Das Digitale · Das Digitale Neue Chancen und Herausforderungen für die Soziologie Sophie Mützel Universität Luzern 15. Juni 2017 Netzwerktreffen Diskurs Digital

Das Digitale

Neue Chancen und Herausforderungen für die Soziologie

Sophie Mützel Universität Luzern

15. Juni 2017

Netzwerktreffen Diskurs Digital

Mützel: Das Digitale & die Soziologie

Übersicht

>  Das Digitale -> big data? >  Unterschiedliche disziplinäre Perspektiven auf

empirische Analysen des Sozialen mit digitalen Daten

>  Aktuelle Herausforderungen für die Soziologie >  Neue Möglichkeiten im Arbeiten mit

Algorithmen


Digitale Daten = Big Data? Daten, die -  viele Datenpunkte umfassen, -  häufig unstrukturiert sind, -  in verschiedenen Formaten vorliegen

(z.B. Texte, Bilder, Filme, Geocodes, Zeitstempel, digitalisierte Artefakte: transaktionale Daten, administrative Daten),

-  zu ganz unterschiedlichen Phänomenen.


Mit dem Aufkommen dieser Daten

> “Coming crisis of empirical sociology” (Savage/ Burrows 2007)

> “A watershed moment for the social sciences”: data and methods are being dramatically expanded” (McFarland et al. 2015)


Chancen für die Soziologie

>  Reichhaltigkeit und Breite von neuen grossen digitalen Daten (z.B. social media posts, Transaktionsdaten)

>  Verfügbarkeit von alten grossen digitalen Daten (z. B. digitalisierte Texte in Archiven)

>  Möglichkeit, alte Fragen auf neue Art zu beantworten (Bearman 2015), z.B. –  Entstehung von Feldern und Kategorien –  Mechanismen von Wandel und Kontinuität –  Muster von sozialen Handlungen


Felder, die mit Hilfe von grossen digitalen Daten Aussagen über das Soziale treffen

>  Cultural analytics >  Datajournalismus >  Digital humanities >  Data science >  Computational social science ...


Felder, die mit Hilfe von grossen digitalen Daten Aussagen über das Soziale treffen

>  Cultural analytics >  Datajournalismus >  Digital humanities >  Data science >  Computational social science


Computational social science

>  Fokus: Individuen und ihre Interaktionen (Sensoren, Email, social media posts, Kreditkarteneinkäufe, Telefonverbindungen)

>  Häufige Nutzung von digitalen Datenquellen


Hedonometer

http://hedonometer.org/index.html


Computational social science

>  Benutzen neuartige Datenquellen, z.B. grosse Textkorpora zur Untersuchung von legislativer Kommunikation oder verknüpfen unterschiedliche Daten zu Kommunikation und Bürostandort um Informationsfluss zu untersuchen

>  Idee: “Match powerful computation with careful social science” (Watts 2016)


Soziologie: die letzten 50 Jahre

>  Regressionsanalyse –  Umfragen, Panels, statistische Erhebungen –  Repräsentative Stichproben, unabhängige

Beobachtungen, statistische Signifikanzen >  Qualitative-induktive Forschung

–  Analysten in lokalen Settings –  Zu bestimmten Zeitpunkten, begleitend oder

ex post


Soziologie: Aktuelle Herausforderungen

1.  “All data revolution” 2.  Neue Analysemethoden und -instrumente 3.  Auswirkungen auf die Theorie


“Instead of focusing on a “big data revolution,” perhaps it is time we were focused on an “all data revolution,” where we recognize that the critical change in the world has been innovative analytics, using data from all traditional and new sources, and providing a deeper, clearer understanding of our world.” (Lazer et al. 2014)



1.  “All data revolution” –  Digital trace data: ungeklärte Aspekte des

Zugangs zu Daten; rechtliche und ethische Aspekte (boyd / Crawford 2012)

…




Zugangs zu Daten; rechtliche und ethische Aspekte (boyd / Crawford 2012)

–  Datensammlung: technische Fähigkeiten; Kosten; Präformatierung (platform bias); Grenzen der Archivierung




Zugangs zu Daten ; rechtliche und ethische Aspekte (boyd/ Crawford 2012)

–  Datensammlung: technische Fähigkeiten; Kosten; Präformatierung (platform bias); Grenzen der Archivierung

–  Datenkonstruktion = Datenkuratierung: Vorurteile beim Putzen von unstrukturierten Daten (data wrangling)


