10. Studie 2 – Die Auswirkungen der Überzeugungen des Glaubens an Big Data – Erkenntnisse aus vier empirischen Erhebungen

Erhebung 2.1 EU und KI und auch Erhebung 2.3 Krankenversicherung (siehe Abschnitt 10.3.3) wurden im Rahmen zweier Studien eines Lehrforschungsprojekts im Bachelor Sozialwissenschaften im Wintersemester 2018/19 an der Heinrich-Heine-Universität (HHU) Düsseldorf durchgeführt. In beiden Erhebungen wurde auch die BDGS-Skala erhoben, deren Ergebnisse nachfolgend berichtet werden.

Das Erkenntnisinteresse der Studie, in deren Rahmen Erhebung 2.1 EU und KI durchgeführt wurde, betraf den Anwendungsbereich von KI im Rahmen der Vorbereitung und Festlegung von politischen Entscheidungen auf Ebene der Europäischen Union (EU). Genauer ging es um die wahrgenommene politische Legitimität dieser als Algorithmic Decision-Making (ADM) bezeichneten Entscheidungsfindung bei den Bürger*innen, wobei mit Legitimität hier zunächst eine kognitive Komponente der Einstellung in den Fokus rückt. Ausführliche Informationen dieser Studie finden sich bei Starke und Lünich (2020).

Um effektive Politikentscheidungen zu treffen und aktuellen Herausforderungen zu begegnen, ist die EU auf politische Legitimität angewiesen. Hierfür ist die EU insbesondere auf das Wohlwollen und die Unterstützung ihrer politischen Subjekte, also der Bürger*innen angewiesen: “Governance can be considered legitimate in so far as its subjects regard it as proper and deserving of support” (Gurr, 1971, S. 185). Dabei wurde von Scharpf (1999) zunächst zwischen der Legitimität des Inputs und des Outputs unterschieden. Gemäß V. A. Schmidt (2013) wird Input-Legitimität wie folgt beschrieben: “Responsiveness to citizen concerns as a result of participation by the people” (V. A. Schmidt, 2013, S. 2, Hervorh. im Orig.). Sie ist mithin abhängig von freien und fairen Wahlen, hoher Wahlbeteiligung und einem lebhaften politischen Diskurs der Öffentlichkeit (Scharpf, 1999). Output-Legitimität meint hingegen Folgendes: “The effectiveness of the EU’s policy outcomes for the people” (V. A. Schmidt, 2013, S. 2). Dies betrifft die tatsächliche Fähigkeit der EU, durch ihr politisches Wirken Herausforderungen wie die Sicherung von Frieden, Umweltschutz und wirtschaftlichem Wohlstand zu erreichen (Føllesdal, 2006). Schließlich wird auch noch die Throughput-Legitimität ergänzt, die auf die Rechenschaftspflicht, Wirksamkeit und Transparenz der politischen Entscheidungstragenden im Entscheidungsprozess abstellt (V. A. Schmidt, 2013; V. A. Schmidt & Wood, 2019; Steffek, 2019). Diese Legitimitätsdimension stellt mithin folgende Anforderung an den Entscheidungsprozess: “Inclusiveness and openness to consultation with the people” (V. A. Schmidt, 2013, S. 2, Hervorh. im Orig.).

Mit Blick auf den europäischen Integrationsprozess wurde vielfach über die mangelnde politische Legitimität der EU und ihrer politischen Entscheidungen diskutiert, wobei demokratische Defizite sowie das Fehlen einer europäischen Identität und einer gesamt-europäischen Öffentlichkeit als Gründe für eine Legitimitätskrise der EU angeführt wurden (Føllesdal & Hix, 2006; Habermas, 2009).

Vor dem Hintergrund dieser Legitimitätskrise der EU gibt es Bestrebungen innerhalb der EU-Institutionen, dem wahrgenommenen Legitimitätsdefizit durch das sogenannte ‚Evidence-based Policy-Making‘ zu begegnen, was sich mit evidenzbasierter Politikgestaltung übersetzen lässt. “Against the backdrop of multiple crises, policymakers seem ever more inclined to legitimize specific ways of action by referring to ‘hard’ scientific evidence suggesting that a particular initiative will eventually yield the desired outcomes” (Rieder & Simon, 2016, S. 1). Politische Entscheidungen und Programme werden hierbei also auf Grundlage wissenschaftlicher Erkenntnis begründet. Dies geht einher mit der in dieser Arbeit diskutierten Durchdringung der Gesellschaft mit digitaler Computertechnologie, bei der Unmengen von digitalen Daten erzeugt und gespeichert werden. Zur Erinnerung: Diesen als Big Data bezeichneten digitalen Daten werden große Potentiale für einen Erkenntnisgewinn zugeschrieben, der eben auch jenem in dieser Arbeit thematisierten Glauben an Big Data zugrunde liegt und der auch mit Blick auf die evidenzbasierte Politikgestaltung zum Tragen kommt. Es liegt daher nahe, diese Big Data auch aus Sicht der EU als ein wichtiges Gut im Rahmen evidenzbasierter Politikgestaltung zu begreifen, die nunmehr datenbasiert getroffen werden können (Esty & Rushing, 2007; Giest, 2017; Poel et al., 2018). So hat bspw. die Europäische Kommission die Initiative Data4Policy mit folgender Überzeugung ins Leben gerufen: “Data technologies are amongst the valuable tools that policymakers have at hand for informing the policy process, from identifying issues, to designing their intervention and monitoring results” (Europäische Kommission, 2017a, § 1).

Dabei werden automatisierte Anwendungen der Entscheidungsfindung auf Grundlage fortlaufender computerisierter Datenauswertung u. a. dafür eingesetzt, öffentliche Dienstleistungen zu erbringen, den Verkehrsfluss zu optimieren oder Sozialbetrug aufzudecken (AlgorithmWatch, 2019; Bansak et al., 2018; Poel et al., 2018). Mithin können Anwendungen des ADM potenziell zu einer Erhöhung der Legitimität in allen drei Dimensionen beitragen: Auf Seiten des Inputs, indem sie neue Formen demokratischer Beteiligung ermöglichen und neue Datenquellen und Eingabeformate erschließen, die zuvor keinen Eingang in den Entscheidungsprozess fanden. Bezüglich des Throughputs, indem sie den politischen Prozess standardisieren und so weniger anfällig für bestimmte menschliche Fehler machen, wobei auch auf eine verbesserte Transparenz automatisierter Prozesse hingewirkt wird (Fine Licht & Fine Licht, 2020). Letztlich mit Blick auf den Output, indem sie die Qualität politischer Programme und Entscheidungen sowie deren Ergebnisse verbessern sollen (B. W. Wirtz et al., 2018).

Gleichzeitig finden sich in der Literatur jedoch auch immer wieder Beispiele, die auf die Nachteile von automatisierten Systemen hindeuten, bei denen KI-Anwendungen zum Einsatz kommen (Richardson, Schultz & Southerland, 2019). Situationen, in denen Bürger*innen durch ADM fälschlicherweise des Betrugs beschuldigt werden, sie irrtümlich von Nahrungsmittelhilfeprogrammen ausgeschlossen oder ihre Sozialleistungen gekürzt werden, führen nicht nur zu folgenschweren Nachteilen bei den Betroffenen und verfehlen somit das Ziel, qualitativ hochwertige Ergebnisse zu produzieren. Sie führen zudem auch nicht zu effizienterer Entscheidungsfindung, wenn diese Fehlentscheidungen zu Klagewellen durch die Betroffenen führen. Letztlich sind hierdurch jedoch auch und insbesondere negative Effekte auf die wahrgenommene Legitimität der ADM-Anwendungen zu erwarten. Es bestehen allgemein im Hinblick auf die drei Dimensionen der Legitimität bei den Bürger*innen wichtige Herausforderungen, die jene ADM-Anwendungen mit sich bringen: Auf Seiten des Inputs haben die Betroffenen möglicherweise mangelnden Einblick und Einfluss auf die Kriterien oder Datenbanken, die Algorithmen zur Entscheidungsfindung nutzen. In Hinsicht auf den Throughput sind sie möglicherweise nicht in der Lage, die komplexe und oft undurchschaubare Logik zu verstehen, die den algorithmischen Vorhersagen, Empfehlungen oder Entscheidungen zugrunde liegt. So haben die Betroffenen in Bezug auf den Output möglicherweise grundlegende Zweifel, ob ADM-Anwendungen tatsächlich zu einer effizienteren Politik beitragen.

Es ist folglich fraglich, ob und inwieweit ADM-Anwendungen im Rahmen der datengetriebenen evidenzbasierten Politikgestaltung als positiv oder negativ wahrgenommen werden und ob sie die erhoffte Steigerung politischer Legitimität der EU herbeiführen können. Wie üblich hängen hierbei Erfolg und Misserfolg des weitläufigen Einsatzes von ADM-Anwendungen auch von der öffentlichen Bewertung und Akzeptanz ab (Bauer, 1995b). Eine aktuelle Befragung von Rubio und Lastra (2019) liefert diesbezüglich folgendes Indiz: Rund ein Viertel aller Europäer sei derzeit eher oder voll und ganz dafür, KI wichtige Entscheidungen über die Geschicke des eigenen Landes anzuvertrauen. Das primäre Erkenntnisinteresse der vorliegenden Studie war es nun, zu untersuchen, inwieweit ADM auf Ebene der EU zu einer erhöhten Wahrnehmung politischer Input-, Throughput- und Output-Legitimität führt.

Im Rahmen dieser Untersuchung, die auf unterschiedliche Verfahren bei der Erstellung und Verabschiedung des EU-Budgets als Anwendungsbeispiel abstellt, gerät auch ein möglicher Einfluss des BDGS in den Blick. KI-Anwendungen, die auf der Sammlung und Auswertung von digitalen Daten basieren und als Grundlage von Politikentscheidungen auf Ebene der EU dienen, verbinden die vermeintlichen Vorzüge digitaler Daten mit einer Ausschaltung menschlicher Einflüsse auf die Entscheidungsfindung, wie etwa politische oder soziale Zwänge und menschliche Fehlwahrnehmungen. Personen, die einen ausgeprägten Glauben an das Potential digitaler Daten haben, sollten diese herausgestellten Vorzüge entsprechend wahrnehmen und mit Hilfe von ADM getroffenen Entscheidungen auch eine höhere Legitimität zusprechen. Ein ausgeprägter Glaube an den Erkenntnis- und Nutzengewinn großer digitaler Datenbestände sollte demnach einen positiven Einfluss auf die wahrgenommene Legitimität mit Hilfe von ADM getroffener Entscheidungen haben. Es wird folgende Hypothese aufgestellt:

Um die Hypothese zu beantworten, wurde im Rahmen der experimentellen Befragungsstudie auch die BDGS-Skala eingesetzt, deren Einfluss auf die jeweiligen Legitimitätsdimensionen eingesetzter ADM-Anwendungen nachfolgend geprüft und berichtet wird. Dabei muss zur Prüfung der Einschätzung der Legitimität auch ein Szenario mit dem Status quo aufgenommen und durch die Befragten bewertet werden. In diesem werden politische Entscheidungen, wie es aktuell der Fall ist, von EU-Politiker*innen getroffen. In einer experimentellen Logik kann hier auch von der Kontrollgruppe gesprochen werden.

Allerdings ist solch ein Anwendungsfall des ADM, in dem jegliche Entscheidungsfindung vollständig an eine KI-Anwendung ausgelagert wird, als Extremszenario zu sehen. Es ist unwahrscheinlich, dass demokratisch legitimierte politische Handlungsfreiheit direkt außer Kraft gesetzt und durch ein technisches System abgelöst wird. Vielmehr sollen Systeme der KI als unterstützende Anwendungen herangezogen werden, die eine Entscheidungsfindung befördern und vorbereiten. Es stellt sich mithin die Frage, inwieweit ADM akzeptiert wird, jedoch aus Sicht der Bürger*innen menschliche Aufsicht und Interventionsfähigkeit bewahrt bleiben sollten, also eine Form hybrider Entscheidungsfindung begrüßt wird. Auch in diesem Rahmen wird erwartet, dass Personen mit einem hohen Glauben an die Wirkmächtigkeit digitaler Daten einem solchen Anwendungsfall datenbasierter KI-Anwendungen eine höhere Legitimität zusprechen. Entsprechend wird folgende Hypothese aufgestellt:

Um diese Hypothese zu prüfen, wurde zusätzlich ein weiteres Szenario hybrider Entscheidungsfindung evaluiert, das eine Art Zwischenstufe zwischen dem Status quo und einer rein datenbasierten KI-Anwendung darstellte. Die Hypothesen und spezifizierten Zusammenhänge wurden mit Hilfe einer Befragung mit experimentellem Design geprüft, wofür für das in Abbildung 10.1 spezifizierte Modell geschätzt wurde.

Zwischen Ende September und Anfang Oktober 2019 wurde zusammen mit Kimon Kieslich und Prof. Dr. Frank Marcinkowski am Lehrstuhl KMW I eine weitere Befragungsstudie mit dem Kurztitel TAI (Threat perceptions of AI) durchgeführt, in deren Rahmen Erhebung 2.2 KI-Bedrohung stattfand. Diese hatte eine Skalenkonstruktion für eine standardisierte funktions- und anwendungsorientierte Messung der Bedrohungswahrnehmung durch KI zum Ziel. Weitere Informationen finden sich bei Kieslich et al. (2021). Im Rahmen dieser Befragungsstudie kam erneut die BDGS-Skala zum Einsatz. Aufgrund des explorativen Charakters der Studie und der sich mehrfach bestätigten Struktur des BDGS und der Ausprägung seiner Dimensionen wurde keine Präregistrierung durchgeführt.

Im Vordergrund des Erkenntnisinteresses stand hier eine differenzierte Messung der Bedrohungswahrnehmung durch KI in Abhängigkeit von den Funktionen sowie den Einsatzgebieten der KI. Ausgangspunkt ist also die Analyse einer affektiven Komponente der Einstellung gegenüber datenverarbeitender KI (Maio et al., 2018). Geht es im Rahmen der Mensch-Maschine-Interaktion um Affekte, so wird häufig auf eine Bedrohungswahrnehmung und hierauf begründete Ängste Bezug genommen: So untersucht bspw. auch die Technikakzeptanzforschung Bedrohungspotentiale und durch sie ausgelöste Ängste nicht nur im Hinblick auf Großtechnologien wie Atomkraft, Nano- oder Biotechnologie, sondern insbesondere auch auf Computertechnik (Bauer, 1995a).⁴ Mit Blick auf KI hat dabei unlängst die Arbeit von Liang und Lee (2017) die Ängste der US- Bürger*innen vor autonomen Robotern und KI untersucht. Sie kommen zu der Einschätzung, dass rund ein Viertel der Befragten in der repräsentativen Stichprobe aus dem Mai 2015 Angst vor KI äußert. Auch für Deutschland zeigen aktuelle Zahlen von Bitkom (2018b), dass neben überwiegender positiver Erwartungen an KI bei manchen Menschen in Deutschland auch etwaige Befürchtungen mit KI verbunden sind und ein Drittel der Befragten KI als Gefahr sieht.

Es zeigt sich, dass etliche Bürger*innen eine Bedrohung durch KI und autonome Roboter äußern, also affektive Reaktionen durchaus relevant für Einstellungsbildung gegenüber KI sein können. Es ist daher notwendig, die Konsequenzen des BDGS auch und insbesondere in Verbindung mit den affektiven Wahrnehmungskomponenten von datenbasierter KI zu beleuchten. Es ist anzunehmen, dass die Prädisposition des BDGS je nach Ausprägung zu einer unterschiedlichen Bedrohungswahrnehmung führen könnte. Personen mit ausgeprägtem Glauben an die Potentiale von digitaler Datensammlung und -auswertung mögen auch hierauf aufbauende Computertechnik als weniger bedrohlich empfinden. Zunächst gilt es jedoch genauer herauszuarbeiten, warum und in welchem Zusammenhang genau Computertechnik im Form von KI und autonomen Robotern als Bedrohung empfunden werden könnte.

