Reimer (2017): Wenn aus Daten Journalismus wird. Eine wissenschaftliche Auswertung datenjournalistischer Projekte. SciCAR 2017, DortmundDatenjournalismus_sci_car_2017_dortmund
„Wenn aus Daten Journalismus wird – eine wissenschaftliche Auswertung nominierter Datenjournalismus-Projekte“, Vortrag von Julius Reimer im Rahmen der Konferenz „SciCAR – Where Science Meets Computer-Assisted Reporting“ am 6. September 2017 an der Technischen Universität Dortmund.
Reimer Meier 2011 Transparenz als neue Medienlogik des Journalismus
Reimer (2017): Wenn aus Daten Journalismus wird. Eine wissenschaftliche Auswertung datenjournalistischer Projekte. SciCAR 2017, DortmundDatenjournalismus_sci_car_2017_dortmund
1. Wenn aus Daten Journalismus wird
Eine wissenschaftliche Auswertung nominierter Datenjournalismus-Projekte
@julius_reimer | scicar17 | 6. Sep. 2017 | Dortmund
2. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund 2
podcast.
hans-bredow-institut
.de
3. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Die doppelte Relevanz der Datafizierung (1)
3
4. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Die doppelte Relevanz der Datafizierung (2)
4
Datenjournalismus (DDJ)
Personalisierung Automatisierung
Metrik-Orientierung
5. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Die Zukunft des Journalismus!?
5
6. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Die Zukunft des Journalismus!?
6
▶ Offensichtlich naive Vorstellung, dass Datenjournalismus traditionelle
Journalismusformen komplett ersetzen könnte.
▶ Aber wenn dem so wäre:
▶ Welche Aufgaben des Journalismus könnte Datenjournalismus in seiner
jetzigen Form erfüllen?
▶ Und wie müsste er sich entwickeln, um auch die restlichen erfüllen zu
können?
7. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Aufgaben des Journalismus
7
Kritik & Kontrolle
▶ Als Widerpart der Politik agieren
▶ Als Widerpart der Wirtschaft agieren
Informationsverbreitung
▶ Informationen schnell verbreiten
▶ Unbestätigte Behauptungen vermeiden
▶ Größtmögliches Publikum erreichen
▶ Unterhaltung & Entspannung bieten
Mobilisierung
▶ Menschen Möglichkeit geben, ihre
Meinung öffentlich auszudrücken
▶ Kulturelle Interessen fördern
▶ Menschen motivieren, sich zu
engagieren
▶ Mögliche Lösungen aufzeigen
▶ Politische Agenda (mit-)bestimmen
Interpretation & Analyse
▶ Offizielle Behauptungen prüfen
▶ Komplexe Probleme analysieren
▶ (Inter-)nationale Politik diskutieren
Synchronisierung
▶ Soziale Systeme synchronisieren (Politik,
Wirtschaft, Recht etc.)
