7.-8. October 2013, GESIS Workshop Series, Cologne. See: http://www.gesis.org/veranstaltungen/gesis-workshops/twitter/

1. Twitter-Daten in der
sozialwissenschaftlichen Forschung:
Möglichkeiten und Herausforderungen
7. Oktober 2013, 13:00-18:00
8. Oktober, 9:30-15:00
GESIS Workshop, Köln
Dr. Katrin Weller, katrin.weller@gesis.org, @kwelle

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
1. Einführung in Twitter (mit Übung)
2. Stand der Twitter-Forschung – Ein Überblick
3. Twitter-Tools
4a. Ein erster Blick in die Twitter-Daten
4b. Twitter-Datensätze unter der Lupe
5. Studien planen – was geht, was geht nicht?
6. Übung: Studien planen
7. Diskussion: Datenqualität, Forschungsethik, rechtlicher Rahmen

4. Unterrichtsmaterialien
• Folien werden online zur Verfügung gestellt: http://katrinweller.net
• Weiterführende Informationen:
http://kwelle.wordpress.com/2013/08/14/some-useful-resources-forstarting-twitter-research/#more-100
• Test-Datensätze bitte nicht weitergeben!

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

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

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

8. Twitter 2013

9. 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
ARD/ZDF online Studie
http://www.ard-zdfonlinestudie.de/fileadmin
/Online12/07082012_Busemann_Gscheidl
e.pdf
@twitter:
https://twitter.c
om/twitter/stat
us/2810516522
35087872
PEW Internet:
http://www.pewinte
rnet.org/Reports/201
2/Twitter-Use2012.aspx
Twitter Blog:
http://blog.twit
ter.com/2012/0
3/twitter-turnssix.html

10. Twitter vs. Facebook
In Deutschland
Facebook: 72.1% (aller Internetnutzer)
Twitter: 10.5% (aller Internetnutzer)
German Social Media Consumer Report:
http://www.socialmediathinklab.com/wpcontent/uploads/2013/02/WWU_SocialMedia-Consumer-Report_0213_Ansicht.pdf
10

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

12. March, 2013, http://twittercounter.com/pages/100

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

14. 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.

16. Timeline

17. 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.

18. @message (@mention)
≠ direct message

19. #hashtags

20. #hashtags
19 März 2013
6 Oktober 2013

21. URLs

22. Fotos

23. Nutzerprofile

24. Übung

25. 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)

26. Übung 2: Account anlegen
Wer keinen eigenen Account anlegen möchte:
Twitter Test-Account: [aus den Folien gelöscht]
Passwort: [aus den Folien gelöscht]

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

28. 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

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

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

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

32. Fragen?

33. 2. Stand der Forschung

34. Entwicklung der Twitter-Forschung

35. Twitter vs. Facebook
Scopus (TITLE-ABS-KEY(Twitter) AND PUBYEAR > 2006)
(TITLE-ABS-KEY(Facebook) AND PUBYEAR > 2006)

36. Scopus: Publikationen aus 70 Ländern
36

38. pointless babble?

39. 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/wpcontent/uploads/2012/12/Twitter-Study-August-2009.pdf

40. 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.

41. De-benalizing Twitter!
Rogers, R. (2014). Debanalizing Twitter: The transformation of an object of study. In: K. Weller, A. Bruns, J.
Burgess, M. Mahrt, C. Puschmann. (Eds.): Twitter and Society (pp. ix-xxvi). New York et al.: Peter Lang.

