Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerierter Daten

  • 1,606 views
Uploaded on

Presentation at „Big Data“ Workshop for research group Political Communication in the Online World. …

Presentation at „Big Data“ Workshop for research group Political Communication in the Online World.
Düsseldorf, 13.04.2014.

More in: Social Media
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
No Downloads

Views

Total Views
1,606
On Slideshare
0
From Embeds
0
Number of Embeds
2

Actions

Shares
Downloads
7
Comments
1
Likes
1

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. BIG DATAGEWINNUNG, AUSWERTUNG UND DARSTELLUNG GROßER MENGEN ONLINEGENERIERTER DATEN IN DEN SOZIALWISSENSCHAFTEN WORKSHOP AN DER HEINRICH-HEINE-UNIVERSITÄT DÜSSELDORF 13.04.2014 DOZENTIN: KATRIN WELLER UND KOMMENTARE VON: MERJA MAHRT
  • 2. WILLKOMMEN! Dr. Katrin Weller GESIS Leibniz Institut für Sozialwissenschaften katrin.weller@gesis.org @kwelle http://katrinweller.net Dr. Merja Mahrt Heinrich-Heine-Universität Düsseldorf mahrt@phil.uni-duesseldorf.de https://www.phil-fak.uni-duesseldorf.de/kmw- weiss/mitarbeiterinnen/dr-merja-mahrt/ 2
  • 3. 1. EINFÜHRUNG 3
  • 4. „I keep saying that the sexy job in the next 10 years will be statisticians,“ said Hal Varian, chief economist at Google. „And I’m not kidding.“ „The ability to take data - to be able to understand it, to process it, to extract value from it, to visualize it, to communicate it - that's going to be a hugely important skill in the next decades...“ http://www.mckinsey.com/insights/innovation/hal_varian_on_how_the_web_challenges_managers 4
  • 5. 5 Google Trends Suche „big data“
  • 6. 6 Amazon Suche „big data“
  • 7. WIE GROß IST GROß? • Datensätze, die nur von Supercomputern bearbeitet werden können? • Terabyte, Petabytes und Exabytes? • So groß, dass man die Daten nicht mehr händisch analysieren kann? 7
  • 8. BIG DATA (FRÜHER) „large surveys such as th NCVS may have 60,000 or more observations, and only recently has research begun on how to plot these massive datasets“ 1996, Fesco et al. aus: Unwin, A. / Theus, M. / Hofmann, H., Graphics of Large Datasets. Visualizing a Million (= Statistics and Computing), Springer 2006. Beispiele via Thomas Rahlf „the analysis of data recorded by Tel-Star, an early communication satellite, involved tens of thousands of observations and challenged contemporary computing technology“ 1965, Chambers „restricted in their analysis because the software there could only handle 88,000 real numbers.“ 1981, Aitken et al. 8
  • 9. >900 Millionen Facebook-Nutzer, 30 Petabyte Daten (täglich kommen etwa 15 Terabyte hinzu ) täglich zu verarbeitendes Datenvolumen bei Facebook: 500 Terabyte, (mehr als das zehnfache der täglichen Datenproduktion der Detektoren des großen Teilchenbeschleunigers im Forschungszentrum Cern) Youtube: vier Milliarden Views pro Tag, davon 500 Millionen mobil. App-Store (2008 eröffnet): 25 Milliarden Downloads (2012) Google-Earth: > 1 Milliarde Downloads 400 Millionen Twitter Tweets weltweit pro Tag BIG DATA (HEUTE) 9 Beispiele via Thomas Rahlf
  • 10. ARTEN VON BIG DATA? • Naturwissenschaftliche Forschung: z.B. Klimadaten, Genetik („Big Science“) • Finanz-Sektor: Börsendaten, Bankbewegungen • Gesundheitswesen: z.B.Krankenhausdaten, Krankmeldungen • Verwaltungsdaten aus öffentlichen Einrichtungen) / Open Governmental Data (auch unter Linked Open Data) • Kundendaten: z.B. Kassendaten, Telefonverbindungsdaten, Treukartendaten • Social Media Daten: Aktionen und Kommentare z.B. auf Facebook, Youtube, Wikipedia • Andere Online-Nutzungsdaten: z.B. Suchanfragen, Seitenaufrufe, Online-Käufe, Bewertungen • Gerätedaten / Sensordaten: z.B. GPS-Signale aus Navigationssystemen, RFID Chips 10
  • 11. AKTEURE 11 “Big Data is a Big Deal” http://www.whitehouse.gov/blog/2012/03/29/big-data-big-deal
