Social Media Daten als Grundlage sozialwissenschaftlicher Forschung:

Chancen und Herausforderungen

Kassel, 11.06.2014

Dr. Katrin Weller, katrin.weller@gesis.org, @kwelle

http://katrinweller.net

Dr. Katrin Weller GESIS – Leibniz Institut für Sozialwissenschaften

Datenarchiv für Sozialwissenschaften

2006-2012: Heinrich-Heine-Universität Düsseldorf,

Promotion in Informationswissenschaft

Weller, K., Bruns, A., Burgess, J., Mahrt, M., & Puschmann, C. (Eds.) (2014). Twitter and Society. New York et al.: Peter Lang.

Fragen & Kommentare

Slides: http://de.slideshare.net/katrinweller

Hintergrund / Forschungsstand

5 http://www.conversationprism.com//

© Statista

GmbH

Von welchen der folgenden Netzwerke und Plattformen haben Sie schon gehört?

Umfrage zur Bekanntheit von Social Media Plattformen in Deutschland (2012)

30

40

55

56

58

62

67

68

69

71

72

80

87

96

Yappy

Flickr

Xing

Lokalisten

MeinVZ

MyVideo

MySpace

SchülerVZ

StudiVZ

Stayfriends

Wer-kennt-…

Twitter

YouTube

Facebook

0 20 40 60 80 100 120

Anteil der Befragten in %

Quelle: PwC, Entwicklung sozialer Medien im Vergleich, Seite 11 ID 76144

http://de.statista.com/statistik/daten/studie/76144/umfrage/umfrage-zur-bekanntheit-von-social-media-plattformen-in-deutschland/

Social Media Forschung in (Publikations)zahlen

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000Anzahl an Publikationen in Scopus

(TITLE-ABS-KEY("social media") OR TITLE-ABS-KEY("social web") OR TITLE-ABS-KEY("social software") OR TITLE-ABS-KEY("web 2.0")) AND PUBYEAR > 1999 [ März 2014]

Publikationen nach Fachgebieten (Scopus)

10650; 36%

5542; 19%

2384

2288

2151

1535

773

772

65 Computer ScienceSocial SciencesEngineeringMedicineBusiness, Management and AccountingMathematicsArts and HumanitiesDecision SciencesPsychologyNursingEconomics, Econometrics and FinanceBiochemistry, Genetics and Molecular BiologyHealth ProfessionsEnvironmental ScienceEarth and Planetary SciencesAgricultural and Biological SciencesPharmacology, Toxicology and PharmaceuticsPhysics and AstronomyMaterials ScienceMultidisciplinaryNeuroscienceImmunology and MicrobiologyChemical EngineeringVeterinaryDentistryChemistryEnergy

http://kwelle.wordpress.com/2014/04/07/bibliometric-analysis-of-social-media-research/#more-149

Forschungsthemen

pointless babble?

Top Thema: Wahlen

#egypt

Dauerthemen

E-Learning Marketing

Marktforschung / Nutzerstudien

Journalismus

Trends?

Vorhersagen Gesundheit Big Data

Was wird erforscht?

• Nutzergruppen • Ereignisse • Zielgruppen • Nutzungspraxis • Informationsflüsse • Einfluss • Meinungen und Stimmungen • Netzwerke • Interaktionen • …

Social Media Daten

Social Media Daten

• Texte

• Bilder

• Videos

• Multimedia

• Verbindungen I (Freunde, Follower)

• Verbindungen II (Links/URLs)

• Verbindungen/Aktionen (Likes, Favs, Kommentare, Downloads)

Beispiel: Twitter Daten

Datenzugang? Twitter APIs

• Nicht explizit für Wissenschaftler entwickelt

• Nicht rückwirkend zugänglich

• Nicht vollständig

Änderungen möglich

https://dev.twitter.com/console

Eige

ne

Use

r-ID

fin

den

: h

ttp

://w

ww

.idfr

om

use

r.co

m/

2013: Twitter und Wahlen No. of Tweets No. Of publications (2013)

0-500 3

501-1.000 4

1.001-5.000 1

5.001-10.000 1

10.001-50.000 7

50.001-100.000 4

100.001-500.000 5

500.001-1.000.000. 3

1.000.001-5.000.000 3

mehr als 5.000.000 3

mehr als 100.000.000 1

mehr als 1.000.000.000 1

keine/ungenaue Angabe 13

Weller, K. (im Druck): Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. Erscheint im R. Reichert:Big Data. http://www.transcript-verlag.de/978-3-8376-2592-9/big-data

Chancen

Top 4: Chancen

#1

Beobachtung von spontanen Interaktionen und flüchtiger

Kommunikation

#2

Daten sind für eine Vielzahl von Ereignissen, Kontexten und Fragestellungen verfügbar.