42. Was wird erforscht?

43. Was wird erforscht?

44. Ausgewählte Forschungsbereiche
Politikwissenschaft
•
•
•
•
Kommunikationsverhalten v.a. im Wahlkampf
Stimmungen im Wahlkampf
Interaktionen zwischen Parteien
eDemocracy
44

45. Ausgewählte Forschungsbereiche
Kommunikations- und Medienwissenschaft
•
•
•
•
•
Übertragung von Methoden der Medienanalyse
Brand communication
Crisis communication
Verschiedene Zielgruppen, verschiedene Kommunikationssituationen
Rolle von @messages, RTs etc.
45

46. Ausgewählte Forschungsbereiche
Informatik / Informationswissenschaft
•
•
•
•
Information Retrieval in Tweets
Informationsflüsse
Netzwerke
Zitationsanalysen
46

47. Twitter in der sozialwissenschaftlichen
Forschung?
Weller, K. (2013). What you can get from Twitter – and what not. Presentation at ISSC’s World Social Science Forum (WSSF) 2013. Montreal, Canada. Slides: http://de.slideshare.net/katrinweller/wellerwssf-2013presentation . Extended Abstract: http://kwelle.files.wordpress.com/2013/10/wssf2013_weller_what-do-we-get-from-twitter.pdf

