, , , , , ,

Fakes and Rumors – Die Algorithmisierung des Gerüchts – eine netLogo Simulation

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
/von
, , , ,

Die Unauflösbarkeit der künstlichen Erinnerung: Bergson – Matèriere et memoire

Weiterlesen
Teile diesen Beitrag
/von
, , ,

Die Sigmoidfunktion zur Beschreibung von Neuronalen Netzen

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
/von
, ,

Künstliche Intelligenz, deep Learning, neuronale Netze

Wie können wir uns das Maschinelle Lernen vorstellen? Was bedeutet Deep Learning? Ist Künstliche Intelligenz intelligent?

Aus dem Alltag kennen wir bereits viele Beispiele, bei denen intelligente Technik, also Künstliche Intelligenz, verarbeitet und unser Leben nachhaltig verändert wird: Spracherkennung bei Alexa, Schachprogramme, Erkennung handschriftlicher PLZ, Sprachübersetzungen, Bilderkennung in der Medizin, Mustererkennung generell (Fingerabdrücke, Iris…), autonom fahrende Autos, Robotik, Computerspiele… übrigens schon seit den 50er Jahren.

Dennoch ist diese Künstliche Intelligenz schwer fassbar, da schon der Begriff „Intelligenz“ ist nicht wohl definiert ist.

Künstliche Intelligenz sind Ergebnisse bestimmter Algorithmen, die menschenähnliche Entscheidungen kopieren.

Künstliche Intelligenz kann auch als Teilgebiet der Informatik verstanden werden, Informatik als praktisches, angewandtes oder automatisiertes Teilgebiet der Mathematik. Um die KI besser zu verstehen bietet sich also ein analysierender Ansatz der mathematischen Programmiercodes an.
Wollen wir also des Deep Learning neuronaler Netze der Künstlichen Intelligenz verstehen schauen wir uns die Mathematik näher an.

Computerprogramme werden oft mit Hilfe des EVA-Prinzips erklärt:

Eingabe – Verarbeitung – Ausgabe

Zunächst, wenn menschliches Verhalten und menschliche Entscheidungen modelliert wird, werden _Rohdaten_ benötigt, also Eingabeparamter, die in einem Algorithmus eines Computerprogramms verarbeitet werden. Nehmen wir ein bekanntes Beispiel: die Erkennung von handschriftlichen PLZ bei der Post. Die Bilddatei als Eingabeparameter, die Ausgabe eine Entscheidung um welche PLZ es sich handelt.
Um jedoch auch von Lernen reden zu können kommt ein dritter Aspekt ins Spiel – ein Maßstab, wie gut die automatische Erkennung der ursprünglichen Adressenabsicht entspricht. Ist die Erkennung fehlerhaft, muss nachjustiert werden, also muss das System Maschinell Lernen.
In einer grafischen Darstellung lässt sich das im Schichtenmodell gut erklären: die Eingabedaten werden in der Eingabeschicht eingegeben. Die „versteckten Schichten“, die hidden layers (die Black Box), sind damit für die Nachjustierung verantwortlich. Je größer die Anzahl der „hidden layers“ ist desto komplexer wird das Lernsystem. Schließlich wird das Ergebnis der Verarbeitung in der Ausgabeschicht ausgegeben.

https://de.wikipedia.org/wiki/Deep_Learning

/

Auf dieser Ebene sprechen wir von Schwacher KI: eine KI, die nur eine Tätigkeit ausführt und ihr Handeln und Entscheiden nicht auf andere Situationen anwenden kann. Schwache KI ist auf ein Gebiet spezialisiert (Schach, Siri, Handys).
Eine weitere Ebene ist die starke KI, diese ist in ihren Möglichkeiten vergleichbar mit den Möglichkeiten eines intelligenten Menschen und befindet sich mit ihm auf Augenhöhe. Der entscheidende Unterschied zwischen starker und schwacher KI ist das fehlende Bewusstsein, das ermöglicht, ihre Schlüsse auf andere Bereiche übertragen zu können. Von der starken KI sind wir jedoch noch weit entfernt, sie gibt es heute noch nicht.
Die höchste Ebene ist die Künstliche Superintelligenz, die einem Menschenverstand haushoch überlegen wäre.

Das menschliche intelligente Vermögen können wir noch lange nicht durch Künstliche Intelligenz nachbilden – dennoch ist die Wissenschaft und Forschung überzeugt, dass dies nur eine Frage der Zeit ist.

Teile diesen Beitrag
/von
,

Maths is beautiful

Fraktale sind die elegantesten Beispiele der rekursiven Programmierung
Teile diesen Beitrag
/von