Bauer (1995a) äußert im Rahmen der Forschung zu Computerphobie (die selbstverständlich weiter gefasst ist als bloße Angstgefühle) folgende Skepsis, die auch für die vorliegende Studie zur Skalenkonstruktion der Angstmessung zunächst in Betracht gezogen werden muss:

Most empirical research works with operational definitions of computer phobia [sic] using self-report rating scales. (…) However, a test score is an insufficient criterion for real ‘cyberphobia’; it can at best efficiently reproduce a pre-existing expert judgement, which, as it seems, is more suggested by popular expectations, than by insisting on phenomenological evidence. (S. 102–105)

Bauer verweist darauf, dass die meisten Phobien eine Prävalenzrate von bis 8 % für ein Jahr und 13 % über den Lebenszeitraum haben (1995a). Angstgefühle sind ein Symptom von Phobien und eine Diagnose daher nicht so voraussetzungsvoll wie bei Letzterer. Dennoch sollte im Lichte mangelnder Validität der Messung von Angst durch Selbstauskunft eine Pathologisierung der Befragten und eine Sensationalisierung der Ergebnisse vermieden werden. Das bedeutet nicht, dass Bedrohung und Angstwahrnehmung nicht vorhanden sind, sondern ist als Auftrag zu verstehen, einen differenzierteren Messansatz zu verfolgen, der (a) auf weiterführende Vergleiche mit zusätzlichen Messansätzen und Datenpunkten (bspw. physiologischen Messungen) zurückgreift und (b) über die Selbstauskunft einer allgemein wahrgenommenen Bedrohung hinausgeht und die wahrgenommene Bedrohung zusätzlich in Bezug zum Bedrohungsobjekt und seiner angstauslösenden Eigenschaften setzt. Die vorliegende Untersuchung stellt dabei insbesondere auf letztere Anforderung an den Forschungszusammenhang des Bedrohungs- und Angstempfindens ab.

Generell ist die Messung von Angst durch Selbstauskunft zwar möglich, jedoch grob und nicht unproblematisch (Hersen, 1973; Kogan & Edelstein, 2004; Lanyon & Manosevitz, 1966; Scherer, 2005). Angst äußert sich insbesondere durch ein körperliches Erleben, welches physiologische Reaktionen beinhaltet, die wie angemerkt nur eingeschränkt durch Selbstauskunft erhoben werden können. Zudem sollte sorgfältig zwischen Bedrohungsobjekt und seinem Bedrohungspotential, wahrgenommener Bedrohung und hierdurch bedingter Angst unterschieden werden (Freeman & Freeman, 2012; Scherer, 2005). Nicht jede Bedrohungswahrnehmung löst auch zwingend Angst als emotionale Reaktion aus (Witte, 1992, 1994). Neben Fragen zur theoretischen Unterscheidung zwischen Bedrohung und Angst sowie der reliablen und validen Erhebung von empfundener Angst gibt es jedoch eine weitere mögliche Einschränkung der Reichweite der Befunde. Die durchaus hoch ausgeprägte Bedrohungswahrnehmung durch KI überrascht, hängt jedoch auch mit der vorliegenden Messung von Angst im Rahmen des Chapman Survey of American Fears zusammen (Liang & Lee, 2017). Das Erhebungsinstrument legt seinen Schwerpunkt nur teilweise auf eine allgemeine Bedrohungswahrnehmung durch KI-Systeme: Einer der vier Indikatoren der Messung zielte explizit auf Roboter ab, die menschliche Arbeitsplätze ersetzen, und ein zweiter Indikator stellte auf das Vertrauen von anderen Personen in die Arbeit von KI ab.⁵ Gerade in diesem Bereich werden wiederholt mögliche Zukunftsszenarien diskutiert, bei denen es mittelfristig zum Verlust einer großen Anzahl an Arbeitsplätzen und generell Konsequenzen für die Zukunft der Arbeit kommt (Bonin et al., 2015; Dengler & Matthes, 2015; Ford, 2015; Frey & Osborne, 2017; Hirsch-Kreinsen, 2015). Diese weitreichenden Prognosen finden anschließend Eingang in die Medienberichterstattung sowie die politische Debatte und können Ängste auslösen (Brynjolfsson & McAfee, 2015; Grass & Weber, 2016; Pellegrino, 2015). So äußerten bereits 2016 9 % der Berufstätigen in Deutschland Sorgen um ihren Arbeitsplatz (INSM, 2016). Die Verbreitung von Robotern in unterschiedlichen Branchen, gepaart mit einer zunehmenden medialen Aufmerksamkeit, wirft hier zum einen Fragen nach einer möglichen Veränderung der allgemeinen öffentlichen Wahrnehmung von künstlicher Intelligenz und autonomen Robotern auf (Gnambs & Appel, 2018). Sie bedarf zum anderen jedoch weiterführender Ansätze, die eine differenziertere Analyse eben jener wahrgenommenen Bedrohungspotentiale ermöglicht und hierbei zwischen Anwendungen und Anwendungsgebieten unterscheidet. Diese Fragen drehen sich dann nicht immer um den Einfluss von Computertechnik auf menschliche Arbeit, sondern ganz allgemein um die Konsequenzen des Vordringens datenverarbeitender KI-Systeme auf Individuum und Gesellschaft in allen möglichen Lebensbereichen.

Es ist zu vermuten, dass es einen Unterschied macht, in welchem Rahmen und wofür KI eingesetzt wird. Dabei ist zum einen der Anwendungsbereich der KI gemeint, der im folgenden Abschnitt besprochen wird. Zum anderen ist es die Reichweite bzw. das Ausmaß, mit dem die Computertechnik in einer Situation eingesetzt wird und einen Einfluss auf das Bedrohungsempfinden nehmen kann. So unterscheidet das von Bitkom (2018a) herausgegebene Periodensystem der KI auf Basis der Vorarbeit von Hammond (2016) zwischen den Fähigkeiten Assess, Infer und Respond, welche grob übersetzt werden können in Beurteilen, Schlussfolgern und Reagieren. Diese Fähigkeiten von KI lassen sich im Rahmen verschiedener Funktionen nutzen (P. Hofmann et al., 2020). Mit Blick auf den tatsächlichen Anwendungsfall dürfen die Funktionen der KI allerdings nicht zu feinteilig unterschieden werden, da ein Grundverständnis, aber auch die Fähigkeit der Unterscheidung auf den Seiten des Laien möglich sein muss. Es ist fraglich, ob bspw. das Reagieren der KI-Systeme tatsächlich wie von P. Hofmann et al. (2020) vorgeschlagen von technisch unversierten Befragten wie folgt unterteilt werden kann:

Dem Produzieren und der Bewegung liegen ja bspw. mitunter bereits getroffene Entscheidungen durch KI-Systeme zugrunde. Mit Blick auf den vorliegenden Untersuchungszusammenhang der Bedrohungswahrnehmung von KI-Systemen wurde daher zunächst vereinfacht unterschieden in die Erkennung/Identifikation von Mustern in den Daten und hierauf aufbauenden Vorhersagen für die Zukunft. Weiterhin besteht die Möglichkeit, dass die KI auf Basis der Mustererkennung und Vorhersage direkt eine Entscheidungsempfehlung abgibt oder gar die Entscheidung im Rahmen des ADM direkt selbst trifft (Burton et al., 2019; Lepri et al., 2018; Packin, 2019). Es wird davon ausgegangen, dass die unterschiedliche Reichweite und Konsequenz der Funktionen und die Autonomie des jeweiligen KI-Systems zu einer unterschiedlich hoch ausgeprägten Bedrohungswahrnehmung führen. Mit Blick auf die gebotene Sparsamkeit der Modellierung und der Erwartung, dass insbesondere die weitreichenden und konsequenzbehafteten Ergebnisse des Einsatzes der KI zu einer stärker ausgeprägten Bedrohungswahrnehmung führen, beschränkt sich die nachfolgende Analyse auf Empfehlungen und Entscheidungen durch KI. Erste Ergebnisse aus den Pre-Tests indizierten, dass die erhobenen Indikatoren bei diesen beiden Funktionen bessere Verteilungswerte aufwiesen, während bei den weniger weitreichenden Funktionen geringere und einseitig ausgeprägte Verteilungswerte der jeweiligen Indikatoren zu beobachten waren – die Bedrohungseinschätzung war zu gering und fast alle Befragten waren dieser Ansicht, so dass sich schiefe Verteilungen mit Boden- und Deckeneffekten abbildeten (Ho & Yu, 2015). Im Folgenden werden daher nur die beiden Funktionen der Empfehlung und der autonomen Entscheidung (ADM) durch die KI in den Blick genommen, da hier die größte Bedrohungswahrnehmung sowie ausreichende Varianz zwischen den Befragten vermutet werden.

In Hinsicht auf die Bedrohungswahrnehmung von KI und autonomen Robotern ist auch zwischen den Anwendungsbereichen zu unterscheiden, in denen KI-Systeme eingesetzt werden. Hier lässt sich an das eingangs erwähnte Arbeitsmarkt-Beispiel anknüpfen. So spielen KI-Systeme mit Bezug auf die Ökonomie und wirtschaftliche Entwicklungen in der öffentlichen Diskussion eine große Rolle. Brennen et al. (2018) finden in einer Medieninhaltsanalyse der Berichterstattung in Großbritannien, dass fast 60 % aller Berichte auf kommerzielle KI-Anwendungen aus der Industrie abstellen. Diese werden dabei nicht immer als nur positiv diskutiert. Zwar werden in vielen Wirtschaftsbereichen mittel- und langfristig Nutzengewinne erwartet (Brynjolfsson et al., 2017). Jedoch lassen sich wie bereits angedeutet in einigen Branchen negative Konsequenzen gerade für die Beschäftigten in Niedriglohnstufen erwarten (Furman & Seamans, 2019). Doch auch in anderen ökonomischen Zusammenhängen, beispielweise für Bürger*innen in ihrer Rolle als Kund*innen, zeigen sich mitunter bereits Problemlagen ab: Etwa wenn die KI-Systeme auf Datengrundlage individuell nachteilige Entscheidungen treffen, wie bei der Kreditvergabe oder Bewerbung um einen Studien- oder Arbeitsplatz (siehe auch Erhebung 2.4 KI und Hochschule in Abschnitt 10.3.4). Ganz gleich, ob diese Entscheidungen objektiv haltbar und ohne Bias sind oder nicht und ob die Betroffenen dies entsprechend bewerten oder überhaupt einschätzen können: Der zunehmende Einsatz von KI und autonomen Robotern in der Wirtschaft bringt vermeintlich großen individuellen und gesellschaftlichen Nutzen gepaart mit potentiell negativen Konsequenzen. Je nach Szenario und individueller Perspektive ist hier mitunter ein hohes Bedrohungspotential vorhanden, da auf weitreichende nachteilige Veränderungen in einem zentralen Lebensbereich abgestellt wird. So fällt dann auch möglicherweise die wahrgenommene Bedrohung durch KI innerhalb eines Anwendungsbereichs je nach konkreter Anwendung höher oder gar niedriger aus. Das Bedrohungspotential von KI-Systemen ist mithin kontextabhängig und unterscheidet sich mutmaßlich auch in der Bedrohungswahrnehmung im Vergleich mit Anwendungsbereichen, die ebenso existentiell für den Menschen sind wie bspw. die Medizin. Wie im Hinblick auf die individualisierte Krankenversicherung in Erhebung 2.3 Krankenversicherung noch thematisiert wird (siehe Abschnitt 10.3.3), verbinden sich mit dem Einsatz von KI-Systemen in der medizinischen Forschung und Gesundheitsversorgung ebenfalls durchaus große Hoffnungen. Gleichsam kommt es auch hier zu Problemen, etwa in Hinsicht auf das Vertrauen in therapeutische Entscheidungen im Arzt-Maschine-Patientenverhältnis (Topol, 2019).

Diese Diskussion neuer Problemlagen im Rahmen der Einführung von KI-Systemen in unterschiedlichen Lebensbereichen macht deutlich, dass eine Analyse des wahrgenommenen Bedrohungspotentials auf Seiten der Bürger*innen immer einen jeweils spezifischen Zuschnitt haben muss und folglich auch standardisierte Erhebungsinstrumente flexibel an das jeweilige Forschungsinteresse anpassbar sein müssen. Deshalb wurde die Skalenentwicklung auch vorangetrieben, um eine verbesserte standardisierte Messung der Bedrohungswahrnehmung zu produzieren, die auf möglichst viele Kontexte angewandt werden kann. Getestet wurde die Skalenentwicklung für die drei aktuellen und relevanten Anwendungsbereiche des KI-Einsatzes in Medizin, Personalwesen und im Bankensektor.

Im Rahmen dieser Arbeit wird das BDGS als eine prädispositive Kognition der Bürger*innen behandelt, deren Ausprägung einen Einfluss auf Einstellungen und Verhalten in allen Bereichen hat, in denen digitale Technologien wie bspw. die KI im Entstehungs- und Verwertungskontext von digitalen Daten Anwendung finden. So ist auch mit Blick auf die Untersuchung der Bedrohungswahrnehmung der Funktionen von KI und deren Einsatz in unterschiedlichen Anwendungsbereichen zu vermuten, dass das BDGS einen Einfluss auf die affektive Komponente von Einstellungen nimmt und mithin die Einschätzung der Bedrohung durch KI beeinflusst. Allerdings gibt es keine genauen Annahmen und Hinweise, die zu einer Hypothesenbildung führen, dass eine spezifische Dimension des BDGS (wie bspw. der erwartete individuelle Nutzen) sich stark auf die Bedrohungswahrnehmung auswirkt. Zumal auch hier mit Blick auf die Kontextunterscheidung Unterschiede zu erwarten wären. Konkrete Annahmen würden daher lediglich einer intuitiven Erwartung an einen möglichen Zusammenhang entspringen und wären nicht deduktiv aus der theoretischen Beschreibung etwaiger zugrunde liegender Mechanismen abgeleitet. Mithin wird für den untersuchten Einfluss des BDGS als Prädisposition auf Seiten der Befragten auf deren Bedrohungswahrnehmung der KI folgende Hypothese aufgestellt:

Um die Hypothese zu beantworten, wurde im Rahmen der Befragungsstudie der Skalenentwicklung auch die BDGS-Skala eingesetzt, deren Ergebnisse nachfolgend berichtet werden. Die aufgestellte Hypothese wurde mit Hilfe einer Befragung geprüft und hierfür das in Abbildung 10.2 dargestellte Modell geschätzt.

Wie Erhebung 2.1 EU und KI wurde auch Erhebung 2.3 Krankenversicherung im Rahmen eines Lehrforschungsprojekts im Bachelorstudiengang Sozialwissenschaften im Wintersemester 2018/19 an der HHU Düsseldorf durchgeführt. Dabei besteht Erhebung 2.3 Krankenversicherung aus zwei Teilerhebungen, die nachfolgend als Teilerhebungen 2.3a und 2.3b ausgewiesen werden. Weitere Informationen zu dieser derzeit noch nicht veröffentlichten Studie sind als Publikation in Vorbereitung (Lünich & Starke, 2020).

Das Erkenntnisinteresse betraf den Anwendungsbereich datenintensiver KI-Anwendungen im Gesundheitswesen. Mit der Sammlung und Auswertung von Big Data sind insbesondere im Gesundheitswesen große Hoffnungen verbunden (Aitken et al., 2018; Bitkom Research, 2019). Nicht nur, dass ganz allgemein die medizinische Forschung von weitreichender Datensammlung und deren Auswertung profitiert. Auch die personalisierte, auf das Individuum abgestimmte Medizin ist auf dem Vormarsch (Eberbach, 2017). Gleichzeitig weckt die Sammlung großer digitaler Datenbestände Begehrlichkeiten der Versicherungsbranche (Braun & Nürnberg, 2015). Es besteht die Erwartung, dass Versicherungstarife, die bislang nach dem Prinzip kollektiver Risikoübernahme funktionieren, noch feiner für die einzelnen Versicherten ausgesteuert oder gar Personen mit hohen Risiken gar nicht erst in einen Tarif aufgenommen werden. Während es in vielen Versicherungsklassen (wie z. B. in der Automobilversicherung) bereits weit fortgeschrittene Versicherungsmodelle gibt, bei denen laufend digitale Daten über die Versicherten erhoben werden (Arisov et al., 2019), experimentieren in Deutschland auch aufgrund strenger Datenschutzbestimmungen erst einige wenige Krankenkassen mit der Datensammlung, etwa mit verhaltensbasierten Versicherungstarifen zur Verhaltenssteuerung durch Bonussysteme (Braun & Nürnberg, 2015; Weichert, 2014). Versicherte werden für die Teilnahme an Programmen belohnt, bei denen sie sich verpflichten, der Krankenversicherung ihre Daten bereitzustellen oder zumindest sich selbst zu beobachten, bspw. durch die Nutzung eines Fitnessarmbands, das laufend Daten über Vitalparameter erhebt, oder durch die manuelle Eingabe dieser Daten in eine Smartphone-App.