49. Publication
Huberman, B. A., Romero, D. M., & Wu, F. (2009). Social networks that matter: Twitter under the microscope. First Monday,
14(1). Retrieved from http://firstmonday.org/ojs/index.php/fm/article/view/2317/2063
[2]
Weller, K. (2013). What you can get from Twitter – and what not. Presentation at ISSC’s World Social Science Forum
(WSSF) 2013. Montreal, Canada. Slides: http://de.slideshare.net/katrinweller/weller-wssf-2013presentation .
Extended Abstract: http://kwelle.files.wordpress.com/2013/10/wssf2013_weller_what-do-we-get-from-twitter.pdf
No.
[1]
Citations
155
Data
309740 Twitter users (with followers and
tweets)
Marwick, A. E., & boyd, d. (2011). I tweet honestly, I tweet passionately: Twitter users, context collapse, and the imagined
audience. New Media & Society, 13(1), 114–133. doi:10.1177/1461444810365313
77
Interviews with 181 Twitter users
[3]
Junco, R., Heiberger, G., & Loken, E. (2011). The effect of Twitter on college student engagement and grades. Journal of
Computer Assisted Learning, 27(2), 119–132. doi:10.1111/j.1365-2729.2010.00387.x
55
Experiment with 125 students.
[4]
Yardi, S., Romero, D., Schoenebeck, G., & boyd, d. (2010). Detecting spam in a Twitter network. First Monday, 15(1). Retrieved
from http://firstmonday.org/ojs/index.php/fm/article/view/2793/2431
28
17,803 tweets from 8,616 users + 1st degree
network (3,048,360 directed edges, 631,416
unique followers, and 715,198 unique friends)
[5]
Ritter, A., Cherry, C., & Dolan, B. (2010). Unsupervised modeling of Twitter conversations. In HTL'10 Human Language
Technologies. The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics
(pp. 172–180). Stroudsburg, Pa: Association for Computational Linguistics (ACL). Retrieved from
http://dl.acm.org/citation.cfm?id=1858019
27
1.3 million Twitter conversations, with each
conversation containing between 2 and 243
posts
[6]
Petrovic, S., Osborne, M., & Lavrenko, V. (2010). Streaming first story detection with application to Twitter. In HTL'10 Human
Language Technologies. The 2010 Annual Conference of the North American Chapter of the Association for Computational
Linguistics (pp. 181–189). Stroudsburg, Pa: Association for Computational Linguistics (ACL). Retrieved from
http://dl.acm.org/citation.cfm?id=1858020
26
163,500,000 tweets
[7]
Jiang, L., Yu, M., Zhou, M., Liu, X., & Zhao, T. (2011). Target-dependent Twitter sentiment classification. In HLT '11 Proceedings
of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies:. Short papers Volume 2 (pp. 151–160). Retrieved from http://dl.acm.org/citation.cfm?id=2002492
22
20,000 tweets
[8]
Han, B., & Baldwin, T. (2011). Lexical normalisation of short text messages: makn sens a #twitter. In HLT '11 Proceedings of the
49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies. Short papers - Volume 2
(pp. 368–378). Retrieved from http://dl.acm.org/citation.cfm?id=2002520
22
449 tweets sampled from 1.5 GB of Twitter data
[9]
Gimpel, K., Schneider, N., O'Connor, B., Das, D., Mills, D., Eisenstein, J., Heilmann, M., … (2011). Part-of-speech tagging for
Twitter: Annotation, features, and experiments. In HLT '11 Proceedings of the 49th Annual Meeting of the Association for
Computational Linguistics: Human Language Technologies. Short papers - Volume 2 (pp. 42–47). Retrieved from
http://dl.acm.org/citation.cfm?id=2002747
21
1,827 annotated tweets
[10]
Schultz, F., Utz, S., & Göritz, A. (2011). Is the medium the message? Perceptions of and reactions to crisis communication via
twitter, blogs and traditional media. Public Relations Review, 37(1), 20–27. doi:10.1016/j.pubrev.2010.12.001
19
Experiment with 1677 participants
[11]
Barbosa, L., & Feng, J. (2010). Robust sentiment detection on twitter from biased and noisy data. In COLING '10 Proceedings of
the 23rd International Conference on Computational Linguistics (pp. 36–44).
19
200,000 annotated tweets
[12]
Davidov, D., Tsur, O., & Rappoport, A. (2010). Enhanced sentiment lerarning using Twitter hashtags and smileys. In COLING '10
Proceedings of the 23rd International Conference on Computational Linguistics (pp. 241–249). Retrieved from
http://dl.acm.org/citation.cfm?id=1944566.1944594
19
475,000,000 tweets
[13]
Hargittai, E., & Litt, E. (2011). The tweet smell of celebrity success: Explaining variation in Twitter adoption among a diverse
group of young adults. New Media & Society, 13(5), 824–842. doi:10.1177/1461444811405805
18
Survey with 505 young American adults
[14]
Zhou, X., Lee, W.-C., Peng, W.-C., Xie, X., Lee, R., & Sumiya, K. Measuring geographical regularities of crowd behaviors for
Twitter-based geo-social event detection, 1. doi:10.1145/1867699.1867701
18
21,623,947 geo-tagged tweets
[15]
Gruzd, A., Wellman, B., & Takhteyev, Y. (2011). Imagining Twitter as an Imagined Community. American Behavioral Scientist,
55(10), 1294–1318. doi:10.1177/0002764211409378
17
One person’s Twitter network (652 followers,
114 followings).
3,112 tweets.
[16]
Johnson, K. A. (2011). The effect of Twitter posts on students’ perceptions of instructor credibility. Learning, Media and
Technology, 36(1), 21–38. doi:10.1080/17439884.2010.534798
16
Experiments with 120 undergrad students
[17]
Alina Mungiu-Pippidi, & Igor Munteanu. (2009). Moldova's "Twitter Revolution". Journal of Democracy, 20(3), 136–142.
doi:10.1353/jod.0.0102
16
none
[18]
Larsson, A. O., & Moe, H. (2012). Studying political microblogging: Twitter users in the 2010 Swedish election campaign. New
Media & Society, 14(5), 729–747. doi:10.1177/1461444811422894
15
99,832 tweets
[19]
Lasorsa, D. L., Lewis, S. C., & Holton, A. E. (2012). Normalizing Twitter: Journalism practice in an emerging communication
space. Journalism Studies, 13(1), 19–36. doi:10.1080/1461670X.2011.571825
15
22,248 tweets
[20]
Takhteyev, Y., Gruzd, A., & Wellman, B. (2012). Geography of Twitter networks. Social Networks, 34(1), 73–81.
doi:10.1016/j.socnet.2011.05.006
14
481,248 tweets, 1,953 user pairs

50. Methoden?
Angewandte Methoden in den meistzitierten Publikationen:
• Interviews mit Twitter-Nutzern,
• Experimente,
• Quantitative Analysen von Tweets und deren Eigenschaften,
• Netzwerkananlysen,
• Linguistische Analysen, z.B. word clustering, event detection,
sentiment analysis,
• Inhaltsanalysen von Tweets.
 Bisher eher selten mehrere in Kombination

