Bewertungsplattformen sind nur dann wirklich hilfreich, wenn User den Inhalten trauen können. Deshalb setzen Unternehmen ausgeklügelte Algorithmen ein, die Fake-Bewertungen präzise erkennen. Die Frage ist nur: Was tun mit diesen Fälschungen?

Einige Webseiten wie Amazon zensieren sie und machen dies öffentlich; manchmal verklagen sie die mutmaßlichen Täter sogar. Andere wie Google  Maps oder der indische Onlineversandhändler Flipkart löschen sie still und leise. Und wieder andere – darunter Yelp – lassen sie stehen, kennzeichnen sie aber als möglicherweise gefälscht. Ein Forschungsteam hat nun in einer Reihe von Experimenten untersucht, welche Strategie am besten funktioniert.

Im ersten Experiment erstellten die Forscher zwei Versionen einer Bewertungsseite und baten die Studienteilnehmer, das Restaurant zu wählen, das sie für das beste hielten. Die Hälfte sah sowohl gefälschte und als solche gekennzeichnete Rezensionen als auch seriöse Bewertungen. Die andere Hälfte sah nur die seriösen Rezensionen.

Kennzeichnung schafft Vertrauen

Probanden aus der ersten Gruppe klickten auf mehr Restaurants als jene aus der zweiten und ließen sich mehr Zeit, um ihre Wahl zu treffen, was auf ein höheres Engagement hindeutet. In einem Folgeexperiment zeigte sich, dass Konsumenten das höchste Vertrauen in eine Plattform setzen, wenn diese die fragwürdigen Rezensionen nicht nur kennzeichnet, sondern auch mit einem "Vertrauenswert" versieht. Das macht es Usern leichter, deren Aussagekraft zu bewerten.

Das Szenario, in dem Fake-Rezensionen gelöscht wurden, ohne auf ihre Existenz hinzuweisen – in der Realität die häufigste Vorgehensweise –, erwies sich dabei als schlechteste Variante. Eine ergänzende Studie belegte, dass das Vertrauen in die Plattform wuchs, wenn betrügerische Bewertungen klar gekennzeichnet waren und auf der Seite stehen blieben.

User glaubten, dass schon die Angst, entlarvt zu werden, unehrliche Posts eindämme. Und ein drittes Experiment zeigte, dass Transparenz bei Fake-Rezensionen die größte Wirkung brachte, wenn User unsicher bei der Qualität des Angebots waren, wenn seriöse Bewertungen also mal positiv, mal negativ ausfielen.