die diese Daten nutzen wollen, um informierte Entscheidungen zu treffen – man denke z. B. an die soziale Relevanz von Verwaltungsdaten oder NGO-Daten und die Bedeutung, sie durch geeignete wissenschaftliche Informationen besser interpretieren zu können.

Die prototypische Entwicklung des Open Data Navigator konzentrierte sich bisher auf semantische Empfehlungen auf Basis des Knowledge Graph, der auf einer bewusst generischen Ontologie basiert. Für eine Entdeckungsplattform, die die Auffindbarkeit von Open Data für Forschung und Lehre fördern und gleichzeitig die Bedingungen der Serendipität im Entdeckungsprozess gewährleisten soll, scheinen jedoch andere Lösungen notwendig zu sein. Eine klare Identifizierung der spezifischen Herausforderungen des RS für das ODN wird uns helfen, eine allgemeine Richtlinie zu definieren. Am Ende des Papiers werden dann geplante und mögliche nächste Schritte für die Entwicklung des Open Data Navigator vorgestellt, die diesen Richtlinien entsprechen sollten.

Zusätzlich zu den schon genannten Verzerrungen gibt es nämlich spezifische Biases, die ein Problem für den Entdeckungsprozess und die Implementierung eines RS auf einer solchen Plattform darstellen können.

• Metadata Quality Bias. Wir bezeichnen diesen Bias als Metadata Quality Bias, um ihn von anderen Biases, die bereits in der Forschung erwähnt wurden, zu unterscheiden und seine Besonderheit hervorzuheben. In vielen Fällen ist die Qualität der aggregierten Metadaten nicht ausreichend, um signifikante Verbindungen zwischen verschiedenen Daten herzustellen; Metadaten können fehlen oder fehlerhaft sein, so dass sie keine direkte Entdeckung oder Empfehlung einer RS ermöglichen.

• Mangel an gemeinsamen Standards und Best Practices. Die Tatsache, dass auf der Plattform Daten von sehr unterschiedlichen Anbietern und aus sehr unterschiedlichen Bereichen aggregiert werden, bedeutet, dass man es mit einer Vielzahl von Metadatenstandards zu tun hat, insbesondere was die Verschlagwortung von Datensätzen und Publikationen betrifft. Diese spielen, wie wir gesehen haben, eine Schlüsselrolle bei der Formulierung von RS und bei der Unterstützung von Serendipität. Ohne kontrollierte Vokabulare und Ressourcen, um diese auf aggregierte Metadaten anzuwenden, bleiben viele Daten, die potenziell stärker miteinander verknüpft und daher leicht auffindbar wären, unverbunden und schwer auffindbar.

• Personalisierung der Empfehlungen vs. Datenschutz. Ein RS-System würde, wie bereits erwähnt, auch hier stark von nutzerbasierten Informationen und Feedbacks profitieren. Das RS könnte z. B. Informationen über die Suchhistorie, persönliche Vorlieben bezüglich Disziplinen und Interessen sammeln. Es könnte die Forschungsbeiträge der Nutzer:innen als Grundlage für Empfehlungen berücksichtigen oder Informationen, die sie auf anderen ähnlichen Portalen gespeichert haben: Es könnte sogar die Möglichkeit geben, die Relevanz und Nützlichkeit von Ressourcen und Empfehlungen zu bewerten und diese Bewertungen anderen mitzuteilen. Dies setzt natürlich voraus, dass es eine geeignete Rechtsgrundlage für die Einwilligung in die Nutzung personenbezogener Daten gibt und die Nutzer:innen entsprechend informiert werden. Inwieweit dies der Personalisierung von Empfehlungsprozessen Grenzen setzen kann, muss im Einzelfall geklärt werden.^[49]

• Unzulängliche Modellierung der antizipierten Anwendungsszenarien. Schließlich gibt es besondere Schwierigkeiten im Zusammenhang mit der Art der Nutzererfahrung, die auf einer solchen Plattform stattfinden muss. Da sie sich nicht an Spezialist:innen einer einzigen Disziplin richtet, sondern potenziell an alle Forscher:innen, die mit offenen Daten aus verschiedenen Bereichen und möglicherweise aus einer interdisziplinären Perspektive arbeiten, wird sie mit sehr unterschiedlichen Erwartungen konfrontiert, wie Daten und Informationen visualisiert werden sollen und wie das gesamte Nutzererlebnis auf der Plattform aussehen soll. Dies kann das Vertrauen der Nutzer:innen einschränken und sie sogar dazu bringen, der Relevanz der vorgeschlagenen Empfehlungen zu misstrauen. Eine ungewöhnliche und seltsame Nutzererfahrung kann die Vertrauenswürdigkeit der RS untergraben.