  • 12. AKTEURE • Wissenschaft: immer mehr Disziplinen, z.B. Informatik, Bio- Informatik, Physik, Wirtschaftswissenschaft, Mathematik, Politikwissenschaft, Soziologie… • Privatwirtschaft: Unternehmen als Datenerzeuger und Besitzer; Marktforschung • Öffentlicher Sektor / Verwaltung • Politik / Geheimdienste • Nutzer: Citizen Science / Crowdsourcing 12
  • 13. BIG DATA, SMALL DATA? NEW DATA! 13 Diskussion: Was liefern diese Daten Neues? • Möglichkeiten für zeitnahe Analysen und Prognosen • Entdeckung von Unregelmäßigkeiten (z.B. Epidemien, Finanzen), Entscheidungshilfe in Krisensituationen. Diskussion: Woher kommt der Hype? • Bessere Rechnerkapazität • Zunehmend „beiläufige“ Datenerzeugung
  • 14. FAZIT • Es gibt keine einheitliche Definition für Big Data – die Einschätzung, was als „big“ gilt, ist stark kontextabhängig und kann sich im Laufe der Zeit verändern. • Unterschiedliche Akteure haben unterschiedliche Interessen im Umgang mit Big Data. 14
  • 15. 2. MÖGLICHKEITEN UND BEISPIELE 15
  • 16. BEISPIEL-TYPEN 16 Ansätze Agrregierte Daten auslesen Prognosen Textanalysen (CL) Sentiment analysis Event detection Worthäufigkeit Netzwerke Geo-Analysen
  • 17. Ansätze Agrregierte Daten auslesen Prognosen Textanalysen (CL) Sentiment analysis Event detection Worthäufigkeit Netzwerke Geo-Analysen BIG DATA IN DEN SOZIALWISSENSCHAFTEN 17 Wahlvorhersage Politische Stimmungen, Kundenzufriedenheit Politische Krisen erkennen Akteursnetze, z.B. Politiker Ortsbezug bei Meinungsanalysen
  • 18. VORHERSAGEN 18
  • 19. DER KLASSIKER 19 http://www.google.org/flutrends/de/#DE-NW
  • 20. GOOGLE FLU TRENDS “In short, the initial version of GFT was part flu detector, part winter detector.“ (Lazer et al., 2014) • Googles Ergebnisse sind nicht besser als „klassische“ Vorhersagedaten. • Aber: Kombination ist sinnvoll. 20 Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). The parable of Google Flu: Traps in big data analysis. Science, 343(6176), 1203-1205.
  • 21. ARBEITSLOSIGKEIT Nikolaos Askitas / Klaus F. Zimmermann, Google Econometrics and Unemployment Forecasting, Forschungsinstitut zur Zukunft der Arbeit IZA DP No. 4201. June 2009. Daten: Google 21
  • 22. WAHLERGEBNISSE 22 Metaxas, P. T., Mustafaraj, E., & Gayo-Avello, D. (2011, 9-11 Oct. 2011). How (not) to predict elections. Paper presented at the Privacy, security, risk and trust (passat) conference, Boston, MA. Doi: 10.1109/PASSAT/SocialCom.2011.98
  • 23. WEITERE ANSÄTZE • Eurovision Song Contest Sieger • Box Office Revenue • Aktienkurse, Wechselkurse • … 23
  • 24. STIMMUNGEN 24
  • 25. Northeastern University and Harvard University Daten: Twitter. http://www.ccs.neu.edu/home/amislove/twittermood/ 25
  • 26. 00000000 000 Rahlf, T. (2014). Datendesign mit R: 100 Visualisierungsbeispiele. München: open source press. Daten: Facebook 26
  • 27. WER SPRICHT ÜBER… 27
  • 28. SENTIMENT ANALYSE FÜR POLITIK-TWEETS 28 Bakliwal, et al. (2013). Sentiment Analysis of Political Tweets: Towards an Accurate Classifier. In Workshop on Language Analysis in Social Media (LASM 2013), Atlanta, Georgia, US. Retrieved from: http://www.mpi- sws.org/~cristian/LASM_2013_files/LASM/pdf/LASM06.pdf
  • 29. GEO-DATEN 29
  • 30. MOBILITÄT Livehood Project Daten: Foursquare (via Twitter) http://livehoods.org/maps/montreal 30
  • 31. 31 ALLTAG http://www.nytimes.com/interactive/2009/11/26/us/20091126-search-graphic.html?_r=0 Daten aus: Allrecipes.com
  • 32. WEITERE ANSÄTZE • Mietspiegel, z.B. mit Immobilienscout. • Naturkatastrophen • Sprachgebrauch 32 http://www.guardian.co.uk/news/datablog/2012/nov/28/data- shadows-twitter-uk-floods-mapped#zoomed-picture
  • 33. NETZWERKE 33
  • 34. WER KENNT WEN? 34 Facebook (Paul Butler) Daten: Facebook https://www.facebook.com/note.php?note_id=469716398919
  • 35. INTERAKTION 35 Paßmann, J., Boeschoten, T., & Shäfer, M.T. (2014). The Gift of the Gab: Retweet Cartels and Gift Economies on Twitter. In K. Weller, A. Bruns, J. Burgess, M. Mahrt & C. Puschmann (Eds.), Twitter and Society. New York et al.: Peter Lang.
