Es ist hierbei wichtig zu berücksichtigen, dass die von Abelson beschriebenen Differenzierungen in unterschiedlicher Ausprägung vorhanden sein können und wie von ihm vermerkt jedwedes Merkmal weder notwendig noch hinreichend für die Identifikation von Glaubenssystemen vorhanden sein muss. Allerdings, so stellt Abelson fest (1979): “Any system embodying most of them, however, will have the essential character of a ‘belief system’” (S. 356). Dabei sind die eher deskriptiven Dimensionen von Big Data wie Volumen, Geschwindigkeit und Vielfalt wie dokumentiert weitgehend unstrittige definitorische Elemente. Es lassen sich daher vor allem die als konsequentiell-evaluativ charakterisierten Dimensionen als Bezugspunkte eines BDGS verstehen, da sich mit ihnen interpretative und faktisch nicht gesicherte Annahmen bezüglich der Richtigkeit der Daten sowie eines Erkenntnis- und Nutzengewinns verknüpfen. Es ist zu zeigen, dass obwohl definitorische Aussagen über Big Data getroffen werden, diese nicht in allen Fällen uneingeschränkt haltbar sind und somit kein allgemeines und gesichertes Wissen über und durch Big Data besteht, sondern ganz im Gegenteil viele mit Unsicherheit behaftete Hoffnungen und Erwartungen mit der Sammlung und Verwertung großer digitaler Datenbestände verbunden sind. Es ist also davon auszugehen, dass sich mit dem Wesen von Big Data verknüpfte Vorstellungen insbesondere an den genannten Bezugspunkten orientieren und eine grundsätzliche Existenz des Phänomens sowie seine Beschreibbarkeit nicht per se in Frage gestellt werden. Es geht weiterhin auch nicht um Aussagen, die mit Hilfe oder auf Grundlage großer digitaler Datenbestände getroffen werden, sondern um Propositionen über Wesen, Qualität und Konsequenzen von Big Data, die variabel sein können. Die Variabilität dieser Aussagen soll nachfolgend erörtert werden.
6.2.1 Dissens, Bewertungsunterschiede und Ungewissheit als Merkmale der Annahmen eines BDGS
In diesem Abschnitt soll daher zunächst auf drei zentrale Merkmale von Glaubenssystemen nach Abelson (1979) eingegangen werden, die die im Rahmen eines Glaubens an digitale Daten getroffenen Propositionen betreffen: (1) Dissens, (2) Unterschiede der Bewertung sowie (3) Ungewissheit. Dabei bedingen und beeinflussen sich die Merkmale gegenseitig. Es wird daher zunächst auf den Dissens eingegangen, um nachfolgend zu verdeutlichen, wovon dieser maßgeblich abhängt. Das Potential für Dissens betrifft die zentralen Elemente von Glaubenssystemen: “The elements (concepts, propositions, rules, etc.) of a belief system are not consensual” (Abelson, 1979, S. 356, Hervorh. im Orig.). In den vorangegangenen Kapiteln zum Wesen von Big Data ist dabei deutlich geworden, dass mit Blick auf deren Beschreibungsdimensionen in der Literatur zwar große Übereinstimmung darüber besteht, dass die anfallenden Datenmengen sehr groß sind und es spezieller Speicher- und Auswertungstechniken benötigt, um mit diesen Daten zu arbeiten. Auch über die Geschwindigkeit, mit der die Daten entstehen und dann am besten auch gleich ausgewertet werden, besteht Konsens und es gibt keine Hinweise darauf, dass ein Laienverständnis hiervon abweichen könnte. In Anbetracht der weitreichenden Durchdringung aller Lebensbereiche durch die Digitalisierung und mit ihr aufkommender Phänomene wie Industrie 4.0 und dem IoT wird nicht nur die Allgegenwärtigkeit von Daten im privaten und beruflichen Alltag deutlich, sondern auch die Stetigkeit ihrer Entstehung und Auswertung sowie die hierfür notwendige Dauerhaftigkeit ihrer Speicherung.
