Für eine Gesprächssimulation in der Hochschullehre habe ich eine Klientin gestaltet, die widerwillig zu einer Ernährungsberatung kommt. Sie sollte erschöpft wirken und unzufrieden mit dem eigenen Körper sein, also bekam sie zurückhaltende, bedeckende Kleidung. Aus dem Fachbereich kam der Einwand, sie sei von Beruf Friseurmeisterin und würde durchaus auf ihr Äusseres achten. Beide Lesarten waren berechtigt, und keine liess sich aus der Fallbeschreibung ableiten. Was wir tatsächlich verhandelt haben, war nicht ihre Kleidung, sondern die Frage, wie eine übergewichtige Frau aussehen darf, ohne dass Studierende sie im ersten Moment in eine Schublade stecken. Es gab dabei kein Auswahlfeld und keine Datenbank, nur eine Handvoll Regler und zwei Personen, die entscheiden mussten. Am Ende stand trotzdem eine Aussage darüber, als wer dieser Charakter gelesen werden soll.
Solche Entscheidungen fallen bei jedem Avatar, den jemand irgendwo gestaltet. Meist trifft sie niemand bewusst, und meist merkt es später niemand mehr. Genau deshalb lohnt es sich, sie ernst zu nehmen.
Wenn das System hinter der Oberfläche entscheidet
Dass digitale Räume nicht neutral seien, wird oft behauptet und selten belegt. Dabei gibt es dafür ziemlich gute Belege, und der aufschlussreichste stammt nicht aus der Gestaltung, sondern aus dem Code.
Rena Bivens hat über zehn Jahre hinweg untersucht, wie Facebook Geschlecht verarbeitet. Als das Unternehmen 2014 mehr als fünfzig Geschlechtsoptionen in der Oberfläche einführte, wurde das als Öffnung gefeiert. Bivens zeigte allerdings, dass die zugrunde liegende Datenbank die Nutzenden weiterhin binär einsortierte, unter anderem für die Werbeausspielung (Bivens, 2017). Sichtbar wurde Vielfalt also, verarbeitet wurde sie nicht. Damit verschiebt sich die interessante Frage: Es geht weniger darum, ob ein Auswahlfeld existiert, als darum, was das System mit der Angabe anstellt. Eine Plattform kann ein Freitextfeld anbieten und die Person im Hintergrund trotzdem einer von zwei Kategorien zuweisen, weil irgendeine Funktion diese Kategorie braucht.
Os Keyes hat für automatische Geschlechtserkennung Ähnliches beschrieben. Solche Systeme sind fast durchgängig darauf ausgelegt, zwischen zwei Kategorien zu entscheiden, und behandeln Geschlecht als etwas, das sich am Äusseren ablesen lässt und über die Zeit stabil bleibt. Für trans Personen bedeutet das eine systematische Fehlzuordnung, die sich nicht durch bessere Trainingsdaten beheben lässt, weil sie in der Modellierung selbst steckt (Keyes, 2018). Auch hier liegt das Problem nicht an der Oberfläche, sondern in einer Annahme, die vor jeder Gestaltung getroffen wurde.
Der Avatar wirkt zurück
Bei Avataren kommt etwas hinzu, das über Datenfelder hinausgeht. Wer einen Avatar steuert, wird von ihm auch verändert.
Nick Yee und Jeremy Bailenson haben diesen Zusammenhang als Proteus-Effekt beschrieben. In ihren Experimenten verhandelten Versuchspersonen mit einem attraktiveren Avatar selbstsicherer und rückten im Gespräch näher an ihr Gegenüber heran, mit einem grösseren Avatar traten sie fordernder auf (Yee & Bailenson, 2007). Das Aussehen des Avatars veränderte also nicht nur, wie andere reagierten, sondern was die Person selbst tat, und in einer Folgestudie zeigte sich, dass diese Effekte auch ausserhalb der virtuellen Umgebung nachwirkten (Yee, Bailenson & Ducheneaut, 2009).
