Wie wir digitale Dynamiken verstehen und Resilienz stärken 

Die digitale Infosphäre hat die Art und Weise, wie Informationen fließen, radikal verändert. Was früher als flüchtiges Gerücht am Stammtisch verblasste, explodiert heute als algorithmisch gesteuerte Desinformation im Netz. Doch statt technologischem Regress oder Verboten müssen wir diese Dynamiken mathematisch und systemisch verstehen, um die Resilienz von Menschen und Demokratien nachhaltig zu stärken.
Die folgende Präsentation stellt hierzu einen wissenschaftlich fundierten Fahrplan vor, der netzwerktheoretische Schadensmetriken mit einem agentenbasierten Simulationsmodell verknüpft. Die Szenarien werden grafisch dargestellt mit der Simulation netLogo 

Offline und Online Szenarien 

Die moderne Informationsverbreitung unterscheidet sich grundlegend durch die zugrundeliegende Netzwerkmorphologie. Während analoge Offline-Netzwerke meist auf klassischen Punkt-zu-Punkt-Kontakten basieren und ein lineares Wachstum aufweisen, funktionieren soziale Medien als skalierungsfreie Netzwerke. In diesen sogenannten Scale-Free Networks sorgen zentrale Knotenpunkte und algorithmische Filter für eine exponentielle, kaum kontrollierbare Dissemination. Diese veränderte Struktur hat direkte Auswirkungen auf das Schadenspotenzial digitaler Dynamiken. Entgegen der intuitiven Annahme, dass Cybermobbing per se schlimmer als analoges Mobbing sei, zeigt die psychologische Forschung eine differenziertere Realität. Nicht das Medium an sich maximiert den Schaden, sondern das synchrone Zusammenwirken von unbegrenzter Öffentlichkeit, psychologischer Anonymität und digitaler Permanenz.

Damagefunction – wer den Schaden hat

Um diesen individuellen Opferschaden mathematisch greifbar zu machen, lässt sich eine präzise Schadensfunktion definieren. Der Gesamtschaden ergibt sich dabei als Produkt aus der Vulnerabilität des Opfers – determiniert durch Faktoren wie Alter und persönliche Resilienz – und dem zeitlichen Integral über die Reichweite, den Anonymitätsfaktor sowie die Permanenz im Netz. Während die Reichweite offline nur langsam wächst, explodiert sie online im digitalen Raum. Der Anonymitätsfaktor erzeugt beim Opfer eine dauerhafte Paranoia, da die Angreifer nicht mehr eindeutig identifiziert werden können, was den psychologischen Druck vervielfacht. Zudem sorgt der Permanenzfaktor dafür, dass Informationen über Suchmaschinen dauerhaft abrufbar bleiben, statt wie ein analoges Gerücht mit der Zeit zu verblassen.

Damagefunction – with and without counterspeech


Demokratie-Destabilisierung 

Diese Dynamiken verbleiben jedoch nicht auf der individuellen Ebene, sondern beschädigen als gesellschaftlicher Makro-Effekt das Fundament der Demokratie. Drei Kernmechanismen treiben diese Destabilisierung voran. Erstens isolieren epistemische Blasen und Echo-Kammern die Nutzer durch algorithmische Homophilie, sodass Andersdenkende zunehmend als Feinde statt als politische Gegner wahrgenommen werden. Zweitens treibt die affektive Polarisierung den Diskurs in die Extreme, da Algorithmen gezielt auf emotionale Trigger wie Wut und Angst setzen, um Klicks zu maximieren. Drittens führt der Verlust klassischer journalistischer Gatekeeper zu einer unkontrollierten Informations-Sintflut, bei der programmierte Bots und Akteure ungefiltert Millionen Menschen erreichen. Das Verständnis dieser Mechanismen bildet die Grundlage für die darauffolgende agentenbasierte Simulation, mit der algorithmische Lösungsansätze und Brücken-Links virtuell erprobt werden können.

