Veranstaltung im Rahmen der GESIS-Workshop-Reihe, siehe http://www.gesis.org/veranstaltungen/gesis-workshops/2014-twitter/. Die Folien beginnen mit einer allgemeinen Einführung in Twitter - wer Twitter bereits selbst nutzt, kann ab Folie 46 einsteigen.

1. Twitter-Daten in der sozialwissenschaftlichen Forschung: Möglichkeiten und Herausforderungen
16. Oktober 2014, 10:30-17:00 17. Oktober 2014, 9:30-15:00
GESIS Workshop, Köln
Dr. Katrin Weller, katrin.weller@gesis.org, @kwelle
1

2. Herzlich Willkommen!
2

3. Aufbau des Workshops
Ziele
•Twitter als Datenquelle kennenlernen
•Einschätzen lernen, was mit Twitter-Daten möglich ist, und was nicht
•Überblick über Herangehensweisen, Methoden, Stand der Forschung, Schwierigkeiten
3

4. Aufbau des Workshops
Tag 1: Möglichkeiten
10:30-10:45 Begrüßung
10:45-11:45 Was ist Twitter? Eine Einführung mit Übung.
11:45-12:30 Überblick über den Stand der Twitter-Forschung, Teil I
12:30-13:30 Mittagessen
13:30-15:00 Überblick über den Stand der Twitter-Forschung, Teil II
15:00-15:30 Kaffeepause
15:30-17:00 Möglichkeiten zur Datenerhebung: Tools und Rahmenbedingungen
(anschließend optional: gemeinsames Abendessen)
4

5. Aufbau des Workshops
Tag 2: Herausforderungen
9:30-10:30 Übung mit Beispieldatensatz
10:30-11:00 Kaffeepause
11:00-12:30 Forschungsethik, Repräsentativität, Reproduzierbarkeit
12:30-13:30 Mittagspause
13:30-15:00 Übung zur Studien-Konzeption: Was geht, was geht nicht?
(anschließend optional: Einzelberatung für konkrete Forschungsprojekte)
5

6. Unterrichtsmaterialien
•Folien werden online zur Verfügung gestellt: http://de.slideshare.net/katrinweller
•Weiterführende Informationen: http://kwelle.wordpress.com/2013/08/14/some-useful-resources-for- starting-twitter-research/#more-100
•Sammelband Twitter & Society als PDF für Teilnehmer verfügbar
•Test-Datensätze nicht weitergeben!
6

7. Fragen? Jederzeit gerne!
7

8. Vorstellung
•Interessen, Forschungshintergrund
•Erwartungen
•Konkrete Pläne mit Twitterdaten?
8

9. Was ist Twitter?
Eine Einführung mit Übung
9

10. Jack Dorsey (2000): “twttr sketch”. http://www.flickr.com/photos/jackdorsey/182613360/
Twitter – Eine Einführung
10

11. gegründet in 2006, eigenständige Plattform seit 2007
Jack Dorsey (2000): “twttr sketch”. http://www.flickr.com/photos/jackdorsey/182613360/
11

12. Twitter 2014
12

13. Twitter in Zahlen
 https://about.twitter.com/company
13

14. Twitter in Zahlen
 http://www.statista.com/statistics/282087/number-of-monthly-active-twitter-users/
14

15. Twitter in Zahlen
•March 2012: 140 million active users and 340 million Tweets a day
•December 2012: more than 200 million users
•USA, 2012: 15% of online adults use Twitter
•Germany, 2012: 4% of population
PEW Internet: http://www.pewinternet.org/Reports/2012/Twitter-Use- 2012.aspx
Twitter Blog: http://blog.twitter.com/2012/03/twitter-turns- six.html
@twitter: https://twitter.com/twitter/status/281051652235087872
ARD/ZDF online Studie http://www.ard-zdf- onlinestudie.de/fileadmin/Online12/0708- 2012_Busemann_Gscheidle.pdf
15

16. 16

17. Twitter vs. Facebook
17
In Deutschland (2013)
Facebook: 72.1% (aller Internetnutzer)
Twitter: 10.5% (aller Internetnutzer)
German Social Media Consumer Report: http://www.socialmediathinklab.com/wp- content/uploads/2013/02/WWU_Social- Media-Consumer-Report_0213_Ansicht.pdf

18. Randnotizen
•Trends 2012: Olympics, Wahlen in USA.
•Twitter-Nutzer mit den meisten Followern?
•Foto mit den meisten Retweets 2012:
https://2012.twitter.com/de/golden-tweets.html
18

19. Randnotizen
•Trends 2012: Olympics, Wahlen in USA.
•Twitter-Nutzer mit den meisten Followern?
•Foto mit den meisten Retweets 2014:
https://twitter.com/TheEllenShow/status/440322224407314432/photo/1
19

20.  Oktober 2014, http://twittercounter.com/pages/100
20

21. Und wie funktioniert das?
21

22. Und wie funktioniert das?
Tweet = max. 140 Zeichen
22

23. Followers / Followees
 Kwak, H., Lee, C., Park, H., & Moon, S. (2010). What is Twitter, a Social Network or a News Media? In Proceedings of the 19th International World Wide Web (WWW) Conference, April 26-30, 2010, Raleigh NC, USA.
23

24. 24

25. Timeline
25

26. Retweet (RT)
 Kooti, F., Yang, H., Cha, M., Gummadi, K.P. & Mason, W.A. (2012). The Emergence of Conventions in Online Social Networks. Proceedings of the International Conference on Weblogs and Social Media (ICWSM 2012), Dublin.
26