Dies führt laut einer Stellungnahme des Deutschen Ethikrats (2017) zu der

Sorge, dass die Annahme einer allen gemeinsamen Vulnerabilität gegenüber Krankheitsrisiken, die nicht sicher zu antizipieren sind, als Grundlage der Solidargemeinschaft in der gesetzlichen Krankenversicherung und der fairen Vertragsgestaltung in der privaten Krankenversicherung infrage gestellt werden könnte. Dann könnten Niedrigrisikogruppen verstärkt die Solidargemeinschaft verlassen, wodurch für Letztere erhebliche Mehrbelastungen entstünden. (S. 34)

Die angesprochenen Niedrigrisikogruppen wären – so die Annahme – eher geneigt, auf die neuen individualisierten Krankenversicherungstarife umzusteigen, da sie hiervon überproportional profitieren würden. Der Gedanke folgt dabei einer einfachen Kosten-Nutzen-Kalkulation im Sinne der Rational-Choice-Logik (Diekmann & Voß, 2004a; Kunz, 2004), bei der „Akteure in Entscheidungssituationen unter Restriktionen versuchen, ihre Präferenzen möglichst gut zu realisieren“ (Diekmann & Voß, 2004b, S. 15). Personen, die einen Nutzen aus den neuen Versicherungstarifen ziehen, etwa indem sie Geld sparen, könnten eher geneigt sein, in individualisierte Krankenversicherungsangebote zu wechseln.

Gleichzeitig geht das Ausmaß der Datensammlung und -auswertung von personenbezogenen Daten (seien es nun Daten über Vitalparameter o. ä.) mit großen Herausforderungen an den Datenschutz einher (Weichert, 2014). Zwar geben laut einer Untersuchung des Branchenverbands Bitkom (2019) aus dem Frühjahr 2019 zwei Drittel der Smartphone-Nutzer*innen an, Gesundheits-Apps auf dem Handy zu nutzen. Dennoch zeigt sich mit Blick auf die Ergebnisse der gleichen Umfrage, dass bspw. für die Befürworter*innen der elektronischen Patientenakte Datenhoheit und -sicherheit zu den wichtigsten Anforderungen zählen oder dass 71 % der Befragten bei sogenannten E-Rezepten Risiken beim Datenschutz und Datensicherheit sehen. Der Einfluss solcher Privatheitsbedenken auf die Datenpreisgabe und Selbstoffenbarung von Privatpersonen gibt daher immer wieder Anlass für dezidierte Forschung (Acquisti et al., 2015; Barth & Jong, 2017; Baruh et al., 2017; Kokolakis, 2017). Auch hier spielen Kosten-Nutzen-Abwägungen eine Rolle, wobei mögliche oder bereits realisierte Nachteile bei Datensicherheit und Verletzungen der Privatsphäre sich auf der Kostenseite verbuchen lassen (Bol et al., 2018). Als vorrangiges Erkenntnisinteresse der Studie wurde daher der Einfluss des individuellen Profits und der Notwendigkeit der Preisgabe persönlicher Daten auf die Wechselbereitschaft in einen individualisierten datenbasierten Krankenversicherungstarif mittels eines Experimentaldesigns untersucht. Damit rückt in der vorliegenden Erhebung mit der Verhaltensintention der Wechselbereitschaft eine konative Komponente der Einstellung in den Fokus, deren Beeinflussung durch das BDGS fraglich ist.

Mit Blick auf das BDGS ist zu prüfen, ob und inwieweit die individuelle Ausprägung der Dimensionen des BDGS einen Einfluss auf die Verhaltensintentionen seiner Merkmalsträger hat, der über situative Einflussfaktoren hinausgeht. Während also der realisierte Nutzen und die Notwendigkeit der Datenpreisgabe im Anwendungsbeispiel selbst variiert werden, wird das BDGS als verhältnismäßig stabiles Wahrnehmungsmuster behandelt, das eben unabhängig der zuvor genannten Faktoren einen Einfluss auf die Bereitschaft zu einem Wechsel in eine individualisierte Krankenversicherung hat. Es steht zu erwarten, dass Personen mit einem ausgeprägtem Glauben an die Potentiale von Big Data dem Ansatz eines auf Individualdaten basierenden Krankenversicherungstarifs offener gegenüberstehen und daher eher gewillt sind, in einen solchen Tarif zu wechseln. Es wird daher mit Blick auf die Dimensionen des BDGS folgende Hypothese formuliert:

Die Ausprägungen der BDGS-Dimensionen sind hierbei explizit nicht als Moderationsvariablen zu betrachten und werden dementsprechend als eigenständige exogene Variablen modelliert. Es wird davon ausgegangen, dass die Dimensionen des BDGS einen jeweils eigenständigen Einfluss zeitigen. Die aufgestellten Hypothesen werden nachfolgend mittels einer Befragung mit experimentellem Design geprüft und hierfür wird das in Abbildung 10.3 dargestellte Modell geschätzt.

Das Hauptaugenmerk der Studie, in deren Rahmen Erhebung 2.4 KI und Hochschule durchgeführt wurde, bestand dann erneut in der Wahrnehmung von datenbasierten KI-Anwendungen und nimmt nach dem Einfluss des BDGS im medizinischen Kontext und der Politik die Akzeptanz von KI-Anwendungen in einem weiteren zentralen und für viele, gerade jüngere Menschen lebensweisenden Bereich in Augenschein: der höheren Bildung im tertiären Bildungsbereich an den deutschen Hochschulen. Es geht wiederum um die Bewertung des Einflusses von KI-Anwendungen, wobei dieses Mal keine direkt individual-ökonomischen oder gesellschaftspolitischen Konsequenzen die Bewertung beeinflussen. Die Konsequenz ist in der vorliegenden Studie breiter gelagert und betrifft die individuelle (Entscheidungs-)Freiheit. Es geht genauer um die KI-basierte Vergabe von Studienplätzen.

Im Zuge des Aufkommens von KI-Systemen geraten gerade auch solche Anwendungen in den Blick, die im Bildungssektor erfolgversprechend eingesetzt werden können (Attaran et al., 2018; Daniel, 2015; Eynon, 2013). Die vorliegende Studie sollte ganz allgemein ergründen, inwieweit in der Studierendenschaft Akzeptanz für KI-basierte Zulassungsverfahren für Studiengänge besteht und welche Reaktionen mit der Einführung eines solchen Systems verbunden sind.

Aufgrund limitierter Ressourcen und großem Andrang der Bewerber*innen auf eine unzureichende Anzahl an Studienplätzen in einigen Fächern sind hierzulande seit jeher viele Studiengänge zulassungsbeschränkt und es muss in Bereichen wie etwa der Medizin oder Psychologie ein Studienzulassungsverfahren durchlaufen werden. Je nach Fach ist dieses Zulassungsverfahren bundesweit geregelt oder wird direkt von der jeweiligen Hochschule selbst festgelegt. Aktuell gibt es hierbei vorher festgelegte Kriterien (bspw. die Abiturnote im Rahmen des Numerus Clausus), die je nach Zulassungsverfahren um eignungsdiagnostische Elemente ergänzt werden können, die unterschiedliche ‚harte‘ und ‚weiche‘ Kriterien (bspw. Wissenstests sowie Motivationsschreiben oder unstrukturierte Interviews) umfassen (Klusmann et al., 2011; Stemmler, 2005).⁶ Dabei sind die entsprechenden Verfahren zeit- und ressourcenintensiv und gehen häufig zu Lasten des Forschungs- und Hochschulverwaltungspersonals. Denn die Einschätzung der Studieneignung wird bei letzterem Verfahren in der Gesamtschau vom Menschen abgegeben, der Bewerbungen überblicken und bewerten muss. Eine Automatisierung der Eignungseinschätzungen könnte dabei nicht nur aus Gründen des Bearbeitungsaufwandes von Vorteil sein. Denn die Eignung für ein Studium, die auf einer persönlicher Einschätzung der Bewerber*innen basiert, ist anfällig für Vorwürfe mangelnder Objektivität und kognitiver Verzerrungen im Rahmen der Bewertung (Dawes, 1971). Es wird mithin die Validität und Vorhersagekraft dieser Verfahren bemängelt und kontrovers diskutiert (Hell et al., 2007).⁷

Gleichzeitig gibt es jedoch auch Hinweise darauf, dass die Durchführung von Interviews neben Studierfähigkeitstests von Seite der Studieninteressierten durchaus positiv bewertet wird (Hell & Schuler, 2005). Kritisiert wird hier von Studierenden der mangelnde Informationsgehalt von Schulnoten und Leistungstests, welcher hingegen persönlichen Interviews zugeschrieben wird. Gleichzeitig haben Letztere jedoch eine negative affektive Wirkung, da Bewerbungsgespräche als „vergleichsweise wenig beruhigend und überdurchschnittlich unangenehm sowie als wenig durchschaubar eingeschätzt werden“ (Hell & Schuler, 2005, S. 370). Im Endeffekt bedeutet der derzeitige Zulassungsprozess viel Aufwand und Unsicherheit für die beteiligten Parteien, bei fraglichen Ergebnissen. Mithin wird hier oft diskutiert und erprobt Datenanalysesoftware einzusetzen (Maltz et al., 2007; Walczak & Sincich, 1999).

Dabei sollen neuerdings Machine-Learning-Anwendungen auf einer breitgefächerten Datengrundlage die vielversprechendsten Studienbewerber*innen identifizieren. Insgesamt, so die Hoffnung, soll dieser Computereinsatz den Zulassungsprozess effektiver und nicht zuletzt fairer gestalten. Es wird davon ausgegangen, dass für die Akzeptanz solcher Verfahren durch die betroffenen Studienbewerber*innen insbesondere die wahrgenommene Fairness ausschlaggebend ist (Marcinkowski & Starke, 2019), die daher mit Blick auf die Fairnessperzeptionen der Studiereden auch im Fokus der vorliegenden Untersuchung stand (Marcinkowski et al., 2020). Neben allgemeinen Fairnessperzeptionen gegenüber dem Verfahren stellt dabei auch das Vertrauen in die Richtigkeit der Entscheidung eine Grundvoraussetzung für die positive Evaluation eines solchen Zulassungssystems dar. Hier ist davon auszugehen, dass die Voreinstellungen gegenüber technologischen Innovationen einen Einfluss auf die Erwartungshaltung haben, die technische Anwendung könne die gemachten Versprechen auch tatsächlich einlösen. In der Argumentationslinie dieser Arbeit bedeutet dies, dass bezüglich der datenbasierten KI-Anwendungen, die im Rahmen der Studienzulassung an der Hochschule zum Einsatz kommen können, die Bewertung dieses Einsatzes womöglich auch durch die generelle Wahrnehmung und Erwartungen an das Potential der Sammlung und Auswertung digitaler Daten beeinflusst ist.

Wenn sich die Richtigkeit der getroffenen Auswahlentscheidung nicht direkt prüfen lässt und eine Bewertung des Verfahrens mit Unsicherheit und gar dem Risiko behaftet ist, fälschlich nicht angenommen zu werden, bedarf es nach Mayer et al. (1995) Vertrauen in die Richtigkeit der von der Hochschule getroffenen Entscheidungen: “The definition of trust (…) is the willingness of a party to be vulnerable to the actions of another party based on the expectation that the other will perform a particular action important to the trustor, irrespective of the ability to monitor or control that other party” (S. 712). Werden Studierende mit einem KI-basierten Eignungsfeststellungsverfahren konfrontiert, dessen Entscheidung sie unterworfen sind und dessen konkreten Auswertungsprozess sie nicht unmittelbar einsehen und hinterfragen können, wird erwartet, dass diejenigen Personen mit ausgeprägtem Glauben an digitale Daten im Sinne dieser Arbeit auch ein höheres Vertrauen in die Richtigkeit der Entscheidung einer KI über Annahme oder Ablehnung für einen Studienplatz zeigen. Daher wird folgende Hypothese formuliert:⁸

Erwartungen an die Genauigkeit digitaler Daten sind dabei eine zentrale Überzeugung innerhalb des BDGS. Sie äußern sich in einem Glauben an die Objektivität und Exaktheit der Daten. Es muss daher davon ausgegangen werden, dass es eben diese Überzeugung von der Genauigkeit digitaler Daten ist, die in besonderem Maße zur angenommenen Richtigkeit der zu treffenden Auswahlentscheidung führt. Der erwartete Erklärungsbeitrag dieser Überzeugung könnte sich daher von den anderen Dimensionen des BDGS unterscheiden. Es wird daher folgende Frage aufgeworfen:

Ausgehend vom Vertrauen in die Richtigkeit der getroffenen Zulassungsentscheidung interessiert nun aus Sicht der Hochschulen, die gedenken, ein KI-basiertes Zulassungsverfahren einzuführen, dessen Konsequenzen. Dabei rücken zwei Variablen in den Blick: die Reputation der Hochschule und die Reaktionen der Studierenden.

Die Reputation der Hochschule in der Öffentlichkeit und insbesondere bei Studienbewerber*innen ist ein wichtiges Gut im Wettbewerb der Universitäten um den akademischen Nachwuchs. Ein guter Ruf lockt geeignete Kandidat*innen (Bowman & Bastedo, 2009; Comm & LaBay, 1997; Theus, 1993). Mit hohen Bewerbungszahlen gehen die Möglichkeit der Selektivität der besten Köpfe und die universitätsinterne Daseinsrechtfertigung von Studiengängen einher. Von der Ausschöpfung der Lehrkapazitäten hängen zugewiesene Stellenprozente und Mittelzuwendungen ab. Ein gutes Image bei den Bewerber*innen ist mithin ein gewichtiger Kredit, den die Universitäten und ihre Fakultäten nicht verspielen und möglichst erhöhen wollen (Habicht, 2009; Probst, 2008).

Ein Vertrauen in die Richtigkeit der Entscheidung sollte dahingehend die Bewertung der Reputation der Hochschule besser ausfallen lassen bzw. sollte eine geringe Vertrauensneigung dazu führen, dass die Reputation der Hochschule sinkt. Nach Hosmer (1995) ist Reputation insbesondere die Konsequenz vertrauenswürdigen Verhaltens. Zusammen mit dem BDGS wird hier ein Einfluss auf die Reputation vermutet, wenn etwa Studierende, die einen ausgeprägten Glauben an die digitalen Daten haben, auch die Einführung datenbasierter Anwendungen zur Studienplatzvergabe gutheißen. Die Hochschule sollte bei diesen Studierenden durch die Einführung dieser innovativen KI-Anwendung an Reputation gewinnen. Daher wird die folgende Hypothese aufgestellt:

Auch die Reaktion der Studierenden ist für die Hochschulen von Interesse. Evoziert der Einsatz automatisierter Auswahlentscheidungen Kritik und Einwände in der Studierendenschaft? In diesem Zusammenhang sollte sich dabei ebenso ein Einfluss des BDGS feststellen lassen. Da Studierende mit ausgeprägtem Glauben an die digitalen Daten, auch die vermeintlichen Vorteile datenbasierter KI-Anwendungen zur Studienplatzvergabe wahrnehmen, sollten sie eine geringere Protestneigung zeigen. In diesem Zusammenhang wird auch der Einfluss des Vertrauens von Personen auf ihr Protestverhalten untersucht (Camaj, 2014; Moy et al., 2005; Moy & Pfau, 2000). Dabei zeigt sich, dass sich hohes Vertrauen negativ auf die Protestneigung auswirkt (Moy et al., 2005; Nilson & Nilson, 1980). Unter der Annahme, dass abhängig von der Ausprägung des BDGS und des Vertrauens in die Richtigkeit der Entscheidung Akzeptanz des KI-basierten Auswahlverfahrens besteht, ist letztlich zu erwarten, dass dies eine geringere Absicht des Protests gegen den Einsatz des KI-basierten Auswahlverfahrens durch die Hochschule nach sich zieht. Es wird mithin folgende Hypothese aufgestellt:

Es ist darüber hinaus fraglich, inwieweit die Reputation der Hochschule und die Neigung zum Protest gegen die Auswahlentscheidung zusammenhängen. Es kann durchaus erwartet werden, dass es hier einen möglichen Zusammenhang gibt, allerdings ist dessen Richtung fraglich und wird im Rahmen des vorliegenden Forschungsinteresses nicht näher untersucht.

Die zu testenden Zusammenhänge finden sich in einem in Abbildung 10.4 dargestellten und nachfolgend spezifizierten und geschätzten Modell, welches mit Hilfe einer Befragungsstudie geprüft wurde.