51. Methoden
In der Forschung: viele Case Studies, wenig methodische Standards.

52. Standard-Metriken?
• Anzahl der Tweets
• Anzahl der Nutzer mit min. einem Tweet
• Tweets pro Nutzer
• Structural Analysis of Tweets:
– Original tweets, RTs, (modified RTs), @message
– Tweets mit URLs
Bruns, A., & Stieglitz, S. (2012). Quantitative Approaches to Comparing Communication Patterns on Twitter. Journal
of Technology in Human Services, 30(3-4), 160–185. doi:10.1080/15228835.2012.744249
52

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

54. Beispiel für ein Personennetzwerk
basierend auf RTs – im Zeitverlauf
Puschmann, C., Weller, K., Dröge, E. (2011):
Studying Twitter Conversations as
(Dynamic) Graphs: Visualization and
Structural Comparison. Poster at General
Online Research (GOR 11), Düsseldorf.
http://ynada.com/posters/gor11.pdf

55. Beispiel für Personeninformationen:
#www2010
Anzahl Tweets
Aktivität einzelner Personen: Tweetanzahl (#www2010)
200
180
160
140
120
100
80
60
40
20
0
Dröge, E., Maghferat, P., Puschmann, C., Verbina, J., & Weller, K. (2011). Konferenz-Tweets. Ein Ansatz zur Analyse der TwitterKommunikation bei wisseschaftlichen Konferenzen. In J. Griesbaum, T. Mandl, C. Womser-Hacker (Eds.), Information und Wissen:
global, sozial und frei? Proceedings des 12. Internationalen Symposiums für Informationswissenchaft (pp. 98–110). Boizenburg: VWH.

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

57. Inhaltsanalyse
• 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: K. Weller,
A. Bruns, J. Burgess, M. Mahrt, C. Puschmann. (Eds.): Twitter and Society (pp. 97-108). New York et al.: Peter Lang.
57

58. Sentiment Analyse
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.
Thelwall, M. (2014). Sentiment analysis and time series with Twitter. In: K. Weller, A. Bruns, J. Burgess, M.
Mahrt, C. Puschmann. (Eds.): Twitter and Society (pp. 83-96). New York et al.: Peter Lang.
58

59. Besondere Fallstudien

60. The Australian Twitter-Sphere
Von Axel Bruns:
http://www.cci.edu.au/node/1362
60

61. Rhythm of a City
Siehe http://engineering.twitter.com/2012/06/studying-rapidly-evolving-user.html
61

62. Stimmungen in US-Tweets
Pulse of the Nation: http://www.ccs.neu.edu/home/amislove/twittermood/
62

63. 63
http://www.jeuneafrique.com/Article/ARTJAWEB20130215165826/int
ernet-libreville-accra-addis-abebareseaux-sociaux-les-capitalesafricaines-de-twitter-quartier-par-quartier.html#Tunis

