Quelle auf.

Quelle auf.

Ich stelle ChatGPT Fragen, bei denen ich selbst nicht weiß, ob meine Ausgangsannahme stimmt. Statt einer schnellen Antwort soll ChatGPT recherchieren, Quellen prüfen und offenlegen, worauf die Antwort beruht.

Warum ich diesmal frage: Auslöser war ein LinkedIn-Post von Rafael Klose. Sinngemäß: Bei Algorithmen gehe es um Daten, Verweildauer sei auf LinkedIn eine entscheidende Metrik, lange betrachtete Beiträge würden häufiger ausgespielt – eigentlich simpel. Mein erster Gedanke war: Eine Metrik ist schnell benannt. Sie mit anderen Signalen zu einem stabilen Ergebnis zu verbinden, dürfte deutlich schwieriger sein. Daraus wurde die Frage, was zwischen unserem Verhalten und dem nächsten Feed eigentlich passiert.

Meine Frage: Wie funktionieren moderne Social-Media-Empfehlungssysteme grundsätzlich – welche Daten, Modelle, Metriken und Produktmechaniken formen einen Feed, und an welchen Stellen lässt sich beeinflussen, ob ein System eher Relevanz, Aufmerksamkeit, Interaktion oder langfristige Zufriedenheit optimiert?

Hier ist die Antwort von ChatGPT:

Der Feed hat mehr als einen Regler

An der Verweildauer blieb ich hängen, weil die Erklärung so angenehm vollständig klang. Jemand bleibt lange bei einem Beitrag stehen. Das System merkt es. Der Beitrag wird häufiger gezeigt.

Der interessante Teil beginnt dort, wo diese drei Sätze aufhören.

LinkedIn verwendet Dwell Time tatsächlich. Die Plattform beschrieb 2020, wie sie misst, wie lange mindestens die Hälfte eines Beitrags sichtbar ist und wie lange jemand nach einem Klick beim Inhalt bleibt. Daraus wurde unter anderem ein Skip-Label abgeleitet; ein Modell sagte die Wahrscheinlichkeit eines schnellen Überspringens voraus, und diese Vorhersage floss negativ in die Bewertung eines Beitrags ein. LinkedIn nannte das schon damals nur einen Teil einer größeren Strategie. LinkedIn Engineering: Understanding dwell time, 12. Mai 2020 [c-01]

2024 wurde die Sache noch deutlicher. LinkedIn bezeichnete Long-Dwell-Daten selbst als rauschig. Eine feste Schwelle kann etwa Bilder und Videos unfair vergleichen: Dreißig Sekunden sind für ein Bild lang, für ein Video womöglich normal. Das Unternehmen beschreibt deshalb kontextabhängige Normalisierung und ein einstellbares Gewicht, mit dem die Long-Dwell-Vorhersage in die größere Ranking-Utility eingeht – also in den zusammengeführten Rankingwert eines Beitrags. Dort stehen passive Reaktionen wie Klick und Dwell neben aktiven Reaktionen wie Kommentar oder Reshare und weiteren Zielen. LinkedIn Engineering: Leveraging Dwell Time, 1. Oktober 2024 [c-02, c-06]

Die kurze Antwort lautet also: Dwell Time ist wichtig. Sie ist nur nicht die eine Metrik, die einen Feed erklärt.

Der Singular ist schon die erste Vereinfachung

Eine Plattform hat viel mehr mögliche Inhalte, als auf einen Bildschirm passen. Bevor sie den besten Beitrag finden kann, muss sie einen Großteil der Beiträge überhaupt erst aussortieren.