Die Befragung mit Experimentaldesign für Erhebung 2.1 EU und KI wurde als Online-Befragung konzipiert und Befragte wurden über das SoSci-Panel rekrutiert (D. J. Leiner, 2016). Die Feldphase der Untersuchung lief vom 8. April bis zum 22. April 2019. Es wurden insgesamt 2954 Einladungen an Personen aus dem SoSci-Panel versendet. Insgesamt wurde der Fragebogen 807-mal aufgerufen und 729 Personen begannen mit der Befragung. Davon füllten 612 Teilnehmer*innen den Fragebogen vollständig aus, was einer Beantwortungsrate von 20,7 % entspricht. Zur Qualitätskontrolle der Daten aus dem experimentellen Design wurde eine gründliche Datenbereinigung durchgeführt. Es wurden Befragte ausgeschlossen, die eine Aufmerksamkeitsprüfung nicht erfolgreich beantwortet haben, bei der ein eingebauter Attention Check nach dem Thema des Stimulus fragte (n = 14). Zudem wurden Befragte von der Analyse ausgeschlossen, die sich zu schnell durch den Fragebogen geklickt haben. Hierfür wurde die von SoSci Survey bereitgestellte Variable DEG_Time herangezogen, die für alle Teilnehmer*innen automatisch im Datensatz gespeichert wurde.¹¹ Es werden für zu schnelles Beantworten der Fragen und Durchklicken der Fragebogenseiten hierbei Maluspunkte vergeben, die bei einem konservativ festgelegten Wert von 50 zum Ausschluss führen (n = 26). Mit diesem Filterverfahren bestand die Stichprobe aus n = 572 Befragten.

Die BDGS-Skala fand sich auf Seite 5 von 22 Fragebogenseiten (siehe Fragebogen im Anhang 3.4 im elektronischen Zusatzmaterial). Direkt im Anschluss folgte eine Überleitung zum experimentalen Stimulus, der im Abschnitt 10.6.1 beschrieben wird. Die Befragten wurden randomisiert einer von drei Konditionen zugewiesen, in denen ein unterschiedlicher Budgetierungsprozess auf EU-Ebene dargestellt wurde. Anschließend gaben sie ihre Einschätzung zur Legitimität des Prozesses ab und beantworteten Fragen zum Stimulus im Rahmen einer Manipulationsprüfung.

Die Feldphase lief vom 30. September bis zum 14. Oktober 2019. Rekrutiert wurden die Befragten auch in dieser Studie über das SoSci-Panel (D. J. Leiner, 2016). Die Befragten aus dem Panel-Pool wurden von den SoSci-Administratoren zur Befragung eingeladen, wobei 4919 Einladungen erfolgreich versendet werden konnten. Es gab keine Incentivierung oder Vergütung für die Teilnahme an der Studie. Insgesamt wurde der Fragebogen 1046-mal aufgerufen und 1026 Personen begannen mit der Befragung. Davon füllten 917 Teilnehmer*innen den Fragebogen vollständig aus, was einer Beantwortungsrate von 18,6 % entspricht. Davon wurden n = 26 Fälle von der Auswertung ausgeschlossen, da sie auch hier entweder mehr als 50 Maluspunkte für extrem schnelles Ausfüllen des Fragebogens erhielten oder den Fragebogen in weniger als fünf Minuten beantworteten. Dieses Zeitkriterium wurde durch Prüfung im Rahmen des Pre-Tests des Fragebogens als Mindestwert festgesetzt, der erreicht werden musste, um von sinnhafter Beantwortung ausgehen zu können. Letztendlich gingen n = 891 Fälle in die Auswertung ein. Die Geschlechtsverteilung ist mit 50.0 % Frauen, 49.2 % Männer sowie 0.8 % Befragten, die sich der diversen Geschlechtskategorie zuordnen, im Gesamtsample und auch in den einzelnen Gruppen ausgeglichen. Das Durchschnittsalter betrug 46 Jahre (SD = 15.66). Aufgrund der demografischen Struktur des Online-Access-Panels von SoSci haben 82 % der Befragten mindestens den Bildungsabschluss Abitur.

Die Befragten wurden per Zufall einer von drei Anwendungsbereichen von KI (Medizin, Personalwesen oder im Bankensektor) zugelost und bekamen dementsprechend angepasste Items zur Beantwortung vorgelegt (siehe Abschnitt 10.6.2, der Fragebogen findet sich in Anhang 3.5 im elektronischen Zusatzmaterial). Von den n = 891 Fällen fanden sich 301 Befragte in der Gruppe ‚Medizin‘, 294 in der Gruppe ‚Personalwesen‘ und 296 in der Gruppe ‚Bankensektor‘. Die Platzierung auf der sechsten Fragebogenseite und die Formulierungen BDGS-Skala waren in den drei Konditionen gleich, lediglich die zwölf Items der Skala wurden zufällig in der präsentierten Reihenfolge rotiert.

Zu Beginn des Jahres 2019 erfolgte in Teilerhebung 2.3a Krankenversicherung eine Befragung im Labor, bei der Studierende der HHU unter Laborbedingungen an der Befragung mit Experimentaldesign teilnahmen. Im April begann dann für Teilerhebung 2.3b Krankenversicherung eine zweite Befragung mit Experimentaldesign, die als Online-Befragung konzipiert war und für die wie in Erhebung 2.1 EU und KI und Erhebung 2.3 Krankenversicherung Befragte über das SoSci-Panel rekrutiert wurden (D. J. Leiner, 2016).

Die Feldphase der Teilerhebung 2.3a Krankenversicherung lief vom 9. Januar bis zum 21. Januar 2019. Rekrutiert wurden die Befragten auf dem Campus der HHU durch direkte Ansprache und das Verteilen von Werbeflyern. Für die Teilnahme an der Studie erhielten alle Probanden nach Abschluss der Befragung fünf Euro. Die Teilnahme erfolgte im Labor, so dass zeitgleich bis zu vier Probanden an einem jeweils gleich aufgebauten Computerterminal teilnehmen konnten. Insgesamt nahmen n = 164 Personen erfolgreich an der Laborbefragung teil und es wurden keine Fälle aus dem Datensatz vor der Auswertung entfernt.

Die Feldphase der Teilerhebung 2.3b Krankenversicherung lief vom 24. April bis zum 24. Juni 2019. Rekrutiert wurden die Befragten über das SoSci-Panel (D. J. Leiner, 2016). Die Befragten aus dem Panel-Pool wurden von den SoSci-Administratoren zur Befragung eingeladen. Es gab keine Incentivierung oder Vergütung für die Teilnahme an der Studie. Insgesamt wurde der Fragebogen 928-mal aufgerufen. Es begannen 614 Personen mit der Beantwortung, wobei n = 455 Personen den Fragebogen vollständig beantworteten. Davon wurden n = 22 Fälle von der Auswertung ausgeschlossen, da sie mehr als 50 Maluspunkte für extrem schnelles Ausfüllen des Fragebogens erhielten. Letztendlich gingen n = 433 Fälle in die Auswertung ein.

Der Fragebogen war in beiden Teilerhebungen nahezu identisch aufgebaut (siehe Fragebogen im Anhang 3.6 im elektronischen Zusatzmaterial). Da in Teilerhebung 2.3a Krankenversicherung die Darstellung auf den PCs im Labor feinjustiert werden konnte, wurden die Skalen in Teilerhebung 2.3b Krankenversicherung anders auf die Seiten verteilt, um mögliche Darstellungsprobleme auf den eventuell kleineren Bildschirmen von Privatgeräten der Befragten zu vermeiden. Es wurde in der Panelbefragung explizit dazu aufgefordert, den Fragebogen nicht an einem Smartphone oder einem Tablet auszufüllen, da dort Darstellungsprobleme mit Blick auf die dynamischen Elemente erwartet wurden. Es wurde von der Fragebogensoftware registriert, mit welchem Gerät auf den Fragebogen zugegriffen wurde. Wurde als Gerät ein Smartphone oder ein Tablet erkannt, war eine Beantwortung in diesem Fall nicht möglich und die Probanden bekamen eine Aufforderung, den Link am Desktop-Computer zu öffnen. Die Reihenfolge der Skalen wurde beibehalten. Der Fragebogenaufbau war in beiden Studien annähernd gleich. Zu Beginn der Befragung wurde den Befragten ein Text vorgelegt, in dem zunächst ganz allgemein auf Entstehung und Verwertung digitaler Daten im Rahmen der Digitalisierung eingegangen wurde (der vollständige Text findet sich im Anhang 3.6 im elektronischen Zusatzmaterial).

Nach dieser Erklärung erfolgte eine Einführung in die Bedeutung dieser digitalen Datensammlung für die Krankenversicherung und die Möglichkeit einer hieraus entstehenden Individualisierung von Versicherungstarifen. Ziel war es, alle Befragten allgemein über die Möglichkeiten der Datenverwertung in der Krankenversicherung aufzuklären. Anschließend begann die eigentliche Befragung, wobei im Rahmen des experimentellen Designs zunächst auf ein vorgebliches Modellprojekt namens INDIVIDUA hingewiesen wurde. Für dieses Modellprojekt sollten die im Rahmen des ersten Teils der Befragung gemachten Angaben der Befragten zur Berechnung eines individualisierten Krankenkassenbeitrags ausgewertet werden. Es folgten mithin zunächst Fragen zur Person bestehend aus soziodemografischen Angaben, Versicherungsstatus, Gesundheitsstatus, Gesundheitsverhalten (Sportaktivität, Alkohol- und Zigarettenkonsum) sowie Einstellungsfragen. In diesem Block fand sich u. a. auch die BDGS-Skala. Diese wurde in Erhebung 2.3a auf Seite 11 und in Erhebung 2.3b auf Seite 13 von 26 Fragebogenseiten gezeigt. Da sich vor der Beantwortung der BDGS-Skala nur Fragen zur Person der Befragten fanden, bezog sich lediglich eine Frage zur Häufigkeit der Computerspielnutzung auf die Nutzung digitaler Technik. Es sind daher keine besonderen Befragungseffekte auf die BDGS-Skala zu erwarten.

Anschließend wurde auf Basis dieser Angaben eine Berechnung des individualisierten Krankenversicherungstarifs der INDIVIDUA simuliert. Als Ergebnis dieser vermeintlichen Berechnung wurde dann, nach einer voreingestellten Zeit von zehn Sekunden, die vermeintlich für die Berechnung des Tarifs nötig war, die eigentliche Manipulation (unabhängige Variable) ausgespielt. Abschließend folgten Fragen zur Wechselbereitschaft (abhängige Variable, siehe Variablen in Abschnitt 10.6.3) und Fragen zur Bewertung des deutschen Krankenversicherungssystems, allgemeine Einstellungsfragen zur Gesundheitsversorgung sowie eine Manipulationsprüfung. Am Ende wurden die Befragten über den experimentellen Charakter der Befragung in einem ausführlichen De-Briefing aufgeklärt und wurde sich dankend von ihnen verabschiedet.

Die BDGS-Skala fand sich auf Seite 14 von 20 Fragebogenseiten (siehe Fragebogen im Anhang 3.7 im elektronischen Zusatzmaterial). Bevor die Befragten die Frageitems der BDGS-Skala beantworteten, wurden u. a. Fragen zum Einsatz von KI an der Hochschule gestellt, insbesondere die Bewertung solcher Anwendungen und die wahrgenommene Fairness der KI-gestützten Verfahrensweise, die im vorrangigen Erkenntnisinteresse der Studie standen. Es wurde hier darauf hingewiesen, dass KI Muster in den digitalen Daten erkennen, hieraus Schlüsse ziehen und Vorhersagen treffen, die im vorliegenden Fall wiederum eine unmittelbare Auswirkung für die Studierenden hätten. Es könnte mithin davon ausgegangen werden, dass diese Ordnung einen Ausstrahlungseffekt auf die Beantwortung der BDGS-Skala hatte, da die Befragung zuvor auf KI-Verfahren abstellte. Mit dem vorliegenden Untersuchungsdesign lässt sich diese experimentell zu klärende Frage zwar nicht prüfen. Sie ist aufgrund der angenommenen Stabilität der Kognitionen des BDGS jedoch an dieser Stelle zu vernachlässigen.

Als Stimulus erhielten die Befragten randomisiert einen von drei Texten, der den Budgetierungsprozess des EU-Haushalts beschrieb und in dem (a) in der Kondition der Kontrollgruppe nur Politiker*innen über den Haushalt berieten und diesen letztendlich verabschiedeten (Human Decision-Making, HDM), (b) ein KI-System ohne das Zutun von Politiker*innen den Haushalt aufstellte und dieser unverändert verabschiedet wurde (ADM) und (c) ein KI-System ohne das Zutun von Politiker*innen den Haushalt aufstellte, die EU- Politiker*innen diesen dann jedoch noch einmal verhandelten und anpassen konnten, mithin also ein hybrides Modell der Politikgestaltung. Dabei basierte der Text auf einer Original-Vorlage von der offiziellen Webseite der EU (Europäische Union, 2019). Der Einführungstext, der in allen drei Konditionen gleich lautete, las sich wie folgt:

Diesem Text folgte dann in jeder Kondition ein weiterer Textabschnitt, dessen unterschiedlicher Informationsgehalt die eigentliche Manipulation darstellte.

Für die Kondition des Status quo, in der die Politiker*innen alleine entschieden (Kondition HDM nachfolgend abgekürzt als kond^HDM), wurde folgender Textbaustein angeschlossen:

Für die Kondition, in der ein KI-System alleine den Haushalt aufstellte (Kondition ADM nachfolgend abgekürzt als kond^ADM), wurde folgender Textbaustein angeschlossen:

Für die Kondition, in der die Politiker*innen den vom KI-System aufgestellten Haushaltsentwurf noch verhandelten und ggf. anpassen konnten (Kondition hybrider Entscheidungsfindung nachfolgend abgekürzt als kond^Hybrid), wurde folgender Textbaustein angeschlossen:

Als Abschluss fand sich in allen drei Konditionen auf der jeweiligen Stimulusseite ein Diagramm, das die Aufteilung des Budgets von 160 Milliarden Euro 2018 nach Haushaltsrubriken aufteilte (siehe Fragebogen im Anhang 3.4 im elektronischen Zusatzmaterial).

Durch die Randomisierung fanden sich letztendlich n = 182 Befragte in der Gruppe kond^HDM, n = 204 Befragte in der Gruppe kond^ADM sowie n = 186 Befragte in der Gruppe kond^Hybrid.

Alle Befragten beantworteten zwei Fragen, die als Manipulationsprüfung dienten, um zu prüfen, dass die manipulierten Unterschiede zwischen den Konditionen auch wahrgenommen wurden. Zum einen wurde die wahrgenommene Reichweite der technischen Automatisierung des Entscheidungsprozesses mittels der folgenden Frage bewertet: „Wie technisch automatisiert lief der Entscheidungsprozess ab?“ (Antwortoptionen auf der 5-stufigen Likert-Skala von 1 „überhaupt nicht technisch automatisiert“ zu 5 „sehr technisch automatisiert“). Die Ergebnisse zeigen einen signifikanten Unterschied zwischen den Konditionen (F(2, 524) = 389.71, p < .001). Mit Hilfe eines Games-Howell Post-Hoc-Tests zeigte sich, dass die Befragten die unterschiedliche Reichweite der technischen Automatisierung wahrnahmen, kond^HDM (M = 2.11; SD = .97), kond^ADM (M = 4.52; SD = .77) und kond^Hybrid (M = 4.16; SD = .80).

Zum anderen wurde der Einfluss der menschlichen politischen Akteure im dargestellten Prozess erfragt: „Welche Rolle spielten Politiker oder politische Institutionen in dem Entscheidungsprozess?“ (Antwortoptionen auf der 5-stufigen Likert-Skala von 1 „überhaupt keine Rolle“ zu 5 „eine sehr große Rolle“). Erneut fanden sich signifikante Unterschiede zwischen den drei Konditionen (F(2, 548) = 161.98, p < .001). Mit Hilfe eines Games-Howell Post-Hoc-Tests zeigte sich, dass die Befragten die unterschiedliche Reichweite des menschlichen Einflusses der politischen Akteure und Institutionen wahrnahmen, kond^HDM (M = 4.45; SD = .88), kond^ADM (M = 2.63; SD = .99) und kond^Hybrid (M = 3.41; SD = 1.04).