  • 36. WEITERE DATEN FÜR SOZIALWISSENSCHAFTLER? • Ebay: Kaufverhalten, Preisentwicklung • Wikipedia: Versionshistorie von „umstrittenen“ Themen. • Google: Häufigkeiten von Suchbegriffen • Kommentare • Bewertungen: Amazon, Movie Ratings, … • Video on Demand: Netflix, Lovefilm, YouTube, … • TV-Backchannel: z.B. Twitter • RFID Chips für Interaktionen • Voting Advice Applications: Wahl-O-Mat 36
  • 37. CASE STUDIES 37
  • 38. BEISPIEL: TWITTER & WAHLEN 38 0 10 20 30 40 50 60 2008 2009 2010 2011 2012 2013 Twitter and elections (Scopus and Web of Science) Weller, K (im Druck): Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. Erscheint in: R. Reichert (Hrsg), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie. Transcript.
  • 39. Year of election Name of election Country/region No. of papers (2013) Date of election 2008 40th Canadian General Election Canada 1 14.10.20 08 2009 European Parliament election, 2009 Europe 1 07.06.20 09 2009 German federal election, 2009 Germany 2 27.09.20 09 2010 2010 UK general election United Kingdom 4 06.05.20 10 2010 South Korean local elections, 2010 South Korea 1 02.06.20 10 2010 Dutch general election, 2010 Netherlands 2 09.06.20 10 2010 Australian federal election, 2010 Australia 1 21.08.20 10 2010 Swedish general election, 2010 Sweden 1 19.09.20 10 2010 Midterm elections / United States House of Representatives elections, 2010 USA 4 02.11.20 10 2010 Gubernational elections: Georgia USA 1 02.11.20 10 2010 Gubernational elections: Ohio USA 1 02.11.20 10 2010 Gubernational elections: Rhode Island USA 1 02.11.20 10 2010 Gubernational elections: Vermont USA 1 02.11.20 10 2010 2010 superintendent elections South Korea 1 17.12.20 10 2011 Baden-Württemberg state election, 2011 Germany 1 27.03.20 11 2011 Rhineland-Palatinate state election, 2011 Germany 1 27.03.20 11 2011 Scottish parliament election 2011 Scotland 1 05.05.20 11 2011 Singapore’s 16th parliamentary General Election Singapore 1 07.05.20 11 2011 Norwegian local elections, 2011 Norway 2 12.09.20 11 2011 2011 Danish parliamentary election Denmark 2 15.09.20 11
  • 40. 2011 Scottish parliament election 2011 Scotland 1 05.05.20 11 2011 Singapore’s 16th parliamentary General Election Singapore 1 07.05.20 11 2011 Norwegian local elections, 2011 Norway 2 12.09.20 11 2011 2011 Danish parliamentary election Denmark 2 15.09.20 11 2011 Berlin state election, 2011 Germany 2 18.09.20 11 2011 Gubernational elections: West Virginia USA 1 04.10.20 11 2011 Gubernational elections: Louisiana USA 1 22.10.20 11 2011 Swiss federal election, 2011 Switzerland 1 23.10.20 11 2011 2011 Seoul mayoral elections South Korea 1 26.10.20 11 2011 Gubernational eletions: Kentucky USA 1 08.11.20 11 2011 Gubernational elections: Mississippi USA 1 08.11.20 11 2011 Spanish