YouTube beschrieb das bereits 2016 als zwei Stufen: Ein Modell erzeugt aus dem großen Bestand eine überschaubare Kandidatenmenge, ein zweites rankt diese Kandidaten genauer. Instagram Explore dokumentierte 2023 sogar vier benannte Phasen: Retrieval, eine erste und zweite Rankingstufe und finales Re-Ranking. Das ist kein Beweis für eine universelle Bauanleitung. Es zeigt aber, warum „der Algorithmus“ eine schlechte Singularform ist. Google Research: Deep Neural Networks for YouTube Recommendations, 2016 Meta Engineering: Scaling Instagram Explore recommendations, 9. August 2023 [c-03, c-04]

Als eigenes Erklärmodell – eine Landkarte, kein Schaltplan einer konkreten Plattform – lässt sich der Weg eines Beitrags ungefähr so lesen:

verfügbarer Content-Pool → Zugangsregeln → Kandidatenauswahl → Vorhersagen → Zielgewichtung → Re-Ranking → Interface → Verhalten → neue Daten

Moderation, Zugangsregeln, Werbung, Experimente und Evaluation können an mehreren Stellen eingreifen. Für die Leitfrage reicht die Landkarte trotzdem, weil sie sichtbar macht, dass es sehr unterschiedliche Regler gibt.

Eine gemessene Sekunde weiß nicht, was sie bedeutet

Nach der groben Auswahl versucht ein Ranking-System vorherzusagen, was zwischen einem Menschen und einem Beitrag passieren könnte. Klickt er? Liest sie weiter? Wird gelikt, kommentiert, geteilt oder sofort gewischt?

TikTok nennt für den „Für dich“-Feed drei Gruppen von Faktoren: Nutzerinteraktionen, Informationen über den Inhalt und Nutzer- beziehungsweise Kontextinformationen wie Sprache, Standort, Zeitzone und Gerät. Für die meisten Nutzer würden Interaktionen einschließlich der angesehenen Zeit typischerweise stärker gewichtet. Die exakten Gewichte veröffentlicht TikTok nicht. TikTok: So empfiehlt TikTok Inhalte, abgerufen am 3. September 2026 [c-08]

Diese Signale lassen sich quantitativ erfassen und sind trotzdem mehrdeutig. Eine lange Sichtdauer kann auf Interesse hindeuten. Sie kann auch bedeuten, dass ein Text schwer verständlich war, dass mich der Kommentarbereich empört hat oder dass das Telefon auf dem Tisch lag.

Signal ist nicht Bedeutung. Dwell Time misst zunächst beobachtete Zeit. Welche menschliche Absicht diese Zeit ausdrückt, muss das System operationalisieren. Genau dabei entstehen Proxy-Fehler: Der messbare Ersatzwert ist nicht identisch mit dem Ergebnis, das man eigentlich erreichen möchte.

Vorhersagen sagen noch nicht, was zählen soll

Facebook beschrieb 2021, wie mehrere vorhergesagte Reaktionen – etwa Like, Kommentar oder Share – zu einem Wert kombiniert und in mehreren Durchläufen weiterverarbeitet werden. Ein kontextueller Pass kann anschließend zum Beispiel die Vielfalt der Inhaltstypen verändern. YouTube bezeichnete sein Ranking 2019 ebenfalls als System mit mehreren konkurrierenden Zielen. Meta Engineering: How machine learning powers Facebook’s News Feed ranking algorithm, 26. Januar 2021 Google Research: Recommending What Video to Watch Next, 2019 [c-05, c-10]

Technisch werden dabei zwei Fragen gern vermischt:

Multi-Task Learning beschreibt vor allem, wie ein Modell mehrere verwandte Vorhersagen gemeinsam lernt – etwa die Wahrscheinlichkeit eines Likes und eines Kommentars. Multi-Objective Optimization beschreibt, wie solche Vorhersagen im Ranking gewichtet und gegeneinander abgewogen werden. In realen Produktionssystemen greifen beide Dinge ineinander. Für das Verständnis bleibt die Trennung wertvoll: Eine gute Vorhersage ist noch keine gute Entscheidung über das Ziel.

Ein System kann ziemlich zuverlässig erkennen, welcher Beitrag einen Kommentar auslöst. Daraus folgt nicht, dass möglichst viele Kommentare ein guter Feed sind. Es kann Watch Time vorhersagen. Daraus folgt nicht, dass möglichst viel Watch Time langfristige Zufriedenheit misst.