(z.B. Weaver et al. 2007: 139–146; Görke & Scholl 2006: 650)
8. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Methode
8
▶ Standardisierte Inhaltsanalyse der für die Data Journalism Awards (DJA)
2013–2016 nominierten Projekte
▶ „Gold-standard“ des DDJ (vgl. Borges-Rey 2016; De Maeyer et al. 2015; Fink & Anderson 2015)
▶ n = 225
Dimension Variablen
Autorschaft Medium; Art des Mediums; externe Partner; Anzahl namentlich erwähnter Beteiligter
Projekteigenschaften
Überschrift; Thema; Ereignisbezug; an Daten gerichtete Frage(n); Anzahl zugehöriger Beiträge;
Länge der Beiträge; Sprache; DJA-Gewinner
Daten
Datenquelle(n); Art der Datenquelle(n); Zugang zu Daten; Art der Daten; zusätzliche Infos zu
Daten; geographischer Bezug; Veränderbarkeit; abgedeckter Zeitrahmen; Analyseeinheit
Analyse & journalistische
Bearbeitung
Personalisiertes Fallbeispiel; Kritik oder Aufruf zu öffentlicher Intervention; Fokus der Analyse;
Visualisierung
Interaktivität Interaktive Funktionen; Onlinezugang zu Daten; Feedbackmöglichkeiten
Dimension Variablen
Autorschaft Medium; Art des Mediums; externe Partner; Anzahl namentlich erwähnter Beteiligter
Projekteigenschaften
Überschrift; Thema; Ereignisbezug; an Daten gerichtete Frage(n); Anzahl zugehöriger Beiträge;
Länge der Beiträge; Sprache; DJA-Gewinner
Daten
Datenquelle(n); Art der Datenquelle(n); Zugang zu Daten; Art der Daten; zusätzliche Infos zu
Daten; geographischer Bezug; Veränderbarkeit; abgedeckter Zeitrahmen; Analyseeinheit
Analyse & journalistische
Bearbeitung
Personalisiertes Fallbeispiel; Kritik oder Aufruf zu öffentlicher Intervention; Fokus der Analyse;
Visualisierung
Interaktivität Interaktive Funktionen; Onlinezugang zu Daten; Feedbackmöglichkeiten
9. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Art des Mediums
9
▶ DDJ weit verbreitet,
nicht nur bei digital
native, sondern
gerade bei etabl.
Medienhäusern
▶ à Stabile organis.
Strukturen sichern
Bestehen von DDJ
▶ Aber: Ø-lich 5,0
AutorInnen an
Projekten beteiligt
▶ à DDJ ist
ressourcenintensiv!
43,1
18,2
8,4 8,4
5,8 5,3 4,4 4,0 3,1 2,7
0
10
20
30
40
50
(%; n = 225)
10. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Herkunftsländer
10
▶ Projekte aus 33 Ländern auf allen 5 Kontinenten
+ 5 internationale Projekte
▶ US: 49 %
UK: 13 %
DE: 7 %
▶ à DDJ ist weltweites
Phänomen, aber
dominiert von anglo-
amerikanischen
AkteurInnen (zumindest
in unserem Sample)
11. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Themen
11
▶ à Fokus auf für journal.
Aufgaben relevante
Bereiche
▶ Aber: nur Ø-lich 1,5
unterschiedliche
Themen pro Beitrag
▶ à DDJ vergleicht nur
selten unterschiedliche
Perspektiven auf ein
Thema
▶ à Potenzielles Problem
für Synchronisierungs-
aufgabe
48,2
36,6
28,1
21,4
5,4
3,1 2,7
0
10
20
30
40
50
Politics Society Business Health &
science
Education Sports Culture
(%; Mehrfachcodierung möglich; n = 224)
PolitikPolitik
Gesellschaft Gesundh./Wissensch.
Wirtschaft Bildung
Sport
Kultur
12. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Datenquellen
12
68,4
41,8
20,4 20,4
7,1
0
10
20
30
40
50
60
70▶ Starke Abhängigkeit von
offiziellen/staatlichen Institutionen
▶ à Potenzielles Problem für
Kontrollaufgabe
▶ Aber: Anteil privater Unternehmen
steigt konstant (n. s.)
▶ à Sucht DDJ nach neuen Quellen?
▶ Ø-lich 1,5 unterschiedliche
Quellenarten
▶ à DDJ checkt Daten einer Quelle
nicht immer mit anderer gegen
▶ à Potenziellles Problem für
Kontroll- & Synchronisierungs-
funktion (%; Mehrfachcodierung möglich; n = 225)
Offizielle
Institution
Nicht-
kommerz.
