Links gegen rechts“, „Geimpfte gegen Ungeimpfte“, „Klimaschützer gegen Wirtschaftslobby“ – gesellschaftliche Debatten werden heute oft als unversöhnliche Zweikämpfe beschrieben. Doch stimmt dieses Bild wirklich? Ass. Prof. Stefan Neumann, Informatiker am Institut für Machine Learning der TU Wien, zweifelt daran. Er und sein Team haben deshalb einen Algorithmus entwickelt, der Polarisierung in sozialen Netzwerken präziser erfasst als bisherige Methoden – und ein überraschend differenziertes Bild liefert.
Die Ausgangsfrage klingt simpel, ist es aber nicht: Wer streitet eigentlich mit wem, und warum? „Wenn wir im Alltag von Polarisierung sprechen, ist das oft ein relativ vager Begriff. Auch in der Wissenschaft gibt es, je nach Bereich, unterschiedliche Definitionen“, erklärt Neumann. Moderne Algorithmen der sozialen Netzwerkanalyse erlauben es mittlerweile, präziser zu beschreiben, wo genau Konflikte auftreten. Das ist keine akademische Fingerübung: Wer weiß, wo Reibungspunkte liegen, kann gezielter eingreifen – etwa wenn Einzelne systematisch Zwietracht säen oder wenn es darum geht, Menschen mit unterschiedlichen Meinungen wieder ins Gespräch zu bringen.
Ass. Prof. Stefan Neumann forscht am Institut für Machine Learning der TU Wien
Nuancen sichtbar machen
Der entscheidende konzeptionelle Schritt in Neumanns Arbeit ist der Abschied vom Zwei-Lager-Modell. Das Bild einer Gesellschaft, die in scharf getrennte Blöcke zerfällt, ist zwar eingängig, aber zu simpel. „In der Realität ist es vielschichtiger, weil wir nicht bloß Extrempositionen einnehmen, sondern Nuancen erkennen und uns oft zwischen den zwei Polen bewegen“, so Neumann. Diese Nuancen sichtbar zu machen sei entscheidend, weil sie weit mehr Gemeinsamkeiten offenbaren, als das polarisierte Diskursbild vermuten lässt.
Das mathematische Werkzeug dafür sind sogenannte Meinungsintervalle.
Das Konzept lässt sich anschaulich am politischen System erklären: Wie in einer Parteienlandschaft, in der jede Partei ein bestimmtes Meinungsspektrum abbildet, erkennt der Algorithmus automatisch, welche Gruppen potenzielle Gemeinsamkeiten haben – und wo echte Gräben verlaufen. Überlappungen zwischen Lagern werden so sichtbar, die ein einfaches Entweder-oder-Modell verbergen würden.
Um den Ansatz zu erproben, analysierte das Team die Abstimmungsprotokolle von 1.480 Abgeordneten des Deutschen Bundestages über einen Zeitraum von 13 Jahren. Das Ergebnis war verblüffend – nicht wegen der Komplexität der Berechnungen, sondern wegen ihrer Sparsamkeit. Der Algorithmus kannte weder Parteienzugehörigkeiten noch sonstige Hintergrundinformationen, er wusste lediglich, welche Abgeordneten häufig gleich oder unterschiedlich abgestimmt hatten. Und dennoch zeichnete er das politische Gefüge nach. „Das Überraschende war, wie wenig Daten wir gebraucht haben, um die deutsche Parteienstruktur rekonstruieren zu können“, sagt Neumann. Dieses Resultat hat zwei Seiten: Einerseits zeigt es, dass für aussagekräftige Analysen nicht zwingend riesige Datenmengen nötig sind. Andererseits ist es eine Warnung: Schon wenige Informationen über Abstimmungsverhalten lassen politische Tendenzen erkennen, was datenschutzrelevante Fragen aufwirft.
Brücken statt Gräben
Was könnten Plattformen wie X oder Facebook mit solchen Erkenntnissen anfangen? Neumann ist vorsichtig optimistisch: „Solche Plattformen nutzen bereits ähnliche Algorithmen, um interessante Postings vorzuschlagen.“ Seine Ergebnisse könnten genutzt werden, um gezielt Brücken zwischen benachbarten Gruppen zu bauen. Das muss nicht bedeuten, dass alle am Ende einer Meinung sind – oft reiche es schon, wenn Menschen erkennen, dass auch Andersdenkende nachvollziehbare Argumente haben und man sich trotz Uneinigkeit wertschätzend begegnet. In einer Zeit, in der Algorithmen häufig eher zur Zuspitzung beitragen, wäre das kein kleiner Fortschritt.
Kommentare