#3

„Rich data“: Multimedia plus Netzwerke plus Interaktionen

#4

Interdisziplinäres Forschungsumfeld; Möglichkeit, neue Methoden

auszuprobierne und zu kombinieren

Methoden & Tools

Methoden

Content Analysis (qual. / quant.)

Umfrage / Interview) Experiment / Feldforschung

Mehr Methoden?

34

Methoden (in der sozialw. Twitter Forschung)

Weller, K. (2014). What do we get from Twitter – and what not? A close look at Twitter research in the social sciences. Knowledge Organization 41(3), 238-248.

TOOLS

• Datensammlung

• Analyse

Data collection

• dapper: http://open.dapper.net/ • SocSciBot “Web crawler and link analyser for the social sciences and

humanities http://socscibot.wlv.ac.uk • Chorus: http://www.chorusanalytics.co.uk/ • SODATO (Copenhagen Business School):

http://cssl.cbs.dk/software/sodato/ • NVivo 10 (eigenltich Tool für qualitative Inhaltsanalyse), jetzt mit

Import von Tweets, Facebook Posts, YouTube Daten, LinkedIn. • YourTwapperkeeper – für Twitter • Python Packages, z.B. für Wikipedia

36

Social Network Analysis

• NodeXL (mit Datenimport-Funktion)

• ORA (http://www.casos.cs.cmu.edu/projects/ora), a social network analysis (SNA) software package, for basic manipulations and visualization of the network data

• UCINET (http://www.analytictech.com/ucinet)

37

Digital Methods Initiative • https://wiki.digitalmethods.net/Dmi/ToolDatabase

GNIP

TOPSY

YourTwapperkeeper

NodeXL

Network Analysis – basierend auf Excel. Integrierte Funktion zur Sammlung von Daten aus u.a.: • Facebook • Twitter • YouTube • Flickr • Wikipedia

NodeXL

NodeXL

Gephi

Gephi

46

Stephen Wolfram

Daten: Facebook

http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/ 47

Alternative: Crowdsourcing

48

Sentiment Analysis

Dictionaries:

z.B. ANEW

NLP / Sentiment Analysis

• Discover text: http://discovertext.com/

• Twitter NLP: http://www.ark.cs.cmu.edu/TweetNLP/

• Internet Community Text Analyzer (ICTA) http://textanalytics.net

• Twitter NLP and Part-of-Speech Tagging: http://www.ark.cs.cmu.edu/TweetNLP/

• SentiStrength http://sentistrength.wlv.ac.uk/

• Sentiment analysis of Danish texts (by Copenhagen Business School): http://130.226.34.13/dh/sentiment_workshop/demo.php

50

Tool-Klassiker

• Nicht auf Social Media spezialisierte Tools, die man aus der klassischen Methoden-Arbeit kennt.

51

Inhaltsanalyse

52

CAQDAS Computer-Assisted Qualitative Data AnalysiS

– (z.B. MAXQDA, QDAMiner, ATLAS.ti, Qualrus, Nvivo)

– Speech Act Analyse

– Statistik

Data Science?

Oxford Internet Institute

Methoden-Guidelines: http://microsites.oii.ox.ac.uk/tidsr/welcome

Wichtig: Hintergrundwissen

54

Herausforderungen

Top 4: Herausforderungen

#1

Mangel an Theorie

Ende der Theorie?

58

because it’s there?

Big Data vs. Found Data

Ende der Theorie? Sozialwissenschaften

1. Problem

2. Forschungsfrage/

Hypothesen

3. Theorien

4. Methoden

5. Daten

6. Analyse

7. Ergebnispräsentation

Typische Big Data-Analyse

1. Methoden

2. Daten

3. Analyse

4. Ergebnispräsentation

5. Problem

Korrelation vs. Kausalität

Pfeffer, J. (2013). Big data, big research? Opportunities and constraints for computer supported social science.

Keynote zur „Digital methods“-Tagung der DGPuK-Fachgruppe Computervermittelte Kommunikation, Wien.

Abgerufen von http://www.pfeffer.at/slides/DigitalMethods-BigData.pdf

Anfang der Theorie?