Die drei Dimensionen der Input-, der Throughput- und der Output-Legitimität wurden als abhängige Variablen modelliert und wie folgt gemessen:

Diese Fragen wurden auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit „stimme nicht zu“ (zugewiesener Wert 1) und „stimme zu“ (zugewiesener Wert 5) beschriftet waren. Zudem gab es die Möglichkeit einer „weiß nicht“-Option. Die drei Items hatten eine hohe interne Konsistenz (α = .772; DEV = .542). Bis auf Item IL2 zeigen sich bei der Modellierung eines latenten Faktors, der auf die drei Indikatoren lädt, ausreichend hohe Faktorladungen (λ_IL1 = .706, λ_IL2 = .642, λ_IL3 = .846).¹² Trotzdem wird Item IL2 mit in die Datenanalyse aufgenommen, da die Faktorladung zwar etwas gering ausfällt, der Indikator dennoch ausreichend Information bereitstellt.

Der beschriebene Entscheidungsprozess war ...

Diese Fragen wurden auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit „stimme nicht zu“ (zugewiesener Wert 1) und „stimme zu“ (zugewiesener Wert 5) beschriftet waren. Zudem gab es die Möglichkeit einer „weiß nicht“-Option. Die drei Items hatten eine hohe interne Konsistenz (α = .881; DEV = .715). Bei der Modellierung eines latenten Faktors, der auf die drei Indikatoren lädt, zeigten sich ausreichend hohe Faktorladungen (λ_TL1 = .822, λ_TL2 = .833, λ_TL3 = .880).¹³

Mit Blick auf die Output-Legitimität unterscheidet die Literatur zum einen, inwieweit die vorgegebenen Ziele von politischen Entscheidungen erreicht werden (Lindgren & Persson, 2010) und ob die Entscheidungen von den Bürger*innen auch begrüßt und für vorteilhaft befunden werden (Esaiasson et al., 2012; Werner & Marien, 2018), wobei ein Zusammenhang zwischen beiden Elementen bestehen kann, aber nicht bestehen muss. Daher wird bei der Messung von Output-Legitimität zwischen der bewerteten Zielerreichung und der Akzeptanz der Entscheidung unterschieden.

Für die Zielerreichung wurden die Probanden gefragt, inwieweit die getroffenen Entscheidungen in den jeweiligen Konditionen dazu geeignet waren, die im Stimulustext hervorgehobenen Ziele zu erreichen. Die Frage wurde wie folgt eingeleitet:

„Nun geht es um Ihre persönliche Einschätzung, ob der Entscheidungsprozess, den Sie gerade gelesen haben, dazu geeignet ist, die übergeordneten Ziele der EU zu erreichen. Inwiefern stimmen Sie den folgenden Aussagen zu?“

Diese Fragen wurden auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit „stimme nicht zu“ (zugewiesener Wert 1) und „stimme zu“ (zugewiesener Wert 5) beschriftet waren. Zudem gab es die Möglichkeit einer „weiß nicht“-Option. Die vier Indikatoren hatten zwar eine hohe interne Konsistenz (α = .834). Da die vier Items jedoch auch unabhängig voneinander erreicht werden können und streng genommen kein reflektives uni-dimensionales Konstrukt abbildeten, wurde für die Analyse der Variablen ein Mittelwert-Index gebildet.

Die Akzeptanz der Entscheidung wurde auf Grundlage von Werner und Marien (2018) aus dem Englischen adaptiert und erweitert.¹⁴ Die Frage wurde wie folgt eingeleitet:

„Im Folgenden interessiert uns Ihre persönliche Meinung zum Ergebnis des Entscheidungsprozesses, über den Sie gerade gelesen haben. Inwiefern stimmen Sie den Aussagen zu?“

Diese Fragen wurden auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit „stimme nicht zu“ (zugewiesener Wert 1) und „stimme zu“ (zugewiesener Wert 5) beschriftet waren. Zudem gab es die Möglichkeit einer „weiß nicht“-Option. Die drei Items hatten eine hohe interne Konsistenz (α = .875; DEV = .726). Bei der Modellierung eines latenten Faktors, der auf die drei Indikatoren lädt, zeigen sich ausreichend hohe Faktorladungen (λ_OL1 = .678, λ_OL2 = .993, λ_OL3 = .856).¹⁶

Im vorliegenden Fall muss aufgrund der separaten Messung der Variablen in den drei Experimentalgruppen zunächst im Rahmen einer Mehrgruppen-Kausalanalyse (MGKA) die Messäquivalenz geprüft werden. Die MGKA erlaubt die „die simultane Schätzung eines Kausalmodells über mehrere Gruppen hinweg“ (Weiber & Mühlhaus, 2014, S. 287, Hervorh. im Orig.). Für die Dimensionen des BDGS wird dies nachfolgend in Abschnitt 10.7 geprüft. An dieser Stelle soll daher lediglich auf die Prüfung der Messäquivalenz der als latente Faktoren abgebildeten Legitimitäts-Dimensionen eingegangen werden (siehe Tabelle 2.D im Anhang im elektronischen Zusatzmaterial).

Hier zeigt die Prüfung der Messäquivalenz, dass die Voraussetzung der metrischen und skalaren Invarianz verletzt ist. Die Prüfung der Indikatoren offenbart, dass Item IL02 und OL1 nicht messinvariant sind. Daher wurden Identitätsrestriktionen für das Regressionsgewicht und die Regressionskonstante des Indikators freigegeben. Ein Chi-Quadrat-Differenztest zwischen dem unrestringierten Modell M1 und dem Modell mit partieller Messäquivalenz M4 zeigt, dass die Restriktionen nicht signifikant zu einer Verschlechterung der Anpassungsgüte führen (ΔΧ² = 21.715, Δdf = 16; p = .153). Mithin besteht für die Messung der Input-Legitimität sowie der Output-Legitimität lediglich partielle Messinvarianz, was in den nachfolgend geprüften Modellen berücksichtigt wird.

Da die Messung der Bedrohungswahrnehmung durch KI zwar standardisiert durchgeführt werden sollte, allerdings an den jeweiligen Untersuchungskontext angepasst werden musste, wurde die Ausarbeitung teil-standardisiert und mit Platzhaltern gearbeitet (Kieslich et al., 2021).

Da die Studie zur Skalenkonstruktion unterschiedliche Anwendungsgebiete von KI in den Blick nehmen sollte, wurde die Vignette nach der allgemeinen Erklärung von KI auf die drei Anwendungsbereiche (a) Krankheitserkennung und -Therapie (Medizin), (b) Recruiting im Personalwesen und (c) Kreditzuteilung im Bankensektor zugeschnitten. Der anschließende Text, der direkt unter dem ersten Textteil der Vignette zu finden war, las sich in den drei Bereichen wie folgt:

Im direkten Anschluss zum Text der Vignette wurden die vier zuvor genannten Funktionen der KI unterschieden und es fanden sich für jede der Funktionen drei Frageitems als Indikatoren. In Tabelle 10.1 findet sich die Formulierung der Items samt den Platzhaltern für den jeweiligen Anwendungsbereich.

Für den Einsatz von KI-Systemen im medizinischen Bereich wurde folglich für die Erkennung das Objekt ‚Krankheit‘ eingefügt, die ‚Entwicklung von Krankheiten‘ vorhergesagt und eine ‚medizinische Behandlung‘ empfohlen oder bereits entschieden und festgelegt.

Für den Einsatz von KI-Systemen im Personalwesen wurde die Bewerbungssituation auf einen Arbeitsplatz als Beispiel gewählt. Folglich wurde für die Erkennung das Objekt ‚Eignung von Bewerber*innen‘ eingefügt, die ‚Arbeitsleistung von Bewerber*innen‘ vorhergesagt und eine ‚Einstellung von Bewerber*innen‘ empfohlen oder bereits entschieden und festgelegt.

Für den Einsatz von KI-Systemen im Bankensektor wurde die KI-basierte Vergabe von Krediten durch Bankinstitute als Beispiel gewählt. Folglich wurde für die Erkennung das Objekt ‚Kreditwürdigkeit von Kunden‘ eingefügt, die ‚Ausfallwahrscheinlichkeit von Krediten‘ vorhergesagt und eine ‚Entscheidung über die Kreditvergabe‘ empfohlen oder die ‚Kreditvergabe‘ bereits direkt entschieden und festgelegt. Der finale Fragebogen mit der Umsetzung der Vorlage und des Zuschnitts auf den jeweiligen Anwendungsbereich findet sich in Anhang 3.5 im elektronischen Zusatzmaterial. Für die nachfolgende Analyse wurde, wie in Abschnitt 10.3.2 diskutiert, lediglich auf die letztgenannten Dimensionen der Entscheidungsempfehlung und der tatsächlichen Entscheidung durch die KI-Systeme abgestellt.

Als Ergebnis der vorgeblichen Berechnung eines individualisierten Tarifs wurde nach der zehn Sekunden langen simulierten Berechnung randomisiert eine Seite ausgespielt, die das jeweilige experimentelle Treatment enthielt.

Zum einen wurde der zu erwartende finanzielle Vorteil variiert, der nachfolgend als der individuelle Profit bezeichnet wird. Entweder wurde den Befragten mitgeteilt, dass auf Grundlage ihrer Angaben eine Ersparnis von 19,74 % (Faktorstufe ‚Profit‘) möglich sei, oder 1,03 % (Faktorstufe ‚Kein Profit‘).¹⁷ Die Nennung der Prozentzahl erfolgt einmal prominent in einem Kasten mittig auf der Fragebogenseite und einmal im nebenstehenden Erläuterungstext. Zudem wurde den Befragten in einer entsprechenden Beispielrechnung anhand eines durchschnittlichen Brutto-Einkommens von 2500 € konkret genannt, wie viel Euro im Monat bei Wahl des Versicherungstarifs gespart werden könnten. In der Kondition ‚Kein Profit‘ waren dies monatlich 1,88 € und jährlich entsprechend 22,56 €. In der Kondition ‚Profit‘ waren dies monatlich 36,03 € und jährlich entsprechend 432,36 €.

Des Weiteren wurde die Notwendigkeit der Datenabgabe für die Inanspruchnahme des jeweiligen Tarifs manipuliert. In der Kondition ‚Ohne Datenabgabe‘ bekamen die Befragten lediglich den Hinweis auf die jeweilige Ersparnis und es wurde der Wunsch ausgesprochen, die Befragten bald als Mitglieder der Krankenversicherung begrüßen zu dürfen. In der Kondition ‚Mit Datenabgabe‘ wurde den Befragten zusätzlich zum Hinweis auf die Ersparnis folgender Text präsentiert:

Die jeweiligen Faktorstufen wurden mit 0 (‚Kein Profit‘ und ‚Keine Datenabgabe‘) oder 1 (‚Profit‘ und ‚Datenabgabe‘) in zwei entsprechenden Variablen im Datensatz dummy-codiert.

Es wurde eine Manipulationsprüfung durchgeführt, um zu prüfen, ob das Stimulusmaterial von den Befragten wahrgenommen und der Inhalt verstanden wurde. Wird bspw. der Nutzen variiert, sollte für Personen in der Kondition mit hohem Nutzen die Nutzenwahrnehmung auch entsprechend höher ausfallen als in der Kondition mit geringfügigem Nutzen. Allerdings ist hiermit noch nicht verifiziert, dass es tatsächlich zu einer Variation auf Seiten der unabhängigen Variable gekommen ist. Es ist lediglich die Voraussetzung geprüft, dass im Falle des Ausbleibens dieser beobachteten Variation zumindest ausgeschlossen werden kann, dass dies nicht an einer schwachen oder unverständlichen Manipulation liegt. Hierzu beantworteten die Befragten nach der Manipulation Fragen bezüglich des jeweils präsentierten Stimulusmaterials. Zum einen sollten die Probanden also den individuellen Nutzen bewerten („Ich würde finanziell stark von dem für mich berechneten individualisierten Tarif profitieren“).¹⁸ Zum anderen wurde die Notwendigkeit der Datenabgabe erfragt („Ich wurde im Text explizit darauf hingewiesen, dass ich in Zukunft meine persönlichen Daten abgeben müsste“).¹⁹ In Teilerhebung 2.3a Krankenversicherung nahmen die Befragten, denen ein hoher Nutzen ausgegeben wurde, diesen auch eher wahr (M = 3.53, SD = 1.03, n = 72) als die Befragten, denen eine geringfügiger Nutzen angezeigt wurde (M = 2.44, SD = 1.03, n = 77; t(147) = ‒6.372; p < .001). Auch in Teilerhebung 2.3b Krankenversicherung war die Manipulation erfolgreich. Hier nahmen die Befragten, denen ein hoher Nutzen ausgegeben wurde, diesen auch eher wahr (M = 3.16, SD = 1.26, n = 203) als die Befragten, denen ein geringfügiger Nutzen angezeigt wurde (M = 1.98, SD = 1.12, n = 205; t(406) = ‒9.956; p < .001). Für die Notwendigkeit der Datenabgabe zeigte sich, dass in Teilerhebung 2.3a Krankenversicherung die Befragten, denen in Verbindung mit dem Tarifangebot explizit die Datenabgabe auferlegt wurde, diese Notwendigkeit auch eher wahrgenommen haben (M = 3.22, SD = 1.30, n = 64) als die Befragten, die hierzu nicht explizit aufgefordert wurden (M = 2.88, SD = 1.31, n = 68). Allerdings ist dieser Unterschied hier statistisch nicht signifikant, t(130) = ‒1.478; p = .142. Um auszuschließen, dass dieser Umstand durch die Frageformulierung begründet ist, wurde diese noch einmal konkretisiert.71 In Teilerhebung 2.3b Krankenversicherung wurde die Notwendigkeit letztlich von den Befragten, die hierzu aufgefordert waren, eher wahrgenommen (M = 3.55, SD = 1.57, n = 183) als von den Befragten, die hierzu nicht explizit aufgefordert wurden (M = 2.31, SD = 1.49, n = 177). Der Unterschied ist signifikant, t(438) = ‒7.692; p < .001).

Mittels der folgenden Frage wurde die Bereitschaft zum Wechsel in die vorgestellte individualisierte Krankenversicherung erhoben: „Wären Sie bereit, auf Grundlage des gezeigten Angebots und seiner Konditionen, zur INDIVIDUA-Krankenversicherung zu wechseln?“ Die Antwort erfolgte auf einer 5-stufigen Antwortskala, die wie folgt codiert wurde: 1 – „Ja, auf jeden Fall“, 2 – „Eher ja“, 3 – „Unentschieden“, 4 – „Eher nein“, sowie 5 – „Nein, auf keinen Fall“. Für die Datenauswertung wurde die Variable anschließend invertiert, so dass hohe Werte eine hohe Wechselbereitschaft bedeuten (Erhebung 2.3a: M = 2.26, SD = 1.05; Erhebung 2.3b: M = 1.61, SD = .87).

Die Variable Vertrauen in die Richtigkeit der KI-basierten Entscheidung wurde ausgehend von der Arbeit von Lee (2018) übersetzt und mittels der folgenden Single-Item-Frage erhoben: ‚Wie sehr vertrauen Sie darauf, dass ein KI-basiertes Zulassungsverfahren die richtige Entscheidung trifft?‘. Die Skalierung war 7-stufig und die Extrema der Skala waren mit ‚überhaupt kein Vertrauen‘ (zugewiesener Wert 1) und ‚vollstes Vertrauen‘ (zugewiesener Wert 7) beschriftet. Der Mittelwert des Items lag bei 4.09 (SD = 1.50).

Die abhängige Variable zur wahrgenommenen Reputation der Hochschule wurde auf Grundlage einer Studie zur Reputation von Unternehmen von Ponzi et al. (2011) aus dem Englischen übersetzt. Die auf dieser RepTrak^TM-Skala basierende Itembatterie wurde mit folgendem Fragetext eingeleitet:

Bitte stellen Sie sich vor, die Universität, an der Sie sich um einen Studienplatz bewerben, setzt ein Computersystem mit Künstlicher Intelligenz ein, um über die Zulassung zu entscheiden. Inwieweit stimmen Sie den folgenden Aussagen zu oder stimmen ihnen nicht zu?

Daraufhin beantworteten die Probanden die folgenden vier Frageitems:

Diese Fragen wurden auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit ‚stimme überhaupt nicht zu‘ (zugewiesener Wert 1) und ‚stimme voll und ganz zu‘ (zugewiesener Wert 5) beschriftet waren. Die vier Items hatte eine hohe interne Konsistenz (α = .872; DEV = .636). Eine CFA, bei der ein latenter Faktor auf die vier Items lud, zeigte eine hohe Anpassungsgüte (Χ²(12) = 5.047, p = .08; RMSEA = .071 [.000, .151]; TLI = .985). Bis auf Item Rep4 zeigen sich ausreichend hohe Faktorladungen (λ_Rep1 = .862, λ_Rep2 = .858, λ_Rep3 = .783, λ_Rep4 = .671). Trotzdem wird Item Rep4 mit in die Datenanalyse aufgenommen, da die Faktorladung zwar etwas gering ausfällt, der Indikator dennoch zusätzliche Information bereitstellt.