Es sind mithin weniger die konzeptionellen Elemente (sprich: die Beschreibungsdimensionen an sich) von Big Data selbst, über die Dissens bestehen kann. Im BDGS sind es die bezüglich der digitalen Datenbestände getroffenen Aussagen, die die Ausprägungen der einzelnen Dimensionen sowie deren Zusammenhänge und Mechanismen betreffen, die strittig sind.
Doch woher genau rührt dann ein vermeintlicher Dissens? Trotz konzeptueller Übereinstimmung zeigt sich mangelnde Konsensualität vor allem in Verbindung mit einem weiteren Merkmal des Glaubenssystems: “
Belief systems rely heavily on evaluative and affective components” (Abelson, 1979, S. 358, Hervorh. im Orig.). Denn es sind erst diese
Bewertungsunterschiede, die den Dissens offenbaren. Während nämlich die Sammlung und Auswertung der großen digitalen Datenbestände für die einen begründete Hoffnung ist, ist sie für andere eine Dystopie, bei der die Grenzen von Anstand und Privatheit überschritten werden. Wie aufgezeigt, gibt es durchaus etliche Warnungen bezüglich des Ausmaßes der Datensammlung und -verwertung in der Literatur, die dann gleichzeitig eine gegenteilige Auffassung bezüglich vermeintlicher Chancen und Risiken in der breiten Bevölkerung postulieren (siehe Abschnitt
5.4). Es soll hierbei nicht die Behauptung aufgestellt werden, dass die vermeintliche herrschende wissenschaftliche Einschätzung generell konträr zur Bevölkerungsmeinung verläuft. Es zeigt sich hier jedoch die Möglichkeit fundamentaler Bewertungsunterschiede bezüglich der Moralität der Sammlung und Verwertung von Big Data. Folglich gilt: “A belief system typically has large categories of concepts defined in one way or another as themselves ‘good’ or ‘bad’, or as leading to good or bad” (Abelson, 1979, S. 358). Auch wenn nicht zu erwarten ist, dass in absehbarer Zukunft Kameras, Eingabegeräte und Sensoren alle menschlichen Lebensbereiche vollständig durchdrungen haben, so laufen fortwährend gesellschaftliche Diskussionen, an welchen Orten und in welchen Situationen die digitale Erfassung und Speicherung von Zuständen und menschlichen Handlungen zulässig ist (Barnard-Wills, 2011; Zuboff, 2019). Ob flächendeckende (Gesichts-)Erfassung an öffentlichen Orten oder ein Chip in Haushaltsgeräten, in Kleidung oder gar unter der Haut: Es wird meist nicht darüber diskutiert, ob es (schon) möglich ist, Entitäten zu erfassen und in Daten zu überführen, sondern diskutiert, ob es ge- oder verboten sein sollte, dies zu tun.
Die unterschiedlichen Überzeugungen von der Notwendigkeit der Sammlung und Auswertung sowie der hiermit verbundenen Wirkmächtigkeit von Big Data, die sich aus den unterschiedlichen Bewertungen speisen und über die Dissens bestehen kann, können also weiterhin mit etwaiger gradueller
Ungewissheit behaftet sein. Eigenschaften, Zweck sowie Nutzen sind somit nur relational, folglich subjektiv und immer situativ zu bewerten. Sie können nicht mit Absolutheit festgestellt werden und sind bezüglich zukünftiger Entwicklungen mit Erwartungsunsicherheit behaftet. Etwaige Überzeugungen grenzen sich somit von einer Gewissheit ab (Abelson, 1979), die als Bedingung von Wissen mit hoher Konfidenz bezüglich der tatsächlichen Auswirkungen von Big Data belegt sein sollte (siehe Abschnitt
4.1.2).
