SlideShare ist ein Scribd-Unternehmen logo
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
Herzlich Willkommen! 
2
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
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
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
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
Fragen? Jederzeit gerne! 
7
Vorstellung 
•Interessen, Forschungshintergrund 
•Erwartungen 
•Konkrete Pläne mit Twitterdaten? 
8
Was ist Twitter? 
Eine Einführung mit Übung 
9
Jack Dorsey (2000): “twttr sketch”. http://www.flickr.com/photos/jackdorsey/182613360/ 
Twitter – Eine Einführung 
10
gegründet in 2006, eigenständige Plattform seit 2007 
Jack Dorsey (2000): “twttr sketch”. http://www.flickr.com/photos/jackdorsey/182613360/ 
11
Twitter 2014 
12
Twitter in Zahlen 
 https://about.twitter.com/company 
13
Twitter in Zahlen 
 http://www.statista.com/statistics/282087/number-of-monthly-active-twitter-users/ 
14
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
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
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
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
 Oktober 2014, http://twittercounter.com/pages/100 
20
Und wie funktioniert das? 
21
Und wie funktioniert das? 
Tweet = max. 140 Zeichen 
22
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
Timeline 
25
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
@message (@mention) ≠ direct message 
27
#hashtags 
28
#hashtags - Suchen 
29
#hashtags - Suchen 
30
#hashtags + Trends 
06 Oktober 2013 
14 Oktober 2013 
31
Trends 
32
URLs 
33
Fotos 
34
Favorites 
35
Nutzerprofile 
36
Nutzerprofile: „verified“ 
37
Übung 
38
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
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
Übung 3: Folgen 
•2-3 interessante Accounts aussuchen und diesen folgen 
•Min. einem anderen Kursteilnehmer folgen 
•Zurück-folgen! 
41
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
Übung 5: Hashtag auswählen 
•Einen gemeinsamen Hashtag für den Workshop festlegen 
43
Übung 6: Trending topics 
•Die Trending Topics ansehen 
–Für Deutschland 
–Weltweit 
–Für ein anderes Land oder für die eigene Heimatstadt 
44
Übung 7: Direct message schreiben 
•Einem anderen Teilnehmer eine direct message schicken. 
45
Überblick über den Stand der Twitter-Forschung, Teil I: 
Twitter-Forschung in Zahlen 
46
The bigger picture 
Social media research 2000-today 
0 
500 
1000 
1500 
2000 
2500 
3000 
3500 
4000 
4500 
5000 
No. of publications (Scopus) 
47
Social Media Ecology 
•Plattform-spezifische Studien dominieren, wenig zu plattformübergreifenden Fragestellungen. 
•Links von Twitter zu anderen Plattformen und zurück. 
•Multi-Postings 
48
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
Twitter vs. Facebook 
50
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
Entwicklung der Twitter-Forschung 
52
Twitter-Forschung nach Disziplinen 
53
Scopus 2006-2013: Twitter-Publikationen aus 70 Ländern 
54
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
Sozialwissenschaftliche Twitter-Forschung 
56
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
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
Vergleichbarkeit von Studien? 
•Beispiel Wahlen 
–Verschiedene Erhebungszeiträume 
–Verschiedene Analysemethoden 
–Verschiedene Größenordnungen 
–Verschiedene Fallstudien 
59
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.
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
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
Zwischenfazit zum Forschungsstand 
•Wachsendes Forschungsinteresse an Social Media allgemein, v.a. in der Informatik. 
•Das Interesse an Twitter ist besonders groß. 
63
Überblick über den Stand der Twitter-Forschung, Teil II: Twitter-Forschung in Themen 
64
pointless babble? 
65
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
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
De-benalizing Twitter! 
 Rogers, R. (2014). Preface. In: Weller, K. et al. (Hrsg.): Twitter and Society. New York: Peter Lang. 
68
Was wird erforscht? 
69
Warum Twitter? 
•Neue / andere Einblicke in Kommunikation 
•„ephemeral“ data 
•Twitter-Nutzung verstehen 
•(Twitter als Abbild der Gesellschaft?) 
70
Methoden 
Content analysis 
Survey (interview) 
(experiment) 
71
Wie wird geforscht? 
72
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
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
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
Beispiel für einen Zeitverlauf: #mla09 
Zeitachse: Messung in Stunden 
Anzahl der Tweets pro Stunde 
Graphik von Cornelius Puschmann 
76
Beispiel für ein Personennetzwerk basierend auf RTs 
Graphik von Cornelius Puschmann 
77
Beispiel für Personeninformationen: #www2010 
Aktivität einzelner Personen: Tweetanzahl (#www2010) 
0 
20 
40 
60 
80 
100 
120 
140 
160 
180 
200 
Anzahl Tweets 
78
Personeninformationen 
Aktivität einzelner Personen: @-Nachrichten (#mla09) 
0 
5 
10 
15 
20 
25 
30 
35 
40 
Anzahl @-Nachrichten 
@-Nachrichten gesendet 
@-Nachrichten empfangen 
79
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.
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.
Besondere Fallstudien 
82
83 
http://www.cci.edu.au/node/1362 
The Australian Twitter-Sphere 
