In Kapitel 7 des Sammelbandes Corporate Social Responsibility im digitalen Raum ist ein Beitrag über den GCA erschienen. Marja Lena Hoffmann, Maike Gossen und Nina Güldenpenning stellen den grünen Konsumassistenten GCA als Lösungsansatz für die Informationskomplexität nachhaltiger Konsumentscheidungen vor.

Der Sammelband verfolgt das Ziel, aktuelle deutschsprachige Forschung zur ConSR im digitalen Raum zu sammeln und zu unterschiedlichen, interdisziplinären Perspektiven einen geeigneten Diskursraum zu eröffnen. Es werden Fragen behandelt, wie etwa eine geteilte oder gemeinsame Verantwortung im digitalen Kontext überhaupt zu verstehen ist, welche Auswirkungen die Digitalisierung des Konsums auf das Informations- und Sanktionierungspotenzial von Konsumierenden hat und welche Rollen digitale Entscheidungsarchitekturen und die Erweiterung der Konsumhandlungsoptionen dabei spielen können.

In dieser Arbeit wird die hohe Daten Qualität der GreenDB präsentiert. Es wird gezeigt, dass mit Hilfe von Machine Learning (ML) die Nachhaltigkeit von Produkten vorhergesagt werden kann. Somit ist die Demonstration erbracht, dass andere ML basierten Systeme, wie beispielsweise Empfehlungssysteme, die Produktempfehlungen als Faktor mit einfließen lassen können.

In dem von Maike Gossen und Patricia Jankowski veröffentlichten Artikel werden entscheidende Designelemente identifiziert. Es geht darum, das System zu verfeinern und seine Wirksamkeit für Verhaltensänderungen bei Nutzer*innen zu bewerten. Die Bewertung wird durch das Modell des Persuasive System Design (PSD) operationalisiert.

Gossen, Maike, Jankowski, Patricia (2022): Driving Sustainable Behavior with Persuasive Technology: The Green Consumption Assistant. Ökologisches Wirtschaften, 2.2022 (37), p.12-13.

Die Kennzeichnung von Produkten mit Nachhaltigkeitssiegeln hat einen direkten Einfluss auf nachhaltige Kaufentscheidungen und stellt eine Möglichkeit dar nachhaltigen Konsum zu fördern. Die Publikation befasst sich mit der Frage, wie Online-Händler Nachhaltigkeitssiegel nutzen, um den Verbrauchern Informationen über die Nachhaltigkeit von Produkten zu vermitteln. In einer Studie wurde ein umfangreicher Datensatz mit Nachhaltigkeitsinformationen zu fast 17.000 Modeprodukten der führenden Online-Händler in Deutschland untersucht. Die Ergebnisse zeigen, dass eine große Anzahl von Modeprodukten als nachhaltig gekennzeichnet ist, wobei zwei Drittel der Produkte ein eigenes Label und ein Drittel ein von Dritten geprüftes Label tragen. Nur 14 Prozent der gekennzeichneten Produkte weisen glaubwürdige, von Dritten geprüfte Nachhaltigkeitssiegel auf. Dieser niedrige Prozentsatz macht es Verbrauchern schwer zu verstehen, inwieweit ein Produkt nachhaltig ist. Außerdem kann die Heterogenität der Labels zur Verwirrung und Verunsicherung der Verbraucher beitragen.

Die in der Publikation gegebenen praktischen Empfehlungen unterstützen politische Initiativen, die das Risiko des Greenwashings durch nicht zertifizierte und unzureichende Nachhaltigkeitsinformationen bekämpfen.

Eines unserer Projektziele ist der Aufbau einer KI-basierten Produktdatenbank, die das Entwickeln eines Empfehlungs-Assistenten ermöglicht. In diesem Preprint wird erläutert, wie mithilfe von Scraping-Technologien öffentlich zugängliche Daten über Produkte und Informationen über deren Nachhaltigkeit abgefragt und in eine zentrale Datenbank integriert werden können. Des Weiteren wird die erste Version der GreenDB präsentiert und veröffentlicht.

Die Verbesserung der Datenqualität von Anwendungen, die Maschinelles Lernen (ML) nutzen, hilft nicht nur deren Performance zu erhöhen, sondern ermöglicht es auch, dass effizientere Modelle verwendet werden können. Eines der häufigsten Datenqualitätsproblem sind fehlende Werte (missing values). In diesem peer-reviewed Artikel haben Sebastian Jäger, Arndt Allhorn und Felix Bießmann auf Basis unterschiedlichster Datensätze verschiedene Methoden verglichen, die zum Vorhersagen dieser Fehlstellen, die uns in Bezug auf nachhaltige Produktempfehlungen immer wieder begegnen, verwendet werden können. Abschließend werden Empfehlungen für unterschiedlichste Situationen ausgesprochen, die auf den Ergebnissen unserer Experimente beruhen.

Abstract

With the increasing importance and complexity of data pipelines, data quality became one of the key challenges in modern software applications. The importance of data quality has been recognized beyond the field of data engineering and database management systems (DBMSs). Also, for machine learning (ML) applications, high data quality standards are crucial to ensure robust predictive performance and responsible usage of automated decision making. One of the most frequent data quality problems is missing values. Incomplete datasets can break data pipelines and can have a devastating impact on downstream ML applications when not detected. While statisticians and, more recently, ML researchers have introduced a variety of approaches to impute missing values, comprehensive benchmarks comparing classical and modern imputation approaches under fair and realistic conditions are underrepresented. Here, we aim to fill this gap. We conduct a comprehensive suite of experiments on a large number of datasets with heterogeneous data and realistic missingness conditions, comparing both novel deep learning approaches and classical ML imputation methods when either only test or train and test data are affected by missing data. Each imputation method is evaluated regarding the imputation quality and the impact imputation has on a downstream ML task. Our results provide valuable insights into the performance of a variety of imputation methods under realistic conditions. We hope that our results help researchers and engineers to guide their data preprocessing method selection for automated data quality improvement.