Zum Hauptinhalt springen

Detailansicht

Neuer Beitrag in Big Data & Society

Die ZeMKI-Mitglieder Dr. Hendrik Heuer, Dr. Juliane Jarke und Prof. Dr. Andreas Breiter veröffentlichen Artikel zu "Machine learning in tutorials – Universal applicability, underinformed application, and other misconceptions"

Abstract

Maschinelles Lernen ist zu einer Schlüsselkomponente moderner Informationssysteme geworden. Anders als frühere Informationssysteme, die explizit in Programmiersprachen programmiert wurden, leiten ML-Systeme Regeln aus Daten ab. Dieser Beitrag zeigt, was dieser Unterschied für die kritische Analyse von soziotechnischen Systemen auf Basis von maschinellem Lernen bedeutet. Um eine Grundlage für die zukünftige kritische Analyse von auf maschinellem Lernen basierenden Systemen zu schaffen, beschäftigen wir uns damit, wie der Begriff in Selbstbildungsressourcen gerahmt und konstruiert wird. Dazu analysieren wir Tutorials zum maschinellen Lernen, eine wichtige Informationsquelle für Selbstlerner und ein Schlüsselwerkzeug für die Herausbildung der Praktiken der Machine Learning Community. Unsere Analyse identifiziert sowohl einzelne Beispiele für maschinelles Lernen als auch wichtige Missverständnisse und problematische Rahmungen. Unsere Ergebnisse zeigen, dass maschinelles Lernen als universell anwendbar dargestellt wird und dass die Anwendung von maschinellem Lernen ohne spezielle Fachkenntnisse aktiv gefördert wird. Erklärungen zu maschinellen Lernalgorithmen fehlen oder sind stark eingeschränkt. Gleichzeitig wird die Bedeutung von Daten stark unterschätzt. Dies hat Auswirkungen auf die Manifestation von (neuen) sozialen Ungleichheiten durch maschinelles Lernen-basierte Systeme.

Weitere Informationen sind hier abzurufen. 

Aktualisiert von: ZeMKI