Abgeschlossene Abschlussarbeiten

Die vorliegende Bachelorarbeit befasst sich mit dem Gender Bias (geschlechtsbezogene Verzerrung) in der Online-Enzyklopädie Wikipedia. Wikipedia hat den Anspruch eines neutralen Nachschlagewerkes. Dennoch weisen Studien einen geschlechtsbezogenen Verzerrungseffekt in Artikeln der Wikipedia sowie in kollaborativen Online-Texten (IMDb, Wattpad) und in der medialen Berichterstattung über Politiker:innen nach. Aufgrund dieser Forschungsergebnisse wird untersucht, inwiefern ein Gender Bias und ferner eine Linguistische Erwartungsverzerrung (von engl.: Linguistic Expectancy Bias; LEB) in den deutschsprachigen Wikipedia-Biografien von 75 Regierungsmitgliedern Deutschlands auf Bundes- und Landesebene belegbar ist. Hierzu werden die jeweiligen Biografien (N = 75) der betreffenden Politiker:innen in ihrer zum Stichtag 28.10.2020 aktuellsten Version mittels einer quantitativen Inhaltsanalyse untersucht. Um dabei das LEB zu erforschen, wird der linguistische Abstraktionsgrad in den Personenbeschreibungen der biografischen Texte auf Grundlage des Linguistischen Kategorienmodells (von engl.: Linguistic Category Model; Semin & Fiedler, 1988) auf Satzebene analysiert. Die Sätze, die Personenbeschreibungen enthalten, werden automatisiert mit einer Python-Anwendung nach Schlüsselwörtern (jeweiliges Pronomen und Namen) extrahiert und in Excel-Tabellen ausgegeben. Nach einer manuellen Datenbereinigung werden so n = 3701 Sätze kodiert, davon n = 1409 aus weiblichen und n = 2292 aus männlichen Biografien. Weiterhin auf eine geschlechtsbezogene Verzerrung analysiert werden die Zeichenanzahl und die Quellenanzahl der Artikel. Diese Studie kann kein signifikantes Gender Bias in den deutschsprachigen Wikipedia-Biografien der deutschen Regierungsmitglieder in den untersuchten Dimensionen Abstraktionsgrad, Zeichenanzahl und Quellenanzahl nachweisen. Mögliche Gründe für dieses Ergebnis werden diskutiert.

Die vorliegende Studie untersucht mithilfe einer Framing-Analyse wie Migrant*innen und Geflüchtete in der BILD-Berichterstattung vor und nach dem Attentat auf Hanau dargestellt werden. In einem Zeitraum von 28 Wochen konnten 231 Beiträge der BILD-Zeitung erhoben werden, welche das Thema Migration und Flucht behandelten. Aus der bisherigen Forschungsliteratur wurden mehrere Kategorien zum Thema Framing, Migration und Flucht abgeleitet und in ein Kategoriensystem übertragen. Mittels eines manuell-dimensionsreduzierenden Verfahrens wurden wiederholt auftretende Frame-Elemente codiert und zu Clustern zusammengefasst, welche anschließend als Frames interpretiert wurden. Die Ergebnisse zeigen, dass sich vor und nach dem Attentat auf Hanau überwiegend negative und stereotype Frames in der BILD-Berichterstattung über Migrant*innen und Geflüchtete wiederfinden lassen. Zwar kann konstatiert werden, dass die BILD-Berichterstattung nach dem Attentat auf Hanau zurückhaltender geworden ist, trotz dessen lassen sich negative und stereotype Darstellungen von Migrant*innen und Geflüchteten auch noch nach dem Attentat auf Hanau wiederfinden.

Substanzstörungen sind ein aktuelles und komplexes soziales und gesundheitliches Problem, von dem weltweit Millionen Menschen betroffen sind. Diese explorative Studie untersucht eine Reddit-Community für Menschen, die sich von Substanzstörungen erholen. Sie analysiert inwieweit Unterstützung emotionaler, informativer, wertschätzender und greifbarer Art sowie durch das Netzwerk gefordert und in den Beiträgen und Kommentaren von Nutzern bereitgestellt werden. Weiterhin wird untersucht, ob der Einsatz von Supervised Machine Learning (SML) bei der Klassifizierung der verschiedenen Arten von Unterstützung hilft. Um dies zu erforschen wurde eine quantitative Textanalyse von n=16,880 Beiträgen, unterteilt in n=124,535 Beitragssätze- und n=45,809 Kommentarsätze, durchgeführt. Zunächst wurde eine zufällige Stichprobe manuell in die verschiedenen Arten der sozialen Unterstützung eingeteilt. Diese Ergebnisse dienten als Grundlage, um Sprachmuster zu extrahieren und das SML basierend auf einem logistischen Regressionsalgorithmus zu trainieren und validieren, um die Arten der Unterstützung automatisch im kompletten Datensatz zu klassifizieren. Weiterhin wurden die identifizierten Benutzer gemäß der Anzahl der Beiträge als Superusers, Contributors oder Lurkers klassifiziert. Die Ergebnisse zeigen, dass Benutzer den Austausch von Information bevorzugten, gefolgt von emotionaler und wertschätzender Unterstützung sowohl bei Beitragen als auch bei Kommentaren. Diese Ergebnisse wurden teilweise durch die automatisierte Klassifizierung repliziert. Allgemeine soziale und informative Unterstützung kann auf Basis der verwendeten Wörter und sprachlichen Merkmale vorhergesagt werden, z. B. in Form Fragen, Ausrufezeichen und Dankbarkeitsausdrücken. Letztendlich waren 22% aller Benutzer Superusers, 26% Contributors und 52% Lurkers. Die Kombination aus unterstützenden Inhalten in der Community, in der die Mitglieder sehr engagiert sind, kann als Instrument für Einzelpersonen dienen, die die Erholung von Substanzstörungen durchlaufen und bewältigen, um Informationen, Antrieb und Bestätigung zu finden. Diese Studie gewährt einen ersten Einblick in die groß angelegte Identifizierung von Benutzerinteraktionen und gibt Hinweise für die Verwendung der automatischen Sprachklassifizierung vor, um die soziale Unterstützung von Substanzstörungen aus computerbasierten Sicht zu verstehen.

