Die Darstellung von Migrant*innen und Geflüchteten in der BILD-Zeitung : eine quantitative Inhaltsanalyse vor und nach dem Attentat auf Hanau. - Ilmenau. - 96 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2021
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.
Die Darstellung von Politikerinnen in deutschen Online-Nachrichten : eine quantitative Inhaltsanalyse der Nachrichtendienste bild.de und sueddeutsche.de. - Ilmenau. - 68 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2020
Die vorliegende Studie verfolgt das Ziel, die Unterschiede in der Darstellung von Politikerinnen und Politikern in der Berichterstattung der Online-Tagesmedien bild.de und sueddeutsche.de herauszuarbeiten. Die im Zeitraum vom 24.03.2017 bis 24.09.2017 erschienenen Online-Artikel werden mittels einer quantitativen Inhaltsanalyse auf den Linguistic Intergroup Bias untersucht. Ausgehend von der vielfach formulierten Kritik, dass Medien Frauen anders darstellen als Männer, wird die Darstellung in 380 Sätzen verglichen. Auf Grundlage des Linguistic Category Model nach Semin und Fiedler wird das Datenmaterial ausgewertet. Untersucht werden die Inhalte sowohl auf inhaltliche als auch sprachliche Unterschiede. Es zeigt sich, dass die Darstellungen von Politikerinnen und Politikern durchaus Unterschiede aufweisen und sich ein Linguistic Intergroup Bias in der untersuchten Berichterstattung finden lässt.
Supporting recovery : a computer-aided content analysis of the exchange of social support in a reddit community for people recovering from a substance use disorder. - Ilmenau. - 140 Seiten
Technische Universität Ilmenau, Masterarbeit 2020
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.
Sprachgebrauch von Rechtspopulist*innen in sozialen Netzwerken : eine quantitative Medieninhaltsanalyse von Tweets deutscher Bundestagsabgeordneter. - Ilmenau. - 93 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2020
In den letzten Jahren ist in den westlichen Demokratien eine Zunahme des Rechtspopulismus und dessen gestiegener Einfluss auf das politische System bemerkbar (Blassnig, Büchel, Ernst & Engesser, 2019; Weber, 2019). Auch in Deutschland ist die als rechtspopulistisch angesehene Partei Alternative für Deutschland mittlerweile fester Bestandteil des Parteienspektrums und zog im Jahr 2017 erstmals in den deutschen Bundestag ein (Jesse, 2017). Vor allem soziale Netzwerke dienen hierbei den Populist*innen dazu, ihre Meinung ohne weitere Filterung an ihre Wählenden kommunizieren zu können (Schwarzbözl & Fatke, 2017). Diese Bachelorarbeit nimmt sich daher dem aktuellen Themenkomplex an und analysiert erstmals mittels quantitativer Methoden, welche populistischen Merkmale der Sprachgebrauch von deutschen Bundestagsabgeordneten auf Twitter aufweist. Hierfür wird ein vergleichendes Design zwischen Bundestagsabgeordneten der Parteien AfD, CDU/CSU, SPD, Grüne und FDP gewählt. Konkret werden N = 1,500 Tweets von n = 75 Bundestagsabgeordneten mittels eines standardisierten Kategorien-systems auf die Merkmale Elitenablehnung, Volkszentrismus, Fremden-feindlichkeit, Skandalisierung und Polarisierung des politischen Diskurses untersucht. Die zentralen Ergebnisse dieser Arbeit zeigen, dass in den Tweets der Bundestagsabgeordneten der AfD insgesamt signifikant mehr populistische Merkmale vorhanden sind als in den untersuchten Tweets der Abgeordneten der Parteien CDU/CSU, SPD, Grüne und FDP. Bei differenzierter Betrachtung zeigen jedoch nicht alle Kategorien signifikante Unterschiede. Ebenso muss eine durchweg geringe Effektstärke bei Interpretation der Ergebnisse einbezogen werden, wodurch in der Realität nur geringe Unterschiede zwischen den Parteien annehmbar sind.
30 years after the German reunification - exploring stereotypes towards East Germans on Twitter. - Ilmenau. - 133 Seiten
Technische Universität Ilmenau, Masterarbeit 2020
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.
Technische Universität Ilmenau, Masterarbeit 2020
Diese Masterarbeit ist eine empirische Studie, die darauf abzielt, die Auswirkungen des Onboarding von Lehrbenutzern auf die wahrgenommene Selbstwirksamkeit von E-Studierenden zu verstehen. Die Haupthypothesen untersuchen, ob eine erhöhte Selbstwirksamkeit, die durch Onboarding-Verfahren stimuliert wird, zu einer stärkeren Einbindung in die E-Learning-Plattform und zu einer besseren Leistung führen kann. Die Studie verwendete eine Umfrage und eine Leistungsdatenanalyse von N = 1240 E-Studierenden, die im selben Online-Sprachkurs eingeschrieben waren. Die Ergebnisse des gepaarten t-Tests zeigen, dass die Selbstwirksamkeitsindizes nach Abschluss des Onboarding im Allgemeinen höher sind und Variablen mit häufigerer Verwendung, Abschlussrate des Kurses und Durchschnittsnoten positiv mit den Selbstwirksamkeitsindizes korrelieren, jedoch nicht alle Die Ergebnisse sind statistisch signifikant. Weitere Untersuchungen zu Faktoren, die die Akzeptanz der Technologie beeinflussen, werden empfohlen.
