Radio-Innovationen

Herausforderung

Die Radiobranche befindet sich mitten in der Digitalen Transformation. Während Musik- und Filmindustrie in diesem Prozess schon weiter fortgeschritten sind, weil zu Beginn des Jahrtausends alte Geschäftsmodelle weggebrochen sind und neue mit Dringlichkeit gefunden werden mussten, war die Radiobranche vergleichsweise wenig Druck ausgesetzt. Durch die Popularität von Streamingdiensten wie Spotify und Netflix sind die Radiosender jedoch in Zugzwang geraten, denn schließlich ist die Zeit der Hörer begrenzt – je mehr Stunden die Hörer mit Musikstreaming verbringen, desto weniger Zeit bleibt für Radio. Einige Radiosender fürchten so, dass Ihnen insbesondere die jüngeren Hörersegmente wegbrechen und es zu einem Generationenabriss kommen kann. Immer mehr Radiosender holen deswegen auf, indem sie ihre Angebote nicht nur im Internet bereitstellen, sondern ihren Auftritt für Smartphone, Auto und weitere Endgeräte überdenken und neu ausrichten.

Radiohörerlebnis

Bisherige nichtlineare Radioangebote in Audiotheken stellen oft nur Zweitverwertungen dar, die zum Nachhören geeignet sind, aber nicht an die Magie und das Hörerlebnis von traditionellem Radio herankommen. Was traditionell Redakteure machen, ist in der bloßen Bereitstellung digitaler Inhalte nicht abgebildet. Eine zentrale Frage in unserem Forschungsprojekt ist, zu erkunden, wie Radiosender ihre digitalen Inhalte derart automatisiert zusammenstellen können, dass ein Angebot entsteht, das ein ansprechendes Hörerlebnis beinhaltet. Eng verbunden damit ist die Frage, wie die spezifischen Charakteristika eines Senders in automatisch zusammengestellten Inhalten erhalten bleiben können. Die Marke eines Radiosenders ist nämlich stark mit dem Programmmanagement verbunden. Forschungsziel ist es, Designprinzipien zu formulieren, mit denen zerstückelte, digitale Radioinhalte wieder zu einem ansprechenden Angebot individualisiert zusammengestellt werden können.

Personalisierung

Personalisierung ist ein zentrales Element im Medienkonsum geworden und schon längst aus Musik- und Streamingdiensten, aber auch im Ecommerce nicht mehr wegzudenken, ob bei automatisch zusammengestellten Streams, Empfehlungen in der Seitenleiste, oder „Kunden, die sich dies angeschaut haben, haben auch diese Produkte angeschaut“. Bei Radio ist Personalisierung jedoch ungleich komplizierter. Während Empfehlungssysteme bei Musikstücken auf recht homogene Inhalte zurückgreifen können, besteht Radio aus einer heterogenen Vielzahl von Inhalten, Längen und Formaten, z.B. News, Interviews, Beiträge, Konzerte, Meinungen etc. Jeder Inhaltstyp stellt dabei spezielle Anforderungen an Empfehlungssysteme. Beispielsweise muss sichergestellt werden, dass inhaltlich ähnliche Nachrichten nicht doppelt abgespielt werden. Wir erforschen, welche Empfehlungsalgorithmen sich für den Bereich Radio am besten eignen, und entwickeln ein entsprechendes Empfehlungssystem.

Publikationen

[1] Hirschmeier, Stefan. “Managing Temporal Dynamics of Filter Bubbles.” In Proceedings of the Hawaii International Conference on System Sciences (HICSS 2022), 2022.

[2] Hirschmeier, Stefan, Johannes Melsbach, Detlef Schoder, and Sven Stahlmann. “Improving Recall and Precision in Unsupervised Multi-Label Document Classification Tasks by Combining Word Embeddings with TF-IDF.” ECIS 2020 Research Papers, 2020. https://aisel.aisnet.org/ecis2020_rp/99.

[3] Hirschmeier, Stefan, and Detlef Schoder. “An Approach to Explanations for Public Radio Recommendations.” In Proceedings of the ACM Conference on User Modeling, Adaptation and Personalization (UMAP) Adj. ACM, 2020. https://doi.org/10.1145/3386392.3399306.

[4] Beule, Vanessa, Stefan Hirschmeier, and Detlef Schoder. “Der Digitale Wandel Im Hörfunk,” no. 1 (2020): 29–37.

[5] Hirschmeier, Stefan, Vanessa Beule, and Roman Tilly. “Translating Editorial Work into Algorithms for Personalized Radio Streams.” Journal of Radio & Audio Media, January 18, 2020, 1–22. https://doi.org/10.1080/19376529.2019.1704760.

[6] Hirschmeier, Stefan. “Towards Explanations of Anti-Recommender Content in Public Radio.” In Adjunct Publication of the 27th Conference on User Modeling, Adaptation and Personalization, 229–233. UMAP’19 Adjunct. New York, NY, USA: ACM, 2019. https://doi.org/10.1145/3314183.3323454.

[7] Hirschmeier, Stefan, Johannes Melsbach, Detlef Schoder, and Sven Stahlmann. “Unsupervised Multi-Label Document Classification for Large Taxonomies Using Word Embeddings.” International Conference on Computational Science and Computational Intelligence (CSCI), 2019. 10.1109/CSCI49370.2019.00241.

[8] Hirschmeier, Stefan, and Johannes Melsbach. “Designing Radio in a Personalized World.” In Proceedings of the Americas Conference on Information Systems (AMCIS), 2019. https://aisel.aisnet.org/cgi/viewcontent.cgi?article=1116&context=amcis2019.

[9] Hirschmeier, Stefan, and Vanessa Beule. “Characteristics of the Classic Radio Experience Perceived by Young Listeners and Design Implications for Their Digital Transformation,” Journal of Radio & Audio Media, 2019. https://doi.org/10.1080/19376529.2019.1652911.

[10] Hirschmeier, Stefan, and Johannes Melsbach. “Automated Keyword Generation in the Public Radio Sector Using Word Embeddings.” In Proceedings of the European Conference on Information Systems (ECIS), 2019. https://aisel.aisnet.org/ecis2019_rip/74.

[11] Hirschmeier, Stefan, Roman Tilly, and Vanessa Beule. “Digital Transformation of Radio Broadcasting: An Exploratory Analysis of Challenges and Solutions for New Digital Radio Services.” In Proceedings of the 53rd Hawaii International Conference on System Sciences (HICSS 2019), 2019. http://scholarspace.manoa.hawaii.edu/handle/10125/59939.

[12] Hirschmeier, Stefan, and Vanessa Beule. “Compliance of Personalized Radio with Public-Service Remits.” In ACM User Modeling and Personalization (UMAP) Adjunct. Singapore, 2018. https://doi.org/10.1145/3213586.3226204.

[13] Hirschmeier, S., Tilly, R., & Schoder, D. (2017). Recommender Systems for Spoken Word Radio. In Proceedings of eKNOW 2017 (pp. 71–75). Retrieved from https://www.thinkmind.org/index.php?view=article&articleid=eknow_2017_4_30_68017.

[14] Hirschmeier, S., Döppner, D. A., & Schoder, D. (2015). Stating and Discussing Challenges of Radio Recommender Systems in Contrast to Music Recommendation. In Proceedings of the 2nd International Workshop on Decision Making and Recommender Systems. Bolzano, Italy: UniBz. Retrieved from http://ceur-ws.org/Vol-1533/paper7.pdf