Zudem wurde erhoben, inwieweit die Befragten bereit wären, gegen die von der KI getroffene Auswahlentscheidung zu protestieren. Die abhängige Variable Protest gegen die KI-basierte Auswahlentscheidung wird dabei als Handlungsintention im Sinne politischer Mitsprache betrachtet. Ähnlich dem Konzept Political Voice, das in der politikwissenschaftlichen Literatur als eine Kategorie von Handlungsmacht begriffen wird (Hirschman, 1970), zielt das Konstrukt darauf ab, inwieweit eine aktive Missbilligung durch die Probanden geäußert wird. Hierfür wurden die folgenden vier Fragen eigenständig formuliert:

Diese Fragen wurden ebenfalls auf einer 5-stufigen Likert-Skala erhoben, bei der die Extrema mit ‚stimme überhaupt nicht zu‘ (zugewiesener Wert 1) und ‚stimme voll und ganz zu‘ (zugewiesener Wert 5) beschriftet waren und es die Option gab mit ‚weiß nicht‘ zu antworten. Die vier Items hatte eine hohe interne Konsistenz (α = .915; DEV = .717). Eine CFA, bei der ein latenter Faktor auf die vier Items lud, zeigte eine hohe Anpassungsgüte (Χ²(12) = 2.420, p = .298; RMSEA = .026 [.000, .120]; TLI = .997). Für alle vier Items zeigen sich ausreichend hohe Faktorladungen (λ_Prot1 = .816, λ_Prot2 = .879, λ_Prot3 = 781, λ_Prot4 = .906).

Die Hypothesen werden mit Hilfe eines Strukturregressionsmodells in AMOS 23 geprüft. Zur Prüfung der Messäquivalenz der Dimensionen des BDGS und der Legitimitätswahrnehmung sowie der finalen Prüfung der modellierten Zusammenhänge wird eine MGKA durchgeführt. Dabei wurden die Manipulationen der Experimentalkonditionen hier nicht als manifeste unabhängige Variablen (dummy-codiert) modelliert, sondern die Konditionen wurden als jeweils eigenständige Gruppe betrachtet, in denen dann unterschiedliche Effekte des BDGS zulässig und direkt vergleichbar sind. Im jeweiligen Modell werden die Messmodelle der BDGS-Dimensionen Genauigkeit, Wissensgewinn sowie individueller Nutzen und gesellschaftlicher Nutzen als latente unabhängige Variablen modelliert (siehe Abbildung 10.1). Die BDGS-Dimensionen nehmen im Modell dann einen Einfluss auf die vier in Abschnitt 10.6.1 beschriebenen Legitimitäts-Dimensionen, die als abhängige endogene Variablen modelliert sind.

Ein geschätztes Modell der MGKA (Modell 1) zeigt mit Blick auf den strengen Chi-Quadrat-Test eine unzureichende Anpassungsgüte (Χ²(614) = 881.125, p =  < .001; RMSEA = .028 [.023, .032]; TLI = .959). Die inkrementellen Fit-Maße indizieren eine noch ausreichende Anpassungsgüte. Die insgesamt unzufriedenstellende Anpassungsgüte liegt hier auch an der Größe des Modells mit 22 beobachteten manifesten Variablen sowie sieben latenten Faktoren und ergibt sich mit Blick auf die Unterscheidung der drei Konditionen sowie der Stichprobengröße. Es wird nun ein zweites Modell für die drei Konditionen gerechnet, das der Multi-Kollinearität der BDGS-Dimensionen Rechnung trägt und entsprechend mit Gleichheitsrestriktionen der Strukturgewichte des BDGS auf die Legitimitätsdimensionen spezifiziert ist. Durch die Prüfung mittels Gleichheitsrestriktionen wird verdeutlicht, inwieweit die einzelnen Dimensionen gleiche oder ungleiche Effekte auf die abhängigen Variablen haben. Die Restriktionen in diesem Modell 2 führen nicht signifikant zu einer Verschlechterung der Anpassungsgüte (ΔΧ² = 25.808, Δdf = 36; p = .896). Das bedeutet, dass dem Modell 2 mit den Gleichheitsrestriktionen der Vorzug zu geben ist. Gleichzeitig zeigt sich im unrestringierten Modell 1 in der Kond_ADM, dass es doch zu unterschiedlichen Effekten im Verhältnis einzelner Dimensionen des BDGS in dieser Kondition kommt. Da der Einfluss des BDGS in dieser Kondition von besonderem Interesse ist, wird das Modell 2 erneut respezifiziert und ein Modell 3 geprüft, in dem die Gleichheitsrestriktionen teilweise freigesetzt werden. Eine Übersicht über die Anpassungsgüte der drei Modelle findet sich in Tabelle 10.12.

Die freigesetzten Gleichheitsrestriktionen in diesem Modell 3 führen nicht signifikant zu einer Verschlechterung der Anpassungsgüte gegenüber Modell 2 (ΔΧ² = .363, Δdf = 1; p = .547). Nachfolgend werden daher die Ergebnisse des Modells 3 berichtet.

Zunächst muss auf die Kondition des HDM eingegangen werden, die als Referenzkondition betrachtet wird und mithin die Kontrollgruppe darstellt. Der Status quo dient zur Prüfung des allgemeinen Einflusses des BDGS auf die Legitimitätsbewertung. Es könnte auch in dieser Kondition durchaus sein, dass sich starke Einflüsse des BDGS zeigen: Etwa, weil Befragte mit hoher Ausprägung der Dimensionen des BDGS eine allgemein unterschiedliche Wahrnehmung politischer Legitimität haben als Personen mit niedriger Ausprägung. Hierfür gibt es zwar keine Annahmen und Anhaltspunkte, eine Prüfung ist dennoch geboten. Die Parameterschätzungen der Pfadkoeffizienten für diese Kond_HDM finden sich in Tabelle 10.13. Es zeigt sich, dass die Dimensionen des BDGS keinen signifikanten Einfluss auf die Legitimitätswahrnehmung in der Kontrollgruppe haben, außer auf die Akzeptanz der Entscheidung. Hier zeigt sich ein signifikanter Effekt (B = .041, SE = .019. p < .028). Dieser ist als gering zu bewerten (β_Genauigkeit = .049; β_{Wissensgewinn} = .045; β_{Individueller_Nutzen} = .052; β_{Gesellschaftlicher_Nutzen} = .048).

In der Kond_ADM zeigt sich, dass die BDGS-Dimension des individuellen Nutzens einen mittleren negativen Einfluss (B = ‒.205, SE = .099. p = .038, β = ‒.411) auf die wahrgenommene Legitimität des Inputs hat (siehe Tabelle 10.14). Zudem ergab sich, dass das BDGS insgesamt einen positiven Einfluss auf die wahrgenommene Throughput-Legitimität hat (B = .061, SE = .015. p < .001), der als gering zu bewerten ist (β_Genauigkeit = .086; β_{Wissensgewinn} = .080; β_{Individueller_Nutzen} = .092; β_{Gesellschaftlicher_Nutzen} = .085). Darüber hinaus gibt es einen positiven Einfluss des BDGS auf die Zielerreichung (B = .059, SE = .015. p < .001) sowie die Akzeptanz der Entscheidung (B = .048, SE = .018. p = .036). Sowohl für den Einfluss des BDGS auf die Zielerreichung (β_Genauigkeit = .080; β_{Wissensgewinn} = .075; β_{Individueller_Nutzen} = .086; β_{Gesellschaftlicher_Nutzen} = .080) als auch auf die Akzeptanz der Entscheidung (β_Genauigkeit = .054; β_{Wissensgewinn} = .051; β_{Individueller_Nutzen} = .058; β_{Gesellschaftlicher_Nutzen} = .054) ist der Effekt ebenfalls gering.

Hypothese 2.1a wird dahingehend angenommen, als dass sich ein positiver Effekt des BDGS allgemein auf die Throughput-Legitimität für die erwartete Zielerreichung und die Akzeptanz der Entscheidung zeigt. Mit Blick auf die Input-Legitimität ergibt sich jedoch ein anderes Bild. Die individuellen Nutzenerwartungen haben einen negativen Einfluss auf die Input-Legitimität, während die anderen Dimensionen des BDGS keinen Einfluss haben.

Für die dritte Experimentalgruppe der Kond_Hybrid (siehe Tabelle 10.15) zeigen sich signifikante Einflüsse des BDGS auf die wahrgenommene Input-Legitimität (B = .038, SE = .016. p = .016), die Throughput-Legitimität (B = .030, SE = .015. p = .049) sowie auf die Zielerreichung (B = .044, SE = .016. p = .008). Die Stärke der Effekte ist jedoch auch hier durchweg als gering zu bewerten. Es findet sich kein Zusammenhang der BDGS-Dimensionen mit der Akzeptanz der Entscheidung.

Hypothese 2.1b wird daher dahingehend angenommen, als dass ein ausgeprägtes BDGS zu einer höheren Legitimitätswahrnehmung des Inputs, des Throughputs und der Zielerreichung führt. Es zeigt sich lediglich kein Effekt des BDGS auf die Akzeptanz der Entscheidung.

Das aufgeworfene Forschungsinteresse in Erhebung 2.1 EU und KI interessierte sich für den Einfluss des BDGS in einem Szenario, in dem mit ADM eine KI-Anwendung am Beispiel des Budgetierungsprozesses der EU zum Einsatz kommt. Es stand zu vermuten, dass an Daten gerichtete Erwartungen als Bestandteile des BDGS einen Einfluss auf die wahrgenommene Legitimität von Verfahren haben, bei denen im Rahmen datengestützter evidenzbasierter Politikgestaltung auf KI-Anwendungen zurückgegriffen wird und der menschliche Einfluss auf die Entscheidungsfindung ausgeklammert bzw. eingeschränkt ist.

Die Ergebnisse der experimentellen Befragungsstudie zeigen dann für den Fall eines vollständig automatisierten Budgetierungsprozesses der EU auch, dass je ausgeprägter die Überzeugungen des Erkenntnis- und Nutzengewinns auf Grundlage digitaler Daten, desto höher die Legitimitätswahrnehmung des Throughputs sowie der beiden Output-Dimensionen, wobei sowohl die Erwartung der Zielerreichung höher ausfiel als auch die Akzeptanz der Entscheidung. Es zeigte sich jedoch auch, dass eine stärkere Wahrnehmung eines individuellen Nutzens der Datensammlung und -verwertung sich entgegen der Hypothese negativ auf die wahrgenommene Legitimität des Inputs auswirkte und die übrigen BDGS-Dimensionen hier keinen Einfluss hatten.

In diesem Szenario gingen explizit alle in der EU verfügbaren Datenbestände in die Analyse ein, was eine Bevorzugung oder Benachteiligung durch selektive Auswahl der Informationen verhinderte und eine Teilnahme aller Bürger*innen vermittelt durch ihre jeweiligen Daten ermöglichte. Hier hätte ein Effekt der gesellschaftlichen Nutzenerwartungen, der sich zwar zeigte, jedoch nicht signifikant war, darauf hingedeutet, dass in Hinsicht auf das vorgeworfene Demokratiedefizit der EU eine alle Bürger*innen umfassende Datenverwertung womöglich als durchaus demokratisch wahrgenommen hätte werden können. So zeigt sich jedoch mit Blick auf die Input-Legitimität, dass Personen, die ganz allgemein auf sich selbst bezogene Vorteile erwarten, dieses soeben als womöglich demokratische bezeichnete Prozedere als weniger legitim wahrnehmen, womöglich durch den fehlenden eigenen Einfluss im Entscheidungsprozess, auf den die Messung abstellt. Eventuell ist hier die wahrgenommene Selbstwirksamkeit so niedrig (Caprara et al., 2009), dass man zwar glaubt, dass man von Daten profitiert, jedoch im politischen Prozess die eigene Einzelmeinung nicht viel Wert ist, wenn große Datensätze zusammenkommen. Um diesen Zusammenhang jedoch weiter zu beleuchten, bräuchte es zusätzliche Informationen zu den Befragten, wie etwa Informationen über deren Selbsteinschätzung und politische Überzeugungen, die im Rahmen der Befragung jedoch nicht erhoben wurden.

In der hybriden Kondition, in der Politiktreibende basierend auf der Vorbereitung durch eine KI-Anwendung noch einen Einfluss auf den Budgetierungsprozess nehmen konnten, lässt sich im direkten Vergleich ein ebenfalls vorhandener, wenn auch geringerer Einfluss des BDGS auf die wahrgenommene Legitimität feststellen. Auch hier wurde im Rahmen der Einführung einer KI-Anwendung im Budgetierungsprozess erwartet, dass die Ausprägung des BDGS durchaus Erklärungskraft für die Legitimitätswahrnehmung hat. Es zeigt sich hier, dass je ausgeprägter das BDGS ausfällt, desto höher ist sowohl die wahrgenommene Input- und Throughput-Legitimität als auch die eingeschätzte Zielerreichung. Lediglich für die Akzeptanz der Entscheidung sind die Effekte zu gering, als dass ein Einfluss angenommen werden kann.

Dass im Szenario des Status quo das BDGS dann doch ausgerechnet einen Einfluss auf die Akzeptanz der Entscheidung hat, verwundert und sollte im Rahmen weiterführender Untersuchungen geprüft werden. Mögliche Einflüsse und Wechselwirkungen mit anderen Eigenschaften der Person wie etwa soziodemografischer Variablen oder anderweitiger Einstellungen sind jedoch mit dem vorliegenden Design und der Stichprobengröße nicht realisierbar.

Die Ergebnisse haben auch verdeutlicht, dass im vorliegenden Erklärungszusammenhang das BDGS meist gesamt genommen einen Einfluss zeitigte und nicht zwischen dem Einfluss einzelner Dimensionen unterschieden werden konnte. Das führt zu der Erkenntnis, dass je nach Forschungszusammenhang gut überlegt und geplant werden sollte, wie die Messung des BDGS in die Erhebung und Analyse eingeht. Im vorliegenden Fall wäre es bspw. aus forschungsökonomischen Gründen möglicherweise ausreichend gewesen, eine besonders relevante Dimension zu identifizieren oder es könnte generell angedacht werden, für ähnlich gelagerte Studien eine Kurzskala mit den als wichtig befundenen Referenzindikatoren zu bilden. Da der Einsatz der BDGS-Skala jedoch noch weitgehend unerprobt war und in den vorliegenden Studien teils explorative Forschungsfragen und Erkenntnisinteressen formuliert wurden, bei denen durchaus individuelle Effekte der Dimensionen zu erwarten waren, ging weiterhin die vierdimensionale BDGS-Skala in die Untersuchungen mit ein.

Alles in allem lässt sich abschließend feststellen, dass der Einfluss des BDGS im Rahmen der aufwändigen Untersuchungsanlage verhältnismäßig gering ist und die Reichweite der Befunde auf den ersten Blick insgesamt eher ernüchternd wirkt. Möglicherweise waren die vorgestellten hypothetischen Szenarien zu abstrakt und aktuell nicht relevant und realistisch für die Befragten, als dass sich große Unterschiede in der Bewertung der Kondition zwischen Personen mit unterschiedlich ausgeprägtem BDGS manifestieren. Auch die Unterscheidung zwischen einzelnen BDGS-Dimensionen war insgesamt zu voraussetzungsvoll und weitreichend, als dass sie in der vorliegenden Untersuchung mit der vorhandenen Samplegröße realisiert werden konnte. Dennoch zeigten sich etliche vermutete Einflüsse des BDGS. Auch kleine Effekte können dabei im Rahmen politischer Fragen weitreichende Folgen haben. So können schon geringe Unterschiede und schwache Effekte bspw. im Rahmen knapper Wahlabstimmungen in politischen Fragen entscheidend sein und Einfluss auf die Gesellschaft haben.

Zur Hypothesenprüfung wurde ein Strukturregressionsmodell in AMOS 23 spezifiziert und geprüft, bei dem die vier BDGS-Dimensionen einen Einfluss auf die beiden Dimensionen Entscheidungsempfehlung und Entscheidung der Bedrohungswahrnehmung von KI in den drei Anwendungsbereichen Medizin, Personalwesen und Bankensektor haben (siehe Abbildung 10.2).

