Claudio Battiloro, Pietro Greiner, Bret Nestor, Oumaima Amezgar, Francesca Dominici

Abstract

Da Lernsysteme zunehmend Entscheidungen im Alltag beeinflussen, bietet die steuernde Wirkung von Nutzerebene durch algorithmische kollektive Aktion (Algorithmic Collective Action, ACA) – d. h. koordinierte Änderungen gemeinsam genutzter Daten – eine Ergänzung zu regulatorischen Maßnahmen und der Modellgestaltung seitens Unternehmen. Obwohl sich reale Handlungen traditionell dezentral und fragmentiert in mehrere Kollektive aufteilen, obwohl sie gemeinsame übergeordnete Ziele verfolgen – wobei sich die Kollektive in Größe, Strategie und durchführbaren Zielen unterscheiden –, konzentrierte sich die überwiegende Mehrheit der ACA-Literatur auf Einzelkollektiv-Szenarien. In dieser Arbeit präsentieren wir den ersten theoretischen Rahmen für ACA mit mehreren Kollektiven, die auf dasselbe System einwirken. Insbesondere untersuchen wir kollektive Aktionen im Kontext der Klassifikation und analysieren, wie mehrere Kollektive Signale „pflanzen“ können, also einen Klassifikator so beeinflussen, dass er eine Assoziation zwischen einer veränderten Version der Merkmale und einer gewählten, möglicherweise überlappenden Menge von Zielklassen lernt. Wir liefern quantitative Ergebnisse zur Rolle und Wechselwirkung der Kollektivgrößen sowie der Ausrichtung ihrer Ziele. Unser Rahmenwerk ergänzt zudem frühere empirische Befunde und eröffnet den Weg zu einer ganzheitlichen Behandlung von ACA mit mehreren Kollektiven.