27. @message (@mention) ≠ direct message
27

28. #hashtags
28

29. #hashtags - Suchen
29

30. #hashtags - Suchen
30

31. #hashtags + Trends
06 Oktober 2013
14 Oktober 2013
31

32. Trends
32

33. URLs
33

34. Fotos
34

35. Favorites
35

36. Nutzerprofile
36

37. Nutzerprofile: „verified“
37

38. Übung
38

39. Übung 1: Suchen
•Nach Tweets:
–mit und ohne Hashtag
•Nach Personen
–nach dem offiziellen Account der eigenen Institution
–nach einem verifizierten Account
•(Suchen ohne Login: https://twitter.com/search-home)
39

40. Übung 2: Account anlegen
Neuer Account: https://twitter.com/signup
 Tipp: kurze Namen wählen!
Wer keinen eigenen Account anlegen möchte:
Twitter Test-Account: @learn_2_tweet
Passwort: --------------
40

41. Übung 3: Folgen
•2-3 interessante Accounts aussuchen und diesen folgen
•Min. einem anderen Kursteilnehmer folgen
•Zurück-folgen!
41

42. Übung 4: Tweets schreiben
•zuerst einen ‚normalen‘ Tweet
•dann einen mit Hashtag
•und dann eine @message an einen anderen Kursteilnehmer
•und nun noch ein Retweet
•und einen Tweet favorisieren
42

43. Übung 5: Hashtag auswählen
•Einen gemeinsamen Hashtag für den Workshop festlegen
43

44. Übung 6: Trending topics
•Die Trending Topics ansehen
–Für Deutschland
–Weltweit
–Für ein anderes Land oder für die eigene Heimatstadt
44

45. Übung 7: Direct message schreiben
•Einem anderen Teilnehmer eine direct message schicken.
45

46. Überblick über den Stand der Twitter-Forschung, Teil I:
Twitter-Forschung in Zahlen
46

47. The bigger picture
Social media research 2000-today
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
No. of publications (Scopus)
47

48. Social Media Ecology
•Plattform-spezifische Studien dominieren, wenig zu plattformübergreifenden Fragestellungen.
•Links von Twitter zu anderen Plattformen und zurück.
•Multi-Postings
48

49. Welche Social Media Dienste werden erforscht?
0
100
200
300
400
500
600
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Twitter
Facebook
YouTube
Blogs
Wikis
Foursquare
LinkedIn
MySpace
 http://kwelle.wordpress.com/2014/04/07/bibliometric-analysis-of-social-media-research/
49

50. Twitter vs. Facebook
50

51. Andere Internetdaten für Sozialwissenschaftler?
•Social Networks (z.B. Facebook): Beziehungen, Verhalten
•Ebay: Kaufverhalten, Preisentwicklung
•Wikipedia: Versionshistorie von „umstrittenen“ Themen.
•Google: Häufigkeiten von Suchbegriffen
•Kommentare
•Bewertungen: Amazon, Movie Ratings, …
•Video on Demand: Netflix, Lovefilm, YouTube, …
•RFID Chips für Interaktionen
•Voting Advice Applications: Wahl-O-Mat
51

52. Entwicklung der Twitter-Forschung
52

53. Twitter-Forschung nach Disziplinen
53

54. Scopus 2006-2013: Twitter-Publikationen aus 70 Ländern
54

55. Top journals for social media research (social science papers)
0
20
40
60
80
100
120
Information Communication and Society
Public Relations Review
Econtent
Profesional De La Informacion
Proceedings of the Asist Annual Meeting
New Media and Society
First Monday
Procedia Social and Behavioral Sciences
18th Americas Conference on Information Systems…
Cutting Edge Technologies in Higher Education
(TITLE-ABS-KEY("social media") OR TITLE-ABS-KEY("social web") OR TITLE-ABS-KEY("social software") OR TITLE- ABS-KEY("web 2.0")) AND PUBYEAR > 1999
55

56. Sozialwissenschaftliche Twitter-Forschung
56

57. 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
 Weller, K. (2014). Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. In: R. Reichert (Ed.), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (pp. 239-257). Bielefeld: transcript.
57

58. Big Data?
•Nicht die Größe ist entscheidend, sondern die Art der Daten und die damit verbundenen ggf. neuartigen Einblicke  New Data.
•Die neuen Daten werfen aber auch viele neue Fragen auf, v.a. bezüglich der Methoden.
58

59. Vergleichbarkeit von Studien?
•Beispiel Wahlen
–Verschiedene Erhebungszeiträume
–Verschiedene Analysemethoden
–Verschiedene Größenordnungen
–Verschiedene Fallstudien
59