Für die Dimensionen des BDGS sowie für die beiden Dimensionen der KI-Bedrohungswahrnehmung wurden im vorliegenden Modell Gleichheitsrestriktionen für die Regressionsgewichte und -konstanten festgelegt, so dass die Kovarianzen und Pfadkoeffizienten sowie die Mittelwerte der latenten Faktoren freigesetzt waren.²¹ Zum einen werden so die Pfadkoeffizienten geschätzt und die vermuteten Zusammenhänge zwischen BDGS und der Bedrohungswahrnehmung geprüft werden. Zum anderen erlaubt dies einen Vergleich der wahrgenommenen Bedrohung zwischen den beiden KI-Funktionen sowie zwischen den Funktionen über die drei Anwendungsbereiche hinweg.

Das spezifizierte Modell zeigt mit Blick auf den strengen Chi-Quadrat-Test eine unzureichende Anpassungsgüte (Χ²(412) = 571.620, p < .001; RMSEA = .021 [.017, .025]; TLI = .985), während die inkrementellen Fit-Maße eine ausreichende Passung des Modells indizieren. Auch hier ist die gemeinsam geteilte Varianz als größtenteils unsystematisch einzuschätzen und auf die hohe Fallzahl zurückzuführen. Hinweise auf systematisch zustande kommende Varianzteilung zeigen sich mit Blick auf Indikatoren einer Dimension, die jenseits der gemeinsamen Dimensionszugehörigkeit eine gemeinsam geteilte Varianz haben, die sich womöglich auch hier aus der ähnlichen Indikatorformulierung ergibt (siehe Abschnitt 9.​1.​3) und somit als kleiner und vernachlässigbarer Befragungseffekt gewertet wird.

Auch an dieser Stelle wurden nun aufgrund des Problems der hohen Multi-Kollinearität der BDGS-Faktoren weitere Modelle mit Gleichheitsrestriktionen für die Strukturgewichte der BDGS-Dimensionen auf die abhängigen Variablen geprüft. Durch diese Prüfung mittels Gleichheitsrestriktionen wird verdeutlicht, inwieweit die einzelnen Dimensionen gleiche oder ungleiche Effekte auf die abhängigen Variablen haben. Da das Modell eine große Anzahl Pfade beinhaltete und diese zusätzlich für die drei Szenarien geprüft werden mussten, kann an dieser Stelle nicht jeder Respezifikationsschritt einzeln dokumentiert werden. Es wird daher lediglich das zuvor geschätzte Modell 1 ohne Restriktionen mit einem Modell 2 mit vollständigen Gleichheitsrestriktionen verglichen sowie mit einem Modell 3 mit partiellen Restriktionen. Modell 3 wurde dahingehend respezifiert, als dass deutlich wird, welche latenten Faktoren im Rahmen der Multi-Kollinearität die gleiche Erklärungskraft haben. Der Vergleich der Modelle mit Hilfe eines Chi-Quadrat-Differenztests zeigt, dass das Modell 2 mit vollständigen Gleichheitsrestriktionen keine signifikant schlechtere Anpassungsgüte gegenüber dem Modell 1 mit freigesetzten Regressionsgewichten hat (ΔΧ² = 27.503, df = 18, p = .070). Es zeigte sich mit Blick auf die Effekte im Modell 1, dass sich teilweise unterschiedliche Einflüsse der BDGS-Dimensionen finden. Das Modell 2 wurde entsprechend respezifiziert und auf Grundlage der Erkenntnisse aus Modell 1 wurden einige restringierte Regressionsparameter wieder freigegeben. Dies wird in den nachfolgenden Tabellen mit den Parameterschätzungen durch einen gemeinsam geteilten Buchstaben indiziert. Der Vergleich der Modelle zeigt (siehe Tabelle 10.16), dass das Modell 2 eine signifikant schlechtere Anpassungsgüte gegenüber dem Modell 3 hat (ΔΧ² = 22.205, df = 6, p = .001). Modell 3 hat jedoch keine signifikant schlechtere Anpassungsgüte als Modell 1 (ΔΧ² = 5.297, df = 12, p = .947). Modell 3 wird daher der Vorzug gegeben.

Zunächst wird der Einfluss des BDGS im Anwendungsbereich der Medizin im Rahmen der Erkennung und Behandlung von Krankheiten in den Blick genommen. Wie in Tabelle 10.17 ersichtlich wird, ist der Einfluss des BDGS als gering zu bewerten.

Der Glaube an die Genauigkeit von digitalen Daten hat einen negativen Einfluss auf die Ausprägung der Bedrohungswahrnehmung von ADM im Kontext medizinischer Behandlungsentscheidungen. Je stärker der Glaube daran, dass digitale Daten ein objektives und exaktes Verständnis der Wirklichkeit ermöglichen, desto geringer sowohl die Bedrohungswahrnehmung einer KI-Anwendung, die eine Behandlung empfiehlt (β_Genauigkeit = ‒.199) als auch automatisiert eine Entscheidung über die konkrete Behandlung einer Krankheit trifft (β_Genauigkeit = ‒.199). Während die Genauigkeit auf die Empfehlung einen geringen Einfluss hat, haben die drei anderen Dimensionen einen noch kleineren Einfluss (β_{Wissensgewinn} = ‒.058; β_{Individueller_Nutzen} = ‒.080; β_{Gesellschaftlicher_Nutzen} = ‒.069). Bei der Entscheidung über eine Behandlung findet sich auch bei den Nutzen-Dimensionen ein geringer negativer Einfluss auf die Bedrohungswahrnehmung des ADM (β_{Individueller_Nutzen} = ‒.199; β_{Gesellschaftlicher_Nutzen} = ‒.172). Die Dimension des Wissensgewinns hat hier keinen signifikanten Einfluss. Der Blick auf die Squared Multiple Correlations (SMC) offenbart einen Erklärungsanteil der BDGS-Dimensionen an den beiden Funktionen: Interpretiert wie das Bestimmtheitsmaß R² bei der linearen Regression²² werden 13.3 % der Varianz der Empfehlung (SMC_{Empfehlung_Medizin} = .133) und 17.4 % der Varianz der ADM (SMC_{ADM_Medizin} = .174) durch die Dimensionen des BDGS erklärt.

Als Nächstes wird der Einfluss des BDGS im Anwendungsbereich des Personalwesens bei der Eignungsfeststellung und Einstellung von Bewerber*innen auf einen Arbeitsplatz in den Blick genommen. Wie in Tabelle 10.18 ersichtlich wird, ist der Einfluss des BDGS auch hier als gering zu bewerten und zeigt hinsichtlich der Dimensionen ein differenzierteres Bild.

Der Glaube an den gesellschaftlichen Nutzen der Verwertung digitaler Datenbestände sowie der erwartete Wissensgewinn haben einen negativen Einfluss auf die Ausprägung der Bedrohungswahrnehmung der ausgesprochenen KI-Empfehlungen bei der Bewerbung auf einen Arbeitsplatz. Je stärker der Glaube daran, dass digitale Daten Wissen bereitstellen (β_{Wissensgewinn} = ‒.238) sowie der Gesellschaft einen Nutzen bringen (β_{Gesellschaftlicher_Nutzen} = ‒.251), desto geringer die Bedrohungswahrnehmung einer KI-Anwendung, die eine Empfehlung über die Einstellung von Bewerber*innen auf einen Arbeitsplatz ausspricht. Die Dimensionen der Genauigkeit und des individuellen Nutzens haben hingegen keinen signifikanten Einfluss.

Im Rahmen der Bedrohungswahrnehmung einer automatisierten Entscheidung zeigt sich, dass die Dimensionen Wissensgewinn (β_{Wissensgewinn} = .208) und der erwartete individuelle Nutzen (β_{Individueller_Nutzen} = .253) einen steigernden Einfluss haben. Je höher jedoch der erwartete Nutzen für die Gesellschaft, desto deutlich geringer die Bedrohungswahrnehmung (β_{Gesellschaftlicher_Nutzen} = ‒.484). Die Genauigkeit hat keinen signifikanten Einfluss. Auch der Blick auf die SMC offenbart einen geringen Erklärungsanteil der BDGS-Dimensionen an den beiden Funktionen: Es werden 12.5 % der Varianz der Empfehlung (SMC_{Empfehlung_Personalwesen} = .125) und 7.4 % der Varianz der ADM (SMC_{ADM_Personalwesen} = .074) durch die Dimensionen des BDGS erklärt.

Zuletzt wird der Einfluss des BDGS im Anwendungsbereich der Kreditvergabe im Bankensektor adressiert. Wie in Tabelle 10.19 ersichtlich ist der Einfluss des BDGS auch hier als gering zu bewerten, zeigt jedoch ein recht einheitliches Bild.

Für das Szenario der Kreditvergabe zeigt sich, dass die Dimensionen des BDGS einen kleinen negativen Einfluss auf die Ausprägung der Bedrohungswahrnehmung von Empfehlungen (β_Genauigkeit = ‒.119; β_{Wissensgewinn} = ‒.108; β_{Individueller_Nutzen} = ‒.129; β_{Gesellschaftlicher_Nutzen} = ‒.109) und ADM durch KI-Anwendungen (β_Genauigkeit = ‒.101; β_{Wissensgewinn} = ‒.091; β_{Individueller_Nutzen} = ‒.109; β_{Gesellschaftlicher_Nutzen} = ‒.092) haben. Dabei offenbart der Blick auf die SMC, ähnlich wie im medizinischen Kontext zuvor, durchaus einen geringen Erklärungsanteil der BDGS-Dimensionen an den beiden Funktionen: Es werden 16.9 % der Varianz der Empfehlung (SMC_{Empfehlung_Bankensektor} = .169) und 12 % der Varianz der ADM (SMC_{ADM_Bankensektor} = .120) durch die Dimensionen des BDGS erklärt.

Es zeigt sich, dass das BDGS bzw. einzelne zugehörige Dimensionen zwar durchaus dazu beitragen können die Varianz der Bedrohungswahrnehmung durch KI in unterschiedlichen Anwendungsbereichen zu erklären. Die Einflüsse des BDGS im Allgemeinen und der einzelnen Dimensionen im Speziellen zeichnen ein uneinheitliches Bild. Dabei muss jedoch berücksichtigt werden, dass auch in der vorliegenden Studie die bereits im Abschnitt 10.2 genannten Limitationen bezüglich der Stichprobengröße und somit der statistischen Power in den vorliegenden Forschungszusammenhängen gelten: Das eigentliche Ziel der Studie war die Skalenkonstruktion der Bedrohungswahrnehmung von KI, es gab keine konkreten Annahmen bezüglich der Stärke der Zusammenhänge und ausführliche Simulationen zur Powerberechnung konnten nicht durchgeführt werden. Letztendlich indizieren die Daten, dass eine hohe Ausprägung der jeweiligen BDGS-Dimensionen im Zusammenhang der Anwendungen zwar eine mindernde Wirkung auf das wahrgenommene Bedrohungspotential aufweisen, diese jedoch je nach Kontext variiert und unterschiedlich stark ausfällt. Einzelne Dimensionen indizieren zudem gegenläufige Effekte, was ebenfalls diskutiert werden muss.

So zeigt sich bspw. für den Anwendungsfall der medizinischen Behandlung, dass die Dimensionen des BDGS einen mindernden Einfluss auf die Bedrohungswahrnehmung einer KI hat, die auf Datengrundlage eigenständige Empfehlungen ausspricht oder Entscheidungen trifft. Ist das BDGS ganz allgemein hoch ausgeprägt und wird den Daten im Speziellen noch hohe Objektivität und Präzision zugeschrieben, vermindert dies die Bedrohungswahrnehmung von KI-Anwendungen, die medizinische Behandlungen empfehlen. Wird automatisiert über eine Behandlung entschieden, zeigt sich, dass Personen mit ausgeprägtem BDGS hierbei weniger Bedrohung empfinden und dem Verfahren folglich positiver gegenüber eingestellt sind. Nur die Dimension des Wissensgewinns stellt hier eine Ausnahme da, wobei nur spekuliert werden könnte, warum sich bei dieser kein signifikanter Effekt zeigt. Der Einsatz von KI-Anwendungen bei der medizinischen Behandlung wird mithin von Personen mit ausgeprägtem BDGS weniger kritisch betrachtet.

Auch im Rahmen der Eignungsfeststellung und Einstellung von Bewerber*innen auf einen Arbeitsplatz zeigt sich mit Blick auf die Empfehlung, dass Personen mit hohen Erwartungen an den Wissensgewinn und den gesellschaftlichen Nutzen weniger Bedrohung empfinden. Hier schlagen die vermeintlichen Vorteile des datenbasierten Verfahrens im Rahmen einer Bestenauswahl durch: Dass in den Daten erkannt werden kann, wer sich für einen Arbeitsplatz eignet, und dass dieses Verfahren für die Gesellschaft insgesamt zu Vorteilen führt, wenn tatsächlich die geeignetste Person für diesen Arbeitsplatz identifiziert wird. Profitiert aus der Sicht der Befragten die Gesellschaft von der Datensammlung und -verwertung, wird auch die automatisierte Auswahl der geeignetsten Person durchaus begrüßt. Auf der anderen Seite sehen Personen, die sich vor allem individuelle Vorteile versprechen sowie den Wissensgewinn erwarten, diese automatisierte Auswahl kritisch. Über die Gründe hierfür kann jedoch an dieser Stelle nur spekuliert werden. Womöglich zeigt sich hier die Befürchtung, in einem Verfahren ohne menschliches Korrektiv dann doch persönliche Nachteile zu erfahren. Auch hier ist als Desiderat die Frage nach dem Einfluss der wahrgenommenen und gewünschten Entscheidungshoheit zwischen Mensch und Maschine in der Evaluation neuer KI-Anwendungen festzustellen.

Geht es um die Kreditvergabe, zeigt sich, dass das BDGS allgemein bei zunehmender Ausprägung die Bedrohungswahrnehmung bei der Empfehlung und automatisierter Kreditvergabe mindert. Hier wird der Einsatz von datenbasierten KI-Anwendungen von den Befragten, die eine positive Erwartungshaltung gegenüber Datensammlung und -verwertung haben, entsprechend weniger kritisch gesehen. Die vermeintlichen Vorteile der automatisierten Kreditvergabe werden von diesen Personen also eher erwartet.

Mit Blick auf die eher kleinen Effektstärken des Einflusses des BDGS und seiner Dimensionen überwiegen anscheinend jedoch andere Gründe, die dazu führen, KI-Anwendungen in den einzelnen Kontexten als eine Bedrohung zu empfinden. Hierzu mag beitragen, dass die gewählten Anwendungsbereiche für einen Teil der Befragten womöglich keine Relevanz besitzen – und dahingehend unabhängig von den Glaubenssätzen mit Bezug zu digitalen Daten sind. Wer keinen Kredit benötigt oder bereits im Rentenalter ist, der hat durch die KI-Anwendungen nichts zu befürchten. Oder aber die Konsequenzen sind bei einigen Befragten so weitreichend, dass die Reichweite der individuellen Konsequenzen hinter die allgemeinen Einstellungen des BDGS im vorliegenden Fall zurücktritt. In beiden Fällen wäre es notwendig, die individuelle Betroffenheit der Befragten zu kontrollieren, wobei keine Angaben zur persönlichen Betroffenheit erhoben wurden. Hier sei auch auf den speziellen Einfluss der Fairness-Wahrnehmung abgestellt, der womöglich einen zusätzlichen moderierenden Einfluss darstellt (Marcinkowski & Starke, 2019): Ein Verfahren muss nicht nur datenbasiert ablaufen, sondern dies muss auch dazu führen, dass die KI-Anwendung als vermeintlich fairer wahrgenommen wird, was in zukünftigen Studien mithin geprüft werden sollte.

Bevor die Prüfung der Hypothesen durchgeführt werden kann, sollte zunächst die Messinvarianz des Gesamtmodells überprüft werden, also inwieweit sich die Beziehungsstruktur des Modells für die beiden Stichproben in Erhebung 2.3a Krankenversicherung und Erhebung 2.3b Krankenversicherung unterscheidet (van de Schoot et al., 2012; Weiber & Mühlhaus, 2014). Zum einen ist wichtig zu prüfen, ob die Messung der latenten Konstrukte des BDGS in beiden Stichproben messäquivalent ist. Nur bei Messäquivalenz kann davon ausgegangen werden, dass die latenten Faktoren das gleich Konstrukt messen und sinnvoll miteinander verglichen werden können (Widaman & Reise, 1997). Zum anderen kann mit Blick auf die Äquivalenzprüfung der Regressionsgewichte getestet werden, ob die Kausalzusammenhänge des Modells in beiden Stichproben identisch sind.²⁴ Es gibt keine Annahme, die besagt, dass es hier bedingt durch die Stichprobenzusammensetzung (Studierende in Erhebung 2.3a Krankenversicherung und in Erhebung 2.3b Krankenversicherung ein heterogenes Sample deutscher Internetnutzer) zu Unterschieden kommen sollte, weshalb im Umkehrschluss geprüft wird, ob die vermutete Beziehungsstruktur in beiden Stichproben äquivalent ist. Geprüft wird also zunächst die konfigurale Messinvarianz und anschließend die metrische Messinvarianz für die Parameterschätzungen der Regressionsgewichte der latenten Faktoren des BDGS. Für gewöhnlich ist an dieser Stelle dann zunächst noch die skalare Invarianz zu prüfen, also die Invarianz der Regressionskonstanten. Da im vorliegenden Modell jedoch keine Mittelwerte und Achsenabschnitte berechnet wurden, entfällt dieser Prüfschritt auf starke faktorielle Messinvarianz hier. Des Weiteren lässt sich dann noch die Invarianz der Kovarianzen der unabhängigen Variablen prüfen sowie die Invarianz der Messfehler. Letztendlich wird die Gleichheit der Pfadkoeffizienten des Strukturmodells geprüft, also, ob die modellierten Zusammenhänge zwischen den UV und den AV in beiden Stichproben identisch sind.

