Algorithmische Vorhersage und Mitbestimmung (AVuM) - Transkripte der Interviews

DOI

DE: Der Datensatz enthält Transkripte der qualitativen, teilstrukturierten Experteninterviews mit Erwerbstätigen in Unternehmen, NGOs oder gesetzlichen Interessenvertretungen in Deutschland oder Österreich, zum Einsatz von algorithmischen Verfahren für das Risikomanagement ("Predictive Risk Intelligence" oder PRI) in zunehmend komplexen Wertschöpfungsnetzwerken, welche Ausfallwahrscheinlichkeiten von Maschinen oder Infrastruktur vorhersagen. Das Projekt untersucht, wie und mit welchen Konsequenzen für die betriebliche und überbetriebliche Mitbestimmung Predictive Risk Intelligence (PRI) von Unternehmen bereits eingesetzt wird. Zudem wird untersucht, wie algorithmische Vorhersagesysteme (ähnlich zu PRI oder auch neuartig) von Arbeitnehmer:innenvertretungen genutzt werden können, um Mitbestimmung in Zeiten der Entsolidarisierung weiterzuentwickeln. Hierzu wurden über einen Zeitraum von acht Monaten dreißig Interviewpartner:innen aus drei Stakeholdergruppen (Merchants, Customers und Audience) rund um PRI in Lieferketten mit leitfadengestützten Experteninterviews befragt. Schwerpunkte der Interviews waren die Einordung der eigenen Organisation im Kontext von globalen Lieferketten und Risikomanagement, Erfahrungen oder Einschätzungen zum Einsatz von PRI sowie die Beziehungen zu anderen Stakeholdergruppen. Ein sekundärer Untersuchungsgegenstand war zudem die Auswirkungen des in Deutschland eingeführten Lieferkettensorgfaltspflichtengesetz (LkSG) auf Praktiken des Risikomanagements. Die Gruppenzuweisung der Interviewten wird im Datensatz durch den Zusatz M (für Merchants), A (für Audience) und C (für Customers) kenntlich gemacht. Als Merchants gelten Vertreter:innen von Softwarelösungen für das Risikomanagement, zur Audience-Gruppe gehören Interessenvertretungen für Risikomanagement in Lieferketten, Customers stellen (potenzielle) Kund:innen von PRI-Anbietern dar, die überwiegend aus den Bereichen des Einkaufs und Supply-Chain-Managements stammen. Von den 30 Interviewteilnehmer:innen haben 18 der Nachnutzung ihrer Daten zugestimmt.EN: The dataset consists of qualitative, semi-structured expert interviews with professionals in companies, NGOs or or legal interest groups in Germany and Austria about the use of algorithmic methods for risk management ("Predictive Risk Intelligence" or PRI) in increasingly complex value networks that predict the failure probabilities of machinery or infrastructure. This project examines how Predictive Risk Intelligence (PRI) is already being used by companies and its consequences for corporate and inter-corporate participation. Furthermore, it explores how algorithmic prediction systems (similar to PRI or new ones) can be utilized by employee representatives to further develop participation in times of decreasing solidarity. For a period of eight months, thirty interviewees from three stakeholder groups (Merchants, Customers and Audience) were questioned about PRI in supply chains through guided expert interviews. These interviews focused on assessing the interviewees' own organizations in the context of global supply chains and risk management, their experiences or expectations of PRI implementation, as well as their relationships with other stakeholder groups. Another incidental subject of investigation was the impact on risk management practices triggered by the introduction of the Supply Chain Due Diligence Act (LkSG) in Germany. Within the dataset, the assignment of the interviewees to the three groups are indicated by the letter M (for Merchants), A (for Audience), and C (for Customers). Merchants refer to representatives of software solutions for risk management, the Audience group includes interest groups for risk management in supply chains, Customers represent (potential) customers of PRI providers, mainly stemming from purchasing departments and supply chain management. Out of the 30 interview participants, 18 have agreed to the reuse of their data.

Identifier
DOI https://doi.org/10.1594/PANGAEA.961744
Related Identifier https://doi.org/10.3224/indbez.v28i2.05
Related Identifier https://doi.org/10.1515/9783839467701-005
Related Identifier https://doi.org/10.26092/elib/2555
Metadata Access https://ws.pangaea.de/oai/provider?verb=GetRecord&metadataPrefix=datacite4&identifier=oai:pangaea.de:doi:10.1594/PANGAEA.961744
Provenance
Creator Heimstädt, Maximilian ORCID logo; Klausner, Lukas Daniel ORCID logo; Faißt, Sandrine
Publisher PANGAEA
Contributor Qualiservice
Publication Year 2024
Funding Reference Hans-Böckler-Stiftung https://doi.org/10.13039/501100007440 Crossref Funder ID 2021-200-3 https://www.boeckler.de/de/suchergebnis-forschungsfoerderungsprojekte-detailseite-2732.htm?projekt=2021-200-3
Rights Qualiservice License; Data access requires user signup; https://www.qualiservice.org/files/contao-theme/public/documents/downloads/Vereinbarung_Datennutzung_01_20202_barrierefrei.pdf
OpenAccess true
Representation
Resource Type Dataset
Format text/tab-separated-values
Size 180 data points
Discipline Agriculture, Forestry, Horticulture, Aquaculture; Agriculture, Forestry, Horticulture, Aquaculture and Veterinary Medicine; Life Sciences; Social Sciences; Social and Behavioural Sciences; Soil Sciences
Spatial Coverage Deutschland
Temporal Coverage Begin 2022-06-01T00:00:00Z
Temporal Coverage End 2023-02-28T00:00:00Z