Fair Play

Wer hätte es gedacht: Streamingdienstalgorithmen bevorzugen männliche Künstler. Die Informatikerin Christine Bauer weiß, wie sich das ändern ließe.

Christine Bauer ist Informatikerin an der Universität Salzburg, doch ihr Weg dorthin war alles andere als geradlinig: Sie studierte zunächst Jazzsaxophon am ehemaligen Konservatorium der Stadt Wien sowie Internationale Betriebswirtschaft an der Universität Wien und Wirtschaftsinformatik an der TU Wien. Ihre akademische Ausbildung schloss sie schließlich mit einem Doktor in Sozial- und Wirtschaftswissenschaften an der Universität Wien ab. In der Studie »Break the Loop: Gender Imbalance in Music Recommenders« untersuchte sie mit ihrem Team die Fairness von Algorithmen, die uns auf Streamingplattformen Songs vorschlagen.

Christine Bauer, Sie forschen daran, wie fair die algorithmischen Empfehlungen auf Musikplattformen sind. Können Sie sich angesichts Ihrer Ergebnisse noch guten Gewissens Musik von Algorithmen empfehlen lassen?

Christine Bauer: Ich mache das schon mit gutem Gewissen, aber jetzt stelle ich mir die Frage, ob ich das wirklich tun sollte. Auf jeden Fall denke ich beim Musikhören darüber nach, wie sehr ich mich vom Algorithmus gerade verleiten lasse – da kommt die Wissenschaftlerin durch.

Im Titel Ihrer Studie steckt bereits die wichtigste Erkenntnis Ihrer Arbeit: Eine Ungleichheit in den Songempfehlungen. Wie sind Sie auf das Thema gekommen?

Christine Bauer: Von Anfang an war mir als Informatikerin bereits bewusst, dass Algorithmen ihre Schwierigkeiten bergen. Gleichzeitig interessiere ich mich sehr für Musik und die Perspektive der Künstler:innen, denn viele Leute in meinem Umfeld arbeiten in der Musikbranche. Mit der Studie konnte ich zwei Themen verknüpfen, die mich interessieren – so macht die Forschung doppelt Spaß. Ich wollte wissen, wie Artists den Algorithmen auf Streamingplattformen gegenüber eingestellt sind: Wo sehen sie Chancen, und wo sorgen sie sich vor ihrem Einsatz.

Damit hat Ihre Forschung für Sie als Informatikerin ungewöhnlicherweise mit Interviews begonnen …

Christine Bauer: Ja, denn bis dato hatte niemand Artists gefragt, was sie eigentlich wollen – oder eben nicht wollen. Aber ohne ihre Musik gäbe es keine Musikempfehlungen. Eine Sorge der Künstler:innen war die Geschlechterfairness in der Musikbranche, die Algorithmen reproduzieren könnten. Sie betonten, dass Frauen in der Musikbranche mehr Sichtbarkeit bekommen sollten. Also untersuchten wir, welche Geschlechterverteilung wir in den algorithmischen Empfehlungen sehen.

Wie genau sind Sie vorgegangen?

Christine Bauer: Für die Studie simulierten wir einen Empfehlungsalgorithmus ähnlich zu denen auf Streamingplattformen. Uns überraschte vor allem ein Ergebnis: Die Algorithmen empfehlen den ersten Song einer Künstlerin durchschnittlich auf Platz sieben, die ersten sechs Songs stammen von Männern. Das hat Auswirkungen auf die Künstlerinnen, denn neben der Häufigkeit einer Empfehlung ist für den Erfolg auch der Zeitpunkt des Ausspielens entscheidend. Was später ausgespielt wird, bekommt auf Streamingplattformen weniger Aufmerksamkeit von den Hörer:innen – oft hören wir ja nicht bis zur siebten Empfehlung.

Sie nennen dieses Ungleichgewicht Gender Bias. Was meinen Sie damit?