von Axel Bruns
http://www.jeuneafrique.com/Article/ARTJAWEB20130215165826/internet-libreville-accra-addis- abebareseaux-sociaux-les-capitales-africaines-de-twitter-quartier-par-quartier.html#Tunis 
84
Mobilität 
Livehood Project 
Daten: Foursquare (via Twitter) 
http://livehoods.org/maps/montreal 
85
Rhythm of a City 
86 
http://engineering.twitter.com/2012/06/studying-rapidly-evolving-user.html
Stimmungen in US-Tweets 
87 
http://www.ccs.neu.edu/home/amislove/twittermoo/
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
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
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.
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
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
Forschungsbereiche 
93
Ausgewählte Forschungsbereiche 
94 
Politikwissenschaft 
•Kommunikationsverhalten v.a. im Wahlkampf 
•Stimmungen im Wahlkampf 
•Interaktionen zwischen Parteien 
•eDemocracy
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
Twitter & Wahlen 
•Zahlreiche Fallstudien 
•Wenig Vergleichmöglichkeiten 
•Kaum Langzeitstudien 
•Teilweise Bezüge zu anderen Datenquellen 
96
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
Ausgewählte Forschungsbereiche 
98 
Kommunikations- und Medienwissenschaft 
•Übertragung von Methoden der Medienanalyse 
•Brand communication 
•Crisis communication 
•Verschiedene Zielgruppen, verschiedene Kommunikationssituationen 
•Rolle von @messages, RTs etc.
Krisenkommunikation 
•Disaster Response 
•Unternehmenskrisen 
99
Diskussion 
Welche Themenbereiche/Methoden interessieren besonders? 
Eigene Erfahrungen/ Anknüpfungspunkte? 
100
Möglichkeiten zur Datenerhebung: 
Tools und Rahmenbedingungen 
101
Tools 
102
Tools für verschiedene Zwecke 
Twitter-Nutzung 
Twitter-Forschung 
Data Collection 
Data Analysis / Manipulation 
103
Co-tweeting * follower recommendation * automatic tweets * twitterwalls * data visualization * URL monitoring * follower visualization * communities * hashtag meanings * trends 
Tools für die Nutzung von Twitter 
104
TweetDeck 
105
Tweetdeck online 
http://www.tweetdeck.com/ 
106
Foto: http://www.zephoria.org/thoughts/archives/2009/11/24/spectacle_at_we.html 
Twitter Walls 
107
Vorsicht: Aktivitätskennwerte 
•Tweetstats.com 
•Klout 
•Twitalyzer 
•Twittercounter 
•… 
108
Tools zur Datensammlung & Rahmenbedingungen 
109
Social Media Daten 
•Texte 
•Bilder 
•Videos 
•Multimedia 
•Connections I (friends, followers) 
•Connections II (links) 
•Connections/Actions (likes, favs, comments, downloads) 
•(Metadata: Zeitstempel, Geodaten) 
110
Wie erhält man die Daten? 
111 
API 
https://dev.twitter.com/docs/api/1.1 
https://dev.twitter.com/blog
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.
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
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
116
117
https://dev.twitter.com/console 
Eigene User-ID finden: http://www.idfromuser.com/ 
Ausprobieren: GET /statuses/mentions_timeline.json 
118
Datensammlung? 
119 
Herausforderungen: 
Archivierung in Echtzeit 
Eingeschränkte Anteile
„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
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
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
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
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
Data Grants 
https://blog.twitter.com/2014/twitter-datagrants-selections 
125
Möglichkeiten 
•Zufällige Tweets aus der gesamten Twitter- Datenbasis sammeln 
•Tweets mit bestimmten Eigenschaften 
•Tweets von bestimmten Autoren 
•Follower Netzwerke 
126
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
Tools 
•Viele noch in Entwicklung 
•Nicht immer mit Support 
128
GNIP 
 http://blog.gnip.com/gnip-twitter-join-forces/ 
129
Datasift 
130
Datasift 
131
Datasift 
•Preismodell: 
–Monatsgebühr plus Preise pro abgerufene Daten 
–Historische Tweets sind teurer als aktuelle 
 http://dev.datasift.com/docs/billing 
132
TOPSY 
133
134
135
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
YourTwapperkeeper 
137
YourTwapperkeeper 
138
Tweet Archivist 
http://www.tweetarchivist.com 
139
Tweet Archivist 
140
141
TweetArchivist 
Übung: 
Verschiedene Suchen ausprobieren: http://www.tweetarchivist.com/SetLanguage 
142
TAGS 
http://mashe.hawksey.info/2014/10/need-a-better-twitter-archiving-google-sheet-tags-v6-0-is-here/ 
143
NVIVO 
http://www.qsrinternational.com/products_nvivo_add-ons.aspx 
144
DiscoverText 
https://www.discovertext.com/ 
http://www.screencast.com/t/opNfbdoVnaC 
145
DiscoverText 
146
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
NodeXL 
Network Analysis 
Sammelt Daten aus (u.a.): Facebook, Twitter, 
•YouTube, Flickr, Wikipedia 
148
NodeXL 
http://nodexl.codeplex.com/ 
149
NodeXL 
NodeXLGraphGallery.org 
150
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
Gephi 
152
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
Gibt es noch mehr? 
154
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
Digital Methods Initiative 
https://wiki.digitalmethods.net/Dmi/ToolDatabase 
156
Stephen Wolfram 
Daten: Facebook 
http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/ 
157 
Alternative? Crowdsourcing
158 
Stephen Wolfram 
Daten: Facebook 