60. Year of election
Name of election
Country/region
No. of papers (2013)
Date of election
2008
40th Canadian General Election
Canada
1
14.10.2008
2009
European Parliament election, 2009
Europe
1
07.06.2009
2009
German federal election, 2009
Germany
2
27.09.2009
2010
2010 UK general election
United Kingdom
4
06.05.2010
2010
South Korean local elections, 2010
South Korea
1
02.06.2010
2010
Dutch general election, 2010
Netherlands
2
09.06.2010
2010
Australian federal election, 2010
Australia
1
21.08.2010
2010
Swedish general election, 2010
Sweden
1
19.09.2010
2010
Midterm elections / United States House of Representatives elections, 2010
USA
4
02.11.2010
2010
Gubernational elections: Georgia
USA
1
02.11.2010
2010
Gubernational elections: Ohio
USA
1
02.11.2010
2010
Gubernational elections: Rhode Island
USA
1
02.11.2010
2010
Gubernational elections: Vermont
USA
1
02.11.2010
2010
2010 superintendent elections
South Korea
1
17.12.2010
2011
Baden-Württemberg state election, 2011
Germany
1
27.03.2011
2011
Rhineland-Palatinate state election, 2011
Germany
1
27.03.2011
2011
Scottish parliament election 2011
Scotland
1
05.05.2011
2011
Singapore’s 16th parliamentary General Election
Singapore
1
07.05.2011
2011
Norwegian local elections, 2011
Norway
2
12.09.2011
2011
2011 Danish parliamentary election
Denmark
2
15.09.2011
2011
Berlin state election, 2011
Germany
2
18.09.2011
60
 Weller, K. (2014). Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. In: R. Reichert (Ed.), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (pp. 239-257). Bielefeld: transcript.

61. 2011
Scottish parliament election 2011
Scotland
1
05.05.2011
2011
Singapore’s 16th parliamentary General Election
Singapore
1
07.05.2011
2011
Norwegian local elections, 2011
Norway
2
12.09.2011
2011
2011 Danish parliamentary election
Denmark
2
15.09.2011
2011
Berlin state election, 2011
Germany
2
18.09.2011
2011
Gubernational elections: West Virginia
USA
1
04.10.2011
2011
Gubernational elections: Louisiana
USA
1
22.10.2011
2011
Swiss federal election, 2011
Switzerland
1
23.10.2011
2011
2011 Seoul mayoral elections
South Korea
1
26.10.2011
2011
Gubernational eletions: Kentucky
USA
1
08.11.2011
2011
Gubernational elections: Mississippi
USA
1
08.11.2011
2011
Spanish national election 2011
Spain
1
20.11.2011
2012
Queensland State election
Australia
1
24.03.2012
2012
South Korean legislative election, 2012
South Korea
1
11.04.2012
2012
French presidential election, 2012
France
2
22.04.2012
2012
Mexican general election, 2012
Mexico
1
01.07.2012
2012
United States presidential election, 2012 / United States House of Representatives elections, 2012
USA
17
06.11.2012
2012
South Korean presidential election, 2012
South Korea
2
19.12.2012
2013
Ecuadorian general election, 2013
Ecuador
1
17.02.2013
2013
Venezuelan presidential election, 2013
Venezuela
1
14.04.2013
2013
Paraguayan general election, 2013
Paraguay
1
21.04.2013
61

62. Top 5 Herausforderungen in der Twitter Forschung
•Representativeness and validity
•Cross-platform studies
•Comparisons
•Multi-method approaches
•Context and meaning
 Bruns, Axel, and Katrin Weller. 2014. "Twitter data analytics – or: the pleasures and perils of studying Twitter (guest editorial for special issue)". Aslib Journal of Information Management 66 (3): 246-249. http://www.emeraldinsight.com/toc/ajim/66/3.
62

63. Zwischenfazit zum Forschungsstand
•Wachsendes Forschungsinteresse an Social Media allgemein, v.a. in der Informatik.
•Das Interesse an Twitter ist besonders groß.
63

64. Überblick über den Stand der Twitter-Forschung, Teil II: Twitter-Forschung in Themen
64

65. pointless babble?
65

66. Frühe Twitter-Forschung
•Java et al. (2007) identifizieren einen Großteil an Tweets als “daily chatter”.
•Pear Analytics study: 40% of tweets are pointless babble (Kelly, 2009).
 Java, A., Song, X., Finin, T., & Tseng, B. (2007). Why we twitter: understanding microblogging usage and communities. In Proceedings of the 9th WebKDD and 1st SNA-KDD 2007 workshop on Web mining and social network analysis (WebKDD/SNA-KDD ’07). ACM, New York, NY, USA, 56-65. DOI=10.1145/1348549.1348556 http://doi.acm.org/10.1145/1348549.1348556
 Kelly, R. (2009). Twitter Study. Pear Analytics, retrieved from http://www.pearanalytics.com/wp- content/uploads/2012/12/Twitter-Study-August-2009.pdf
66

67. Twitter Evolution
•Kommunikation bei Twitter entwickelt sich weiter
•@-Symbol für Antworten (Honeycutt & Herring, 2009)
•Retweets
 Neue Studien untersuchen Kommunikationsstruktur und Netzwerke
 Honeycutt, C., and Herring, Susan C. (2009). Beyond microblogging: Conversation and collaboration via Twitter. Proceedings of the Forty-Second Hawaii International Conference on System Sciences.Los Alamitos, CA IEEE Press.
 Kwak, H., Lee, C., Park, H., & Moon, S. (2010). What is Twitter, a Social Net k or a News Media? In Proceedings of the 19th International World Wide Web (WWW) Conference, April 26-30, 2010, Raleigh NC, USA.
67

68. De-benalizing Twitter!
 Rogers, R. (2014). Preface. In: Weller, K. et al. (Hrsg.): Twitter and Society. New York: Peter Lang.
68

69. Was wird erforscht?
69

70. Warum Twitter?
•Neue / andere Einblicke in Kommunikation
•„ephemeral“ data
•Twitter-Nutzung verstehen
•(Twitter als Abbild der Gesellschaft?)
70

71. Methoden
Content analysis
Survey (interview)
(experiment)
71

72. Wie wird geforscht?
72

73. 73
Methoden (in der Sozialw. Twitter Forschung)
 Weller, K. (2014). What do we get from Twitter – and what not? A close look at Twitter research in the social sciences. Knowledge Organization. 41(3), 238-248