Der Regler sitzt also nicht nur im Modell. Er sitzt auch in der Entscheidung, welche Vorhersage wie stark zählen soll.

Manche Regler sind erfreulich banal

Andere Stellschrauben liegen noch weiter außen. Autoplay startet den nächsten Inhalt ohne neue Entscheidung. Infinite Scroll beseitigt einen eingebauten Stopppunkt. Push-Benachrichtigungen holen Aufmerksamkeit zurück, obwohl der Feed gerade geschlossen ist.

Nichts davon ist dasselbe wie Ranking. Ein chronologischer Feed kann endlos scrollen. Ein hochpersonalisiertes Ranking kann nach zehn Beiträgen einen Stopppunkt setzen.

Dass solche Oberflächenmerkmale Verhalten verändern können, ist experimentell zumindest im Kleinen sichtbar. In einer Studie mit 76 US-amerikanischen Netflix-Nutzern verringerte deaktiviertes Autoplay die tägliche Sehzeit und die Länge einzelner Sitzungen. Netflix ist kein soziales Netzwerk, und weniger Sehzeit ist kein Beweis für mehr Wohlbefinden. Der Befund zeigt nur den Mechanismus: Autoplay ist nicht bloß Dekoration. ACM: An Experimental Study of Netflix Use and the Effects of Autoplay, 2025 [c-15]

Eine kleine Studie mit 30 Personen verglich Infinite Scroll mit einer Oberfläche, die vor weiteren Beiträgen eine Reaktion verlangte. Die zusätzliche Reibung verbesserte die Wiedererkennung der Inhalte, wurde von einer Mehrheit aber als frustrierend empfunden. Auch das ist kein Plattformbeweis. Es zeigt den Zielkonflikt: Ein Regler kann das gewünschte Verhalten verändern und trotzdem ein schlechter Produktregler sein. Aarhus University: Design Frictions on Social Media, 1. September 2024 [c-16, c-24]

„Personalisierung aus“ heißt nicht „Algorithmus aus“

Der europäische Digital Services Act enthält einen sehr konkreten Eingriff. Art. 38 verpflichtet sehr große Online-Plattformen und sehr große Online-Suchmaschinen, für jedes ihrer Empfehlungssysteme mindestens eine Option anzubieten, die nicht auf Profiling im Sinne der Datenschutz-Grundverordnung beruht. Er verlangt keinen chronologischen Feed und keine algorithmusfreie Ansicht. EUR-Lex: Verordnung (EU) 2022/2065, Art. 38 [c-17]

TikTok zeigt anschaulich, wie so eine Alternative aussehen kann. Wird die Personalisierung in der EU deaktiviert, wird „Für dich“ zu einem „Beliebt“-Feed; Inhalte gefolgter Accounts können in den entsprechenden Bereichen chronologisch dargestellt werden. „Beliebt“ bleibt eine Auswahl. Es wurde nur ein anderer Grund für die Reihenfolge gewählt. TikTok: So empfiehlt TikTok Inhalte, abgerufen am 3. September 2026 [c-18, c-23]

Das ist mehr als Wortklauberei. Wer „Algorithmus aus“ fordert, überspringt die Frage, was bei zu vielen Inhalten an seine Stelle treten soll: Zeitpunkt, Popularität, Zufall, eine redaktionelle Auswahl oder doch wieder eine Form von Personalisierung.

Die stärkste Gegenposition verändert die Frage

Empfehlungssysteme lösen ein echtes Problem. Ohne Auswahl wird ein übervoller Feed nicht automatisch neutral, authentisch oder nützlich. Und die Plattformen behaupten in ihren technischen Texten keineswegs durchgängig, nur Minuten zu maximieren.

LinkedIn spricht von mehreren passiven, aktiven und netzwerkbezogenen Zielen. Facebook beschrieb Umfragen dazu, ob Beiträge bedeutsam oder die Zeit wert waren. Meta diskutierte Diversität, bewusstes Ausprobieren unbekannter Inhalte und negatives Feedback als Korrektive zu einer engen Personalisierung. [c-02, c-09, c-13]

Das sind Eigendarstellungen. Sie belegen, welche Mechaniken und Ziele die Unternehmen öffentlich beschreiben. Sie belegen nicht unabhängig, dass die Feeds langfristige Zufriedenheit oder gesellschaftliches Wohlergehen herstellen.