http://blog.stephenwolfram.com/2013/04/data-science-of-the-facebook-world/
Erste Herausforderungen 
159
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
Herausforderungen 
black box 
161
Herausforderungen 
•Zugänglichkeit 
•Data Sharing 
•Änderungen (moving target) 
•Manipulation (z.B. Twitter Bomb) & Spam 
•Personalisierte Ergebnisse 
• Fehlende Reproduzierbarkeit und Nachvollziehbarkeit 
162
Social Media Data 
•Texte 
•Bilder 
•Videos 
•Multimedia 
•Connections I (friends, followers) 
•Connections II (links) 
•Connections/Actions (likes, favs, comments, downloads) 
163
Sonderfall: URLs 
•URL Shortener: bit.ly und co. 
•Gekürzte URLs müssen wieder de-codiert werden – und zwar möglichst zeitnah 
•Verfahren dauert lange 
164
Übung mit Beispieldatensatz
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
Fallstudie: Twitter bei der Landtagswahl NRW 
-Welche Fragestellungen könnten in diesem Zusammenhang interessant sein? 
-Welche Daten werden dafür benötigt?
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.
Personen und Parteien bei Twitter 
@nrwspd 
@gruenenrw 
@cdunrw_de 
@fdp_nrw 
@dielinkenrw 
@piratennrw
Personen und Parteien bei Twitter 
@hannelorekraft 
(Sylvia Löhrmann) 
(Norbert Röttgen) 
@c_lindner 
Katharina Schwabedissen 
@Nick_Haflinger
CSV importieren
CSV importieren
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?
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
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?
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
Weitere Einblicke 
•#ltw12 Tweets 
•Wie viele Tweets haben einen Geo-Code? 
•Tweets im Zeitverlauf? 
177
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.
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.
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
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)
Diskussion 
•Welche Fragestellungen wären interessant? 
182
Was kommt zuerst? 
•Forschungsfrage? 
•Daten?
184 
Big Data vs. Sinnvolle Forschungsfragen
Forschungsethik, Repräsentativität, Reproduzierbarkeit
ETHIK 
186 
Ethik
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
Privacy 
•Informed Consent? 
•Öffentlichkeit der Daten? 
•Bislang keine Standards, aber Diskussionen. 
188
Nutzernamen 
•Nutzernamen nennen? 
•Tweets zitieren? 
–„normale“ Nutzer vs. Prominente 
–Viel-zitierte Inhalte 
•Was ist noch problematisch?
Rechtlicher Rahmen 
Twitter‘s Nutzungsbedingungen 
Datenschutzbestimmungen
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 
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
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
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
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).
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/
Repräsentativität? 
•Spam / Bots
Repräsentativität? 
beeinflusst von: 
•Nutzerzahlen 
•Zeitpunkt/Dauer der Datenerhebung 
•Datenauswahl 
Wie Stichproben festlegen? Wie Zeiträume auswählen? 
Beispiel: letzte x tweets vs. Jeden xten Tweet.
Herausforderung 
•Stichprobe ziehen, z.B. 500 Accounts von deutschen Twitter-Nutzern?
Verlässlichkeit 
200 
•Verifizierte Accounts 
•Verifizierte Inhalte? 
 A definitive guide to verifying digital content for emergency coverage http://verificationhandbook.com/
201
202 
today vs. tomorrow
Reproduzierbarkeit 
203 
Die gleichen Daten zweimal erheben? 
Mit bestehenden Datensätzen arbeiten?
Übung zur Studien- Konzeption: Was geht, was geht nicht?
Studien planen
Forschungsablauf (ideal) 
Studie planen 
Daten erheben 
Daten auswerten 
(Daten archivieren)
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).
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.
Datensammlung 
•Nutzer-bezogen 
•Themen-bezogen 
•Struktur-bezogen
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?
Auswertung 
Inhaltsanalysen 
Quantitative Analysen
Technische Feinheiten 
•Manuelle vs. Button Retweets 
•URLs erkennen und auflösen 
•@messages vs. @mentions 
•Informationen über einzelne Twitter-Nutzer herausfinden 
•Hashtag vs. Volltextsuche
Datenbereinigung 
•Mehrere Datensätze zusammenfügen und dabei Dubletten entfernen. 
•‚False positives‘ entfernen (z.B. bvb) 
•Ggf. Dateiformate für die Bearbeitung in Analysetools anpassen
Datenmanagement 
•Versionierung – Metadaten 
•Dokumentation des Erhebungs- und Bereinigungsprozesses 
•Sicherungskopien
6. Übung: Studien planen
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
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.
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.
Ihre Ergebnisse
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?
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?
„Lessons learnt“
1. 
Man muss die Twitter- Dynamik kennen, um mit Twitter-Daten arbeiten zu können.
2. 
Twitter als Moving Target: alles kann sich verändern!
3. 
Ideal: Erst die Forschungsfrage, dann die Datenerhebung.
4. 
Aber: Twitter-Daten immer rechtzeitig (live) erheben!
5. 
Man erhält i.d.R. nur einen Ausschnitt aus Twitter
6. 
Bestimmte Daten sind nicht oder nur gegen Geld erhältlich
7. 
Sorgfältige Planung und Dokumentation sind entscheidend
Fazit und Feedback
Vielen Dank für Ihre Teilnahme! 
Dr. Katrin Weller ● GESIS Leibniz Institut für Sozialwissenschaften 
katrin.weller@gesis.org ● @kwelle ● http://katrinweller.net

