28.03.2019. Im März 2019 hat Goldmedia zum dritten Mal den Preis für innovative Abschlussarbeiten im Bereich Medienwirtschaft an Nachwuchswissenschaftler/innen vergeben. Mit dem Goldmedia-Preis sollen medienwirtschaftliche Forschungsthemen gefördert und deren Publikation unterstützt werden. An den Hochschulen und Universitäten entstehen jedes Jahr viele Abschlussarbeiten, deren Themen brandaktuell und von hoher gesellschaftlicher Relevanz sind. In den nächsten Wochen wollen wir im Goldmedia-Blog einige der Preisträger und ihre Abschlussarbeiten vorstellen.

Goldmedia hat in diesem Jahr drei erste Preise verliehen und zehn weitere Arbeiten mit einer Urkunde gewürdigt.

Ein erster Preis geht an Janice Butler für ihre Abschlussarbeit:

Optimierung von Meinungsführerschaft auf Twitter

• Bachelorarbeit Juni 2018, Universität Freiburg (CH)

“Der Gedanke, dass es Menschen gibt, die derartig andere beeinflussen können, hat mich sofort gepackt.” Janice Butler im Kurzinterview

Wir haben Janice Butler gefragt, warum sie gerade dieses Thema gewählt hat, was die größten Herausforderungen und überraschendsten Ergebnisse ihrer Arbeit waren.

Was waren die Gründe, gerade dieses Thema zu wählen?

Janice Butler: Das Thema «Meinungsführer» hat mich schon zu Beginn meines Studiums fasziniert, als ich in einer der ersten Vorlesungen von Professor Fahr – der auch der Betreuer meiner Arbeit war – davon gehört habe. Ich wollte unbedingt mich mit dem Thema in meinem Studium beschäftigen, hatte aber bis zu dem Zeitpunkt meiner Bachelorarbeit nie Gelegenheit dazu. Der Gedanke, dass es Menschen gibt, die derartig andere beeinflussen können, hat mich sofort gepackt. Zudem wollte ich den Crossover-Ansatz zwischen ganz modernen Aspekten von IT und klassischen kommunikationswissenschaftlichen Themen ernsthaft angehen.

Was war die größte Herausforderung bei der Beschäftigung mit dem Thema?

Janice Butler: Zu Beginn der Arbeit gab es die Überlegung, eine mathematische oder statistische Methodik zu finden, die eine Simulation von bereits erfolgreichen Mustern in Social Media Netzwerken replizieren könnte. Das Ziel war, eine Intensivierung der Merkmale von erfolgreichen Meinungsführern zu erreichen. Schnell stellte sich heraus, dass das Konzept der neuronalen Netzwerke ideal für das Ziel der Arbeit wäre. Dies hat eine technische Einarbeitung und Umsetzung in MATLAB mit sich gebracht und für mich ganz neue und spannende Themen wie Word Embeddings aufgeworfen.

Was ist das wichtigste oder überraschendste Ergebnis Ihrer Arbeit?

Janice Butler:  Nachdem ich sehr grosse Mengen von Twitter-Daten aufbereitet hatte, ist mir relativ spät im Projekt aufgefallen, dass ich mit praktisch dem gleichen Code und nur noch ein paar Tage zusätzlich betriebenem Aufwand, die Arbeit um eine Sentiment Analyse erweitern konnte. Faszinierend dabei war, dass es sogar zu statistisch noch besseren Ergebnissen bei den Vorhersagen von Sentiment-Analysen als bei Opinion-Leadership führte.

Durch die Durchführung des Projektes habe ich mein Verständnis für das neue Feld der künstlichen Intelligenz deutlich erweitert. Sowohl unsupervised als auch supervised Training von neuronalen Netzwerken habe ich an unterschiedlichen Stellen im Projekt sinnvoll und in einem sozialwissenschaftlichen Rahmen anwenden können.

Abstract zur Bachelorarbeit “Optimierung von Meinungsführerschaft auf Twitter” (Autorin: Janice Butler)

Meinungsführer stellen eine aus vielerlei Hinsicht interessante Gruppe dar, da sie einen erheblichen Einfluss auf Bezugsgruppen ausüben können. Sie sind charakterisiert durch ein intensives Involvement und Wissen in ihrem Themengebiet und durch die Pflege von Kontakten zu vielen Personen. Dabei nehmen Meinungsführer einen hohen Status in dem Teilbereich der Gesellschaft ein, der sich auf ihr Thema konzentriert. Sie beeinflussen auf vielfältige Art und Weise, indem sie zum Beispiel als Rollenvorbilder handeln, Verhaltensveränderungen herbeiführen, Informationen weiterverbreiten und Rat erteilen. Zahlreiche Opinion Leader werden darüber hinaus von Unternehmen angeworben, um spezifische Produkte und Dienste mittels den Sozialen Medien an vorbestimmte Zielgruppen zu vermarkten. Somit besteht von den Opinion Leadern selbst, wie auch von einem möglichen Auftraggeber, grosses Interesse darin, ihre Social Media Beiträge so zu gestalten, dass eine Intensivierung der Meinungsführerschaft hervorgeht.

Soziale Netzwerke wurden bisher sehr häufig mittels Netzwerkanalysen durchleuchtet. Ergebnisse dieser Massendaten-Analysen wurden jedoch bis dato nicht weiter als Input zum supervised Training von neuronalen Netzen verwendet. Dieser empirische Beitrag stellt neuronale Netzwerke als einen Lösungsansatz vor, um textuelle Daten meinungsbildend zu optimieren. Empirisch untersucht werden somit Optimierungsmethoden für Meinungsführer auf der Micro Blogging-Plattform Twitter, indem die Posts von Meinungsführern analysiert und die erkannten Muster in einem neuronalen Netzwerk simuliert werden. Durch empirische Analysen und Deep Learning Techniken werden dabei Methoden bereitgestellt, welche potentiell in der Optimierung der Nachrichtensemantik von Meinungsführern auf der Micro Blogging-Plattform Twitter verwendet werden können.