4.3 Empfehlungen

Die Nutzung von RS auf digitalen Plattformen für Studien- und Forschungszwecke hat ethische Relevanz für viele Stakeholder, nämlich für Forschende, Studierende und Citizen Scientists, aber auch indirekt für alle Institutionen und Personen, die akademische Forschung finanzieren. Nur wenn es gelingt, Serendipität zu fördern, kann das Risiko eines Verlustes an Innovationskraft im Prozess der Generierung von Empfehlungen für potenziell relevante digitale Objekte minimiert werden. Wir möchten nun konkrete Empfehlungen für die Entwicklung solcher digitaler Discovery-Plattformen geben, insbesondere für den Open Data Navigator, wie er derzeit von Switch im Connectome Project entwickelt wird und der sich in erster Linie an Studierende und Forschende aus verschiedenen Fachgebieten und an Citizen Scientists richtet.

1. Ein Gleichgewicht zwischen Genauigkeit und Zufälligkeit herstellen. Generell sollte das implementierte RS-System so gestaltet sein, dass ein Gleichgewicht zwischen Genauigkeit und Überraschungseffekt der Empfehlungen erreicht wird. Um dies zu erreichen, scheinen hybride RS, d. h. Empfehlungen, die sowohl auf dem Inhalt der Metadaten (content based) als auch auf den von den Nutzer:innen bereitgestellten Informationen basieren (user based), nach dem derzeitigen Stand der Forschung am besten geeignet zu sein.

2. Metadatenanreicherungen zugunsten von inhaltbasierten Empfehlungen durchführen. Für inhaltsbasierte Empfehlungen sollten Metadaten mit geeigneten NLP-Techniken angereichert werden. Eine einfache Korrelation von Ressourcen basierend auf gemeinsamen Begriffen ohne angemessene Normalisierung oder Standardisierung der verwendeten Begriffe führt zu spezifischen Empfehlungen und schließt viele Fälle von Empfehlungen basierend auf Synonymen und ähnlichen Begriffen aus, die für Serendipität entscheidend sind. Um dies zu vermeiden, scheinen vektorbasierte NLP-Techniken am besten geeignet. Auf dieser Basis können kognitive Einheiten und Begriffscluster generiert werden, die mehrere synonyme Begriffe enthalten und so Beziehungen zwischen digitalen Objekten herstellen, die sonst nicht miteinander in Verbindung stehen und daher nicht empfohlen werden würden.

3. Nutzerbasierte Empfehlungen und Personalisierung unter Berücksichtigung von Datenschutz und Privatsphäre gewährleisten. Die Nutzer:innen sollen die Möglichkeit haben, einige Parameter des Empfehlungssystems direkt zu beeinflussen, und das Empfehlungssystem soll die Profile der Nutzer:innen berücksichtigen, um personalisierte Empfehlungen zu generieren. Dazu sind zwei verschiedene Verfahren denkbar. Zum einen muss die Suchhistorie analysiert werden, um wiederkehrende Interessen zu identifizieren. Zum anderen muss den Nutzer:innen die Möglichkeit gegeben werden, persönliche Profile mit persönlichen Präferenzen und Informationen anzulegen. Beides stellt eine ethische Herausforderung für den Datenschutz dar. Diese Informationen sollten auf nationalen und sicheren Servern gespeichert werden und nicht für andere Zwecke verwendet werden können. Generell ist es wichtig, dass die Umsetzung von Maßnahmen zur Personalisierung von Empfehlungsprozessen immer sorgfältig von Datenschutzexpert:innen auf ihre rechtliche und ethische Relevanz hin überprüft wird.

4. Transparenz und Nachvollziehbarkeit der Algorithmen ermöglichen. Nudging auf wissenschaftlichen Wissensplattformen schafft Misstrauen und sollte daher vermieden werden, auch wenn es im Interesse der Stakeholder gut gemeint sein mag. Es ist daher wichtig, die vollständige Transparenz der RS zu gewährleisten, indem der Prozess, der zu bestimmten Empfehlungen führt, nachvollziehbar gemacht wird. Es muss jedoch geklärt werden, wie viele technische Details wirklich verständlich und hilfreich sind, um die Logik der Empfehlungen zu verstehen. Es liegt auf der Hand, dass Beispiele besser geeignet sind, um die Filter-, Facettierungs- und Empfehlungsprozesse zu veranschaulichen. Ohne die Nutzung der Plattform zu erschweren, sollte jeder Abschnitt, der Empfehlungen enthält, kurze und benutzerfreundliche Erklärungen enthalten.

