Aniko Hannak

Aniko Hannak forscht am Center for Network Science der Central European University. Vor ihrer Zeit an der CEU war sie Promotionsstudentin an der Northeastern University, wo sie in der Auditierungsgruppe für Algorithmen desDepartment of Computer and Information Science tätig war.

Grob gefasst besteht ihre Tätigkeit in der Untersuchung diverser Websites, die Inhalte ausgeben, wie beispielsweise Suchmaschinen, Online-Stores, Jobportale oder Freelance-Jobbörsen. In diesem Online-Ökosystem, das einem rasanten Wandel unterliegt, verfolgen Unternehmen jede Bewegung von Nutzern und speisen die gesammelten Daten in ihre Algorithmen, um den Nutzern die interessantesten und relevantesten Inhalte anzuzeigen. Da die Algorithmen von menschlichen Daten lernen, neigen sie dazu, soziale Voreingenommenheit aufzugreifen und sie unbeabsichtigt zu verstärken. In ihrer Promotionsarbeit entwickelte Hannak eine Methode namens „Algorithmic Auditing“, die versucht, die potenziellen Negativeffekte auf große Online-Systeme offenzulegen. Beispiele solcher Audits umfassen die Untersuchung des „Filterblaseneffekts“ auf Google-Suchen, Online-Preisdifferenzierung oder das Aufspüren von Ungleichbehandlung in Online-Jobbörsen.

__________

Aniko is a Researcher in the Center for Network Science at the Central European University. Before CEU she was a PhD student at Northeastern University, working in the Algorithm Auditing group of the Department of Computer and Information Science.

Broadly, her work investigates a variety of content serving websites such as Search Engines, Online Stores, Job Search Sites or Freelance Marketplaces. In this quickly changing online ecosystem companies track users' every move and feed the collected data into big data algorithms in order to match them with the most interesting, most relevant content. Since these algorithms learn on human data they are likely to pick up on social biases and unintentionally reinforce them. In her PhD work, Aniko created a methodology called Algorithmic Auditing which tries to uncover the potential negative impacts of large online systems. Examples of such audits include examining the "Filter Bubble effect" on Google Search, online price discrimination or detecting inequalities in online labor markets.