Trotzdem verhindern sie eine bequeme Karikatur. Die öffentlich dokumentierten Systeme lassen sich jedenfalls nicht auf einen großen roten Knopf mit der Aufschrift Engagement reduzieren. Das Problem ist gerade, dass ein guter Feed mehrere legitime, widersprüchliche Anforderungen hat: Relevanz, Vielfalt, Aktualität, Sicherheit, Creator-Reichweite, negatives Feedback, Zufriedenheit und ein tragfähiges Produkt.

Verhaltenssignale wie Skips und betrachtete Sekunden fallen laufend an. Explizite Reaktionen sind seltener. Beide sind schneller beobachtbar als langfristige Zufriedenheit, die sich nur gelegentlich abfragen lässt und von Dingen außerhalb der Plattform abhängt. Ein schwer messbares Ziel wird nicht dadurch weniger wichtig. Es wird nur schwieriger, daraus einen verlässlichen Regler zu bauen.

Einen Wert ändern ist leichter, als seine Folgen zu verantworten

2025 veröffentlichte die EU-Kommission unverbindliche Leitlinien zum Schutz Minderjähriger. Darin empfiehlt sie unter anderem mehr Kontrolle über Feeds, die Priorisierung expliziter Signale sowie standardmäßig deaktiviertes Autoplay und Push-Benachrichtigungen. Die Empfehlungen schreiben keine Zahlen für Signalgewichte vor und sind nicht mit der unmittelbar geltenden Pflicht aus Art. 38 gleichzusetzen. Europäische Kommission: Guidelines on the protection of minors, 14. Juli 2025 [c-14]

2026 ging die Kommission einen Schritt weiter. In vorläufigen DSA-Befunden zu TikTok sowie später zu Instagram und Facebook betrachtete sie Infinite Scroll, Autoplay, Push-Benachrichtigungen und hochpersonalisierte Empfehlungssysteme gemeinsam als möglichen Risikokomplex. Die Verfahren sind keine rechtskräftigen Endurteile. Addictive design ist hier ein regulatorischer Vorwurf, keine medizinische Diagnose für Nutzer. Europäische Kommission: vorläufiger TikTok-Befund, 6. Februar 2026 Europäische Kommission: vorläufiger Meta-Befund, 10. Juli 2026 [c-19, c-20]

Interessant ist daran weniger, ob Brüssel den perfekten Feed entwerfen kann. Interessant ist, welche Dinge inzwischen als gestaltbar behandelt werden: nicht nur Inhalte löschen, sondern Defaults ändern, Reibung einbauen, Profiling begrenzen und Ziele eines Empfehlungssystems anpassen.

Man kann also durchaus einen Parameter oder einen Schalter verändern. Lokal ist das manchmal trivial. Systemisch beginnt dann die Arbeit: Welche Beiträge verschwinden? Welche neuen werden sichtbar? Wie reagieren Nutzer und Creator? Welches Signal entsteht dadurch morgen? Und welches schlechter messbare Ziel soll den frei gewordenen Platz bekommen?

Die Antwort auf die Ausgangsfrage ist deshalb kleiner als ein Verbot und größer als ein Schieberegler:

Man kann Social-Media-Feeds herunterregeln. Aber nicht mit einem einzigen Regler und nicht ohne zu entscheiden, was stattdessen zählen soll.

Vielleicht ist „der Algorithmus“ vor allem deshalb eine so verführerische Figur. Man kann ihm Absichten zuschreiben und seine Lautstärke verlangen. In Wirklichkeit verteilt sich die Entscheidung über Messwerte, Modelle, Gewichte, Regeln und eine Oberfläche, bei der Weitermachen oft genau einen Handgriff weniger braucht als Aufhören.

Quellen