Weitere ähnliche Inhalte

Was ist angesagt?

Getting started with Microsoft Search
Getting started with Microsoft Search Getting started with Microsoft Search
Getting started with Microsoft Search
Vignesh Ganesan I Microsoft MVP
 
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
XendFinance
 
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
Neo4j
 
ERC Identity
ERC IdentityERC Identity
ERC Identity
Fabian Vogelsteller
 
What is Block chain
What is Block chain What is Block chain
What is Block chain
Aman Vats PMP®
 
Blockchain Technology Fundamentals
Blockchain Technology FundamentalsBlockchain Technology Fundamentals
Blockchain Technology Fundamentals
Experfy
 
Module: Welcome to Web 3.0
Module: Welcome to Web 3.0Module: Welcome to Web 3.0
Module: Welcome to Web 3.0
Ioannis Psaras
 
Stablecoin
StablecoinStablecoin
Stablecoin
Hu Kenneth
 
PoW vs. PoS - Key Differences
PoW vs. PoS - Key DifferencesPoW vs. PoS - Key Differences
PoW vs. PoS - Key Differences
101 Blockchains
 
The Blockchain and the Future of Cybersecurity
The Blockchain and the Future of CybersecurityThe Blockchain and the Future of Cybersecurity
The Blockchain and the Future of Cybersecurity
Kevin Cedeño, CISM, CISA
 
Privacy In The Digital Age
Privacy In The Digital AgePrivacy In The Digital Age
Privacy In The Digital Age
Jane Prusakova
 
BLOCKCHAIN TECHNOLOGY
BLOCKCHAIN TECHNOLOGYBLOCKCHAIN TECHNOLOGY
BLOCKCHAIN TECHNOLOGY
garishma bhatia
 
OpenID Connect 4 SSI
OpenID Connect 4 SSIOpenID Connect 4 SSI
OpenID Connect 4 SSI
Torsten Lodderstedt
 
Social Media and CPD. You can't be serious?
Social Media and CPD. You can't be serious?Social Media and CPD. You can't be serious?
Social Media and CPD. You can't be serious?
Sue Beckingham
 
Delta Lake Cheat Sheet.pdf
Delta Lake Cheat Sheet.pdfDelta Lake Cheat Sheet.pdf
Delta Lake Cheat Sheet.pdf
karansharma62792
 
Everything Blockchain Presentation - Feb 2022
Everything Blockchain Presentation -  Feb 2022Everything Blockchain Presentation -  Feb 2022
Everything Blockchain Presentation - Feb 2022
RedChip Companies, Inc.
 