Bisherige Untersuchungen zeigen, dass heute noch messbare sozioökonomische Unterschiede und bekannte Stereotype zwischen Ost- und Westdeutschland bestehen. Innerhalb dieser Problemsituation nehmen die traditionellen Medien wahrscheinlich eine entscheidende Stellung ein, indem sie Stereotype über Ostdeutsche verbreiten und aufrechterhalten, während über die Rolle der sozialen Medien in diesem Kontext wenig bekannt ist. Diese explorative Studie versucht mit Hilfe von Supervised Machine Learning zu untersuchen, wie verbreitet Stereotype gegenüber Ostdeutschen auf Twitter sind, welche genauen Stereotype gefunden werden können und welchen Teilbereich der Gesellschaft die stereotypen Tweets besonders betreffen. Zur Untersuchung dieser Fragen wurde ein Datensatz mit N = 106.616 Tweets erhoben, basierend auf weitgehend neutralen gesellschaftlichen Ereignissen, die im gesamten Jahr 2019 innerhalb Ostdeutschlands stattfanden. Eine Zufallsstichprobe von n = 14.271 Tweets wurde manuell in die zwei Klassen "biased" und "nicht biased" eingeteilt und diente somit als Trainingsdaten für verschiedene Modelle zum Erlernen der Konzepte stereotyper Sprache gegenüber Ostdeutschen. Ein sehr reliables Modell zur automatischen Klassifizierung des gesamten Datensatzes konnte nicht entworfen werden, allerdings würden die vorliegenden Modelle jetzt schon die Größe des gesamten Datensatzes deutlich verringern während fehlerhafte Klassifizierungen leicht von Hand korrigiert werden könnten. Darüberhinaus deutet die Modellierung und eine Textanalyse der Trainingsdaten darauf hin, dass stereotype Tweets die Minderheit im Datensatz sind wobei der Bereich Politik am häufigsten in den voreingenommenen Tweets angesprochen wurde. Die Analyse der Trainingsdaten und ihrer geringen Anzahl an voreingenommenen Tweets bestätigt möglicherweise frühere Forschungen und lässt darauf schließen, dass vor allem im Rahmen der ostdeutschen Wahlen das Stereotyp einer Gleichgültigkeit gegenüber dem Nationalsozialismus, eines polarisierten Wahlverhaltens und einer Offenheit gegenüber Radikalisierung ausgedrückt wurde, wodurch die jeweilige ostdeutsche Wahlbevölkerung wahrscheinlich als Belastung für den Rest Deutschlands stigmatisiert wird. Ob sich diese Annahmen bewahrheiten muss allerdings in einer zukünftigen vollständigen Inhaltsanalyse des gesamten Datensatzes geprüft werden. Die zahlreichen Limitationen werden diskutiert und ein Ausblick wird gegeben, wie man dieses Projekt verbessern und weiterführen könnte. Der Wert dieser Arbeit für den Bereich der computationalen Kommunikationswissenschaft liegt vermutlich im erstmaligen Test des benutzten Scraping-Tools, in der Entwicklung von Text-Features die scheinbar kategorisierende Phrasen messbar machen, in der Benutzung eines neuen R Pakets welches die Modellierung von Textdaten voraussichtlich vereinfachen wird und in dem Vorschlag eines Verfahrens zur Klassifikation und Bestimmung stereotyper Sprache gegenüber Ostdeutschen auf Twitter.

Die vorliegende Studie befasst sich mit den Förderungsmöglichkeiten von sozialer Unterstützung durch Mitarbeiter-Apps. In diesem Kontext soll auch erforscht werden, welche Rolle soziale Unterstützung bei Einführung und Pflege einer Mitarbeiter-App spielt. Theoretisch fundiert wird diese Untersuchung durch die Betrachtung von Voraussetzungen und Wirkungen von sozialer Unterstützung am Arbeitsplatz. Für Mitarbeiter-Apps werden zentrale Anwendungsfälle definiert und wichtige Funktionen aufgelistet. Vier Leitfadeninterviews wurden mit Expertinnen aus dem Bereich interne Unternehmenskommunikation geführt und anschließend mittels einer qualitativen Inhaltsanalyse ausgewertet. Es zeigte sich, dass insbesondere die Förderung der Unternehmenskultur als Voraussetzung für soziale Unterstützung am Arbeitsplatz eine große Rolle in Mitarbeiter-Apps spielt. Vor allem Funktionen, die die Partizipation von Mitarbeitenden ermöglichen, eignen sich zur Umsetzung. Es gilt, diese Thematik mit größeren Stichproben und quantitativen Methoden genauer zu untersuchen.