Durch den Algorithmus geteilt? Die (begrenzten) Effekte von inhalts- und sentimentbasierten Nachrichtenempfehlungen auf affektive, ideologische und wahrgenommene Polarisierung

Die jüngsten Anstiege der politischen Polarisierung weltweit werden oft dem algorithmischen Content-Filtering in sozialen Medien, Nachrichtenplattformen oder Suchmaschinen zugeschrieben. Es wird theoretisiert, dass die weitverbreitete Nutzung von Nachrichtenempfehlungssystemen (NRS) die Nutzer in homogene Informationsumgebungen führt und damit affektive, ideologische und wahrgenommene Polarisierung fördert. Um diese Annahme zu testen, führten wir ein Online-Experiment (n = 750) mit laufenden Algorithmen durch, die inhaltsbasierte NRS mit negativem oder neutralem Sentiment anreichern. Unser Experiment zeigt nur begrenzte Evidenz für Polarisierungseffekte von inhaltsbasierten NRS. Dennoch scheint die Zeit, die mit einem NRS und seinen empfohlenen Artikeln verbracht wird, eine entscheidende Rolle als Moderator der Polarisierung zu spielen. Je länger die Teilnehmer ein NRS mit negativem Sentiment nutzten, desto mehr polarisierten sie sich affektiv, während Teilnehmer, die ein NRS mit ausgewogenem Sentiment verwendeten, im Laufe der Zeit ideologisch depolarisierten. Die Implikationen für zukünftige Forschungsarbeiten werden diskutiert.