Auf dem diesjährigem Workshop der Fachgruppe ABIS der Gesellschaft für Informatik (GI) im Rahmen der WebSci Konferenz 2026 in Braunschweig, wurden sieben angenommene Artikel präsentiert und diskutiert. Der Workshop brachte Forschende aus der Web Science-Community zusammen, die an Personalisierung und adaptiven Systemen in einer Vielzahl von Anwendungsbereichen arbeiten, darunter soziale Medien, erklärbare KI, Lieferunterstützung, digitale Überwachung und Gesundheitsbildung.

Da Personalisierung zunehmend Teil unseres Alltags ist, wird das Verständnis ihrer breiteren gesellschaftlichen Auswirkungen ebenso wichtig wie die Weiterentwicklung der zugrunde liegenden Technologie. Daher folgte auf jede Artikel-Präsentation eine interaktive Diskussion, die sich auf eine zentrale Frage konzentrierte: Wie könnte der vorgeschlagene Personalisierungsansatz die Gesellschaft beeinflussen – heute und in der Zukunft? Die nachfolgend zusammengefassten Reflexionen verbinden die Kernaussagen der Artikel mit den während des Workshops entstandenen Diskussionen.

Evaluierung LLM-basierter Bias-Erkennung auf Wikipedia

Der Artikel "Evaluating LLM-Based Bias Detection on Wikipedia: A Prompt Strategy Analysis Using NPOV Guidelines" (Ashik Ahamed, Max Wang, and Jeanna Matthews) untersucht, wie verschiedene Prompting-Strategien die Fähigkeit von LLMs beeinflussen, verzerrte Wikipedia-Inhalte zu erkennen. Die Autoren zeigen, dass die Modellleistung stark vom Prompt Engineering abhängt und erheblich zwischen Domänen und Diskursgemeinschaften variiert.

Hinsichtlich der gesellschaftlichen Implikationen des Einsatzes von LLMs als Moderationswerkzeuge im großen Maßstab diskutierten wir mehrere Aspekte. Während adaptives Prompting effektivere Inhaltsmoderation ermöglicht, könnten fehlerhafte Klassifizierungen – insbesondere in medizinischen, wissenschaftlichen oder technischen Domänen – Fehlinformationen verstärken oder den Zugang zu verlässlichen Informationen einschränken. Da Wikipedia Suchmaschinen, Empfehlungssysteme und KI-Trainingsdaten beeinflusst, können diese Effekte weit über die Plattform selbst hinausreichen. Der Artikel verdeutlicht, dass adaptive KI-Systeme sorgfältige domänenspezifische Anpassung und kontinuierliche Evaluierung erfordern, anstatt Einheitslösungen.

Bildungsniveau-basierte Ernährungsbildung in Virtual Reality

Der Artikel Literacy Level based Nutrition Education in Virtual Reality (Dennis Wüppelmann, Sarah Claudia Krings, Carina Micheel, and Corinna Ostwinkel) präsentiert eine gamifizierte Virtual-Reality-Umgebung, die Bildungsinhalte und Feedback an das Ernährungskompetenz-Level der Nutzenden anpasst.

Bezüglich der gesellschaftlichen Auswirkungen diskutierten wir das beträchtliche Potenzial solcher personalisierter Bildungssysteme, gesündere Lebensstile auf ansprechende Weise zu fördern. Gleichzeitig ergeben sich Fragen zur Zugänglichkeit und sozialen Gerechtigkeit. Personalisierte Gesundheitsinterventionen sollten Unterschiede im familiären Hintergrund, finanziellen Ressourcen und sozialen Umständen berücksichtigen, um unbeabsichtigte Verstärkung bestehender Ungleichheiten zu vermeiden. Mit Blick auf die Zukunft könnten ähnliche Konzepte auch auf reale Einkaufsszenarien mittels Augmented Reality, Smart Glasses oder mobilen Anwendungen übertragen werden.

Erforschung der Grenzen der Vorhersage von Nutzerverhalten bei Kurzvideos auf TikTok

Der Artikel Exploring the Limits of Predicting User Watching Behavior with Short-Form Videos on TikTok (Carolina Coimbra Vieira, Sepehr Mousavi, Oshrat Ayalon, Abhisek Dash, Krishna Gummadi, and Savvas Zannettou) untersucht, wie die Anzeigedauer von Videos mithilfe von Merkmalen des Videos, Nutzerverhalten und demografischen Informationen vorhergesagt werden kann. Interessanterweise trugen demografische Merkmale nur marginal zur Vorhersagegenauigkeit bei.

Wir diskutierten, dass diese Erkenntnis nahelegt, dass detaillierte Nutzerprofilierung nicht immer für effektive Personalisierung notwendig ist und dass in einigen Domänen Inhaltsmetadaten allein ausreichen können. Aus gesellschaftlicher Perspektive sind zwei unterschiedliche Entwicklungen nennenswert: Einerseits können zunehmend präzise Vorhersagemodelle Plattformen weiter für Engagement und Verweildauer optimieren und potenziell Verhaltensweisen wie Doomscrolling verstärken. Andererseits könnte dasselbe Wissen Interventionen unterstützen, die gesündere und bewusstere Social-Media-Nutzung fördern, indem sie Nutzenden helfen, ihr Online-Verhalten besser zu regulieren. Aus beiden Perspektiven ist eine wichtige Frage, wie solche Forschungsergebnisse letztendlich genutzt werden sollten und wer davon profitiert.