Erwartungen bezüglich der Richtigkeit von digitalen Daten als Bezugspunkt eines Glaubens an Big Data
Mit Blick auf das Wissen, das aus den Daten gewonnen werden soll, sowie die Genauigkeit und Objektivität dessen, was die Daten abbilden, lassen sich hinsichtlich des Glaubens an die großen digitalen Datenbestände Dissens, Bewertungsunterschiede und Ungewissheit beobachten. All jene Aspekte, die der Beschreibungsdimension der Richtigkeit zugerechnet werden können, wurden wie ausgeführt in der Literatur durchaus kritisch besprochen. So gehen u. a. boyd und Crawford (2012) in ihren Thesen zu Big Data auf die weitläufige Behauptung ein, Big Data seien objektiv und würden die Wirklichkeit genau abbilden, und hinterfragen diese. Sie widersprechen hierbei Erwartungen, eine Wissenschaft, die sich Big Data bedient, arbeite anders als sonst nun mit Daten, die reliabel erhoben sind und die Wirklichkeit detailgetreu und wahrhaftig abbilden. Jegliche Arbeit mit Daten ist laut Ansicht der Autorinnen ein interpretativer Prozess. Es gibt streng genommen keine
Rohdaten, da die Entscheidung über die Art und Weise der Speicherung bereits subjektiv menschlich beeinflusst ist.
Raw data is an oxymoron (so der plakative Titel eines Sammelbands von Gitelman, 2013). Angefangen damit, dass subjektive Entscheidungen getroffen werden, zu welchen Variablen Daten erhoben werden, wie diese erhoben werden, welche Variablen ausgewertet und welche nicht ausgewertet werden, wird auch darauf hingewiesen, dass die großen Datensätze fehleranfällig sind und hierdurch nicht zwangsläufig ein zuverlässiges und
wahres Abbild der Realität wiedergeben (siehe Abschnitt
3.5.1). So kommt es durch Fehler und Ausfälle bei der Datenerhebung mitunter zu Verzerrungen, die im Falle der Fusion mit anderweitigen Datensätzen vergrößert werden können.
Probleme mit Blick auf die Wahrhaftigkeit der Daten haben dann auch einen Einfluss auf das Wissen, das aus den Daten generiert werden kann. Wenn die Daten die Wirklichkeit fehlerhaft abbilden – und diese Gefahr besteht wie beschrieben durchaus –, dann bedeutet das in der Konsequenz auch, dass Wissensbestände, die auf Big-Data-Analysen basieren, Fehler aufweisen können und im schlimmsten Fall nicht wahrheitsgetreu sind. Zur Fehlerproblematik kommt zudem noch das Problem ökologischer Fehlschlüsse hinzu. Getreu des Diktums aus der Statistik, dass von Korrelationsbeziehungen nicht auch automatisch auf Kausalitätsbeziehungen zu schließen ist, sind Analysen von Big Data, die nicht theoriebasiert, sondern nur auf der Grundlage von Korrelationsbeziehungen argumentieren, auch im Hinblick auf das entstehende Wissen fehleranfällig. Für eine betriebswirtschaftliche Forschung, die nur darauf aus ist, auf Grundlage der aus den Daten gezogenen Erkenntnisse wirtschaftlichen Profit zu generieren, mögen solche Ergebnisse meist ‚gut genug‘ sein (C. Anderson, 2008). Sollte sich diese Perspektive allerdings durch viele andere wissenschaftliche Disziplinen verbreiten und Anerkennung finden, wäre dies als Rückschritt zu betrachten mit teils negativen Konsequenzen (Bowker, 2014). Aufgrund der skizzierten Unsicherheit bezüglich der Richtigkeit und Wahrhaftigkeit der digitalen Daten und eines sich hieraus ergebenden Erkenntnisgewinns kann man zwar dennoch davon überzeugt sein, dass sich auf Datengrundlage ein großer Wissensschatz heben lässt. Allerdings kann man auch anderer Ansicht sein, gegenteilige Überzeugungen hegen oder zumindest etwaige gewichtige Einschränkungen anmerken. Der Überzeugungsgrad ist daher intersubjektiv variabel.
