Am Freitag ist der Artikel "Machine learning in tutorials – Universal applicability, underinformed application, and other misconceptions" in der Zeitschrift Big Data & Society erschienen. Verfasst wurde der Artikel von Hendrik Heuer, Juliane Jarke und Andreas Breiter. Basierend auf der Analyse von 41 Online-Anleitungen zeigen die Autor*innen, dass die Techniken des Maschinellen Lernens vielfach als universell anwendbar dargestellt werden. Gleichzeitig wird die Bedeutung von Daten stark unterschätzt. Darüber hinaus wird der Einsatz von maschinellem Lernen ohne spezielle Fachkenntnisse aktiv begrüßt. Die Autor*innen diskutieren, wie dies möglicherweise zu neuen sozialen Ungleichheiten führen kann.
Ziel des Artikels ist, deutlich zu machen, dass es für die Untersuchung des Maschinellen Lernens grundlegend andere analytische Ansätze braucht als für die Analyse von Software, die dem Paradigma der imperativen Programmierung folgt (z.B. der Critical Code Studies oder der Software Studies). Der Artikel kann aber auch als Einführung in das Feld des maschinellen Lernens, einer der zentralen Techniken der Künstlichen Intelligenz, gelesen werden. Motiviert wurde die Arbeit durch das sehr empfehlenswerte Buch "Machine Learners - Archaeology of a Data Practice" von Adrian Mackenzie.
Der Artikel "Machine learning in tutorials – Universal applicability, underinformed application, and other misconceptions" ist kostenlos (Open Access) über die Webseite von Big Data & Society abrufbar.