5. Open-Source-Tools und Sprachmodelle verwenden. Besonders wichtig ist die Darstellung des NLP-Modells, das für die Datenanreicherung und die kognitive Cluster- und Themengenerierung verwendet wird. Es sollten geeignete Open-Source-Modelle verwendet werden, die jeder mit ausreichender Kompetenz verstehen kann und die als Grundlage für die Trainingsdaten dienen. Darüber hinaus lässt die Verwendung von Open-Source-Modellen die Möglichkeit offen, die Modelle durch kooperative Ansätze (crowd sourcing) zu verbessern, die, wenn sie von den Entwicklern der Plattform berücksichtigt werden, zu einer Verbesserung der implementierten RS führen können.

6. Maßnahmen zur Verbesserung der Metadata Quality Bias ergreifen. Wie wir gesehen haben, kann eine schlechte Qualität der Metadaten den Empfehlungsprozess beeinträchtigen. Um diese Situation zu verbessern, werden drei Strategien vorgeschlagen.

   1. Techniken zur Datenanreicherung, Disambiguierung und Deduplizierung einzusetzen, um sicherzustellen, dass die für die Empfehlungen verwendeten Metadaten und insbesondere ihre Schlagwörter ausreichen, um Verbindungen zwischen den Ressourcen herzustellen und so die Entdeckung neuer Ressourcen für die Nutzer:innen auf produktive Weise zu erleichtern.

   2. Best Practices für Data Management fördern. Es ist notwendig, Best Practices für das Datenmanagement zu erarbeiten und deren Anwendung durch die Anbieter offener Daten und Data Stewards zu fördern, um bestimmte Qualitätsstandards zu gewährleisten. Dies kann durch die Erstellung geeigneter Richtlinien, in denen die erforderlichen Standards beschrieben werden, und durch eine bessere Koordination zwischen den Datenprovidern einerseits und den Serviceprovidern andererseits erreicht werden.

   3. Benutzergesteuerte Eingabe von Metadaten ermöglichen. Ein weiterer vielversprechender Ansatz besteht darin, den Endnutzer:innen direkt in die Verbesserung der Metadaten einzubeziehen, indem ihm geeignete Verfahren zur Verfügung gestellt werden, mit denen er fehlende Informationen ergänzen oder fehlerhafte Informationen korrigieren kann. Über eine entsprechende Funktion in der Benutzeroberfläche könnten die Nutzer:innen eigene Informationen hinzufügen. Dabei ist zu berücksichtigen, dass dies wiederum Herausforderungen an die Sicherung der Datenqualität stellt. Dies erfordert redaktionelle Prozesse, um die Gültigkeit der von den Nutzer:innen hinzugefügten Informationen zu überprüfen.

7. Stakeholder in die Mitgestaltung der Plattform einbeziehen. Das Vertrauen in ein digitales Werkzeug ist offenbar größer, wenn es von Stakeholdern mitgestaltet wird. Damit die Nutzer:innen Vertrauen in die Eignung der Plattform im Allgemeinen und damit auch in die Darstellung und Empfehlung potenziell relevanter Objekte haben, müssen sie durch geeignete Verfahren die Möglichkeit haben, an der Gestaltung der Plattform mitzuwirken.

   1. Nutzer:innen-Fokusgruppen. Die konkrete Ausgestaltung der Plattform muss zunächst unter möglichst intensiver und häufiger Beteiligung der Betroffenen entwickelt werden. Endnutzer:innen sollen in die Mitgestaltung der Plattform einbezogen werden und könnten zur Qualität der Metadaten und somit des RS beitragen; die Sicherstellung einer Mindestdatenqualität zur Generierung geeigneter Empfehlungen erfordert eine stärkere Koordination zwischen Service- und Data Provider.

   2. Scientific Advisory Boards mit ethischen Kompetenzen. Zum anderen muss die Administration die Einrichtung von Scientific Advisory Boards ermöglichen, die in der Lage sind, die Zweckmäßigkeit der erhobenen Informationen und der entwickelten Funktionalitäten und insbesondere die langfristigen Auswirkungen des Einsatzes eines bestimmten RS auf Wissenschaft und Gesellschaft zu beurteilen. Die Einbindung von Personen mit Kompetenzen im Bereich der digitalen Ethik in ein solches Board erscheint daher angebracht. Die Bewertung der datenschutzrechtlichen Aspekte der Personalisierung der RS erfordert ebenfalls die Expertise von Rechtsexpert:innen.