Soziale Unterstützung am Arbeitsplatz durch Mitarbeiter-Apps. - Ilmenau. - 75 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2019
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.
Die Fokussierung des Hintergrundes : eine dokumentarische Filmanalyse eines Spielfilms zur Untersuchung der Fokussierung des Bildhintergrundes. - Ilmenau. - 97 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2019
Filme bieten meist eine große Menge an Bildinformationen, die auf verschiedenen Bildebenen angesiedelt sind. Damit das Publikum der Handlung des Films folgen kann, werden bestimmte Elemente im Bild hervorgehoben um die Aufmerksamkeit des Publikums auf eine konkrete Art zu lenken. Während zur Analyse von Filmen in den letzten Jahren immer mehr Methoden entwickelt wurden blieb dabei die Analyse des Bildhintergrundes weitestgehend unbeachtet. Die vorliegende Bachelorarbeit erläutert die Untersuchung der Fokussierung von Elementen im Bildhintergrund von Filmen mithilfe der dokumentarischen Video- und Filminterpretation nach Ralf Bohnsack. Dafür wird zunächst beschrieben, wie Bohnsacks Methode zur Untersuchung des Hintergrundes eingesetzt werden kann. Daraufhin wird diese exemplarisch an zwei ausgewählten Passagen des 2006 erschienen Film "Children of Men" durchgeführt.
Soziale Unterstützung im anonymen sozialen Netzwerk : eine quantitative Inhaltsanalyse von Kommentaren zu Beiträgen in der Jodel-App im Jodelraum Ilmenau. - Ilmenau. - 70 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2019
In der vorliegenden Studie werden Kommentare zu Beiträgen des anonymen sozialen Netzwerkes Jodel erhoben, um diese auf die Verfügbarkeit von sozialer Unterstützung zu untersuchen. In einem Zeitraum von drei Wochen wurden dafür 1013 Kommentare erhoben, die unter Beiträge mit dem #jhj geschrieben wurden. Mittels einer quantitativen Inhaltsanalyse wurden Häufigkeiten und Intensitäten auf Basis der von Cutrona & Suhr (1992) definierten Typen sozialer Unterstützung und deren Ausprägungen analysiert. Im Allgemeinen lässt sich sagen, dass die Kommentier- und Up- und Downvote-Funktion im Jodelraum Ilmenau sehr aktiv genutzt wird und im Vergleich zu anderen (anonymen) sozialen Netzwerken viel soziale Unterstützung verfügbar ist. Die Typen sozialer Unterstützung sind dabei sehr unterschiedlich ausgeprägt und im Besonderen ist informational support als Typ sozialer Unterstützung mit Abstand am häufigsten vorhanden.
Manual and automatic classification of hate speech in Spanish language comments in YouTube videos about Venezuelan refugees and migrants. - Ilmenau. - 138 Seiten
Technische Universität Ilmenau, Masterarbeit 2019
Die vorgestellte Studie befasst sich mit dem wichtigen Problem der Erkennung von Hassreden in YouTube-Kommentaren zur Migrationskrise venezolanischer Flüchtlinge und Migranten. Das Group-Focused Enmity-Modell wurde für ein spezifisches Verständnis der Narratives zwischen In-Groups und Out-Groups verwendet. Es wurde untersucht, ob und inwieweit Kommentare in YouTube-Videos in spanischer Sprache zu venezolanischen Flüchtlingen und Migranten Hassreden enthalten. Diese Beobachtungsstudie besteht aus einer Quotenstichprobe von 15.000 Kommentaren, die mit der YouTube-API erstellt, manuell kommentiert und mithilfe eines selbst entwickelten Codebuchs analysiert wurden. Überwachte Algorithmen für maschinelles Lernen wie XGBost, SVM und Random Forest wurden implementiert, um die Vorhersagemodelle zu trainieren und zu testen, die zur Klassifizierung von Hasssprachkommentaren erstellt wurden. Hassreden machten 20% der Gesamtstichprobe aus, von denen Fremdenfeindlichkeit die Mehrheit der gemeldeten Kommentare ausmachte. Im Gegensatz dazu traten in den Kommentaren auch Rassismus, Sexismus und Homophobie mit geringeren Anteilen auf. Erkenntnisse aus den Bigrams wiesen auf Erzählungen hin, die sich hauptsächlich mit Fremdenfeindlichkeit befassten, wie zum Beispiel "schließt die Grenzen" und rassistische Erzählungen wie "verbessert deine Rasse". Das Klassifizierungsmodel als Ensamble mit Stoppworten, Stemming und auf Unigramebene, performte besser, wenn es mit anderen Algorithmen kombiniert wurde. Folglich klassifizierte das Ensemblemodell 79% der Hassredekommentare korrekt. Die gewonnenen Erkenntnisse dieser Studie helfen, Hassreden anzugehen, indem sie zeigen, wie stark sie auf YouTube präsent sind. Aus den vorgelegten Daten wird außerdem ein Beitrag zur Aufdeckung von Hassreden auf diesem Kanal geleistet, mit dem die Ausbreitung dieses sozialen Problems, das Minderheiten negativ beeinflussen kann, verhindert werden kann.