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
DataWorks Summit
 
Datastax enterprise presentation
Datastax enterprise presentationDatastax enterprise presentation
Datastax enterprise presentation
Duyhai Doan
 
Block chain
Block chainBlock chain
Block chain
Saranya Krishnan
 
Ripple Developer Conference 2013 at Money2020
Ripple Developer Conference 2013 at Money2020Ripple Developer Conference 2013 at Money2020
Ripple Developer Conference 2013 at Money2020
Ripple Labs
 

Was ist angesagt? (20)

Getting started with Microsoft Search
Getting started with Microsoft Search Getting started with Microsoft Search
Getting started with Microsoft Search
 
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
Polygon Presents "DeFi For All: Build DeFi For Mass Adoption"
 
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
Avoiding Deadlocks: Lessons Learned with Zephyr Health Using Neo4j and MongoD...
 
ERC Identity
ERC IdentityERC Identity
ERC Identity
 
What is Block chain
What is Block chain What is Block chain
What is Block chain
 
Blockchain Technology Fundamentals
Blockchain Technology FundamentalsBlockchain Technology Fundamentals
Blockchain Technology Fundamentals
 
Module: Welcome to Web 3.0
Module: Welcome to Web 3.0Module: Welcome to Web 3.0
Module: Welcome to Web 3.0
 
Stablecoin
StablecoinStablecoin
Stablecoin
 
PoW vs. PoS - Key Differences
PoW vs. PoS - Key DifferencesPoW vs. PoS - Key Differences
PoW vs. PoS - Key Differences
 
The Blockchain and the Future of Cybersecurity
The Blockchain and the Future of CybersecurityThe Blockchain and the Future of Cybersecurity
The Blockchain and the Future of Cybersecurity
 
Privacy In The Digital Age
Privacy In The Digital AgePrivacy In The Digital Age
Privacy In The Digital Age
 
BLOCKCHAIN TECHNOLOGY
BLOCKCHAIN TECHNOLOGYBLOCKCHAIN TECHNOLOGY
BLOCKCHAIN TECHNOLOGY
 
OpenID Connect 4 SSI
OpenID Connect 4 SSIOpenID Connect 4 SSI
OpenID Connect 4 SSI
 
Social Media and CPD. You can't be serious?
Social Media and CPD. You can't be serious?Social Media and CPD. You can't be serious?
Social Media and CPD. You can't be serious?
 
Delta Lake Cheat Sheet.pdf
Delta Lake Cheat Sheet.pdfDelta Lake Cheat Sheet.pdf
Delta Lake Cheat Sheet.pdf
 
Everything Blockchain Presentation - Feb 2022
Everything Blockchain Presentation -  Feb 2022Everything Blockchain Presentation -  Feb 2022
Everything Blockchain Presentation - Feb 2022
 
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
Interactive real time dashboards on data streams using Kafka, Druid, and Supe...
 
Datastax enterprise presentation
Datastax enterprise presentationDatastax enterprise presentation
Datastax enterprise presentation
 
Block chain
Block chainBlock chain
Block chain
 
Ripple Developer Conference 2013 at Money2020
Ripple Developer Conference 2013 at Money2020Ripple Developer Conference 2013 at Money2020
Ripple Developer Conference 2013 at Money2020
 

Ähnlich wie Twitter-Daten in der sozialwissenschaftlichen Forschung – Möglichkeiten und Herausforderungen

Twitter-Daten in der sozialwissenschaftlichen Forschung
Twitter-Daten in der sozialwissenschaftlichen ForschungTwitter-Daten in der sozialwissenschaftlichen Forschung
Twitter-Daten in der sozialwissenschaftlichen Forschung
Katrin Weller
 
Social-Media-Forschung
Social-Media-ForschungSocial-Media-Forschung
Social-Media-Forschung
Katrin Weller
 
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
Cornelius Puschmann
 
Social Media im pädagogischen Alltag
Social Media im pädagogischen AlltagSocial Media im pädagogischen Alltag
Social Media im pädagogischen Alltag
Jakob Steinschaden
 
Einführung in Social Media Wintersemester 1213
Einführung in Social Media Wintersemester 1213Einführung in Social Media Wintersemester 1213
Einführung in Social Media Wintersemester 1213
Marco Jakob
 
Socialmedia für die Recherche 2018
Socialmedia für die Recherche 2018Socialmedia für die Recherche 2018
Socialmedia für die Recherche 2018
Jens Wonke-Stehle
 
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
Axel Bruns
 
Einführung in Social Media
Einführung in Social Media Einführung in Social Media
Einführung in Social Media
Marco Jakob
 
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
Twittwoch e.V.
 