LLM-vermittelte XAI-Erklärungen

Der Artikel LLM-Mediated XAI Explanations: A Decision Co-Pilot for Fast and Calibrated Judgments on Potential Misinformation (Valentin Grimm, Eelco Herder, Jessica Rubart, and Carsten Röcker) schlägt personalisierte KI-generierte Erklärungen vor, die Nutzenden helfen, die Vertrauenswürdigkeit von Online-Inhalten effizienter zu bewerten.

Bezüglich gesellschaftlicher Effekte konzentrierte sich die Diskussion auf die Balance zwischen Usability und kritischem Denken. Während adaptive Erklärungen die Entscheidungsfindung verbessern und kognitive Belastung reduzieren können, betonten wir auch die Wichtigkeit, übermäßiges Vertrauen in KI-Empfehlungen zu verhindern. Zukünftige personalisierte Erklärungssysteme sollten daher nicht nur darauf abzielen, die Effizienz zu verbessern, sondern auch Nutzer dabei unterstützen, ihr eigenes kritisches Urteilsvermögen zu entwickeln und aufrechtzuerhalten.

Strukturierung der letzten Meile mit ReActV

Der Artikel Structuring the Last Mile with ReActV: Tool-Augmented Delivery Planning with Verification (Pushkal Agarwal, Joyjit Chatterjee, Akash Marar, and David Gamtenadze) stellt ein adaptives Lieferplanungssystem vor, das Routing-Anweisungen personalisiert und gleichzeitig Human-in-the-Loop-Verifikation durch schrittweise Bestätigung und Eskalation integriert.

Während der Diskussion besprachen Teilnehmende, wie adaptive Technologien menschliche Handlungsfähigkeit auch stärken statt verringern können. Im Gegensatz zu vollständig automatisierter Entscheidungsfindung demonstriert der vorgeschlagene Ansatz, wie Personalisierung Arbeitende unterstützen kann, während sie Möglichkeiten für menschliches Eingreifen und Kontrolle in algorithmisch verwalteten Arbeitsumgebungen bewahrt.

Erkennung von Persona-generiertem KI-Text

Der Artikel Detecting Persona-Generated AI Text with Interpretable Linguistic Features (Elena Slavova, Angelina Parfenova, and Juergen Pfeffer) adressiert die Herausforderung, KI-generierten von menschlich geschriebenem Text mithilfe interpretierbarer linguistischer Merkmale zu unterscheiden.

Bezüglich der Auswirkungen auf die Gesellschaft wurden sowohl Chancen als auch Grenzen solcher Ansätze diskutiert. Zuverlässige Erkennung könnte Transparenz verbessern und Inhaltsmoderation unterstützen, aber False Positives könnten Nutzer negativ beeinflussen, die KI legitimerweise als Schreibassistenten verwenden. Darüber hinaus könnte sich, da KI-unterstütztes Schreiben zunehmend verbreitet wird, die menschliche Sprache selbst im Laufe der Zeit entwickeln, was Fragen zur langfristigen Validität von Datensätzen und Evaluierungsmethoden für KI-Texterkennung aufwirft.

Kindheit unter Beobachtung

Der Artikel Tracking Childhoods: Inter-generational Perspectives on Parent-Child Relationships and the Ethics of Digital Monitoring (Eelco Herder and Ana Cîrnu) erforscht, wie verschiedene Generationen digitale Überwachung in Eltern-Kind-Beziehungen wahrnehmen.

Die Diskussion erweiterte sich über die präsentierte Studie hinaus auf breitere gesellschaftliche Fragen zu Privatsphäre, Vertrauen und Autonomie im digitalen Zeitalter. Teilnehmende reflektierten darüber, ob zunehmende Abhängigkeit von digitalen Überwachungstechnologien interpersonelles Vertrauen innerhalb von Familien allmählich ersetzen könnte, da solche Praktiken zunehmend verbreitet werden. Während Überwachungstechnologien in kritischen Situationen Sicherheitsvorteile bieten können, schaffen sie auch einen grundlegenden Zielkonflikt zwischen Schutz und Privatsphäre, der zunehmend relevant wird, je durchdringender digitale Überwachung wird.

Gesamtreflexion

Über alle Diskussionen hinweg waren mehrere wiederkehrende Themen erkennbar. Erstens beschränkt sich Personalisierung nicht auf traditionelle Recommender-Systeme, sondern erstreckt sich über eine breite Palette von Anwendungsbereichen, zunehmend angetrieben von KI-gestützten Ansätzen für intelligente Entscheidungsunterstützung, adaptive Bildung und Arbeitsplatzunterstützung. Zweitens hängt die gesellschaftliche Wirkung von Personalisierung nicht nur von technischer Performance ab, sondern auch davon, wie diese Systeme Autonomie, Vertrauen, Privatsphäre, Fairness und digitales Wohlbefinden beeinflussen.

Insgesamt war eine der wichtigsten Erkenntnisse des Workshops, dass Personalisierung selten rein positive oder rein negative Konsequenzen hat. Dieselbe adaptive Technologie kann einige Nutzende befähigen und andere benachteiligen, abhängig vom Kontext, in dem sie eingesetzt wird. Die Reflexion über diese Zielkonflikte ist daher essenziell für die Gestaltung zukünftiger adaptiver Systeme, die sowohl Individuen als auch der Gesellschaft nutzen.

Alle Artikel finden Sie im Begleitband zur Konferenz von WebSci'26: https://dl.acm.org/doi/proceedings/10.1145/3795513#heading3