Organisation
Eigene
Quelle
Privates
Unternehmen
Quelle
nicht
angegeben
13. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Zugang zu Daten
13
43,3 44,2
22,3
8,9
7,1
3,6
0
10
20
30
40
50▶ Stark abhängig von bereits
verfügbaren Daten
▶ Nur geringe Anteile
„investigativerer“ Formen
der Datensammlung
▶ à Potenzielles Problem für
Kontrollfunktion
(%; Mehrfachcodierung möglich; n = 224)
Nicht
angegeben
Öffentlich Auf
Nachfrage
Selbst
erhoben
Gescrapt Geleakt
14. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Art der Daten
14
47,3
45,0
38,3
35,1
30,2
15,8
12,6
0
10
20
30
40
50▶ Ø-lich 2,3
unterschiedliche
Datenarten pro Beitrag
▶ à Kombination von
Datentypen erhöht
tendenziell analytische
Leistung
(%; Mehrfachcodierung möglich; n = 222)
Geodaten
Finanzdaten
Messwerte
Soziodemogr.
Daten
Personalis.
Daten
Meta-
daten
Umfrage-
daten
15. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
▶ Ø-lich 1,7 unterschiedliche
Analysefoci
▶ à Komplexe Analysen
▶ 52% der Fälle enthalten
Kritik oder Aufruf zu
Intervention
▶ à Rolle des Kritikers &
Kontrolleurs
Fokus der Analyse
15
(%; Mehrfachcodierung möglich; n = 225)
85,3
48,4
31,6
0
10
20
30
40
50
60
70
80
90
Compare groups Show changes over
time
Show connections &
flows
Gruppen
vergleichen
Veränderungen
über Zeit zeigen
Zusammenhänge
& Flüsse zeigen
17. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Interaktive Möglichkeiten
17
▶ à Stärkt tendenziell
erklärende Aufgabe &
Einbezug des Publikums
▶ Aber: Nur 22,3 % der
Projekte boten mehr
Beteiligungsoptionen als
nur Kommentarfunktion
▶ à Potential für Einbezug
& öffentl. Meinungs-
äußerung nicht
ausgeschöpft
17,0
63,8
52,7
28,1
16,5
4,0 1,3
0,0
10,0
20,0
30,0
40,0
50,0
60,0
70,0
(%; Mehrfachcodierung möglich; n = 224)
18. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Fazit
18
Kritik & Kontrolle
▶ Starker Fokus auf Politik & Wirtschaft
▶ Aber Kontrollleistung begrenzt, da abhängig von
offiziellen/kommerziellen Quellen & selten Beachtung
des Zwei-Quellen-Prinzips (Stichwort: „Daten-PR“)
▶ Nicht so „investigativ“ wie oft behauptet, aber kritisch
Informationsverbreitung
▶ Starker Fokus auf Fakten, nicht unbedingt Verifikation
▶ Aber personal- & zeitnintesiv + abhängig von verfügbaren
Daten à nur begrenzt fähig, schnell auf plötzliche
Ereignisse zu reagieren & Infos schnell zu verbreiten
▶ Ungenutztes Unterhaltungspotential in puncto
(sinnvoller!) Visualisierungen & Interaktivität
Mobilisierung
▶ Großes, aber wenig genutztes Potential, Publikum
wirklich einzubeziehen & Meinung äußern zu lassen
▶ Kulturelle Interessen werden nicht gefördert
▶ Nur selten werden Lösungen aufgezeigt
Interpretation & Analyse
▶ Großes & wachsendes analytisches Potential
▶ Aber nur selten Faktencheck offizieller Statements
Synchronisierung
▶ Nur selten Vergleich unterschiedlicher Daten, Quellen &
Perspektiven zu einem Thema
DDJ-Goldstandard im Licht der journalistischen Aufgaben: ein gemischtes Bild
19. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Fazit
19
Kritisches Potenzial: Wachstums- und Innovationschancen
▶ Berichterstattung zu vernachlässigten Themen ausweiten
▶ Investigative & Kontrollfunktion stärken durch…
▶ …mehr eigene Datensammlung (cf. also Tabary et al., 2016: 81)
▶ …mehr Vergleiche unterschiedlicher Daten, Quellen &
gesellschaftlicher Perspektiven zu einem Thema
Schlussfolgerung:
▶ In datafizierter Gesellschaft ist Datenjournalismus eine zunehmend
notwendige Ergänzung traditioneller journalistischer Formen der
Recherche & Berichterstattung – nicht mehr & nicht weniger.
21. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Quellen
21
Literatur:
▶Borges-Rey, E. (2016). Unravelling data journalism. A study of data journalism practice in British newsrooms.
Journalism Practice, 10(7), 833–843.
▶De Maeyer, J., Libert, M., Domingo, D., Heinderyckx, F., & Le Cam, F. (2015). Waiting for data journalism. A
qualitative assessment of the anecdotal take-up of data journalism in French-speaking Belgium. Digital
Journalism, 3(3), 432–446.
▶Fink, K., & Anderson, C. W. (2015). Data journalism in the United States. Beyond the “usual suspects.”
Journalism Studies, 16(4), 467–481.
▶Görke, A., & Scholl, A. (2006). Niklas Luhmann’s theory of social systems and journalism research. Journalism
Studies, 7(4), 644–655.
▶Loosen, W., Reimer, J., & De Silva-Schmidt, F. (2017). Data-driven reporting – an on-going (r)evolution? A
longitudinal analysis of projects nominated for the Data Journalism Awards 2013–2015. URL: http://www.hans-
bredow-institut.de/webfm_send/1181.
▶Tabary, C., Provost, A.-M., & Trottier, A. (2016). Data journalism’s actors, practices and skills: A case study from
Quebec. Journalism: Theory, Practice, and Criticism, 17(1), 66–84.
▶Weaver, D. H., Beam, R. A., Brownlee, B. J., Voakes, P. S., & Wilhoit, G. C. (2007). The American journalist in the
21st century. U.S. news people at the dawn of a new millennium. Mahwah: L. Erlbaum Associates.
22. ► @julius_reimer | Wenn aus Daten Journalismus wird | 6. Sep. 2017 | SciCAR | Dortmund
Quellen
22
Screenshots:
▶ “Trump hat mit Big Data gewonnen”, “Strategiepapier der CDU”: http://www.spiegel.de/thema/big_data/
▶ “Der Spiegel: Total vermessen”: http://www.spiegel.de/spiegel/print/d-140273556.html
▶ “Jesus und die Algorithmen”: http://www.zeit.de/2017/32/digitalisierung-christentum-problem
▶ “Der geheime Facebook-Wahlkampf der Parteien”: http://www.sueddeutsche.de/digital/bundestagswahl-der-geheime-facebook-wahlkampf-der-parteien-1.3634351
▶ “Female population”: https://qz.com/335183/heres-why-men-on-earth-outnumber-women-by-60-million/
▶ “Deaths by group”: http://www.bbc.com/news/world-30080914
▶ “Rede de escândalos”: http://veja.abril.com.br/infograficos/painel_rede_escandalos/network_of_scandals.html
Bebilderung datafizierter Journalismus:
▶ “Personalisierung”: http://thanhnc.com/facebook-edgerank-p2.html
▶ “Automatisierung”: http://niemanreports.org/articles/automation-in-the-newsroom/
▶ “Metrik-Orientierung”: http://blog.adform.com/programmatic/will-audience-data-save-publishers%E2%80%99-ad-revenues/
▶ “Datenjournalismus”: https://ontotext.com/journalism-in-the-age-of-open-data/
Medienlogos:
▶ The Guardian: https://commons.wikimedia.org/wiki/File:The_Guardian.svg
▶ ICIJ: https://offshoreleaks.icij.org/
▶ Mother Jones: http://www.underconsideration.com/brandnew/archives/new_logo_for_mother_jones_done_in_house.php
▶ NYT: https://commons.wikimedia.org/wiki/File:New_York_Times_logo_variation.jpg
▶ Pro Publica: https://en.wikipedia.org/wiki/File:Propublica_logo.jpg
▶ The Wall Street Journal: http://www.hartleyglobal.com/wall-street-journal/
▶ BBC: http://www.bbc.com/news
▶ La Nación: https://en.wikipedia.org/wiki/File:La_Nacion_Logo.svg