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
Karin Janner
 
Soziale Netzwerke in der Unternehmenskommunikation
Soziale Netzwerke in der UnternehmenskommunikationSoziale Netzwerke in der Unternehmenskommunikation
Soziale Netzwerke in der Unternehmenskommunikation
Stephan Rockinger
 
Geld mit Twitter verdienen – Social Media Marketing für KMU
Geld mit Twitter verdienen – Social Media Marketing für KMUGeld mit Twitter verdienen – Social Media Marketing für KMU
Geld mit Twitter verdienen – Social Media Marketing für KMU
Twittwoch e.V.
 
Mit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
Mit Twitter Geld Verdienen: Social Media Marketing für UnternehmenMit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
Mit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
Stefan Wolpers
 
Zum Social Media Erfolg mit AMPEL
Zum Social Media Erfolg mit AMPELZum Social Media Erfolg mit AMPEL
Zum Social Media Erfolg mit AMPEL
Stefan Evertz
 
Quantität vor Qualität? Big Data im Kontext von Social Media Daten
Quantität vor Qualität? Big Data im Kontext von Social Media DatenQuantität vor Qualität? Big Data im Kontext von Social Media Daten
Quantität vor Qualität? Big Data im Kontext von Social Media Daten
Katrin Weller
 
Social Media für die Recherche (beta)
Social Media für die Recherche (beta)Social Media für die Recherche (beta)
Social Media für die Recherche (beta)
Jens Wonke-Stehle
 
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
Twittwoch e.V.
 
Social Media Seminar Handwerkspresse Erfurt
Social Media Seminar Handwerkspresse ErfurtSocial Media Seminar Handwerkspresse Erfurt
Social Media Seminar Handwerkspresse Erfurt
Ulrike Langer
 
Soziale Medien in der Wissenschaftskommunikation
Soziale Medien in der WissenschaftskommunikationSoziale Medien in der Wissenschaftskommunikation
Soziale Medien in der Wissenschaftskommunikation
Rudolf Mumenthaler
 
Twitter für Filmemacher - Einführungsworkshop
Twitter für Filmemacher - EinführungsworkshopTwitter für Filmemacher - Einführungsworkshop
Twitter für Filmemacher - Einführungsworkshop
Wolfgang Gumpelmaier-Mach
 

Ähnlich wie Twitter-Daten in der sozialwissenschaftlichen Forschung – Möglichkeiten und Herausforderungen (20)

Twitter-Daten in der sozialwissenschaftlichen Forschung
Twitter-Daten in der sozialwissenschaftlichen ForschungTwitter-Daten in der sozialwissenschaftlichen Forschung
Twitter-Daten in der sozialwissenschaftlichen Forschung
 
Social-Media-Forschung
Social-Media-ForschungSocial-Media-Forschung
Social-Media-Forschung
 
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
Digitale Methoden in den Sozial- und Geisteswissenschaften: Chancen und Herau...
 
Social Media im pädagogischen Alltag
Social Media im pädagogischen AlltagSocial Media im pädagogischen Alltag
Social Media im pädagogischen Alltag
 
Einführung in Social Media Wintersemester 1213
Einführung in Social Media Wintersemester 1213Einführung in Social Media Wintersemester 1213
Einführung in Social Media Wintersemester 1213
 
Socialmedia für die Recherche 2018
Socialmedia für die Recherche 2018Socialmedia für die Recherche 2018
Socialmedia für die Recherche 2018
 
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
Neue Öffentlichkeiten auf Social-Media-Plattformen: Zur Nutzung von ‚Big Data...
 
Einführung in Social Media
Einführung in Social Media Einführung in Social Media
Einführung in Social Media
 
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
Twittwoch Workshop: Social Media, HR und Recruiting – Was sich für Personaler...
 
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
Wir sind dabei…Web 2.0-Kommunikation in der Praxis - Fortbildung Deutscher St...
 