Christine Bauer: Ein Bias, oder auch eine Verzerrung, ist eine Abweichung von der Wirklichkeit. Zum Zeitpunkt der Studie im Jahr 2021 waren 20 bis 25 Prozent der Künstler:innen in der Musikindustrie Frauen und Geschlechterminderheiten. Die Quote für weibliche Empfehlungen ist ähnlich gewesen. Aus dieser Sicht gibt es keine Verzerrung. Aber der Gender Bias entsteht durch den Vergleich der Empfehlungen mit der Wirklichkeit: Schauen wir uns die Genderverteilung der Welt an, ist der Frauenanteil höher. Das bedeutet: Der Gender Bias beginnt vor den Algorithmen, denn es scheint, dass weniger Frauen überhaupt Künstler:innen werden.

Das bedeutet, die Ungleichheit bestand bereits vor den Algorithmen?

Christine Bauer: Frauen sind in der Musikbranche unterrepräsentiert. Das war schon vor dem Internet, dem Computer oder den Algorithmen so.

In einer Befragung des Reeperbahn Festivals 2022 benennen Künstler:innen Faktoren, wie Stereotypisierung, Sexismus, aber auch Vetternwirtschaft als Ursachen der ungleichen Chancen. Dennoch: Wenn ich an Musiker:innen denke, fallen mir viele weibliche Popstars ein. Wie entsteht dieser scheinbare Widerspruch?

Christine Bauer: Wenn wir nur die Top of the Pops anschauen, finden wir populäre Frauen. Daher entsteht bei vielen Menschen die Wahrnehmung, dass Frauen gar nicht unterrepräsentiert sein können – wir hören ja ständig Taylor Swift. Aber es gibt eben nur relativ wenige sehr populäre Artists. Die restliche Musikbranche ist sehr männerdominiert. Das sehen wir zum Bespiel, wenn wir auf das Line-Up von Festivals blicken: In einer Auswertung der MaLisa Stiftung lag der Frauenanteil auf 15 deutschen Festivalbühnen im Jahr 2022 durchschnittlich unter 20 Prozent. Das zeigt deutlich, dass Künstlerinnen, abgesehen von den wenigen sehr populären Frauen, kaum Sichtbarkeit erhalten.

Was kritisieren Sie genau an den Algorithmen?

Christine Bauer: Algorithmen machen eine Feedback-Schleife auf. Das heißt: Wir hören Musik. Der Algorithmus nutzt das Gehörte als Grundlage für die Songs, die er uns empfiehlt. Und die Empfehlungen werden dann wiederum die Songs, die wir hören. Es entsteht ein Kreislauf, in dem prozentual das Geschlechterverhältnis gleich bleibt. Frauen schaffen es dadurch nicht, mehr Sichtbarkeit zu erhalten.

Gibt es eine Möglichkeit, diesen Kreislauf zu durchbrechen?

Die Künstler:innen aus unseren Interviews schlugen vor, Algorithmen einzusetzen, um die Musikbranche fairer zu gestalten. Diese Aussage hat mich sehr inspiriert. Vielleicht könnten Algorithmen eine Chance sein, etwas zu verändern. Das haben wir in unserer Forschung getestet: Wir haben versucht, diesen Feedback-Loop zu durchbrechen. Und ja, das ist uns gelungen.

Wie haben Sie das geschafft?

Christine Bauer: Wir haben die algorithmischen Musikempfehlungen in einer Simulation nachgestellt. Doch bevor die Empfehlungen des Basisalgorithmus ausgespielt und als Grundlage für weitere Empfehlungen genutzt wurden, haben wir bewusst eingegriffen und die Reihung der Empfehlungen verändert: Songs von Männern wurden um sieben Plätze nach unten verschoben. Das entspricht dem Abstand, mit dem Songs von Künstlerinnen durchschnittlich später in den Empfehlungen erscheinen. Im nächsten Schritt haben wir simuliert, wie Hörer:innen auf diese Empfehlungen reagieren und diese Reaktionen wiederum als Grundlage für die nächsten Empfehlungen verwendet. Diesen Prozess haben wir über 20 Empfehlungsschritte hinweg wiederholt. Unser Ziel war es, zu beobachten, ob und wie sich eine ausgeglichene Geschlechterverteilung in den Empfehlungen entwickeln kann. Im Grunde haben wir den Algorithmus so angepasst, dass er Männer herunterplatziert.

