Publikationen

Hier finden Sie Publikationen, Pressemitteilungen und weitere Downloads zum GCA.

Wollen Sie Kontakt zu uns aufnehmen? Schreiben Sie uns unter info[at]green-consumption-assistant.de

Wissenschaftliche Publikationen

Beitrag „Glaubwürdige und leicht verfügbare Nachhaltigkeitsinformationen bei der Internetsuche auf Ecosia” im Sammelband „Consumer Social Responsibility im digitalen Raum”

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.

Konferenz-Abstrakt “GreenDB – A Dataset and Benchmark for Extraction of Sustainability Information of Consumer Goods“

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.

Artikel: Driving Sustainable Behavior with Persuasive Technology [Eng.]

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.

Nudging Sustainable Consumption: A Large-Scale Data Analysis of Sustainability Labels for Fashion in German Online Retail

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.

GreenDB: Toward a Product-by-Product Sustainability Database

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.

Paper in "Frontiers in Big Data"

Paper: A Benchmark for Data Imputation Methods [Eng.]

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.

Arbeitspapiere

Arbeitspapier: Climate Pledge Rating – A hands-on Evaluation and Visualization of Companies’ Responses to Climate Change

In dieser Veröffentlichung beschäftigt sich Marja Lena Hoffmann mit dem Climate Pledge Rating, das im Rahmen des Green Consumption Assistant (GCA) entwickelt und umgesetzt wurde. Das Rating zeigt Nutzer*innen von Ecosia Bewertungen und Einstufungen von Nachhaltigkeitsversprechen ausgewählter Unternehmen an. Das soll Nutzer*innen unterstützen, nachhaltige Konsumentscheidungen zu treffen.

Abstract

The climate crisis is already causing heat waves, floods, droughts, and many more severe impacts on earth. As outlined by the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (IPCC) drastic action is necessary to reduce greenhouse gas (GHG) emissions and limit the global temperature increase to 1.5 °C. This requires halving global GHG emissions by 2030 and reaching net-zero emissions by 2050. To reach this goal, governments, individuals, and the private sector need to take immediate action. In recent years, many companies have come forward with net-zero pledges and carbon reduction targets. However, understanding those pledges and evaluating whether they are ambitious and credible or mainly PR tools is challenging and can be misleading. One initiative attempting to increase the transparency of companies’ climate pledges is the Climate Pledge Rating, which was developed and implemented within the Green Consumption Assistant (GCA), a joint project by the Technical University of Berlin, the Berliner Hochschule für Technik, and the green search engine Ecosia. The rating shows evaluations and ratings of pledges from selected companies to users of Ecosia. Thereby, it reduces the information complexity of pledges and informs users about the ambition behind the companies’ climate commitment and what those would mean for achieving the goal to keep the global temperature from rising beyond 1.5 °C.

GCA Arbeitspapier II – Driving Forces of Green Shopping Behavior [Eng.]

In unserer zweiten Veröffentlichung beschäftigt sich Robin Jadkowski mit psychologischen Determinanten, die zu umweltfreundlicheren Kaufentscheidungen führen. Dabei wird zum einen eine Methode erarbeitet, die Daten aus dem User Tracking unseres GCA mit Umfragedaten abgleicht und zum anderen die Beziehung unterschiedlicher Variablen zueinander untersucht, welche als Triebkraft für umweltfreundliches Verhalten dienen könnten.

Abstract

This study evaluates psychological and socio-demographic driving forces of pro-environmental behavior (PEB) in an online shopping environment. Previous empirical studies substantiate the role and strengths of numerous psychological driving forces that influence individual PEB. However, the type of PEB operationalization is heterogenous, as well as the type and operationalization of the driving forces. Steg & Vlek (2009) stress the point that effective interventions have to be aimed at these driving forces and that the strengths and relationship differs for specific types of PEB. Up to date, studies that use actual behavior as operationalizations of PEB in online shopping environments are rare, therefore this study pursued two main goals: (1) Test a method to link user tracking data of a digital shopping assistant (as indicators for pro-environmental shopping decisions) with self-reported survey items; (2) Exploratively assess the relationship of four socio-demographic and 14 psychological variables that may act as driving forces for PEB. The click behavior of N = 35 beta users of an online shopping assistant was tracked over a period of five months and successfully linked to previously obtained survey data. It was not possible to reliably detect effects of the assessed driving forces – PEB relationship with the achieved sample size. In conclusion, this studies procedure revealed great potential for future research to evaluate the effects of psychological variables on PEB in a real shopping environment.

GCA Arbeitspapier I – Scaling Sustainability Advice [Eng.]

Wir freuen uns, an dieser Stelle das erste Arbeitspapier des Projekts Green Consumption Assistant veröffentlichen zu können. Unsere Kollegin Cathérine Lehmann fasst in diesem unsere Entscheidungswege zu nachhaltigen Produktempfehlungen, sowie mögliche Ansätze zur Skalierung zusammen.

Abstract

Data availability on the sustainability of products is low which poses challenges for actors from all sectors dealing with promoting sustainable consumption. We describe how we currently provide users of a Chrome browser extension with general sustainability advice and with recommendations of best-in-class products in terms of sustainability. Then we outline a possible concept towards more automatisation and thus scalability of the current approach. For the latter, we discuss six different schemes for generating large-scale green recommendations on a product level, finding that currently product sustainability can be best evaluated in terms of data availability when resorting to lists of labelled products. In the future, Product Environmental Footprints and similar data should be more easily available in order to have quantifiable data for research and for showing more information to users. Overall, an integrated approach, including e.g. aspects of  organizational sustainability, might help to fill data voids and/or to provide a more complete picture of a product’s sustainability level.

Blogbeiträge

Blogbeitrag bei Algorithmenethik: Reparieren statt kaufen, alt statt neu

In dem Artikel „Reparieren statt kaufen, alt statt neu: Wie eine Datenbank nachhaltigeren Konsum fördern will” stellt Teresa Staiger von Algorithmenethik den Green Consumption Assistant vor und verdeutlicht, wie wichtig jeder einzelne Schritt weiter in Richtung Nachhaltigkeit ist.

KI-Berlin

03.06.2021 Artikel in KI-Berlin Blog [Engl.]

In dem Artikel mit dem Titel „Using Artificial Intelligence to make more sustainable behaviour easy for people” stellt die #KI-Berlin den Green Consumption Assistant der breiten Öffentlichkeit vor und beschreibt, wie dessen erste Iteration funktioniert.