Soziale Netzwerke in der Unternehmenskommunikation
Soziale Netzwerke in der UnternehmenskommunikationSoziale Netzwerke in der Unternehmenskommunikation
Soziale Netzwerke in der Unternehmenskommunikation
 
Geld mit Twitter verdienen – Social Media Marketing für KMU
Geld mit Twitter verdienen – Social Media Marketing für KMUGeld mit Twitter verdienen – Social Media Marketing für KMU
Geld mit Twitter verdienen – Social Media Marketing für KMU
 
Mit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
Mit Twitter Geld Verdienen: Social Media Marketing für UnternehmenMit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
Mit Twitter Geld Verdienen: Social Media Marketing für Unternehmen
 
Zum Social Media Erfolg mit AMPEL
Zum Social Media Erfolg mit AMPELZum Social Media Erfolg mit AMPEL
Zum Social Media Erfolg mit AMPEL
 
Quantität vor Qualität? Big Data im Kontext von Social Media Daten
Quantität vor Qualität? Big Data im Kontext von Social Media DatenQuantität vor Qualität? Big Data im Kontext von Social Media Daten
Quantität vor Qualität? Big Data im Kontext von Social Media Daten
 
Social Media für die Recherche (beta)
Social Media für die Recherche (beta)Social Media für die Recherche (beta)
Social Media für die Recherche (beta)
 
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
Employer Branding via Twitter – SOCIAL MEDIA RECRUITING CONFERENCE Hamburg Ok...
 
Social Media Seminar Handwerkspresse Erfurt
Social Media Seminar Handwerkspresse ErfurtSocial Media Seminar Handwerkspresse Erfurt
Social Media Seminar Handwerkspresse Erfurt
 
Soziale Medien in der Wissenschaftskommunikation
Soziale Medien in der WissenschaftskommunikationSoziale Medien in der Wissenschaftskommunikation
Soziale Medien in der Wissenschaftskommunikation
 
Twitter für Filmemacher - Einführungsworkshop
Twitter für Filmemacher - EinführungsworkshopTwitter für Filmemacher - Einführungsworkshop
Twitter für Filmemacher - Einführungsworkshop
 

Mehr von Katrin Weller

Weller pleasures+perils social media
Weller pleasures+perils social mediaWeller pleasures+perils social media
Weller pleasures+perils social media
Katrin Weller
 
Weller social media as research data_psm15
Weller social media as research data_psm15Weller social media as research data_psm15
Weller social media as research data_psm15
Katrin Weller
 
Fail ir16 intro
Fail ir16 introFail ir16 intro
Fail ir16 intro
Katrin Weller
 
Fail! workshop introduction at Web Science Conference
Fail! workshop introduction at Web Science ConferenceFail! workshop introduction at Web Science Conference
Fail! workshop introduction at Web Science Conference
Katrin Weller
 
Challenges in-archiving-twitter
Challenges in-archiving-twitterChallenges in-archiving-twitter
Challenges in-archiving-twitter
Katrin Weller
 
The digital traces of user generated content
The digital traces of user generated contentThe digital traces of user generated content
The digital traces of user generated content
Katrin Weller
 
The Hidden Data of Social Media Rearch_CSS-winter-symposium
The Hidden Data of Social Media Rearch_CSS-winter-symposiumThe Hidden Data of Social Media Rearch_CSS-winter-symposium
The Hidden Data of Social Media Rearch_CSS-winter-symposium
Katrin Weller
 
Publishing with impact
Publishing with impactPublishing with impact
Publishing with impact
Katrin Weller
 
"I always feel it must be great to be a hacker"
"I always feel it must be great to be a hacker" "I always feel it must be great to be a hacker"
"I always feel it must be great to be a hacker"
Katrin Weller
 
Hidden Data of Social Media Research
Hidden Data of Social Media ResearchHidden Data of Social Media Research
Hidden Data of Social Media Research
Katrin Weller
 
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
Katrin Weller
 
What’s new in social media research?
What’s new in social media research?What’s new in social media research?
What’s new in social media research?
Katrin Weller
 
Social Media Research Methods
Social Media Research MethodsSocial Media Research Methods
Social Media Research Methods
Katrin Weller
 
The pleasures and perils of studying Twitter
The pleasures and perils of studying TwitterThe pleasures and perils of studying Twitter
The pleasures and perils of studying Twitter
Katrin Weller
 
Friends or Followers. German Soccer Clubs and Their Fans on Twitter
Friends or Followers. German Soccer Clubs and Their Fans on TwitterFriends or Followers. German Soccer Clubs and Their Fans on Twitter
Friends or Followers. German Soccer Clubs and Their Fans on Twitter
Katrin Weller
 
What do we get from Twitter - and what not?
What do we get from Twitter - and what not?What do we get from Twitter - and what not?
What do we get from Twitter - and what not?
Katrin Weller
 
Twitter research overview
Twitter research overviewTwitter research overview
Twitter research overview
Katrin Weller
 