 

Simulation mit netLogo

Um diese komplexen sozialen und mathematischen Effekte greifbar und messbar zu machen, simuliert ein agentenbasiertes Modell in netLogo das Verhalten der verschiedenen Akteure. Im simulierten Offline-Setup führt der physische und zufällige Kontakt mit andersdenkenden Nachbarn langfristig zu einem Mäßigungseffekt, da extreme Meinungen im direkten Austausch eher angeglichen

Rumor Mill mit netLogo

Im Online-Setup sozialer Medien hingegen vernetzen sich die Agenten primär nach dem Prinzip der Homophilie, also der Ähnlichkeit ihrer Ansichten. Gepaart mit extremen Fake-News-Knotenpunkten führt dies in der Simulation zu einer blitzschnellen Bi-Polarisierung, bei der die für eine stabile Demokratie so wichtige politische Mitte komplett verschwindet. Das eigentliche Ziel dieser Simulationen liegt jedoch in der Erforschung algorithmischer Resilienz. Das Modell erlaubt es zu testen, wie Algorithmen modifiziert werden müssen, damit sie gezielt Brücken-Links zwischen den isolierten Blasen bauen, anstatt sie weiter voneinander zu trennen.
Einen kompakten, strukturierten Überblick liefert die begleitende Präsentation. Nach dem einleitenden Teil und der Vorstellung der Forschungsfragen widmet sich der zweite dem zentralen Problem und verdeutlicht im Sinne des Technologierealismus, warum wir das Rad der IT-Entwicklung nicht zurückdrehen können.

 Technologierealismus und Resilienz

Das theoretische Fundament bildet die präzise Abgrenzung von Gerüchten zu Desinformationen und stellt verschiedene Netzwerkmorphologien visuell gegenüber.

Eine mathematische Schadensgleichung berücksichtigt den mäßigenden Einfluss von Zivilcourage der Öffentlichkeit. Einen Überblick mit konkreter Architektur und verschiedenen Parametereinstellungen verschafft das NetLogo-Simulationsmodells.
So ist ersichtlich dass auch die Demokratie anhand der simulierten Polarisierungs-Scores und Echo-Kammern bedroht werden kann. Die Präsentation endet mit einem lösungsorientierten Ausblick, der Wege zu einer digitalen Resilienz durch algorithmische Deeskalation und Fact-Checking aufzeigt, ganz ohne den Einsatz von Zensur oder Verboten.

Die Präsentation ist entstanden im Rahmen eines Seminars der Gegenwartsphilosophie von Prof. Dr. Markus Gabriel an der Rheinische Friedrich-Wilhelms-Universität Bonn. 

 

.
Teile diesen Beitrag
Teile diesen Beitrag
Teile diesen Beitrag

Hopefully you had a good start in 2026. I myself produced a new Power Point Presentation about another burning area…. Treatment in psychiatry. I am planning to extend this towards an essay, but here at first for those who are already interested… It IS a topic!

Teile diesen Beitrag

Eine kritische Auseinandersetzung und Analyse der Medizin

Teile diesen Beitrag

Teile diesen Beitrag

Embedding Sandra Harding’s Feminist Standpoint Theory into
different scientific fields enables a more critical and inclusive
understanding of knowledge production

Feminismus ist eine Ideologie, die die Gleichstellung von Männern und Frauen verbessern will. Er fordert gleiche Rechte und Chancen für Frauen in Politik, Gesellschaft, Familie, Wissenschaft und Wirtschaft. Patriarchale Strukturen, also Systeme, die nur von Männern dominiert werden, werden als Ursache für die Diskriminierung von Frauen angesehen.

Feministisch zu sein bedeutet auch, sich aktiv gegen jede Form von Diskriminierung einzusetzen und Perspektiven marginalisierter Gruppen einzunehmen und zu berücksichtigen. Feminismus ruft nicht zum Hass auf sondern versucht konstruktive Verbesserungen zu erarbeiten; um Feminist zu sein muss man nicht unbedingt eine Frau sein.