Nutzenerwartungen als Bezugspunkt eines Glaubens an Big Data
Es stellen sich im Rahmen der Datensammlung und -auswertung nunmehr vor allem auch ethische Fragen des Zusammenlebens vor dem Hintergrund der technischen Möglichkeiten der Digitalisierung (Crawford et al., 2014; Filipović, 2015; Qiu, 2015; Richterich, 2018). In dieser Diskussion werden die Merkmale des Dissens, der Überzeugung und der Ungewissheit des Glaubenssystems besonders deutlich hervorgehoben. Kein Konsens besteht mithin darüber, in welchen Situationen des Lebens Daten entstehen und ausgewertet werden sollen und dürfen. In der Diskussion ethischer Fragen, wie auch in der mit ihr oftmals einhergehenden allgemeinen Kosten-Nutzen-Abwägung, zeigt sich die unterschiedliche Bewertungseinschätzung und mithin ein Dissens hinsichtlich eines individuellen und gesellschaftlichen Nutzens, der realisiert werden kann, sich jedoch erst einmal tatsächlich realisieren muss. Diese Nutzenbewertung kann zudem auch hinsichtlich individueller und gesellschaftlicher Bewertung auseinanderfallen und ist mithin variabel: Profitiert das Selbst, kann der erwartete Nutzen für die Gesellschaft dennoch geringfügig ausfallen und umgekehrt. Vor allem vor dem Hintergrund der konsequentiell-evaluativen Dimensionen offenbart sich also der mit Big Data verbundene Glaube. Man kann zwar vom individuellen und gesellschaftlichen Nutzen durch digitale Daten überzeugt sein. Diese Überzeugung ist jedoch wie erörtert eher ein Glaube als ein Wissen, da sie in Abhängigkeit der zuvor erörterten Tragweite ihrer Rechtfertigung eine weitgehend in die Zukunft gerichtete Erwartung ist, die durchaus intersubjektiv variabel ausfallen kann und erfüllt wird.
Wenngleich die Diskussion um Wahrhaftigkeit, Wissensgewinn und hieraus entstehenden Nutzen von und durch Big Data an dieser Stelle nicht abschließend geklärt werden soll, so ist deutlich geworden, dass insbesondere mit Blick auf die soeben erwähnten Dimensionen (1) kein Konsens bezüglich der genannten Ausprägungen der sozio-technischen Beschreibungsdimensionen besteht und aufgrund der vielfältigen Entstehungskontexte und Verwendungszusammenhänge der Daten auch nicht bestehen kann, so dass (2) getroffene Aussagen deshalb mit wesentlicher Unsicherheit behaftet sind und mithin (3) eine starke evaluative und affektiv aufgeladene Auseinandersetzung mit der Sammlung und Verwertung von Big Data im Rahmen des BDGS besteht. Die Überzeugung, dass auf der Grundlage dieser digitalen Daten Erkenntnis- und Nutzengewinne realisiert werden können, sieht sich etwaigen Zweifeln ausgesetzt, kann folglich durchaus unterschiedlich ausfallen und verweist somit auf einen diesbezüglichen Glauben, den man mehr oder weniger haben kann oder auch nicht.
6.2.2 Weiterführende diskursive Merkmale eines Big-Data-Glaubenssystems
Es gibt zudem noch einige weitere Merkmale von Glaubenssystemen, die von Abelson beschrieben werden und Erwähnung finden sollen: Sie betreffen dabei keine Qualitäten der im Rahmen des Glaubenssystems getroffenen Aussagen, sondern stellen auf zusätzliche kommunikative diskursive Merkmale und Elemente ab, die dem Glauben zuträglich sind und die sich auch mit Blick auf Big Data veranschaulichen lassen. Hier äußert sich dann auch die besondere Anschlussfähigkeit zu untersuchender Glaubenssysteme an die kommunikationswissenschaftliche Forschung und insbesondere an die Ideen der Kultivierungsforschung, da davon ausgegangen wird, dass die nachfolgenden diskursiven Merkmale in einem langfristigen Prozess stetig wiederholt aufgegriffen werden (Gerbner et al., 1980; Gerbner, 1998).
