Skip to content Skip to footer

Topic Modeling

Algorithmische Themenkonzepte in Gegenstand und Methodik der Kommunikationswissenschaft

37,00 

Zusätzliche Information

Größe 14,2 × 21,3 cm
Artikelnummer(n)

9783869625751, 9783869625690

Veröffentlicht

15.12.2021

Auflage

1. Auflage

Formate

Buch, PDF

Verlag

Herbert von Halem Verlag

Seiten

384

Als zentrales Konstrukt der Kommunikationswissenschaft ist das Thema heute relevanter denn je. Für das Fach besitzt es als Ordnungseinheit der öffentlichen Meinung seit jeher eine besondere Bedeutung, verdankt seinen aktuellen Bedeutungszuwachs über die sozialwissenschaftliche Forschung hinaus aber erst dem Technologiewandel: Mit ihm stieg der Bedarf, exponenziell gewachsene Textmengen in technischen Systemen vollautomatisch ordnen und moderieren zu können. Technisch umgesetzt wird dies unter anderem über Topic-Modeling-Verfahren, welche dem menschlich-intuitiven Themenverständnis ein algorithmisches Pendant zur Seite stellen. Dabei handelt es sich jedoch nicht etwa um eine Automatisierung des klassischen kommunikationswissenschaftlichen Themenkonzepts, sondern vielmehr um eine andere Messart einer anders operationalisierten Themenvariable.

Mit der zunehmenden Bedeutung technischer Systeme greift diese algorithmische Themenkonstruktion im Alltag immer mehr Raum, sodass Nutzer*innen bereits heute in der täglichen digitalen Kommunikation (nicht immer bewusst) mit dem Ergebnis einer algorithmischen Modellierung von Themen in Kontakt sind.

Für die Kommunikationswissenschaft ergibt sich also eine zweifache Relevanz, sich mit der algorithmischen Themenkonstruktion auseinanderzusetzen: Substanziell ist Topic Modeling als neue Logik der Herstellung und Strukturierung öffentlicher Kommunikation bedeutend; methodisch insofern, dass es dem Fach innovative analytische Zugänge zu bekannten und neuen Forschungsvorhaben ermöglicht. Um dieser zweifachen Relevanz gerecht zu werden, wird die algorithmische Themenkonstruktion in der vorliegenden Arbeit erstens im Gegenstand der Kommunikationswissenschaft begründet und zweitens im Sinne ihrer Fachmethodik verortet. In einer Aufarbeitung der umfassenden interdisziplinären Bezüge wird damit die theoretisch-konzeptionelle Begründungslücke für den Einsatz von Topic Modeling als Methode der empirischen Kommunikationsforschung geschlossen.

Die Arbeit macht darauf aufmerksam, wie sich Thematisierungsprozesse in zunehmend algorithmisch moderierter Öffentlichkeit fundamental verändern, wirft ein Schlaglicht auf zugrunde liegende Mechanismen und diskutiert Implikationen für Gesellschaft und Forschung.

Elisabeth Günther, Jg. 1987, studierte Kommunikationswissenschaft in Augsburg (B.A.) und Hohenheim (M.Sc.). Von 2012-2017 war sie als Doktorandin und wissenschaftliche Mitarbeiterin an den Universitäten Hohenheim und Münster. Ihre Forschungsinteressen liegen im Bereich Journalismusforschung und Computational Methods. Seit 2017 arbeitet sie als Data Scientistin in Berlin.

Inhalt
Abkürzungsverzeichnis 15

Teil I

RELEVANZ UND FRAGESTELLUNG
1. Die duale Bedeutung von Topic Modeling für die KW 20
1.1  Forschungsleitendes Interesse 20
1.1.1  Algorithmische Themen im Gegenstand der KW 22
1.1.2  Algorithmische Themen in der Methodik der KW 23 

1.1.3  Methodologische Problemstellung: Vergleich der manuell-deduktiven und automatisch-induktiven Themenanalyse 24 

1.2  Zum Aufbau der Arbeit 26 

1.3  Danksagungen 29

Teil II
ALGORITHMEN UND CODE
Einleitung: Zur Bedeutung und Begründung der algorithmischen Logik 32
2. Technologischer Wandel:
Die Vierte Industrielle Revolution 33
2.1 Big Data 35
2.1.1 Zwischen Gesellschaftswandel, Datenbankproblem
 und Pathos 36 Digitalisierung und Datafizierung
2.1.2 Digitalisierung und Datafizierung 39
2.1.3 Algorithmische Logik als Treiber der Automatisierung 43
2.2  Künstliche Intelligenz 47
2.2.1  Wesen und Ziel der KI 49 

