MediaRecSys personalisiert Inhalte – ohne Filterblasen und Echokammern
MediaRecSys hat es sich zur Aufgabe gemacht ein Empfehlungssystem für journalistische Inhalte zu entwickeln das transparent ist – und von den NutzerInnen angepasst werden kann. Ursprünglich als Forschungsprojekt gestartet hat das Team das Potenzial der eigenen Idee erkannt und sich auf unser Fellowship beworben. Wie ihr System funktioniert und wie der Gründungsprozess läuft, verraten sie im Interview.
„Unser Team von MediaRecSys entwickelt algorithmische Personalisierungssysteme, so dass LeserInnen, HörerInnen und ZuschauerInnen relevante Beiträge ausgespielt bekommen – ohne Filterblasen.“
Wer seid Ihr und wie seid Ihr auf die Idee zu MediaRecSys gekommen?
Die Idee stammt aus einer Forschungskooperation von der Universität zu Köln und Deutschlandradio. In diesem Projekt haben wir uns eingehend mit der Personalisierung von Radio befasst. Dabei haben wir erkannt, dass Personalisierung für journalistische Inhalte etwas anders aussehen muss als für Musik oder Filme. Aus dieser Kooperation ist die Idee entstanden. Als Team kennen wir uns schon gut zwei Jahre und wissen, dass wir gut miteinander umgehen können. Wir sind Journalisten, Wirtschaftsinformatiker und Data Scientists.
Was macht Euer Empfehlungssystem anders als die, die es aktuell schon gibt?
Wie andere Empfehlungssysteme auch, helfen wir den Nutzerinnen und Nutzern aus einer Vielzahl von Angeboten einige interessante an die Oberfläche zu bringen. So können bereits produzierte Inhalte noch einmal den Weg zu Interessenten finden, statt im Archiv zu verstauben. Das hilft sowohl den Nutzerinnen und Nutzern als auch den Medienhäusern, die sich über höhere Verweildauern und Klickzahlen freuen. Trotzdem haben wir diesen unangenehmen Effekt der Filterblase. Während Filterblasen für Empfehlungen im Bereich Musik oder Filme nicht relevant, vielleicht sogar gewünscht, sind, ist der journalistische Bereich da empfindlicher. Nicht jede Anbieterin oder jeder Anbieter und auch nicht jede Nutzerin und jeder Nutzer möchte Filterblasen. Deswegen bieten wir ein Empfehlungssystem, das Filterblasen verhindert.
Was bringt Ihr eurem System dafür bei?
Weniger wir, sondern die Nutzeinnen und Nutzer bringen dem System etwas bei. Durch Interaktionen mit dem System (Like, Dislike etc.) lernt das System die Interessen der Nutzerin und des Nutzers. Das Empfehlungssystem als Black Box wird aber mitunter kritisiert. Wir bieten mehr Einstellmöglichkeiten für sowohl Medienhäuser als auch Rezipientinnen un Rezipienten. Die Redaktionen können z.B. einstellen, wie viele Inhalte personalisiert ausgespielt und wie viel Diversität ausgespielt werden sollen. Auch die Rezipientin und der Rezipient behält hohe Kontrolle, indem wir zu jeder Empfehlung eine Erklärung abgeben und ermöglichen, ihr Personalisierungsprofil zu ändern oder zu „nullen“. Das ist schon recht einmalig.
Was denkt Ihr wie kann MediaRecSys dazu beitragen, dass die Leute sich nicht nur Katzenvideos im Internet angucken?
Wir wollen Medienhäusern ermöglichen, ihr Angebot noch konkurrenzfähiger zu Plattformen wie Youtube, Spotify oder Netflix zu machen. Ein ansprechendes Angebot mit journalistischen Inhalten kann durchaus dazu führen, dass weniger Katzenvideos geguckt werden.
Was erhofft Ihr euch aus unserem Fellowship mitnehmen zu können?
Wir wollen vor allem Klarheit haben, ob es für unser Produkt einen Markt gibt. Wir wissen derzeit noch nicht, wie groß der Markt ist, welche Zahlungsbereitschaft besteht, und, falls der Markt zu klein ist, wie unser Produkt für einen größeren Markt aussehen muss. Das wichtigste ist für uns also externe Validität, egal wie toll wir unser Produkt selbst finden. Im Optimalfall haben wir am Ende des Fellowships belastbare Antworten darauf.
Was können wir in den nächsten drei Jahren von Euch erwarten?
Unser Ziel ist, mit unserem Produkt nicht nur öffentlich-rechtliche Rundfunkanstalten zu bedienen, sondern auch private Medienhäuser. Zwar entstammt unser Produkt dem Kontext eines öffentlich-rechtlichen Rundfunks, wo wir auch unsere ersten Kundinnen und Kunden suchen, doch wollen wir unsere Kernkompetenz im Bereich Empfehlungssysteme breiter aufstellen. Wir wollen am Markt im Bereich „Empfehlungssysteme für journalistische Inhalte“ erster Ansprechpartner sein und für verschiedene Medienformate und verschiedene Kundensegmente angepasste Lösungen bereitstellen.