In meinem Essay habe ich die feministische Standpunkt-Theorie beleuchtet um hinterher den Fokus auf Feminismus und Diskriminierung in der Medizin zu lenken.

Teile diesen Beitrag

HSDD – Disease or Symptom?

The difference between practical and theoretical philosophy is that the first describes the insight of truth and the second how to affect changes of it. Some philosophical thoughts are offered here without fixed directions or aims.

You can find here an essay about Hypoactive Sexual Disorder Disease (HSDD) of female sexuality which I produced during my studies of Theoretical Philosophy.

Teile diesen Beitrag

CC BY-SA 3.0
Erstellt: 15. September 2010

Damit künstliche, neuronale Netze in der Lage sind, ihre Modell-Parameter so zu verändern dass man von einem lernenden Modell sprechen kann, verwendet man oft Sigmoidfunktionen als Aktivierungsfunktion. Sigmoidfunktionen, auch Schwanenhalsfunktionen oder logistische Funktionen, sind mathematische Funktionen mit einem S-förmigen Graphen. Sigmoid-Funktionen sind reelle, beschränkte und stetig differenzierbare Funktionn.

Die Funktionsgleichung lautet

S(x) = \frac{1}{1+e^{–x}} = \frac{e^{x}}{1+e^{x}}

und ist eine transformierte Tangensfunktion. Hier ist e = 2,71828… die Eulersche Zahl, eine der wichtigeren Zahlen der Mathematik, die in vielen Kontexten immer wieder eine besondere Rolle spielt.

Der sogenannten Backpropagation-Algorithmus, ein Lernmechnanismus der neuronalen Netzen das „Lernen“ ermöglicht, kann künstliche Neuronen gewichtet verarbeiten. Die Werte der künstlichen Neuronen sind nach einen „Durchlauf“ anschließend „verbessert“.
Praktisch gesehen „lernt“ ein Netz hauptsächlich durch Modifikation der Gewichte der Neuronen; die Sigmoidfunktion wird auf die Summe der gewichteten Eingabewerde angewendet. Sie wird aufgrund ihrer Eigenschaft der Differenzierbarkeit bevorzugt.
Dadurch können nichtlineare Funktionen über den Backpropagation-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, neue und genauere Parameterwerte erlernen.

Bereits in den frühen 1940er Jahren begann das Interesse der KNN aufzukommen, aber auch heute spielen sie seit 2009 bei der Mustererkennung und dem maschinellen Lernen eine große Rolle. Klassische Beispiele sind die Bilderkennen, Texterkennung, Gesichtserkennung und Spracherkennung; einige Hunderttausend bis Millionen Pixel werden hier in eine nur keine Auswahl erlaubter Ergebnisse überführt.

Die weitere Anwendungsbreite ist schier enorm:
Regelung und Analyse komplexer Prozesse
Schrifterkennung (OCR)
Spracherkennung
Data-Mining
Zeitreihenanalyse (Wetter, Aktien usw.)
Sprachsynthese
Gesichtserkennung
Gesichtsaustausch
Klangsynthese
Frühwarnsysteme
Fehlererkennung
Optimierung
Klassifikation
Bildverarbeitung und Mustererkennung
Maschinenübersetzung
Informatik: Bei Robotik, virtuellen Agenten und KI-Modulen in Spielen und Simulationen
Medizinische Diagnostik, Epidemiologie und Biometrie
Strukturgleichungsmodell zum Modellieren von sozialen oder betriebswirtschaftlichen Zusammenhängen

Doch bei der Vorhersage von Zufällen oder Pseudozufällen kommen KNNs an ihre Grenzen.

Weitere spannende Erklärbärvideos über KNNs gibt es z. B. auf youtube.,

Künstliche neuronale Netze, komplexere Erklärung

Künstliche neuronale Netze – Computer lernen sehen, einfache Erklärung, 2017

Teile diesen Beitrag