national election 2011 Spain 1 20.11.20 11 2012 Queensland State election Australia 1 24.03.20 12 2012 South Korean legislative election, 2012 South Korea 1 11.04.20 12 2012 French presidential election, 2012 France 2 22.04.20 12 2012 Mexican general election, 2012 Mexico 1 01.07.20 12 2012 United States presidential election, 2012 / United States House of Representatives elections, 2012 USA 17 06.11.20 12 2012 South Korean presidential election, 2012 South Korea 2 19.12.20 12 2013 Ecuadorian general election, 2013 Ecuador 1 17.02.20 13 2013 Venezuelan presidential election, 2013 Venezuela 1 14.04.20 13 2013 Paraguayan general election, 2013 Paraguay 1 21.04.20 13
  • 41. BIG DATA? 2013: TWITTER AND ELECTION 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
  • 42. METHODEN Methodisch unterscheiden sich die Studien weiter darin, ob sie... • Tweet-Inhalte analysieren (automatisch mit Sprachverarbeitungsprogrammen oder manuell codiert), • Nutzer-Profile und Nutzer-Netzwerke vermessen, • Tweet-Typen unterscheiden • oder URLs in Tweets untersuchen. • Neben Wahlvorhersagen können auch Verfahren zur automatischen Erkennung von Stimmungen in Tweets (Sentiment Analyse) als wiederkehrende Thematik indentifiziert werden. Knapp mehr als die Hälfte der betrachteten Studien (26 von 49) setzen die Twitter-Datensätze mit anderen Daten in Beziehung. Dabei kann es sich sowohl um Wahlprognosen und Wahlergebnisse oder Umfragedaten handeln, als auch um Daten aus anderen Social-Media-Diensten wie Facebook oder Blogs. 42 Weller, K (im Druck): Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. Erscheint in: R. Reichert (Hrsg), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie. Transcript.
  • 43. BEISPIEL: POLITISCHE KOMMUNIKATION 43 Scharkow, M., & Vogelgesang, J. (2011). Measuring the public agenda using search engine queries. International Journal of Public Opinion Research, 23(1), 104-113. doi: 10.1093/ijpor/edq048
  • 44. BEISPIEL: MEDIALE KOMMUNIKATION 44 Groshek, J., & Groshek, M. C. (2013). Agenda trending: Reciprocity and the predictive capacity of social networking sites in intermedia agenda setting across topics over time. Media and Communication, 1(1), 15-27. doi: 10.12924/mac2013.01010015
  • 45. FAZIT Big Data, die für Sozialwissenschaftler interessant sind, sind nicht unbedingt die größten Datensätze. Entscheidend ist hier die Art der Daten und die damit verbundenen ggf. neuartigen Einblicke. Die neuen Daten werfen aber auch viele neue Fragen auf, v.a. bezüglich der Methoden. 45
  • 46. 3. METHODEN UND HERAUSFORDERUNGEN 46
  • 47. 47 METHODEN (IN DER SOZIALW. TWITTER FORSCHUNG) Weller, K. (in press). What do we get from Twitter – and what not? A close look at Twitter research in the social sciences. Knowledge Organization.