Sie schmunzeln über die Härte Ihrer eigenen Worte…

Ja, denn herunterplatzieren klingt erst einmal negativ – zeigt aber, dass wir den Kreislauf durchbrechen können. Das Ziel war schließlich, den Frauenanteil in den Empfehlungen zu erhöhen und Frauen in den Empfehlungen früher auszuspielen.

Ist das dann fair? Oder anders gefragt: Wie würden Sie als Informatikerin faire Musikempfehlungen definieren?

Christine Bauer: Für unsere Forschung haben wir uns entschieden, die Definition aus den Interviews mit den Musiker:innen zu nutzen. Deren Definition lautete: gleiche Sichtbarkeit für alle Künstler:innen. Wir haben bewusst diese Perspektive eingenommen, da ich nicht für alle definieren kann, was Fairness ist oder sein soll. Neben den Künstler:innen gibt es Plattenfirmen und Hörer:innen, alle mit unterschiedlichen Interessen und Vorstellungen davon, was fair ist. Die eine Lösung für faire Musikempfehlungen existiert nicht. Was wir in unserer Forschung untersuchen konnten, war nur ein kleines – wenn auch bedeutendes – Puzzleteil.

Dazu brauchte es vor allem Informationen über die Algorithmen. Wie konnten Sie denn überhaupt an Empfehlungsalgorithmen forschen, wenn die Streamingplattformen sie streng geheim halten?

Christine Bauer: Auch wenn wir nicht genau wissen, welche Algorithmen Streamingplattformen nutzen, kennen wir die groben Ansätze der Unternehmen. Und die finden wir in Algorithmen aus der Forschung wieder, die ähnlich zu den Streamingalgorithmen funktionieren. Dazu spenden Plattformen oder Hörer:innen anonymisierte Datensätze über das Hörverhalten.

Was bedeutet das für die Unabhängigkeit Ihrer Forschung?

Wir brauchen die Daten und Algorithmen, um zu forschen – unabhängig sind wir dennoch. Denn die Unternehmen können nicht beeinflussen, woran ich oder andere Wissenschaftler:innen forschen oder welche Ergebnisse wir erhalten. Als Wissenschaftlerin ist es dann meine Aufgabe und Verantwortung, anhand meiner Ergebnisse auf bestehende Ungleichheiten hinzuweisen.

Können auch Hörer:innen dazu beitragen, dem Gender Bias entgegenzuwirken?

Christine Bauer: Als Hörer:innen können wir uns überlegen: Klicke ich auf das, was mir empfohlen wird? Oder höre ich aktiv mehr weibliche Artists an? Allerdings haben wir uns in einer Studie aus dem Jahr 2024 auch genauer angeschaut, wer für mehr Geschlechter-Fairness in Empfehlungen sorgt: die Algorithmen oder die Hörer:innen. Unsere Forschungsergebnisse zeigen, dass ein Eingriff in die Musikalgorithmen wirkungsvoller ist als das Hörer:innenverhalten. Damit sind besonders die Algorithmen entscheidend dafür, wer gesehen oder eben gehört wird. Und da können wir ansetzen.

Dieser Text ist Teil des Schwerpunkts Greatest Hits im Mai 2026.

Bei der Arbeit an diesem Schwerpunkt haben wir immer wieder festgestellt: Die Musikstreamingalgorithmen sind unfair. Wir haben daher in der Redaktion eine Playlist mit Songs zusammengestellt, die vom Algorithmus tendenziell vernachlässigt werden – weil sie zu lang, zu weiblich, zu experimentell sind. Aber hört selbst!