74. Methoden
•In der Forschung: viele Case Studies
•Noch wenig methodische Standards – aber es tut sich derzeit eine Menge
•Viele Möglichkeiten, zu experimentieren & Neues zu entdecken
74

75. Standard-Metriken?
75
•Anzahl der Tweets in einem Zeitraum
•Anzahl der Nutzer mit min. einem Tweet
•Tweets pro Nutzer
•Structural Analysis of Tweets:
–Original tweets, RTs, (modified RTs), @message
–Tweets mit URLs

76. Beispiel für einen Zeitverlauf: #mla09
Zeitachse: Messung in Stunden
Anzahl der Tweets pro Stunde
Graphik von Cornelius Puschmann
76

77. Beispiel für ein Personennetzwerk basierend auf RTs
Graphik von Cornelius Puschmann
77

78. Beispiel für Personeninformationen: #www2010
Aktivität einzelner Personen: Tweetanzahl (#www2010)
0
20
40
60
80
100
120
140
160
180
200
Anzahl Tweets
78

79. Personeninformationen
Aktivität einzelner Personen: @-Nachrichten (#mla09)
0
5
10
15
20
25
30
35
40
Anzahl @-Nachrichten
@-Nachrichten gesendet
@-Nachrichten empfangen
79

80. Inhaltsanalyse
80
•CAQDAS Computer-Assisted Qualitative Data AnalysiS
–(z.B. MAXQDA, QDAMiner, ATLAS.ti, Qualrus, Nvivo)
–Speech Act Analyse
–Statistische Auswertungen
 Einspänner, J., Dang-Anh, M., & Thimm, C. (2014). Computer-assisted content analysis of Twitter data. In: Weller, K., Bruns, A., Burgess, J., Mahrt, M., Puschmann, C. (Eds): Twitter and Society (pp. 97-108). New York et al.: Peter Lang.

81. Sentiment Analyse
81
Automatische Berechnung von emotionalen Tonalitäten von Tweets.
Benötigt werden Wörterbücher mit Sentiment-Werten, z.B. ANEW.
Generell mit Vorsicht zu betrachten.
Für deutsche Tweets besonders kritisch.

82. Besondere Fallstudien
82

83. 83
http://www.cci.edu.au/node/1362
The Australian Twitter-Sphere
von Axel Bruns

84. http://www.jeuneafrique.com/Article/ARTJAWEB20130215165826/internet-libreville-accra-addis- abebareseaux-sociaux-les-capitales-africaines-de-twitter-quartier-par-quartier.html#Tunis
84

85. Mobilität
Livehood Project
Daten: Foursquare (via Twitter)
http://livehoods.org/maps/montreal
85

86. Rhythm of a City
86
http://engineering.twitter.com/2012/06/studying-rapidly-evolving-user.html

87. Stimmungen in US-Tweets
87
http://www.ccs.neu.edu/home/amislove/twittermoo/

88. Interaktion
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.
88

89. 1. FC Köln (@fckoeln)
Borussia Mönchengladbach (@VfLBorussia)
BVB Dortmund 09 II (@BVB)
FC Bayern München (@BayMuenchen)
FC Schalke 04 II (@s04, official)
FC Schalke 04 I (@FCSchalke04, inofficial)
Hamburger SV (@HSV)
SV Werder Bremen I (@Werder_Bremen)
SV Werder Bremen II (@werderbremen)
0
10000
20000
30000
40000
50000
60000
70000
80000
Jun 11
Jul 11
Aug 11
Sep 11
Oct 11
Nov 11
Dec 11
Jan 12
Feb 12
Mar 12
Apr 12
May 12
Jun 12
number of followers
month
1. FC Augsburg (@FCAugsburg)
1. FC Kaiserslautern (@Rote_Teufel)*
1. FC Köln (@fckoeln)
1. FC Nürnberg (@1_fc_nuernberg)
1. FSV Mainz 05 (1FSVMainz05)
1899 Hoffenheim (achtzehn99)
Bayer 04 Leverkusen (@bayer04fussball)
Borussia Mönchengladbach (@VfLBorussia)
BVB Dortmund 09 I (@BVBDortmund09)
BVB Dortmund 09 II (@BVB)
FC Bayern München (@BayMuenchen)
FC Schalke 04 II (@s04, official)
FC Schalke 04 I (@FCSchalke04, inofficial)
Hamburger SV (@HSV)
Hannover 96 I (@ichbin96)
Hannover 96 II (@hannover96)
Hertha BSC Berlin (@HerthaBSC)*
SC Freiburg (@sc_freiburg)
SV Werder Bremen I (@Werder_Bremen)
SV Werder Bremen II (@werderbremen)
VfB Stuttgart (@VfB)
Bruns, Axel, Katrin Weller, and Stephen Harrington. 2014. "Twitter and sports: football fandom in emerging and established markets". InTwitter and society, edited by Katrin Weller, Axel Bruns, Jean Burgess, Merja Mahrt, and Cornelius Puschmann, 263-280. New Yort u.a.: Peter Lang.
Follower-Zahlen

90. http://www.guardian.co.uk/uk/2011/dec/07/twitter-riots-how-news-spread
Bilder
90
Vis, F., Faulkner, S., Parry, K., Manyukhina, Y., Evens, L. 2014. „Twitpic-ing the riots: analyzing images shared on Twitter during the 2011 U.K. riots". InTwitter and society, edited by Katrin Weller, Axel Bruns, Jean Burgess, Merja Mahrt, and Cornelius Puschmann, 385-398. New Yort u.a.: Peter Lang.