Soziologie: aktuelle Herausforderungen

1.  “All data revolution” 2.  Neue Analysemethoden und –instrumente

–  Musteridentifikation


Texte als Daten für Netzwerkanalysen

Carley 1997

Konzeptnetzwerk


Texte als Daten für Netzwerkanalysen

Bearman & Stovel 2000

Narratives Netzwerk



1.  “All data revolution” 2.  Neue Analysemethoden und –instrumente

–  Musteridentifikation von nicht-numerischen, vielen Daten

–  Computerlinguistik, NLP maschinelles Lernen Netzwerkanalyse

–  Text-mining und Datenvisualisierungen –  Nicht-standardisierte Analyseinstrumente



1.  “All data revolution” 2.  Neue Analysemethoden und –instrumente è Neue Fähigkeiten und erweiterte methodische

Ausbildung è Rolle von Algorithmen è Forschung: Arbeit in interdisziplinären Teams



1.  “All data revolution” 2.  Neue Analysemethoden und –instrumente 3.  Auswirkungen auf die Theorie



1.  “All data revolution” 2.  Neue Analysemethoden und –instrumente 3.  Auswirkungen auf die Theorie

–  Nicht das “Ende der Theorie”, sondern wir brauchen mehr theoretische Reflektion über Datenkonstruktion; können neue Theorien zu sozialen Phänomenen entwickeln mit Einsichten aus Analysen von grossen Datenmengen

èAnalyse von Prozessen und Dynamiken


Neue Möglichkeiten für die Soziologie

Evolution und Wandel von grossen Prozessen >  Entstehung von Kategorien >  Erkennen von Wandel und Kontinuität >  Fragen von Dynamiken und Periodisierung

Innovative Brustkrebstherapeutika


Topic modeling “Topic modeling algorithms are suite of machine

learning methods for discovering hidden thematic structure in large collections of documents. With a collection of documents as input, a topic model can produce a set of interpretable ‘topics’ (i.e. groups of words that are associated under a single theme) and assess the strength with which each documents exhibits those topics.” (DiMaggio et al. 2013, 577)

Verteilung der topics ”role of targets”m “toxicity, chemo regimen” und new/ novel appraoches in onkologischen Artikeln zu “Brustkrebstherapie”, n=30139 Web of Science abstracts, 1990-2010 Mützel 2016 Markets from stories Ms.

Wissenschaftliche Diskussion zur innovativen Brustkrebstherapie im zeitlichen Verlauf


Semantische Netzwerkanalysen

> Struktur von gemeinsam auftretenden Begriffen, auch im zeitlichen Verlauf

> Netzwerkanalytischer community detection algorithm (Louvain)

> Computerlinguistik in Kombination mit netzwerkanalytischen Methoden

> Begriffe, die ein Thema ausmachen, können sich über Zeit ändern; das Thema an sich bleibt jedoch bestehen

The global semantic network structure of oncological discussions on breast cancer therapy, extracted keywords, Web of Science, 1990-2010

The global semantic network structure of oncological discussions on breast cancer therapy, extracted abstracts, focus on “target”, Web of Science, 1990-2010

Discourse categories on “target” of oncological discussions, extracted abstracts, Web of Science, 1990-2010, selected time periods

The stream of oncological discussions on breast cancer therapy, focus on target, extracted keywords, Web of Science, 1990-2010


Zusammenfassung >  Aufkommen von digitalen Daten stellt die Soziologie vor

neue Herausforderungen und Möglichkeiten >  Neue Datentypen (alt und neu) benötigen für deren

Analyse neue Methoden >  Daten und Methoden erlauben es, alte Fragen auf neue

Art zu beantworten >  Neue Fähigkeiten sowie Erweiterungen des

methodischen und theoretischen Werkzeugkasten sind vonnöten, um praktischen Nutzen und Erkenntnisse daraus zu ziehen


