Diskriminierendes „Ethnic Profiling“ erkennen und vermeiden: ein ...
Diskriminierendes „Ethnic Profiling“ erkennen und vermeiden: ein ...
Diskriminierendes „Ethnic Profiling“ erkennen und vermeiden: ein ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Diskriminierendes</strong> <strong>„Ethnic</strong> Profi ling“ <strong>erkennen</strong> <strong>und</strong> <strong>vermeiden</strong>: <strong>ein</strong> Handbuch<br />
lässt, welcher Anteil von Frauen <strong>und</strong> Männern oder Personen bestimmter<br />
Altersgruppen <strong>ein</strong>e bestimmte Marke <strong>und</strong> Art von Kleidung kaufen.<br />
c. Im dritten Schritt werden diese Informationen dann interpretiert, um zu<br />
<strong>ein</strong>er Vermutung zu gelangen, wie sich Menschen verhalten. Dieser Prozess<br />
wird als „Inferenz“ bzw. Schlussfolgerung bezeichnet, da aus den ermittelten<br />
Eigenschaften auf <strong>ein</strong> Verhaltensmuster geschlossen wird. Gelegentlich<br />
wird nur dieser letzte Schritt als Profi ling bezeichnet. Die gewonnenen<br />
Informationen könnten beispielsweise den Schluss nahelegen, dass <strong>ein</strong>e<br />
bestimmte Kleidungsmarke <strong>und</strong> <strong>ein</strong> bestimmter Kleidungsstil in hohem Maße<br />
von jungen Frauen im Alter von 16 bis 19 Jahren getragen werden. Somit ist<br />
bekannt, dass das Standardprofi l <strong>ein</strong>er Person, die diese Marke <strong>und</strong> diesen Stil<br />
trägt, <strong>ein</strong>e junge Frau im Alter von 16 bis 19 Jahren ist.<br />
Mit dem Profi ling können Einzelpersonen „kategorisiert<br />
werden, da anhand <strong>ein</strong>iger beobachtbarer Eigenschaft en auf<br />
andere Eigenschaft en geschlossen werden kann, die sich nicht<br />
beobachten lassen“. ( 3 )<br />
Der Vorgang der Datensammlung zum Zweck des Profi ling hat Fragen zum<br />
Datenschutz aufgeworfen, insbesondere, wenn das Profi ling verwendet wird,<br />
um wichtige Entscheidung zu treff en, beispielsweise, ob <strong>ein</strong> Darlehen gewährt<br />
werden soll oder nicht. Es können sich <strong>ein</strong>e Reihe von Problemen ergeben, von<br />
denen zwei der wichtigsten im Folgenden beschrieben werden sollen:<br />
a. Zunächst <strong>ein</strong>mal können beim Erstellen bestimmter „Kategorien“ Fehler<br />
unterlaufen. Die Data-Mining-Software kann beispielsweise versehentlich<br />
auf <strong>ein</strong>e falsche Korrelation zwischen sexueller Orientierung <strong>und</strong><br />
Kreditwürdigkeit verweisen, sodass der Ansch<strong>ein</strong> erweckt würde,<br />
homosexuelle Männer tilgten häufi ger ihre Kredite nicht. Als Folge dieser<br />
falschen Kategorisierung hätten homosexuelle Männer dann Schwierigkeiten,<br />
<strong>ein</strong>en Bankkredit gewährt zu bekommen. Ein homosexueller Mann wäre<br />
dann nicht nur Opfer <strong>ein</strong>er benachteiligenden Behandlung, sondern die<br />
Entscheidung würde auf falschen Informationen basieren, derer er sich nicht<br />
bewusst ist. Auch beim obigen Beispiel der Kleidung könnten Kategorien<br />
falsch interpretiert werden. Wenn beispielsweise die meisten Träger <strong>ein</strong>er<br />
bestimmten Kleidungsmarke <strong>und</strong> <strong>ein</strong>es bestimmten Stils junge Frauen im<br />
Alter von 16 bis 19 Jahren sind, darf daraus nicht abgeleitet werden, dass<br />
sich alle jungen Frauen in dieser Altersklasse auf diese Weise kleiden. Mit<br />
anderen Worten, Einzelpersonen bilden häufi g die Ausnahme von der Regel.<br />
( 3 ) DINANT ET AL. (2009), S. 3.<br />
9