Noch deutlicher wird es bei voller Verkörperung. Mel Slater und Kolleg*innen konnten zeigen, dass Menschen einen virtuellen Körper aus der Erstperson-Perspektive als den eigenen erleben, auch wenn dieser Körper einem anderen Geschlecht zugeordnet ist (Slater, Spanlang, Sanchez-Vives & Blanke, 2010). Verwandte Arbeiten fanden, dass eine solche Verkörperung sogar implizite Einstellungen verschiebt: Weisse Versuchspersonen, die einen dunkelhäutigen Körper verkörperten, zeigten anschliessend geringere implizite Vorurteile (Peck, Seinfeld, Aglioti & Slater, 2013), und Erwachsene in einem Kinderkörper überschätzten Objektgrössen und schrieben sich selbst kindlichere Eigenschaften zu (Banakou, Groten & Slater, 2013).
Daraus folgt etwas Unbequemes für alle, die solche Systeme bauen. Wenn eine Umgebung bestimmte Körper nicht vorsieht, verhindert sie nicht nur eine Darstellung, sondern eine Erfahrung. Und weil diese Erfahrung nachweislich auf die Person zurückwirkt, ist die Auswahl an Körpern keine Frage der Bequemlichkeit, sondern eine Frage danach, wer sich in einem Raum überhaupt erproben kann.
Mehr Auswahl ist nicht die Antwort
Es wäre allerdings zu einfach, daraus die Forderung nach möglichst vielen Optionen abzuleiten. Wer schon einmal einen Avatar-Editor mit hunderten Reglern geöffnet hat, kennt das Gefühl, dass die Freiheit selbst zum Hindernis wird. Und eine lange Liste von Geschlechtsoptionen kann dieselbe binäre Logik transportieren wie zwei Optionen, sofern das System dahinter unverändert bleibt. Genau das war ja Bivens‘ Befund.
Ergiebiger ist die Frage, ob die Kategorie überhaupt gebraucht wird. Viele Systeme fragen nach Geschlecht, weil sie es immer getan haben, nicht weil eine Funktion es benötigt. Wo eine Angabe technisch nichts steuert, kann sie meist entfallen, und wo sie etwas steuert, lohnt es sich zu benennen, was genau. In Umgebungen, die Körperformen, Stimme, Kleidung und Pronomen unabhängig voneinander wählbar machen, stellt sich das Problem der Kategorisierung gar nicht erst, weil es keine Sammelkategorie mehr gibt, die all das verknüpfen müsste.
Wichtiger als die Zahl der Optionen ist ohnehin, was voreingestellt ist. Die meisten Menschen übernehmen die Standardauswahl, und was voreingestellt ist, wird dadurch zur Norm, unabhängig davon, was theoretisch möglich wäre. Ähnlich verhält es sich mit allem, was neben den Auswahlfeldern steht: mit der Sprache der Oberfläche, mit den Beispielfiguren, die eine Plattform zeigt, und damit, welche Körper überhaupt gut aussehen, wenn Kleidung darauf gerendert wird. Ein System, das Vielfalt zulässt, sie aber nirgends zeigt, überlässt die Arbeit den Nutzenden.
All das betrifft nicht nur grosse Plattformen. Es stellt sich genauso, wenn für ein einzelnes Lernszenario ein einziger Charakter gebaut wird. Nur trifft die Entscheidung dann niemand ausser den beiden Personen, die vor dem Bildschirm sitzen.
Quellen
Banakou, D., Groten, R., & Slater, M. (2013). Illusory ownership of a virtual child body causes overestimation of object sizes and implicit attitude changes. Proceedings of the National Academy of Sciences, 110(31), 12846–12851.
Bivens, R. (2017). The gender binary will not be deprogrammed: Ten years of coding gender on Facebook. New Media & Society, 19(6), 880–898.
Keyes, O. (2018). The misgendering machines: Trans/HCI implications of automatic gender recognition. Proceedings of the ACM on Human-Computer Interaction, 2(CSCW), Article 88.
Peck, T. C., Seinfeld, S., Aglioti, S. M., & Slater, M. (2013). Putting yourself in the skin of a black avatar reduces implicit racial bias. Consciousness and Cognition, 22(3), 779–787.
Slater, M., Spanlang, B., Sanchez-Vives, M. V., & Blanke, O. (2010). First person experience of body transfer in virtual reality. PLoS ONE, 5(5), Article e10564.
Yee, N., & Bailenson, J. (2007). The Proteus effect: The effect of transformed self-representation on behavior. Human Communication Research, 33(3), 271–290.
Yee, N., Bailenson, J. N., & Ducheneaut, N. (2009). The Proteus effect: Implications of transformed digital self-representation on online and offline behavior. Communication Research, 36(2), 285–312.