Vielen Dank! [email protected] @berlinerlufti


Literatur Alvarez, R. Michael (ed.) 2016. Computational Social Science. Cambridge: Cambridge UP. Bail, Christopher A. 2015. "Taming Big Data: Using App Technology to Study Organizational Behavior on Social Media", in: Sociological Methods & Research OnlineFirst. Bakshy, Eytan/Solomon Messing/Lada A Adamic. 2015. "Exposure to ideologically diverse news and opinion on Facebook", in: Science 348: 1130-1132. Bearman, Peter S. 2015. "Big Data and historical social science", in: Big Data & Society 2, http://bds.sagepub.com/content/2/2/2053951715612497.full. Bearman, Peter S./Katherine Stovel. 2000. "Becoming a Nazi: A model for narrative networks", in: Poetics 27: 69-90. Bond, Robert M./Christopher J. Fariss/Jason J. Jones/Adam D. I. Kramer/Cameron Marlow/Jaime E. Settle/James H. Fowler. 2012. "A 61-million-person experiment in social influence and political mobilization", in: Nature 489: 295-298. boyd, danah/Kate Crawford. 2012. "Critical questions for big data", in: Information, Communication & Society 15: 662-679. Carley, Katherine M. 1997. "Extracting team mental models through textual analysis", in: Journal of Organizational Behavior 18: 533-558. DiMaggio, Paul/Manish Nag/David Blei. 2013. "Exploiting affinities between topic modeling and the sociological perspective on culture: Application to newspaper coverage of U.S. government arts funding", in: Poetics 41: 570-606. Dodds, Peter Sheridan/Kameron Decker Harris/Isabel M. Kloumann/Catherine A. Bliss/Christopher M. Danforth. 2011. "Temporal Patterns of Happiness and Information in a Global Social Network: Hedonometrics and Twitter", in: PLoS One 6: e26752. Evans, James A./Pedro Aceves. 2016. "Machine Translation: Mining Text for Social Theory", in: Annual Review of Sociology 42: 21-50. Hampton, Keith N. 2017. "Studying the Digital: Directions and Challenges for Digital Methods", in: Annual Review of Sociology 1, http://www.annualreviews.org/doi/abs/10.1146/annurev-soc-060116-053505.


Ignatow, Gabe/Rada Mihalcea. 2016. Text Mining: A Guidebook for the Social Sciences. London: Sage. Jürgens, Pascal/ Andreas Jungherr, 2016. “ A Tutorial for Using Twitter Data in the Social Sciences: Data Collection, Preparation, and Analysis”. Available at SSRN: http://ssrn.com/abstract=2710146 Lazer, David/Alex Pentland/Lada Adamic/Sinan Aral/Albert-Laszlo Barabasi/Devon Brewer/Nicholas Christakis/Noshir Contractor/James H. Fowler/Myron Gutmann/Tony Jebara/Gary King/Michael Macy/Deb Roy/Marshall Van Alstyne. 2009. "Computational social science", in: Science 323: 721-723. Lazer, David/Ryan Kennedy/Gary King/Alessandro Vespignani. 2014. "The Parable of Google Flu: Traps in Big Data Analysis", in: Science 343: 1203-1205. Lemke, Matthias/Gregor Wiedemann (eds.). 2016. Text Mining in den Sozialwissenschaften: Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. Wiesbaden: Springer VS. Marres, Noortje. 2017. Digital sociology: The reinvention of social research. Cambridge: Polity Press. McFarland, Daniel A./Kevin Lewis/Amir Goldberg. 2015. "Sociology in the Era of Big Data: The Ascent of Forensic Social Science", in: The American Sociologist: 1-24. Mohr, John W. 1998. "Measuring meaning structures", in: Annual Review of Sociology 24: 345-370. Mützel, Sophie. 2016. Markets from stories. Ms. Habilitation. Rieder, Bernhard. 2013. "Studying Facebook via data extraction: the Netvizz application", Proceedings of the 5th Annual ACM Web Science Conference: ACM. Ruths, Derek/Jürgen Pfeffer. 2014. "Social media for large studies of behavior", in: Science 346: 1063-1064. Savage, Mike/Roger Burrows. 2007. "The Coming Crisis of Empirical Sociology", in: Sociology-The Journal of The British Sociological Association 41: 885-899. Watts, Duncan. 2016. "The Organizational Spectroscope". https://medium.com/@duncanjwatts/the-organizational-spectroscope-7f9f239a897c#.g7osn1jz9. Zook, Matthew/Solon Barocas/danah boyd/Kate Crawford/Emily Keller/Seeta Peña Gangadharan/Alyssa Goodman/Rachelle Hollander/Barbara A. Koenig/Jacob Metcalf/Arvind Narayanan/Alondra Nelson/Frank Pasquale. 2017. "Ten simple rules for responsible big data research", in: PLOS Computational Biology 3, http://dx.doi.org/10.1371%2Fjournal.pcbi.1005399.

Documents

Das Digitale · Das Digitale Neue Chancen und Herausforderungen für die Soziologie Sophie Mützel Universität Luzern 15. Juni 2017 Netzwerktreffen Diskurs Digital