Zu Glaubenssystemen gehört dabei eine generelle Offenheit und Anschlussfähigkeit für weiterführende konzeptuelle Entitäten sowie eine schwerpunktmäßige Beschäftigung mit der (Nicht-)Existenz einzelner Phänomene, auf die sich der Glaube bezieht (Abelson, 1979). Wie schon hinsichtlich der Vielzahl an Beschreibungsdimension mit dem Buchstaben
V deutlich wurde (siehe Abschnitt
3.3), eignet sich Big Data auch in dieser Hinsicht als Projektionsfläche ausufernder Erwartungen, die allesamt anschlussfähig sind, sofern sich nur eine Erzählung findet, die dieser Bezeichnungskonvention folgt oder auf die gleichen Bezugspunkte wie etwa das aus Daten gewonnene Wissen und den hieraus gezogenen Nutzen Bezug nimmt (Shafer, 2017). Nicht nur über Zugehörigkeit zum Phänomen Big Data kann debattiert werden, sondern insbesondere über ihre Bedeutung und Konsequenz für Gesellschaft. Hier wurde wie in Abschnitt
3.6 auf Erwartungen an datenbasierte Anwendungen wie Machine Learning hingewiesen sowie auch die direkte Verbindung zu anderweitigen verwandten Erwartungshaltungen innerhalb der Gesellschaft hergestellt, wie mit Blick auf die Ausführungen zur Wissensgesellschaft in Abschnitt
4.2 hergeleitet wurde.
Zudem wird auch die kommunikative Bedeutung episodischer Erzählungen aufgegriffen: “Belief systems are likely to include a substantial amount of episodic material from either personal experience or (for cultural belief systems) from folklore or (for political doctrines) from propaganda” (Abelson, 1979, S. 358, Hervorh. im Orig.). Wer die (populär-)wissenschaftliche Literatur zu Big Data verfolgt, der stolpert bei der Lektüre immer wieder über (die gleichen) Geschichten aus unterschiedlichen Anwendungskontexten. Um den Leser*innen das abstrakte Themengebiet nahezubringen, wird bspw. häufig auf Google-Suchanfragen verwiesen, die täglich von Millionen von Menschen ausgeführt werden und aus denen sich Erkenntnis und Nutzen ziehen lässt (siehe u. a. bei Harford, 2014; D. Lazer et al., 2014; Mayer-Schönberger & Cukier, 2013; Stephens-Davidowitz, 2017). Auf Grundlage von Nutzersuchen zu Krankheitssymptomen gelang es Forschenden von Google z. B., Vorhersagen zur Krankheitsausbreitung der Grippe in den USA zu treffen. Die ‚Google Flu Trends‘ sind ein spezieller, jedoch eingängiger Fall, an dem sich die vermeintlichen Wesensmerkmale von Big Data und insbesondere der Erfolg und Nutzen deutlich machen lassen. Es ist diese Einbettung in episodische Zusammenhänge, die die Bedeutung und Wirkmächtigkeit von Big Data verbildlichen soll, die von Puschmann und Burgess (2014) auch als Metaphern von Big Data analysiert wird. So sind, wie zuvor erwähnt, in den vergangenen Jahren unzählige Bücher erschienen, die voll von Anekdoten und Vergleichen sind, die dem Phänomen Big Data Nachdruck verleihen und anhand einzelner Use Cases von den Vor- und Nachteilen überzeugen sollen. Dieses episodische Material eines Glaubenssystems nach Abelson findet sich in den metaphorischen Teilen eines öffentlichen Diskurses zu Big Data, dessen Erzählungen durch stete Wiederholung zur öffentlichen Wahrnehmung beitragen.