91. Bruns, A., & Burgess, J. (2012). Notes towards the scientific study of Twitter. In Tokar, A., Beurskens, M., Keuneke, S., Mahrt, M., Peters, I., Puschmann, C., van Treeck, T., & Weller, K. (Eds.). (2012). Science and the Internet (pp. 159-169). Düsseldorf: Düsseldorf University Press http://nfgwin.uni-duesseldorf.de/sites/default/files/Bruns.pdf
91
Hashtags

92. Mediale Kommunikation
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
92

93. Forschungsbereiche
93

94. Ausgewählte Forschungsbereiche
94
Politikwissenschaft
•Kommunikationsverhalten v.a. im Wahlkampf
•Stimmungen im Wahlkampf
•Interaktionen zwischen Parteien
•eDemocracy

95. Beispiel: Twitter & Wahlen
0
10
20
30
40
50
60
2008
2009
2010
2011
2012
2013
Twitter and elections
(Scopus and Web of Science)
 Weller, K. (2014). Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. In: R. Reichert (Ed.), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (pp. 239-257). Bielefeld: transcript.
95

96. Twitter & Wahlen
•Zahlreiche Fallstudien
•Wenig Vergleichmöglichkeiten
•Kaum Langzeitstudien
•Teilweise Bezüge zu anderen Datenquellen
96

97. Election Prediction?
•Zahlreiche Ansätze
•Bisher keine reproduzierbaren Ergebnisse
 Daniel Gayo-Avello: No, You Cannot Predict Elections with Twitter. IEEE Internet Computing 16(6): 91-94 (2012)
PT Metaxas, E Mustafaraj, D Gayo-Avello (2011). How (not) to predict elections. In Privacy, security, risk and trust (PASSAT), 2011
97

98. Ausgewählte Forschungsbereiche
98
Kommunikations- und Medienwissenschaft
•Übertragung von Methoden der Medienanalyse
•Brand communication
•Crisis communication
•Verschiedene Zielgruppen, verschiedene Kommunikationssituationen
•Rolle von @messages, RTs etc.

99. Krisenkommunikation
•Disaster Response
•Unternehmenskrisen
99

100. Diskussion
Welche Themenbereiche/Methoden interessieren besonders?
Eigene Erfahrungen/ Anknüpfungspunkte?
100

101. Möglichkeiten zur Datenerhebung:
Tools und Rahmenbedingungen
101

102. Tools
102

103. Tools für verschiedene Zwecke
Twitter-Nutzung
Twitter-Forschung
Data Collection
Data Analysis / Manipulation
103

104. Co-tweeting * follower recommendation * automatic tweets * twitterwalls * data visualization * URL monitoring * follower visualization * communities * hashtag meanings * trends
Tools für die Nutzung von Twitter
104

105. TweetDeck
105

106. Tweetdeck online
http://www.tweetdeck.com/
106

107. Foto: http://www.zephoria.org/thoughts/archives/2009/11/24/spectacle_at_we.html
Twitter Walls
107

108. Vorsicht: Aktivitätskennwerte
•Tweetstats.com
•Klout
•Twitalyzer
•Twittercounter
•…
108

109. Tools zur Datensammlung & Rahmenbedingungen
109

110. Social Media Daten
•Texte
•Bilder
•Videos
•Multimedia
•Connections I (friends, followers)
•Connections II (links)
•Connections/Actions (likes, favs, comments, downloads)
•(Metadata: Zeitstempel, Geodaten)
110

111. Wie erhält man die Daten?
111
API
https://dev.twitter.com/docs/api/1.1
https://dev.twitter.com/blog

112. Twitter APIs
112
•API = Application Programming Interface
•Zugang, um Daten für Anwendungen/Apps zu verwenden
•Nicht explizit für die wissenschaftliche Nutzung vorgesehen
•Streaming API, Rest APIs, Search API
 Gaffney, D., & Puschmann, C. (2014). Data Collection on Twitter. In Weller et al. (Eds). Twitter and Society (pp. 55-68). New York, et al.: Peter Lang.

113. Twitter APIs
113
1. STREAMING API
-push-basiert, Live-Stream
-Public stream vs. User stream
-Forscher brauchen Tools, die eine Verbindung zu diesem Stream aufrecht erhalten.
-Nicht rückwirkend
-Suche nach Keywords, Usern, Geo-codes

114. Twitter APIs
114
2. REST + SEARCH API
•Eingeschränkte Anzahl Anfragen pro Stunde
•Verschiedene Möglichkeiten, die Twitter-Oberfläche „ferngesteuert“ zu bedienen, u.a. die Suche
•Liefert u.a. Suchergebnisse aus kürzlich veröffentlichten Tweets
•Social graph data (wer folgt wem)
•Trending topics
•Und vieles mehr
https://dev.twitter.com/docs/using-search

115. 115

116. 116

117. 117

118. https://dev.twitter.com/console
Eigene User-ID finden: http://www.idfromuser.com/
Ausprobieren: GET /statuses/mentions_timeline.json
118

119. Datensammlung?
119
Herausforderungen:
Archivierung in Echtzeit
Eingeschränkte Anteile

120. „historische“ Tweets
•verschwinden nicht, sind aber über die Suche nach wenigen Tagen i.d.R. nicht mehr auffindbar
–Alternativ: über die ID abfragen
–Über Nutzerprofilseiten sind Tweets noch zugänglich (max. die letzten 3200 Tweets eines Nutzers).
•bilden Twitters Geschäftsmodell  hohe Kosten
120