2.2.2  Geschichte der KI 56 

2.2.3  KI-Trends und Zukunftsprognosen 60 

2.3  Implikationen für Alltag und Gesellschaft 65
2.3.1  Techno-Social Environment 66 

2.3.2  Wie verändern Digitalisierung und Big Data die 
Choice Architecture? 68 

2.3.3  Reverse-Turing-Test: Dehumanisierung im 
Techno-Social Environment 72 

2.3.4  Ethik für Algorithmen 78 

2.4  Implikationen für die empirische Forschung 87
2.4.1  Big Data und Algorithmen in der empirischen Forschung 88 

2.4.2  Data Science und Computational Social Sciences 94 

2.4.3  Kritik an Big Data und Co 100 

2.5  Zwischenfazit: Algorithmen und Code in der Makroperspektive 104
2.5.1  Big Data und KI in Gegenstand und Methodik der KW 104 

2.5.2  Zentrale Folgerungen für die 
Computational Social Sciences 106 

3. Algorithmische Verarbeitung natürlicher Sprache 111
3.1  Sprache als Zeichensystem (de Saussure) 114
3.1.1  Zentrale Relevanz der Sprache 114 

3.1.2  Dyadischer Zeichenbegriff und Weiterführung 116 

3.2  Zeichenlehre als Erkenntnistheorie (Peirce) 118
3.2.1  Zeichenbegriff und Grundlagen 118 

3.2.2  Syntaktik, Semantik und Pragmatik:
Weiterführung nach Morris 123 

3.2.3  Übergang in die Stochastik:
Deduktion, Induktion und Abduktion 124 

3.3  Information und Kommunikation (Shannon/Weaver) 127
3.3.1  Von der Zeichenlehre zur Informationstheorie 129 

3.3.2  Definition von Information als stochastischer Prozess 133 

3.4  Algorithmische Verarbeitung von Sprache und
Information 137
3.4.1  Natural Language Processing 138 

3.4.2  Machine Learning 142 

3.5  Kognition und sprachliche Repräsentation 146
3.5.1  Einführung in die Kognitionswissenschaft 148 

3.5.2  Computational Theory of Mind 151 

3.6  Zwischenfazit: Algorithmen und Code in der Mikroperspektive 155
3.6.1  Computationale Verarbeitung natürlicher Sprache 155 

3.6.2  Mensch vs. Maschine? 157 

4. Fazit: Die Omnipräsenz der algorithmischen Logik 160
4.1  Veränderte Bedingungen in Gegenstand und 
Methodik der Kommunikationswissenschaft 160 

4.2  Leitmotive 162
4.2.1  Motiv 1: Eine strikte Dichotomie aus ›Mensch vs.
Maschine‹ greift fehl 163 

4.2.2  Motiv 2: KI schafft keine ›Magic Buttons‹ – vom Ob
zum Wie 164 

4.2.3  Motiv 3: Die KW hat die Kompetenz und
Verantwortung, im Diskurs um algorithmische
Systeme eine zentrale Rolle einzunehmen 166 


Teil III
DAS KONSTRUKT ›THEMA‹
Einleitung:
Zwei Perspektiven auf das Konstrukt ›Thema‹ 169
5. Das Thema als Einheit der öffentlichen Meinung 171
5.1  Was ist ›das Thema‹? 172
5.1.1  Themenbegriff, -konstrukt, -konzept und -variable 172 

5.1.2  Das Konstrukt ›Thema‹ in der KW-Forschungstradition 173 

5.2  Themen konstituieren Öffentlichkeit 175
5.2.1  Drei Ebenen von Thematisierung 175 

5.2.2  Integrationsfunktion von Themen 177 

5.3  Themenauswahl konstruiert Medienrealität 179
5.3.1 Gatekeeper 180
5.3.2 News-Bias 181
5.3.3 Nachrichtenwert 182 

5.4  Einfluss und Beeinflussung massenmedialer Thematisierung 184
5.4.1  Praeludium: Der Issue-Begriff in der politischen 
Kommunikation 185 

5.4.2  Wirkungshypothese im Agenda-Setting-Ansatz 187 

5.4.3  Issues als Gegenstand der strategischen Kommunikation 189 

5.4.4  Neue Aspekte algorithmisch strukturierter Öffentlichkeit 192 

5.5  Thematische Ausdifferenzierung führt zu
Fragmentierung? 195
5.5.1  Ursprünge der Fragmentierungsthese 196 

5.5.2  Stratifizierte und segmentierte Öffentlichkeit 197 

5.5.3  Themen in der Filterblase 199 

5.5.4  Kritik an der Fragmentierungsthese 201 

5.6  Zwischenfazit: Das Konstrukt ›Thema‹ in der Makroperspektive 205
5.6.1  Die kommunikationswissenschaftliche 
Forschungstradition 205 

5.6.2  Thematisierung in algorithmisch strukturierter 
Öffentlichkeit 207 

6. Das Thema als Wissensstruktur 210
6.1  Was ist ›das Thema‹? 213 

6.2  Textverstehen bottom-up: Die Textoberfläche 216 

6.2.1 Propositionsmodelle 216 

6.2.2 Makrostrukturmodelle: Einzug des Themenbegriffs 218
6.3 Textverstehen top-down: Schematheoretische Ansätze 221
6.3.1  Schema (Bartlett) 221 

