Streikvorhersage: Zum Verhältnis von „Predictive Risk Intelligence“ und Interessenvertretung

Kurzbeschreibung

Dieses Projekt verfolgt das Ziel, Risiken und Potenziale von algorithmischer Vorhersage für die betriebliche und überbetriebliche Mitbestimmung besser zu verstehen. Algorithmische Vorhersage kombiniert große Datenmengen („Big Data“) mit Techniken des maschinellen Lernens („Machine Learning“) und verspricht, die Eintrittswahrscheinlichkeit von zukünftigen Ereignissen deutlich genauer und granularer bestimmen zu können als herkömmliche statistische Verfahren. Bekannte Einsatzgebiete dieser Technologie sind die Medizin („Precision Medicine“), das Versicherungswesen („Personalized Insurance“) oder die Polizeiarbeit („Predictive Policing“).

Seit Kurzem setzen Unternehmen algorithmische Vorhersage auch für das Risikomanagement in Wertschöpfungsnetzwerken ein. Auf Basis von öffentlichen Daten und Daten von Social-Media-Plattformen werden nicht nur Umweltereignisse (z. B. Überschwemmungen), sondern auch Praktiken der Mitbestimmung (wie etwa Demonstrationen oder Streiks) vorhergesagt. Mit diesem Projekt untersuchen wir, wie und mit welchen Konsequenzen für die betriebliche und überbetriebliche Mitbestimmung sogenannte „Predictive Risk Intelligence“ (PRI) von Unternehmen bereits eingesetzt werden. Zudem erkunden wir, wie algorithmische Vorhersagesysteme (ähnlich zu PRI oder auch neuartig) von Arbeitnehmer:innenvertretungen genutzt werden können, um Mitbestimmung in Zeiten der Entsolidarisierung weiterzuentwickeln.

Methodik

• Qualitative Methoden der Organisations- und Technikforschung (insb. Dokumentanalyse, Interviews, Beobachtungen). 
• Fallstudien von PRI-Anwendungsfällen unter Berücksichtigung der Einbindung von Arbeitnehmer:innenvertretungen
• Multi-Stakeholder-Workshops zum Thema algorithmische Auswertung von Social-Media-Daten zum Zwecke der Mobilisierung und Mitbestimmung

Wissenschaftliche Publikationen und Konferenzbeiträge

Heimstädt, M., Dobusch, L., & Klausner, L.D. (2022). Algorithmische Vorhersage und Mitbestimmung: Eine Studie zum Verhältnis von ‚Predictive Risk Intelligence‘ und Interessenvertretung. Jahrestagung des VHB, Heinrich Heine University Düsseldorf, 9. März 2022

Heimstädt, M., & Dobusch, L. (2021). Riskante Retweets: „Predictive Risk Intelligence“ und Interessenvertretung in globalen Wertschöpfungsnetzwerken. Industrielle Beziehungen, 28 (2), 194-211, PrePrint-PDF

Presse und Transferorientierte Veröffentlichungen

Heimstädt, M., & Dobusch, L. (2022): Streik-Vorhersage mit Twitter-Daten, Frankfurter Allgemeine Zeitung, 11.04.2022

Dobusch, L., Grill, G., & Steiner, A. (2018): Arbeitskämpfe auf Social Media: Zwischen Streikorganisation und Streikvorhersage, netzpolitik.org