In einem ersten Schritt wurden semantische und topologische Twitter-Daten für eine aus der Theorie abgeleiteten soziale Netzwerk-Archetype (community cluster) für einen Zeitraum von 12 Monaten verwendet. Zu diesem Zweck wurde der Hashtag #unfoundation ermittelt, dessen Netzwerk-Struktur einem Community Cluster entspricht. Das passende Hashtag verbindet logisch die verschiedenen Subthemen, welche die UN-Foundation unterstützt, wie beispielsweise Klimawandel oder Frauenrechte. Eine Netzwerk- und Sentimentanalyse durchgeführt für diesen Datenkorpus bildete in einem zweiten Schritt das Fundament für supervised Trainingsläufe von mehreren Multi-Layer Feed-Forward neuronalen Netzwerke. Die so entstandenen neuronalen Netzwerke ermöglichten in einem dritten Schritt Simulationen von Betweenness-Zentralität und positivem, sowie negativem Sentiment.

Zwecks trainieren des neuronalen Netzwerkes, wurde anhand des spezialisierten Twitter-Vokabulars initial ein dediziertes Word Embedding aus allen enthaltenen Tokens des Korpuses erstellt. Die generierten Wortvektoren der Dimension 300 erlaubten deren Kombination und Verwendung mit einem vortrainierten, sehr umfangreichen Word Embedding (gleicher Dimension) der Stanford Universität. Der Kontext eines Zielwortes wird so durch 300 diskrete Zahlen repräsentiert, welche eine relative Verwandtschaft zu entsprechend viele weitere Wortkombinationen abbildet. Schliesslich wurde ein Werkzeug programmiert, das die Word Embeddings und die so trainierten neuronalen Netzwerke anwendet, um den Grad der Meinungsführerschaft und den positiven sowie negativen Sentimentgrad in Tweets vorherzusagen.

Die Ergebnisse wiesen sehr starke Korrelationen zwischen den Resultaten aus den positiven (≈ 80 Prozent) und negativen (≈ 90 Prozent) Sentimentanalysen auf, wogegen deutliche aber weniger ausgeprägte Ergebnisse für die Betweenness-Zentralität und somit die Meinungs-führerschaft (≈ 60 Prozent) zu erkennen waren.

Es wurde so demonstriert, dass ein Deep-Learning Ansatz für die Optimierung von Tweets und deren wahrscheinlichen Erfolg in Hinsicht auf Meinungsbildung möglich ist. Insbesondere erscheint es realistisch, neuronale Netzwerke zu trainieren, die eine sehr starke Korrelation zwischen semantischen Inhalten und Klassifizierung (z.B. Sentiment) aufweisen. Durch Einsatz der untersuchten Methode könnte die wahrscheinliche Auswirkung eines neuen Tweets hinsichtlich der Meinungsführerschaft vorhergesagt werden. Da Hashtags an sich sehr schnelllebig sind, wäre ein periodisches neues Trainieren des Netzwerks erforderlich, um seine Wirkung dauerhaft zu erhalten. Der Tweet-Inhalt wird ebenfalls ein Effekt auf die Meinungsführerschaft haben, aber erst in der Summe von Tweets wird einen entscheidenden Effekt erwartet werden können. Auch mit einem «perfekt» beschaffenem Tweet ist die Wahrscheinlichkeit umgehend zum Opinion Leader auf Twitter zu mutieren, gering. Vielmehr müssten über einem gewissen Zeitraum immer wieder solche Tweets mit Eigenschaften eines Meinungsführers erfasst werden.

Wie automatisierte Inhaltsanalysen per se, ist auch Neuronalen Netzwerken das Problem der Ambivalenz der Sprache inhärent. Eine Aussage wie «Don’t you just love all those politicians who are ruining our economy? » könnte – einfach gesehen – zur Hälfte positiv (“don’t you just love[…]”) und zur Hälfte negativ (“[…] ruining our economy”) interpretiert werden. Wenn man dazu noch ein Mittelwert für die Aussage errechnen würde, käme sogar noch eine neutrale Bewertung dabei heraus. Tatsächlich aber soll die Ironie des Satzes die Negativität noch bekräftigen. Solche Feinheiten zeigen Herausforderungen für die Erweiterung des Projektes auf.

Goldmedia-Preis für innovative Abschlussarbeiten im Bereich Medienwirtschaft – Informationen

Bewerben konnten sich alle Absolventinnen und Absolventen, die im Jahr 2018 oder im Vorjahr ihren Abschluss erreicht haben. Die Ausschreibung war offen für deutsch- und englischsprachige Arbeiten aus unterschiedlichen Fachrichtungen (u.a. Publizistik, Kommunikationswissenschaft, Medienwirtschaft, Medienmanagement, Medienrecht, BWL, VWL, Informationswissenschaft, Medieninformatik). Einsendeschluss war der 30. September 2018. Der Preis ist mit insgesamt 1.500,00 Euro dotiert und wurde in diesem Jahr auf drei Preisträgerinnen und Preisträger zur je 500,00 Euro verteilt. Aufgrund der Vielzahl und des hohen Niveaus der eingereichten Abschlussarbeiten wurden weitere 10 Arbeiten mit einer Urkunde gewürdigt. Alle Informationen: www.goldmedia.com/preis