Ihnen wird ein großes Potential bei der Stei­gerung von Markteffizienz zugeschrieben. Voraussetzung hierfür ist jedoch, dass die Nutzer den Bewertungen an­derer Nutzer Vertrauen schenken können. Dementspre­chend stellt die systematische Manipulation von Bewer­tungen eine der größten Herausforderungen für das Funktionieren solcher Systeme dar. Sogenannte Fake-Bewertungen werden von Nutzern selbst oder über Dritte illegal auf Plattformen eingestellt, meist ohne dass eine echte Transaktion zugrunde liegt. Das Ziel ist dabei, die eigene Reputation bzw. die Durchschnittsbewertungen der eigenen Produkte zu verbessern oder die der Kon­kurrenz zu verschlechtern.

Umfang und Ausmaß von Fake-Bewertungen und deren Einfluss auf die Funktionsweise von Bewertungen stehen im Zentrum des ersten Arbeitsschrittes des Vorhabens. Aufbauend auf dieser systematischen Erfassung werden in einem zweiten Arbeitsschritt Lösungen für die Reduzierung von manipulierten Bewertungen erforscht. Beiden Arbeitsschritten liegt die Durchführung einer Reihe von Labor- und Online-Experimenten zugrunde.

Das Grunddesign bildet ein über 40-60 Runden wieder­holtes Marktexperiment, bei dem je ein Käufer und ein Verkäufer eine Gruppe bilden. Zu Beginn jeder Runde wählt der Verkäufer ein Qualitätsniveau für das Produkt. Dieses Qualitätsniveau bleibt für den Käufer zunächst unbekannt. Aufgrund der Informationsasymmetrie zu­gunsten des Verkäufers und der Auszahlungsparameter im Experiment sollte es auf diesem Markt zu Marktver­sagen kommen, so dass am Ende nur noch schlechte Qualität angeboten wird. Mittels eines Bewertungssys­tems kann die Informationsasymmetrie jedoch abgebaut werden. Im Anschluss an jede Markttransaktion, und nachdem der Käufer über das tatsächliche Qualitätsni­veau des Produkts informiert wurde, hat ausschließlich der Käufer die Möglichkeit, den Verkäufer durch die Vergabe von Sternen zu bewerten. Dadurch können sich Käufer in Zukunft hinsichtlich ihrer Kaufentscheidung und ihrer Zahlungsbereitschaft am Feedback-Profil des Verkäufers orientieren.

Entscheidend für das Vorhaben ist aber, dass auch für den Verkäufer die Möglichkeit besteht, die erhaltene Bewertung durch Fake-Bewertungen zu verbessern, bzw. die der Konkurrenten zu verschlechtern. Die Manipulationsmöglichkeiten und Treatmentvariationen erfolgen unter anderem anhand der Parameter Bestrafung und Aufdeckungswahrscheinlichkeit. Weiterhin vorgesehen ist die Modellierung von Lösungsansätzen für Fake-Bewertungen wie die endogene Kontrolle durch andere Nutzer, oder die Anzeige der einzelnen Bewertungen anstelle reiner Durchschnittswerte.