  • 48. QUELLEN FÜR BIG DATA • Application Programming Interface (API) • Web Crawling • Reseller • Crowdsourcing (z.B. 23andMe) • Bislang kaum: Datenarchive, Korpora. 48
  • 49. 49
  • 50. DATENSAMMLUNG Datenquelle Anzahl Keine Angabe 11 Manuelle Datensammlung auf der Twitter-Website (Copy-Paste / Screenshot) 6 Twitter API (one näheren Angaben) 8 Twitter Search API 3 Twitter Streaming API 1 Twitter Rest API 1 Twitter API user timeline 1 Selbstgeschriebenes Programm mit Zugriff auf Twitter APIs 4 Twitter Gardenhose 1 Offizielle Reseller (Gnip, DataSift) 3 YourTwapperKeeper 3 Andere Drittanbieter (z.B. Topsy) 6 Von Kooperationspartner erhalten 1 50 Weller, K (im Druck): Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. Erscheint in: R. Reichert (Hrsg), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie. Transcript. Twitter and Election (2013 papers)
  • 51. TOOLS ZUR DATENSAMMLUNG UND -ANALYSE 51
  • 52. DIGITAL METHODS INITIATIVE https://wiki.digitalmethods.net/Dmi/ToolDatabase
  • 53. GNIP
  • 54. TOPSY
  • 55. YOURTWAPPERKEEPER
  • 56. NODEXL Network Analysis Sammelt Daten aus (u.a.): Facebook, Twitter, YouTube, Flickr, Wikipedia
  • 57. NODEXL NodeXLGraphGallery.org
  • 58. GEPHI
  • 59. Stephen Wolfram Daten: Facebook http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/ 59 ALTERNATIVE: CROWDSOURCING
  • 60. 60 Stephen Wolfram Daten: Facebook http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/
  • 61. TECHNISCHE HERAUSFORDERUNGEN 61
  • 62. TECHNISCHE HERAUSFORDERUNGEN • Zugänglichkeit • Data Sharing • Änderungen • Manipulation (z.B. Twitter Bomb) & Spam • Personalisierte Ergebnisse  Fehlende Reproduzierbarkeit und Nachvollziehbarkeit 62
  • 63. ENDE DER THEORIE? 63 because it’s there? Big Data vs. Found Data
  • 64. ENDE DER THEORIE? Sozialwissenschaften 1. Problem 2. Forschungsfrage/ Hypothesen 3. Theorien 4. Methoden 5. Daten 6. Analyse 7. Ergebnispräsentation 64 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
  • 65. 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.” 65 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
  • 66. METHODENPROBLEME “There are a lot of small data problems that occur in big data,” says Spiegelhalter. “They don’t disappear because you’ve got lots of the stuff. They get worse.” Tim Harford (2014): Big data: are we making a big mistake? FT Magazine, retrieved from: http://www.ft.com/cms/s/2/21a6e7d8-b479-11e3-a09a- 00144feabdc0.html#axzz2xGqAnW8a?utm_source=pocket&utm_medium=email&utm_campaign=pockethits 66
  • 67. 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.“ 67 Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). The parable of Google Flu: Traps in big data analysis. Science, 343(6176), 1203-1205.
  • 68. REPRÄSENTATIVITÄT Sampling Bias N = All 68
  • 69. REPRÄSENTATIVITÄT 69 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 13 29 14 44 17 51 32 56 44 69 54 74 44 82 67 87 75 87 73 99 0 20 40 60 80 100 ViceCreative produc- tion Blog- ging School & work Info- tain- ment Commer- cial activity Enter- tain- ment Classic news Infor- mation seeking Social- ize OxIS current users: 2013 N=1,613 Figure 2: Activities of Twitter Users & Non-users Twitter user Non-user
  • 70. REPRÄSENTATIVITÄT 70 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 8 12 18 14 10 17 12 23 28 3330 35 0 20 40 60 80 100 InterestPolitical activities Interest in politics Send political message Contact MP online Re-post political news Political comment on SNS Find political facts Sign online petition OxIS current users: 2013 N=1,613 Figure 6: Political Activities of Twitter Users Twitter user Non-user
  • 71. REPRÄSENTATIVITÄTS- PROBLEME 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).” 71 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
  • 72. GEFAHREN DURCH FEHLENDE REPRÄSENTATIVITÄT Diskussion: Menschen, die durch Big Data nicht repräsentiert sind 72 http://streetbump.org Siehe auch: http://www.wired.com/2014/03/potholes-big-data- crowdsourcing-way-better-government/
  • 73. ETHIK 73
  • 74. DISKUSSION Informed Consent? Öffentlichkeit der Daten? Bislang keine Standards, aber Diskussionen. 74
  • 75. 4. ÜBUNG 75
  • 76. LANDTAGSWAHL NRW 2012 76 • Vorgezogene Wahl am 13. Mai 2012. • Rot-grüne Mehrheit, Kraft bleibt Ministerpräsidentin • CDU schlechtestes Ergebnis seit 1947, Rücktritt Röttgen • Piratenpartei erstmals im Landtag • Linke scheitert an 5%-Hürde http://de.wikipedia.org/wiki/Landtagswahl_in_Nordrhein-Westfalen_2012
  • 77. LANDTAGSWAHL BEI TWITTER 77 Hashtag Tweets (27.03.-15.06.13) #ltw12 5.656 #ltwnrw 11.116 #ltw2012 165 #ltwnrw12 1.621 #ltwnrw2012 27 #nrw12 41.106 #nrw2012 1.991 Total (ohne Dubletten) 56.145 Demmer, C.J., & Weller, K. (2013). Stimmungsschwankungen bei Twitter? Eine Sentiment-Analyse anhand von Tweets nach der Landtagswahl in Nordrhein-Westfalen 2012. In H.-C. Hobohm (Ed.), Proceedings of the 13th International Symposium of Information Science (ISI 2013), Potsdam, March 2013 (pp. 482-485). Glückstadt: Hülsbusch.