121. Volumenbegrenzungen
•Normal (Spritzer): max. 1% des aktuellen Datenvolumens
•Gardenhose: ca. 10%
•Firehose: kompletter Zugang
 Geschäftsmodell!
 Morstatter et al. (2013): http://www.aaai.org/ocs/index.php/ICWSM/ICWSM13/paper/viewFile/6071/6379
121

122. Weitere Begrenzungen
•Rate limit: Begrenzung der Anzahl an Abfragen pro 15- Minuten Fenster.
•Begrenzungen für die normale Nutzung (z.B. max. Anzahl an veröffentlichten Tweets pro Tag).
https://dev.twitter.com/overview/general/things-every-developer-should-know
https://dev.twitter.com/rest/public/rate-limiting
122

123. Rechtlicher Rahmen
•Terms of Services: https://twitter.com/tos
•Twitter Privacy Policy: https://twitter.com/privacy
•Developer’s Rules of the Road: https://dev.twitter.com/terms/api-terms

124. Privilegierte Zugänge
•Kooperationspartner mit Firehose Zugang (Whitelist)
•Data Grants – Ausschreibung: 6 aus 1300 https://blog.twitter.com/2014/twitter-datagrants-selections
•MIT Laboratory for Social Machines. http://newsoffice.mit.edu/2014/twitter- funds-mit-media-lab-program-1001
•(Library of Congress) http://blogs.loc.gov/loc/2013/01/update-on-the-twitter-archive-at-the- library-of-congress/
124

125. Data Grants
https://blog.twitter.com/2014/twitter-datagrants-selections
125

126. Möglichkeiten
•Zufällige Tweets aus der gesamten Twitter- Datenbasis sammeln
•Tweets mit bestimmten Eigenschaften
•Tweets von bestimmten Autoren
•Follower Netzwerke
126

127. Möglichkeiten
•Eigenes Programm schreiben
•Vorhandene Skripte anderer Wissenschaftler weiterverwenden
•Kostenlose Tools zur Datensammlung (müssen i.d.R. auf eigenem Server installiert werden)
•Desktopbasierte Programme (laufen nicht kontinuierlich)
•Kostenpflichtige Tools mit limitiertem Zugriff
•Vollzugriff über offizielle Reseller
•(Archivierte Datensammlungen nachnutzen)
•Copy Paste
127

128. Tools
•Viele noch in Entwicklung
•Nicht immer mit Support
128

129. GNIP
 http://blog.gnip.com/gnip-twitter-join-forces/
129

130. Datasift
130

131. Datasift
131

132. Datasift
•Preismodell:
–Monatsgebühr plus Preise pro abgerufene Daten
–Historische Tweets sind teurer als aktuelle
 http://dev.datasift.com/docs/billing
132

133. TOPSY
133

134. 134

135. 135

136. Übung
http://topsy.com
-Bei Topsy suchen nach a) einem Nutzer, b) einem Stichwort, c) einem Hashtag.
-Bei Topsy Analytics zwei Nutzer und zwei Hashtags vergleichen.
-Auffälligkeiten?
136

137. YourTwapperkeeper
137

138. YourTwapperkeeper
138

139. Tweet Archivist
http://www.tweetarchivist.com
139

140. Tweet Archivist
140

141. 141

142. TweetArchivist
Übung:
Verschiedene Suchen ausprobieren: http://www.tweetarchivist.com/SetLanguage
142

143. TAGS
http://mashe.hawksey.info/2014/10/need-a-better-twitter-archiving-google-sheet-tags-v6-0-is-here/
143

144. NVIVO
http://www.qsrinternational.com/products_nvivo_add-ons.aspx
144

145. DiscoverText
https://www.discovertext.com/
http://www.screencast.com/t/opNfbdoVnaC
145

146. DiscoverText
146

147. Datensammlung in der Praxis
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
 Weller, K. (2014). Twitter und Wahlen: Zwischen 140 Zeichen und Milliarden von Tweets. In: R. Reichert (Ed.), Big Data: Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie (pp. 239-257). Bielefeld: transcript.
Twitter and Election (2013 papers)
147

148. NodeXL
Network Analysis
Sammelt Daten aus (u.a.): Facebook, Twitter,
•YouTube, Flickr, Wikipedia
148

149. NodeXL
http://nodexl.codeplex.com/
149

150. NodeXL
NodeXLGraphGallery.org
150

151. COSMOS
Burnap, P., Rana, O., Williams, M., Housley, W., Edwards, A., Morgan, J, Sloan, L. and Conejero, J. (2014) ‘COSMOS: Towards an Integrated and Scalable Service for Analyzing Social Media on Demand’, International Journal of Parallel, Emergent and Distributed Systems. DOI:10.1080/17445760.2014.902057
http://cosmosproject.net/
151

152. Gephi
152

153. Spezielle Tools
Textanalyse / NLP
•Allgemein: Discover text: http://discovertext.com/
•Twitter NLP: http://www.ark.cs.cmu.edu/TweetNLP/
Sentiment Analysis
•SentiStrength
Analysing Folllower numbers
•What Happened Then? Using Approximated Twitter Follower Accession to Identify Political Events. Tony Hirst, blog post March 4, 2013: http://tiny.cc/twitter-references
153