Tweeting the news
Tweeting the news Tweeting the news
Tweeting the news
Katrin Weller
 
Diata12 opening: Twitter research in Düsseldorf
Diata12 opening: Twitter research in DüsseldorfDiata12 opening: Twitter research in Düsseldorf
Diata12 opening: Twitter research in Düsseldorf
Katrin Weller
 
Twitter tipps online11
Twitter tipps online11Twitter tipps online11
Twitter tipps online11
Katrin Weller
 

Mehr von Katrin Weller (20)

Weller pleasures+perils social media
Weller pleasures+perils social mediaWeller pleasures+perils social media
Weller pleasures+perils social media
 
Weller social media as research data_psm15
Weller social media as research data_psm15Weller social media as research data_psm15
Weller social media as research data_psm15
 
Fail ir16 intro
Fail ir16 introFail ir16 intro
Fail ir16 intro
 
Fail! workshop introduction at Web Science Conference
Fail! workshop introduction at Web Science ConferenceFail! workshop introduction at Web Science Conference
Fail! workshop introduction at Web Science Conference
 
Challenges in-archiving-twitter
Challenges in-archiving-twitterChallenges in-archiving-twitter
Challenges in-archiving-twitter
 
The digital traces of user generated content
The digital traces of user generated contentThe digital traces of user generated content
The digital traces of user generated content
 
The Hidden Data of Social Media Rearch_CSS-winter-symposium
The Hidden Data of Social Media Rearch_CSS-winter-symposiumThe Hidden Data of Social Media Rearch_CSS-winter-symposium
The Hidden Data of Social Media Rearch_CSS-winter-symposium
 
Publishing with impact
Publishing with impactPublishing with impact
Publishing with impact
 
"I always feel it must be great to be a hacker"
"I always feel it must be great to be a hacker" "I always feel it must be great to be a hacker"
"I always feel it must be great to be a hacker"
 
Hidden Data of Social Media Research
Hidden Data of Social Media ResearchHidden Data of Social Media Research
Hidden Data of Social Media Research
 
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
Big data - Gewinnung, Auswertung und Darstellung großer Mengen onlinegenerier...
 
What’s new in social media research?
What’s new in social media research?What’s new in social media research?
What’s new in social media research?
 
Social Media Research Methods
Social Media Research MethodsSocial Media Research Methods
Social Media Research Methods
 
The pleasures and perils of studying Twitter
The pleasures and perils of studying TwitterThe pleasures and perils of studying Twitter
The pleasures and perils of studying Twitter
 
Friends or Followers. German Soccer Clubs and Their Fans on Twitter
Friends or Followers. German Soccer Clubs and Their Fans on TwitterFriends or Followers. German Soccer Clubs and Their Fans on Twitter
Friends or Followers. German Soccer Clubs and Their Fans on Twitter
 
What do we get from Twitter - and what not?
What do we get from Twitter - and what not?What do we get from Twitter - and what not?
What do we get from Twitter - and what not?
 
Twitter research overview
Twitter research overviewTwitter research overview
Twitter research overview
 
Tweeting the news
Tweeting the news Tweeting the news
Tweeting the news
 
Diata12 opening: Twitter research in Düsseldorf
Diata12 opening: Twitter research in DüsseldorfDiata12 opening: Twitter research in Düsseldorf
Diata12 opening: Twitter research in Düsseldorf
 
Twitter tipps online11
Twitter tipps online11Twitter tipps online11
Twitter tipps online11
 

Twitter-Daten in der sozialwissenschaftlichen Forschung – Möglichkeiten und Herausforderungen

  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 31. #hashtags + Trends 06 Oktober 2013 14 Oktober 2013 31
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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.
  • 83. 83 http://www.cci.edu.au/node/1362 The Australian Twitter-Sphere von Axel Bruns
  • 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
  • 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
  • 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
  • 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
  • 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
  • 132. Datasift •Preismodell: –Monatsgebühr plus Preise pro abgerufene Daten –Historische Tweets sind teurer als aktuelle  http://dev.datasift.com/docs/billing 132
  • 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
  • 141. 141
  • 142. TweetArchivist Übung: Verschiedene Suchen ausprobieren: http://www.tweetarchivist.com/SetLanguage 142
  • 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
  • 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
  • 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/
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/
  • 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?
  • 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.
  • 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?
  • 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
  • 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.
  • 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?
  • 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
  • 231. Vielen Dank für Ihre Teilnahme! Dr. Katrin Weller ● GESIS Leibniz Institut für Sozialwissenschaften katrin.weller@gesis.org ● @kwelle ● http://katrinweller.net