“The interesting point is that these limitations can (and have to) be addressed by theory guided research that is typically conducted by social scientists. Accordingly, opportunities emerge for those social and behavioral scientists who are willing to collaborate with the Big Data researchers in the natural, engineering, and computer sciences.”

60

Snijders, C., Matzat, U., & Reips, U.-D. (2012). ‘Big Data’: Big gaps of knowledge in the field of Internet. International Journal of Internet Science, 7, 1-5. Retrieved from http://www.ijis.net/ijis7_1/ijis7_1_editorial.html

#2

„data haves“ vs. „data have-nots“

boyd, danah and Kate Crawford. (2012). “Critical Questions for Big Data”

Technische Herausforderungen

• Zugänglichkeit • Data Sharing • Änderungen • Manipulation (z.B. Twitter Bomb) & Spam • Personalisierte Ergebnisse

• Fehlende Reproduzierbarkeit und

Nachvollziehbarkeit

62

#3

Representativität?

Local Following

Repräsentativität

“The core challenge is that most big data that have received popular attention are not the output of instruments designed to produce valid and reliable data amenable for scientific analysis.“

Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). The parable of Google Flu: Traps in big data analysis. Science, 343(6176), 1203-1205.

Blank, G. (2014). Who uses Twitter? Representativeness of Twitter Users. Presentation at General Online Research GOR 14. Retrieved from: http://conftool.gor.de/conftool14/index.php?page=downloadPaper&filename=Blank-Who_uses_Twitter_Representativeness-119.pptx&form_id=119&form_version=final

34

26

812

1814

10

1712

2328

333035

0

20

40

60

80

100

% w

ho h

ave

done m

ore

th

an n

eve

r

InterestPolitical activities

Interestin politics

Sendpolitical

message

ContactMP online

Re-postpoliticalnews

Politicalcommenton SNS

Findpolitical

facts

Signonline

petition

OxIS current users: 2013 N=1,613

Figure 6: Political Activities of Twitter Users

Twitter user Non-user

Repräsentativitätsprobleme auf mehreren Ebenen

“About a third of all UK Internet users have a twitter profile; a subset of that group are the active tweeters who produce the bulk of content; and then a tiny subset of that group (about 1%) geocode their tweets (essential information if you want to know about where your information is coming from).”

Graham M. (2012). Big data and the end of theory?". The Guardian. Retrieved from: http://www.theguardian.com/news/datablog/2012/mar/09/big-data-theory

Gefahren durch fehlende Repräsentativität

• Diskussion: Menschen, die durch Big Data nicht repräsentiert sind

http://streetbump.org

Siehe auch: http://www.wired.com/2014/03/potholes-big-data-crowdsourcing-way-better-government/

#4

Interdisziplinarität und methodische Standards

Fazit

• Spannendes Forschungsfeld mit viel Pioniergeist

• Beginnende Professionalisierung im Bereich Methoden und Standards

Literatur • Literaturliste zum Thema Big Data in den Sozialwissenschaften:

http://kwelle.wordpress.com/2014/04/12/big-data-links-and-literature/

Literaturempfehlungen

• Ackland, R. (2013). Web Social Science. Los Angeles et al: SAGE.

• Boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication, & Society, 15(5), 662-679.

• Bruns, A. (2013). Faster than the speed of print: Reconciling ‘big data’ social media analysis and academic scholarship. First Monday 10(18). Available http://firstmonday.org/ojs/index.php/fm/article/view/4879

• Giglietto, F., Rossi, L., & Bennato, D. (2012). The Open Laboratory: Limits and Possibilities of Using Facebook, Twitter, and YouTube as a Research Data Source. Journal of Technology in Human Services, 30(3-4), 145–159.

• Karpf, D. (2012). Social science research methods in internet time. Information, Communication & Society, 5(15), 639-661.

• Weller, K., Bruns, A., Burgess, J., Mahrt, M., & Puschmann, C. (2014). Twitter and Society. New York et al.: Peter Lang.

• Williams, S. A., Terras, M. M., Warwick, C. (2013). What do people study when they study Twitter? Classifying Twitter related academic papers. Journal of Documentation, 69(3), 384-410.

Grüße aus Köln!

73

Fragen und Feedback:

Dr. Katrin Weller

GESIS Leibniz Institute for the Social Sciences

katrin.weller@gesis.org

@kwelle

http://katrinweller.net

74