  • 78. 78 PERSONEN UND PARTEIEN BEI TWITTER @nrwspd @gruenenrw @cdunrw_de @fdp_nrw @dielinkenrw @piratennrw
  • 79. 79 PERSONEN UND PARTEIEN BEI TWITTER @hannelorekraft (Sylvia Löhrmann) (Norbert Röttgen) @c_lindner Katharina Schwabedissen @Nick_Haflinger
  • 80. CSV IMPORTIEREN 80
  • 81. CSV IMPORTIEREN 81
  • 82. WER DISKUTIERT MIT? Aufgabe: #nrw12 oder #ltw12 oder #tlwnrw Tweets öffnen Nutzer identifizieren, die min. einen Tweet geschrieben haben. Wie viele Nutzer haben genau einen Tweet? Wie sieht die Verteilung der Tweets pro User aus? Wer sind die fünf aktivsten Nutzer? 82
  • 83. HASHTAG-DISKUSSION 27.03.-15.06.2013 83 10.438 User Davon 5.048 mit mehr als 1 Tweet 2.046 mit mehr als 5 Tweets 0 100 200 300 400 500 600 700 1 501 1001 1501 2001 Tweets pro User
  • 84. WAS MACHEN DIE KANDIDATEN? Aufgabe: einen der Kandidaten auswählen, Dateien fromKandidat und atKandidat öffnen Wie viele Tweets hat „ihr Kandidat“ veröffentlicht? Wie viele @messages und Retweets hat „ihr“ Kandidat erhalten? Was wurde besonders häufig geretweetet? 84
  • 85. NETZWERK: BUNDESTAGSWAHL 85 following 85 Lietz, H., Wagner, C., Bleier, A., & Strohmaier, M. (2014). When politicians talk: Assessing online conversational practices of political parties on twitter. In International AAAI Conference on Weblogs and Social Media (ICWSM2014), Ann Arbor, MI, USA, June 2-4, 2014. mentioningretweeting
  • 86. WEITERE EINBLICKE #ltw12 Tweets • Wie viele Tweets haben einen Geo-Code? • Tweets im Zeitverlauf? 86
  • 87. ZEITVERLAUF BUNDESTAGSWAHL 87 Gummer, T., Roßmann, J., & Wolf, C. (2014). Candidates’ Twitter Use in the German Election 2013. Presentation at the General Online Research 2014, Cologne, Germany.
  • 88. 88 ZEITVERLAUF BUNDESTAGSWAHL Gummer, T., Roßmann, J., & Wolf, C. (2014). Candidates’ Twitter Use in the German Election 2013. Presentation at the General Online Research 2014, Cologne, Germany.
  • 89. TWEET-INHALTE 1. Manuelle Codierung • Ca. 10 Tweets lesen – was fällt auf? 2. Automatische Analyse möglich? • Problem: deutschsprachige Texte • http://sentistrength.wlv.ac.uk/ ausprobieren mit einzelnen englischen Tweets (z.B. Twitter suche nach election https://twitter.com/search) 89
  • 90. DISKUSSION Welche Fragestellungen wären interessant? 90
  • 91. 4. FAZIT & DISKUSSION 91
  • 92. EINFLUSS? Welche Rolle kann Big Data langfristig in den Sozialwissenschaften spielen? 92
  • 93. NEUE WISSENSCHAFT? Data Science? Computational Social Science? „scientization of social research“ Welche neuen Fähigkeiten müssen erlernt werden? Verändert sich die Fachausbildung? 93
  • 94. NEUE JOBS? Data Journalist? 94
  • 95. VIELEN DANK! 95
  • 96. LITERATUR Die Literaturliste ist verfügbar unter: http://kwelle.wordpress.com/2014/04/12/big-data-links-and-literature/ 96