Die zu prüfenden Modelle wurden gemäß der Konfiguration in Abbildung 10.3 spezifiziert und mit den entsprechenden Gleichheitsrestriktionen für die jeweilige Stufe der Messinvarianz versehen (Weiber & Mühlhaus, 2014). Der Modellvergleich der geschätzten Modelle in Tabelle 10.20 zeigt, dass lediglich die Voraussetzung der Messfehlervarianz (strikte faktorielle Messinvarianz) nicht erfüllt ist, jedoch davon ausgegangen werden kann, dass konfigurale Invarianz sowie die Invarianz der Regressionsgewichte und Kovarianzen gegeben ist. Der Modellvergleich auf Grundlage eines Chi-Quadrat-Differenztests zwischen dem unrestringierten Modell M1 und dem Modell M5 mit lediglich freigegebenen Messfehlervarianzen zeigt dann auch, dass die Restriktionen nicht signifikant zu einer Verschlechterung der Anpassungsgüte führen (ΔΧ² = 32.983, Δdf = 39, p = .740).

Daher wird mit Blick auf die nachfolgende Prüfung der Hypothesen das Modell diskutiert, bei dem lediglich die Messfehler freigegeben sind, alle anderen Parameterschätzer jedoch restringiert sind. Die Annahmen des Modells sind also bis auf die frei variierenden Messfehler für beide Stichproben gleich.

Das geschätzte Modell der MGKA mit der Invarianz der Pfadkoeffizienten (Modell 5) zeigt eine zufriedenstellende Anpassungsgüte (siehe Tabelle 10.20). An dieser Stelle wurde nun aufgrund des Problems der hohen Multi-Kollinearität der BDGS-Faktoren ein weiteres Modell mit Gleichheitsrestriktionen geprüft, bei denen die Strukturgewichte der vier Dimensionen auf die Wechselbereitschaft identisch waren (Modell 6). Durch die Prüfung mittels Gleichheitsrestriktionen wird verdeutlicht, inwieweit die einzelnen Dimensionen gleiche oder ungleiche Effekte auf die abhängigen Variablen haben. Der Vergleich der Modelle mit Hilfe eines Chi-Quadrat-Differenztests zeigt, dass das Modell 6 mit diesen Gleichheitsrestriktionen keine signifikant schlechtere Anpassungsgüte gegenüber dem Modell 5 mit freigesetzten Strukturgewichten hat (ΔΧ² = 2.138, df = 3, p = .544) und dem Modell 6 daher der Vorzug gegeben wird (M6: Χ²(199) = 238.038, p = .030; RMSEA = .018 [.006, .026]; TLI = .992). Die Parameterschätzungen der Pfadkoeffizienten im Modell 2 finden sich in Tabelle 10.21.

Der individuelle Profit hat einen signifikant positiven Einfluss auf die Wechselbereitschaft in die digitale individualisierte Krankenversicherung. Sowohl in Erhebung 2.3a. (β = .129) als auch in Erhebung 2.3b. (β = .156) zeigt sich dies als kleiner positiver Effekt. Mit steigendem Profit erhöht sich auch die Wechselbereitschaft. Die Notwendigkeit der persönlichen Datenpreisgabe hingegen hat einen signifikant negativen Einfluss auf die Wechselbereitschaft. Sowohl in Erhebung 2.3a (β = ‒.123) als auch in Erhebung 2.3b (β = ‒.147) zeigt sich dies als kleiner negativer Effekt. Müssen Daten preisgegeben werden, fällt die Wechselbereitschaft geringer aus, als wenn keine Daten mit der Versicherung geteilt werden müssen.

Das BDGS, abgebildet über die vier Dimensionen Genauigkeit (β_{Erhebung 2.3a} = .049; β_{Erhebung 2.3b} = .056), Wissensgewinn (β_{Erhebung 2.3a} = .035; β_{Erhebung 2.3b} = .048) sowie individueller Nutzen (β_{Erhebung 2.3a} = .048; β_{Erhebung 2.3b} = .060) und gesellschaftlicher Nutzen (β_{Erhebung 2.3a} = .041; β_{Erhebung 2.3b} = .053), zeigt einen signifikant kleinen positiven Effekt auf die Wechselbereitschaft. Allerdings bestehen mit Blick auf die Gleichheitsrestriktionen im Modell keine Unterschiede des Einflusses auf die Wechselbereitschaft zwischen den Dimensionen. Hypothese 2.3 wird folglich angenommen.

Die Ergebnisse der experimentellen Untersuchungsanlage zeigen zunächst, dass es bei der Entscheidung über den Wechsel in einen auf digitaler Datengrundlage individualisierten Krankenversicherungstarif zu einer Kosten-Nutzen-Abwägung bei den Befragten kommt. Während der als Nutzen wahrgenommene monetäre Vorteil sich positiv auf die Bereitschaft zum Wechsel auswirkt, führen mit dem Wechsel verbundene Kosten, wie im vorliegenden Fall die Preisgabe personenbezogener Daten, zu einer geringeren Wechselbereitschaft.

Es zeigt sich, dass unter Berücksichtigung des Einflusses der Kosten-Nutzen-Abwägung die Ausprägung des BDGS insgesamt einen positiven Einfluss auf die Wechselbereitschaft hat. Das BDGS hat hier einen Einfluss auf eine konative Komponente der Einstellung. Personen mit hoher Ausprägung auf den Dimensionen des BDGS sind eher geneigt zu wechseln. Hier zeigt sich also an einem konkreten Beispiel der Digitalisierung des Gesundheitswesens, dass das BDGS als Prädisposition verhaltenswirksame Konsequenzen haben kann, die unabhängig von unmittelbaren Vor- oder Nachteilen für das Individuum bestehen.

Um die aufgestellten Hypothesen 2.4a, 2.4b und 2.4c zu prüfen, wurde ein Strukturregressionsmodell in AMOS 23 spezifiziert, wobei aufgrund einiger fehlender Werte eine FIML-Schätzung durchgeführt wird. Im Modell haben die vier BDGS-Dimensionen einen direkten Einfluss auf das Vertrauen in die Richtigkeit der KI-basierten Entscheidung sowie auf die Reputation der Hochschule und den vermeintlichen Protest gegen das KI-basierte Auswahlverfahren.²⁵ Es wird weiterhin davon ausgegangen, dass das Vertrauen in die Richtigkeit einen Effekt auf die Reputation der Hochschule hat sowie auf das Protestverhalten gegen das Auswahlverfahren. Letztlich wird ein lediglich kovariater Zusammenhang zwischen der Reputation der Hochschule und dem Protestverhalten geprüft, in dem eine Korrelation zwischen den Fehlertermen der beiden latenten Faktoren modelliert wird (siehe Abbildung 10.4).²⁶

Ein geschätztes Modell ohne Identitätsrestriktionen (Modell 1) zeigt mit Blick auf den strengen Chi-Quadrat-Test eine unzureichende Anpassungsgüte (siehe Tabelle 10.22). Die inkrementellen Fit-Maße indizieren jedoch eine zufriedenstellende Anpassungsgüte. Die nicht erklärte Varianz ist auch hier durch die Modellkomplexität und die Stichprobengröße bedingt, wobei sich zeigt, dass insbesondere einige Indikatoren der abhängigen Variablen noch über den gemeinsam geteilten latenten Faktor hinaus kovariieren, was an dieser Stelle vernachlässigt wird. Anschließend wird nun ein weiteres Modell mit Gleichheitsrestriktionen für die Strukturgewichte der BDGS-Dimensionen auf die abhängigen Variablen geprüft (Modell 2).

Durch die Prüfung mittels Gleichheitsrestriktionen wird verdeutlicht, inwieweit die einzelnen Dimensionen des BDGS gleiche oder ungleiche Effekte auf die abhängigen Variablen haben, worauf auch die aufgeworfene Frage nach dem distinkten Einfluss der Dimension Genauigkeit abzielte (siehe Abschnitt 10.3.4). Der Vergleich der Modelle mit Hilfe eines Chi-Quadrat-Differenztests zeigt, dass das Modell 2 mit diesen Gleichheitsrestriktionen eine signifikant schlechtere Anpassungsgüte gegenüber dem Modell 1 mit freigesetzten Regressionsgewichten hat (ΔΧ² = 20.512, df = 9, p = .015). Modell 2 mit Gleichheitsrestriktionen ist daher abzulehnen.

Es zeigt sich mit Blick auf die Effekte im Modell 1, dass sich teilweise unterschiedliche Einflüsse der BDGS-Dimensionen manifestieren. Das Modell 2 wird entsprechend respezifiziert und auf Grundlage der Erkenntnisse aus Modell 1 werden einige restringierte Regressionsparameter wieder freigegeben. Dieses dritte Modell beinhaltete mithin eine vollständige Gleichheitsrestriktion der Einflüsse der BDGS-Dimensionen auf die Reputation der Hochschule sowie das Protestverhalten. Der Einfluss der BDGS-Dimensionen auf das Vertrauen in die Richtigkeit der Entscheidung hingegen reflektierte lediglich eine partielle Gleichheitsrestriktion (siehe Tabelle 10.22). Der Vergleich der Modelle zeigt, dass das Modell 2 eine signifikant schlechtere Anpassungsgüte gegenüber dem Modell 3 hat (ΔΧ² = 11.422, df = 1, p = .001). Modell 3 hat jedoch keine signifikant schlechtere Anpassungsgüte als Modell 1 (ΔΧ² = 9.090, df = 8, p = .335). Modell 3 mit den partiellen Gleichheitsrestriktionen wird daher der Vorzug gegeben und die Parameterschätzungen dieses Modells nachfolgend berichtet.

In Tabelle 10.23 finden sich die Informationen zu allen geschätzten Pfaden des Modells 3. Es zeigt sich, dass die Erwartungen an die Genauigkeit digitaler Daten im vorliegenden Anwendungsfall einen direkten Einfluss auf das Vertrauen in die Richtigkeit der KI-basierten Entscheidung hat. Je größer die Erwartung an die Genauigkeit von digitalen Daten, desto eher wird auf die Richtigkeit der KI-basierten Entscheidung vertraut (β = .391). Die übrigen Dimensionen des BDGS haben hier keinen signifikanten Einfluss. Hypothese 2.4a wird daher dahingehend angenommen, dass es hier vor allem die Überzeugungen von der Genauigkeit digitaler Daten sind, die im Rahmen des BDGS ein Vertrauen in die Richtigkeit der KI-basierten Auswahlentscheidung positiv beeinflussen.

Der direkte Effekt des BDGS auf die eingeschätzte Reputation der Hochschule zeigt einen kleinen signifikanten positiven Effekt (B = .027, SE = .011, p = .015), der jedoch als gering zu bewerten ist (β_Genauigkeit = .035; β_{Wissensgewinn} = .028; β_{Individueller_Nutzen} = .042; β_{Gesellschaftlicher_Nutzen} = .036). Es zeigt sich zudem, dass das Vertrauen in die Richtigkeit der Entscheidung zu einer höheren Reputation der Hochschule bei den Befragten führt (β = .685). Der starke gesamte Effekt der Dimension Genauigkeit auf die Reputation der Hochschule (β = .303) wird daher zum Großteil durch den indirekten Effekt (β = .268) der Genauigkeit über das Vertrauen in die Richtigkeit der Auswahlentscheidung erklärt. Hypothese 2.4b wird dahingehend angenommen, dass auch hier das BDGS einen positiven Einfluss auf die Reputation der Hochschule hat, in diesem Rahmen jedoch insbesondere die Überzeugungen von der Genauigkeit der Daten ausschlaggebend sind.

Die Effekte auf die Bereitschaft gegen die Entscheidung zu protestieren sind im Vergleich insgesamt kleiner. So ist auch der direkte Effekt des BDGS kleiner und nicht signifikant (B = ‒.022, SE = .015, p = .138). Allerdings zeigt sich auch hier, dass das Vertrauen in die Richtigkeit der Entscheidung erneut einen direkten Einfluss hat (β = ‒.519).²⁷ Der starke gesamte Effekt der Dimension Genauigkeit auf die Reputation der Hochschule (β = ‒.228) wird daher zum Großteil durch den indirekten Effekt (β = ‒.174) der Genauigkeit über das Vertrauen in die Richtigkeit der Auswahlentscheidung erklärt. Hypothese 2.4c wird auch hier dahingehend angenommen, dass das BDGS einen negativen Einfluss auf die Protestneigung hat, in diesem Rahmen jedoch insbesondere die Überzeugungen von der Genauigkeit der Daten ausschlaggebend sind.

Die Ergebnisse zeigen, dass die Erwartungen an die Genauigkeit digitaler Daten einen hohen Einfluss auf das Vertrauen in die Richtigkeit der durch die KI getroffenen Auswahlentscheidung haben und somit vor allem indirekt auch die Reputationsbewertung der Hochschule beeinflussen, die ein solches Verfahren einsetzt, und auch die Neigung zum Protest gegen die getroffene Entscheidung. Studierende, die also ein objektives und genaues Verständnis der Wirklichkeit erwarten, zeigen sich eher von der Richtigkeit der getroffenen Auswahlentscheidung einer KI-Anwendung im Rahmen des Zulassungsverfahrens überzeugt. Es ist also folglich nicht jede Einzelne der Dimensionen des BDGS, die im Erkenntniszusammenhang einen Einfluss zeitigt, sondern im vorliegenden Fall diejenige, die als überaus relevant für das benötigte Vertrauen in die KI-Anwendung eingestuft werden kann: Liegen digitale Daten vor, die ihrem Wesen nach ein objektives und exaktes Verständnis der Welt ermöglichen, wird vertraut, dass eine KI-Anwendung zur Hochschulzulassung auf Grundlage dieser Daten auch die richtige Entscheidung trifft. In den Augen von Studierenden, die auf die Richtigkeit der Auswahlentscheidung vertrauen, genießt die Hochschule eine höhere Reputation. Gleichzeitig sinkt die Protestbereitschaft, wenn erwartet wird, dass die KI-Anwendungen richtige Entscheidungen produziert. Im Umkehrschluss könnte sich also hier eher einer Entscheidung gefügt werden, wenn der Prozess ihres Zustandekommens als korrekt empfunden wird.

Es zeigt sich mithin die Bedeutung der individuellen Erwartungen an digitale Datenbestände, die im vorliegenden Fall der Hochschulzulassung ein Prädiktor für das entgegengebrachte Vertrauen und die Reaktion der Studierenden auf die Einführung von KI-Anwendungen zur Hochschulzulassung ist. Es ist auch aus diesem Grund aus Sicht der Beteiligten ein Verständnis für das Wesen der digitalen Daten bei den am Verfahren beteiligten (zukünftigen) Studierenden und den Verantwortlichen auf Seiten der Hochschule herzustellen. Fragen nach der Art und Qualität der Daten sollten weitgehend transparent und nachvollziehbar erörtert werden, um sicherzustellen, dass auf der einen Seite keine überzogenen Erwartungen an das KI-Verfahren gestellt werden und vermieden wird, dass ein ausgeprägter Glaube an die digitalen Daten einen Missbrauch der Systeme provoziert. Auf der anderen Seite können durch diese Transparenz bei den eher datenskeptischen Studienbewerber*innen negative Reaktionen und ein Misstrauen vermieden werden. Dabei sollte weitere Forschung die Reichweite gebotener und notwendiger Entscheidungsbegründungen analysieren, da es Hinweise darauf gibt, dass vollständige Transparenz weder umsetzbar noch zielführend erscheint (Fine Licht & Fine Licht, 2020).