6.3.2  Skripte (Schank/Abelson) 223 

6.3.3  Frames (Minsky) 224 

6.3.4  Konstruktions-Integrations-Modell (Kintsch) 225 

6.3.5  Das Themenkonstrukt in den schematheoretischen
Ansätzen 226 

6.3.6  Interdisziplinäre Anleihen 229 

6.4 Text im Kontext: Textverstehen anhand mentaler Modelle 232
6.4.1  Mentale Modelle ( Johnson-Laird) 233 

6.4.2  Situationsmodelle (van Dijk/Kintsch) 235 

6.4.3  Das Themenkonstrukt in mentalen Modellen 237 

6.5 Zwischenfazit: Das Konstrukt ›Thema‹ in der Mikroperspektive 238
6.5.1  Die Entwicklung des Forschungsbereichs Textverstehen 238 

6.5.2  Themendefinition im Bereich des Textverstehens 240 

6.5.3  Verbindung zum Forschungsbereich KI 241 

7. Fazit: Es gibt kein universales Verständnis von ›Thema‹ 243
7.1  Unterschiedliche Ausgangspositionen für KW und Ki 243 

7.2  Zentrale Erkenntnisse zum Themenkonstrukt 244
7.2.1 Themendefinitionen, Themenkonzepte 244 7.2.2 Ineinandergreifen der beiden Perspektiven 246

Teil IV
ALGORITHMISCHE THEMEN 

Einleitung: Manuelle und algorithmische
Themenanalysen 249
8. Das Thema als Variable in der kommunikations- wissenschaftlichen Forschungstradition 254
8.1  Das klassische Vorgehen 256 

8.2  Vom Themenkonzept zur Themenvariable 257 

8.2.1 Kategorienbildung 257 

8.2.2 Ereignisbezug von Themen 259
8.3  Codierphase als gelenkte Rezeption 261 

8.4  Computationale Verfahren im klassischen 
Forschungsprozess 264 

8.5  Zwischenfazit: Die klassische KW-Forschungspraxis 265 

9. Algorithmische Themenanalyse 267
9.1  Computationale Verarbeitung 
natürlichsprachiger Texte 269 

9.2  Latent Semantic Analysis (lsa) 270
9.2.1  LSA als ›Theory of Meaning‹ 272 

9.2.2  LSA als Textanalyseverfahren 273 

9.2.3  Mathematische Grundlagen 274 

9.3  Probabilistic Latent Semantic Analysis (Plsa) 281
9.3.1  Generatives Modell 282 

9.3.2  Schätzen der Modellparameter 284 

9.3.3  Zentrale Errungenschaften im Topic Modeling 287 

9.4  Latent Dirichlet Allocation (lda) 288
9.4.1  LDA = PLSA + Bayes 290 

9.4.2  Generatives Modell 291 

9.4.3  Vorbereitung der Datenanalyse 293 

9.4.4  Schätzen der Modellparameter 294 

9.5  Zwischenfazit:
Die computationale Forschungspraxis 298 

Fazit: Ganzheitliche Gegenüberstellung der Themenanalysen 301
10.1  Mensch vs. Maschine 302 

10.2  Zentrale Unterschiede in der Untersuchungsanlage 305 

10.3  Konsequenzen für den Forschungsprozess 308 

10.4  Konsequenzen für die Qualität der Messung 310
10.4.1 ReliabilitätalstriadischeBeziehung 311
10.4.2 Apparat 313
10.4.3 Kontext 315
10.4.4 Material 317 

10.5  Komplementäre Instrumente zur Themenanalyse 319 


Teil V
FAZIT UND DISKUSION 

11. Topic Modeling ist fester Bestandteil der KW 321
11.1  Der Blick zurück 321 

11.2  Integration der algorithmischen Themenanalyse 
in die KW 323
11.2.1  These 1: Innovation und Allgegenwärtigkeit 323 

11.2.2  These 2: Duale Relevanz 324 

11.2.3  These 3: TM ≠ manuelle Themenanalyse + 
Automatisierung 324 

11.2.4  These4:UmfassendeIntegration 326 

11.2.5  These 5: Menschliche Intelligenz 327 

11.2.6 These6:KonzeptionelleSkills 327
11.2.7 These 7: Kompetenz und Verantwortung 329
11.3  Kritische Reflexion 330 

11.4  Der Blick nach vorn 331
11.4.1  Sapir-Whorf-Hypothese:
Zum Einfluss der (künstlichen) Sprache 332 

11.4.2  ComputationalTurn,ComputationalDivides? 334 

11.4.3  Das menschliche Themenverständnis im 
Techno-Social Environment 336 


Literaturverzeichnis 339