154. Gibt es noch mehr?
154

155. Sammlungen
•Max Planck Institut, Twitter tools: http://twitter-app.mpi-sws.org/
•Statistical Cybermetrics Research Group Wolverhampton: http://cybermetrics.wlv.ac.uk/resources.htm
•Liste von Twitter und Facebook Collection Tools, curated by Deen Freelon: https://docs.google.com/document/d/1UaERzROI986HqcwrBDLaqGG8X_lYwctj6ek6ryqDOiQ/edit
155

156. Digital Methods Initiative
https://wiki.digitalmethods.net/Dmi/ToolDatabase
156

157. Stephen Wolfram
Daten: Facebook
http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/
157
Alternative? Crowdsourcing

158. 158
Stephen Wolfram
Daten: Facebook
http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/

159. Erste Herausforderungen
159

160. Herausforderungen
•Technisch: in den meisten Fällen sind technische Grundkenntnisse erforderlich
•Technisch: Datenverlust / Server downtime
•Praktisch: Rechtzeitig planen, was gesammelt werden soll
•Rechtlich: Zugangsbeschränkungen
•Finanziell: Daten einkaufen
160

161. Herausforderungen
black box
161

162. Herausforderungen
•Zugänglichkeit
•Data Sharing
•Änderungen (moving target)
•Manipulation (z.B. Twitter Bomb) & Spam
•Personalisierte Ergebnisse
• Fehlende Reproduzierbarkeit und Nachvollziehbarkeit
162

163. Social Media Data
•Texte
•Bilder
•Videos
•Multimedia
•Connections I (friends, followers)
•Connections II (links)
•Connections/Actions (likes, favs, comments, downloads)
163

164. Sonderfall: URLs
•URL Shortener: bit.ly und co.
•Gekürzte URLs müssen wieder de-codiert werden – und zwar möglichst zeitnah
•Verfahren dauert lange
164

165. Übung mit Beispieldatensatz

166. Landtagswahl NRW 2012
166
•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

167. Fallstudie: Twitter bei der Landtagswahl NRW
-Welche Fragestellungen könnten in diesem Zusammenhang interessant sein?
-Welche Daten werden dafür benötigt?

168. Landtagswahl bei Twitter
168
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.

169. Personen und Parteien bei Twitter
@nrwspd
@gruenenrw
@cdunrw_de
@fdp_nrw
@dielinkenrw
@piratennrw

170. Personen und Parteien bei Twitter
@hannelorekraft
(Sylvia Löhrmann)
(Norbert Röttgen)
@c_lindner
Katharina Schwabedissen
@Nick_Haflinger

171. CSV importieren

172. CSV importieren

173. 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?

174. Hashtag-Diskussion 27.03.-15.06.2013
174
•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

175. 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?

176. Netzwerk: Bundestagswahl
176
following
 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.
mentioning
retweeting

177. Weitere Einblicke
•#ltw12 Tweets
•Wie viele Tweets haben einen Geo-Code?
•Tweets im Zeitverlauf?
177

178. 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.

179. 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.

180. Tweet-Inhalte
1.Manuelle Codierung
–Ca. 10 Tweets lesen – was fällt auf?
–Zu zweit: versuchen Sie einen Entwurf für die Codierung von Tweet-Inhalten aufzustellen

181. Tweet-Inhalte
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)

182. Diskussion
•Welche Fragestellungen wären interessant?
182

183. Was kommt zuerst?
•Forschungsfrage?
•Daten?

184. 184
Big Data vs. Sinnvolle Forschungsfragen

185. Forschungsethik, Repräsentativität, Reproduzierbarkeit

186. ETHIK
186
Ethik

187. Forschungsethik
•Anonymisierung/Pseudonymisierung möglich bzw. nötig?
•Richtlinien für den Umgang mit Personendaten?
Aktuelle Hinweise
•So wenig personenbezogene Daten wie möglich teilen
•Tweet-Sammlungen nicht öffentlich zur Verfügung stellen

188. Privacy
•Informed Consent?
•Öffentlichkeit der Daten?
•Bislang keine Standards, aber Diskussionen.
188

189. Nutzernamen
•Nutzernamen nennen?
•Tweets zitieren?
–„normale“ Nutzer vs. Prominente
–Viel-zitierte Inhalte
•Was ist noch problematisch?

190. Rechtlicher Rahmen
Twitter‘s Nutzungsbedingungen
Datenschutzbestimmungen

191. Repräsentativität

192. 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
Creative Vice
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
Repräsentativität

193. Repräsentativität
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
342681218141017122328333035020406080100 InterestPolitical activitiesInterestin politicsSendpoliticalmessageContactMP onlineRe-postpoliticalnewsPoliticalcommenton SNSFindpoliticalfactsSignonlinepetition OxIS current users: 2013 N=1,613Figure 6: Political Activities of Twitter UsersTwitter userNon-user

194. Repräsentativitätsprobleme 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).”
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

195. Repräsentativität
•“estimating demographic data from a sample of more than 113 million Twitter users collected during July 2012”
•“Of the 48% of Twitter users for which we could identify gender, approximately 45% were male and approximately 47% were female.”
L.Sloan, J.Morgan, W.Housley, M.L.Williams, A.Edwards, P.Burnap, and O.Rana, Knowing the tweeters: Deriving sociologically relevant demographics from twitter, Sociological Res. Online, 18 (2013).