Dieser episodische Zugang im Diskurs von Big Data formt dann entsprechende Erwartungen, die formuliert werden.
„Wenn bald mein Kühlschrank weiß, was ich einkaufen soll, dann kann mir mein Arzt doch wohl sagen, wie ich schnellstmöglich wieder gesundwerde.“ Dies befeuert einen diesbezüglichen Glauben womöglich dahingehend, als dass mit Blick auf die Zukunft einer Welt unter den Vorzeichen von Big Data Vorstellungen evoziert werden, die normativen Ansprüchen folgen, wie diese Zukunft und auch der Weg dorthin auszusehen haben. “
Belief systems often include representations of ‘alternative worlds’, typically the world as it is and the world as it should be” (Abelson, 1979, S. 357, Hervorh. im Orig.). Es wird dann recht ausführlich skizziert, wie bspw. medizinische Big-Data-Anwendungen einen Wandel hin zu einer insgesamt
besseren Gesundheitsversorgung bewirken und Menschen
gesünder werden lassen, ungeachtet weiterhin wirksamer gesellschaftlicher Rahmenbedingungen. Für dieses vermeintlich durch Big Data problemlos erreichbare Ziel muss dann mithin auch mit überholten Überzeugungen bezüglich einer informationellen Selbstbestimmtheit und Vorstellungen von Privatheit gebrochen werden oder diese müssen zumindest fundamental überdacht werden (Donaldson & Lohr, 1994; Sharon & Lucivero, 2019). All dies wurde und wird mit Blick auf Big Data laufend kommunikativ verhandelt.
The world must be changed in order to achieve an idealized state, and discussions of such change must elaborate how present reality operates deficiently, and what political, economic, social (etc.) factors must be manipulated in order to eliminate the deficiencies. (Abelson, 1979, S. 357)
Der Diskurs um die Chancen und Risiken von Big Data bedient mithin die weiterführenden kommunikativen Merkmale von Glaubenssystemen. Zusammengefasst lässt sich daher sagen, dass aus den Beschreibungsdimensionen, anhand derer sich Big Data definieren lässt, auch die Elemente eines
BDGS abgeleitet werden können. Ausgehend von der Diskussion der Beschreibungsdimensionen von Big Data in Kapitel
3 zeigt sich, dass es sich nicht um ein feststehendes faktengebundenes Wissenssystem handelt, innerhalb dessen gesicherte und allgemein anerkannte Fakten vorliegen, die von den Beteiligten als wahr erachtet werden. Sondern es werden unterschiedlich weitreichende Annahmen und Erwartungen formuliert, die wie beschrieben Wesensmerkmale eines Glaubenssystems repräsentieren können. Mit Rückbezug auf Abelson (1979) wurde gezeigt, dass insbesondere für Annahmen von Richtigkeit und Nutzen von Big Data unterschiedliche Wahrnehmungen und Widersprüche in der wissenschaftlichen Literatur besprochen werden, die eben nicht als faktisch und gesichert erachtet werden, sondern zu variablen Einschätzungen und Erwartungen führen können. Es besteht mithin kein Konsens über das Wesen von Big Data und seine einzelnen Beschreibungsdimensionen, weder, welche Dimensionen Big Data zu dem machen, was sie sind, noch ob sich Annahmen, die mit einzelnen Beschreibungsdimensionen verknüpft sind, uneingeschränkt gelten. Auf ihrer Grundlage kann fernab einer Beschäftigung mit einzelnen Fallbeispielen, an denen sich ein Glaube diskursiv analysieren ließe, abstrahiert auf die generalisierte gesellschaftliche Erwartungshaltung bezüglich der Wirkmacht oder Wirklosigkeit der Sammlung und Auswertung großer digitaler Datenbestände abgestellt werden.