196. Gefahren durch fehlende Repräsentativität
•Diskussion: Menschen, die durch Big Data nicht repräsentiert sind
http://streetbump.org
Siehe auch: http://www.wired.com/2014/03/potholes-big-data- crowdsourcing-way-better-government/

197. Repräsentativität?
•Spam / Bots

198. Repräsentativität?
beeinflusst von:
•Nutzerzahlen
•Zeitpunkt/Dauer der Datenerhebung
•Datenauswahl
Wie Stichproben festlegen? Wie Zeiträume auswählen?
Beispiel: letzte x tweets vs. Jeden xten Tweet.

199. Herausforderung
•Stichprobe ziehen, z.B. 500 Accounts von deutschen Twitter-Nutzern?

200. Verlässlichkeit
200
•Verifizierte Accounts
•Verifizierte Inhalte?
 A definitive guide to verifying digital content for emergency coverage http://verificationhandbook.com/

201. 201

202. 202
today vs. tomorrow

203. Reproduzierbarkeit
203
Die gleichen Daten zweimal erheben?
Mit bestehenden Datensätzen arbeiten?

204. Übung zur Studien- Konzeption: Was geht, was geht nicht?

205. Studien planen

206. Forschungsablauf (ideal)
Studie planen
Daten erheben
Daten auswerten
(Daten archivieren)

207. Studien planen
•Was soll untersucht werden?
•Warum brauche ich dafür Twitter-Daten?
•Welche Art Twitter-Daten benötige ich?
•Vorab-Recherche! (Thema, Keywords, Akteure, besondere Vorkommnisse).

208. Kriterien zur Datenerhebung
208
Typischerweise:
-Tweets eines bestimmten Nutzers
-Tweets, die einen Nutzer erwähnen
-Tweets, die ein Wort (Zeichenkette) oder ein Hashtag enthalten
Diverse weitere, z.B.
-Anzahl und Namen der Follower eines Accounts
-Tweets, die eine bestimmte URL (domain) enthalten
-Zufällige Tweets in einem bestimmten Zeitraum
-Tweets mit Geo-Code
-Uvm.

209. Datensammlung
•Nutzer-bezogen
•Themen-bezogen
•Struktur-bezogen

210. Probleme
•Wie lange / wie häufig sollen Daten gesammelt werden?
•Mit welcher Technik sollen Daten gesammelt werden?
•Mit welchen Suchkriterien sollen Daten gesammelt werden?
•Wie sollen die Daten später ausgewertet werden?
•Wer soll alles damit arbeiten?

211. Auswertung
Inhaltsanalysen
Quantitative Analysen

212. Technische Feinheiten
•Manuelle vs. Button Retweets
•URLs erkennen und auflösen
•@messages vs. @mentions
•Informationen über einzelne Twitter-Nutzer herausfinden
•Hashtag vs. Volltextsuche

213. Datenbereinigung
•Mehrere Datensätze zusammenfügen und dabei Dubletten entfernen.
•‚False positives‘ entfernen (z.B. bvb)
•Ggf. Dateiformate für die Bearbeitung in Analysetools anpassen

214. Datenmanagement
•Versionierung – Metadaten
•Dokumentation des Erhebungs- und Bereinigungsprozesses
•Sicherungskopien

215. 6. Übung: Studien planen

216. Studiendesign
Wählen Sie eine der folgenden Fragestellungen / Szenarien
•Welche Daten werden benötigt?
•Wie können diese erhoben werden? Wie muss vorgegangen werden?
•Was muss beachtet werden?
•Welche Probleme können auftreten?
 Kurzpräsentation des eigenen Ansatzes

217. Fall 1
•Disaster Response bei einer Naturkatastrophe
–Nachrichten melden drohende Unwetter und Hochwasser in Nordrhein-Westfahlen.
–Untersucht werden soll wie verschiedene Akteure Twitter zur Krisenkommunikation nutzen.

218. Fall 2
•Twitter als TV Backchannel bei einem Sportgroßereignis (z.B. Fußball-WM)
–Wie agieren und interagieren verschiedene Fan- Gruppen?
–Untersucht werden sollen Aktivitäten im Verlauf des Turniers.

219. Ihre Ergebnisse

220. Was geht? Was geht nicht?
•Alle Tweets, die sich auf ein bestimmtes Ereignis beziehen?
•Alle Tweets eines Nutzers?
•Alle Personen, die zu einer bestimmten Gruppe gehören (z.B. Bundestagskandidaten)
•Alle Tweets, die auf eine bestimmte Webseite verlinken?

221. Was geht? Was geht nicht?
•Alle Tweets, die sich auf ein bestimmtes Ereignis beziehen?
•Alle Tweets eines Nutzers?
•Alle Personen, die zu einer bestimmten Gruppe gehören (z.B. Bundestagskandidaten)
•Alle Tweets, die auf eine bestimmte Webseite verlinken?

222. „Lessons learnt“

223. 1.
Man muss die Twitter- Dynamik kennen, um mit Twitter-Daten arbeiten zu können.

224. 2.
Twitter als Moving Target: alles kann sich verändern!

225. 3.
Ideal: Erst die Forschungsfrage, dann die Datenerhebung.

226. 4.
Aber: Twitter-Daten immer rechtzeitig (live) erheben!

227. 5.
Man erhält i.d.R. nur einen Ausschnitt aus Twitter

228. 6.
Bestimmte Daten sind nicht oder nur gegen Geld erhältlich

229. 7.
Sorgfältige Planung und Dokumentation sind entscheidend

230. Fazit und Feedback

231. Vielen Dank für Ihre Teilnahme!
Dr. Katrin Weller ● GESIS Leibniz Institut für Sozialwissenschaften
katrin.weller@gesis.org ● @kwelle ● http://katrinweller.net