64. Siehe:
Bruns, Axel; Weller, Katrin; Harrington, Stephen (2014): Twitter and Sports: Football Fandom in Emerging and Established Markets. In:
80000
Weller, Katrin; Bruns, Axel; Burgess, Jean; Mahrt, Merja; Puschmann, Cornelius (Hrsg.): Twitter and Society, New Yort et al.: Peter Lang,
S. 263-280
Weller, Katrin; Bruns, Axel (2013): Das Spiel dauert 140 Zeichen: Wie deutsche Fußballvereine Twitter für Marketing und Fan70000
Kommunikation entdecken. In: Griesbaum, Joachim; Heuwing, Ben; Ruppenhofer, Josef; Werner, Katrin (Hrsg.): HiER 2013. Proceedings
BVB Dortmund 09 II (@BVB)
des 8. Hildesheimer Evaluierungs- und Retrievalworkshop, Hildesheim: Universität Hildesheim, S. 119-131
60000
FC Bayern München (@BayMuenchen)
number of followers
50000
40000
SV Werder Bremen II (@werderbremen)
Hamburger SV (@HSV)
30000
FC Schalke 04 II (@s04, official)
1. FC Köln (@fckoeln)
20000
SV Werder Bremen I (@Werder_Bremen)
Borussia Mönchengladbach
(@VfLBorussia)
FC Schalke 04 I (@FCSchalke04, inofficial)
10000
0
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
month
1. FC Augsburg (@FCAugsburg)
1. FC Nürnberg (@1_fc_nuernberg)
Bayer 04 Leverkusen (@bayer04fussball)
BVB Dortmund 09 II (@BVB)
FC Schalke 04 I (@FCSchalke04, inofficial)
Hannover 96 II (@hannover96)
SV Werder Bremen I (@Werder_Bremen)
1. FC Kaiserslautern (@Rote_Teufel)*
1. FSV Mainz 05 (1FSVMainz05)
Borussia Mönchengladbach (@VfLBorussia)
FC Bayern München (@BayMuenchen)
Hamburger SV (@HSV)
Hertha BSC Berlin (@HerthaBSC)*
SV Werder Bremen II (@werderbremen)
1. FC Köln (@fckoeln)
1899 Hoffenheim (achtzehn99)
BVB Dortmund 09 I (@BVBDortmund09)
FC Schalke 04 II (@s04, official)
Hannover 96 I (@ichbin96)
SC Freiburg (@sc_freiburg)
64
VfB Stuttgart (@VfB)

65. Bilder auf Twitter
http://www.guardian.co.uk/uk/2011/dec/07/twitter-riots-how-news-spread
Siehe auch: Vis, F., Faulkner, S., Parry, K., Manyukhina, Y., & Evans, L. (2014). Twitpic-ing the news. Analysing images
shared during the 2011 U.K. Riots. In: K. Weller, A. Bruns, J. Burgess, M. Mahrt, C. Puschmann (Eds), Twitter and Society
(pp. 385-398). New York et al: Peter Lang.
65

66. 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. 159169). Düsseldorf: Düsseldorf University Press http://nfgwin.uni-duesseldorf.de/sites/default/files/Bruns.pdf
66

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

68. 3. Tools

69. TweetDeck
https://about.twitter.com/products/tweetdeck

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

71. TOPSY

74. 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?

75. Vorsicht: Aktivitätskennwerte
•
•
•
•
•
Klout (siehe Abbildung)
Tweetstats.com
Twitalyzer
Twittercounter
…

76. Co-tweeting * follower recommendation * automatic tweets *
twitterwalls * data visualization * URL monitoring * follower
visualization * communities * hashtag meanings * trends

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

78. Tools zur Datensammlung

79. Wie erhält man die Daten?
API
https://dev.twitter.com/docs/api/1.1
https://dev.twitter.com/blog
79

80. Datensammlung?
Herausforderungen:
Archivierung in Echtzeit
Eingeschränkte Anteile
80

81. Twitter APIs
•
•
•
•
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 A. Bruns, K. Weller, J. Burgess, M. Mahrt
& C. Puschmann (Eds.), Twitter and Society (pp. 55-67). New York, NY: Peter Lang.
81

82. Twitter APIs
STREAMING API
- push-basiert, Live-Stream
- Public stream vs. User stream
- Forscher brauchen Tools, die eine Verbindung zu diesem Stream aufrecht
erhalten.
82

83. Twitter APIs
REST API
• Eingeschränkte Anzahl Anfragen pro Stunde
• Social graph data (wer folgt wem)
• Trending topics
• Und vieles mehr
https://dev.twitter.com/docs/using-search
83

84. Twitter APIs
•
•
•

Nicht explizit für Wissenschaftler entwickelt
Nicht rückwirkend zugänglich
Nicht vollständig
Änderungen möglich

85. https://dev.twitter.com/console
Eigene User-ID finden:
http://www.idfromuser.com/

88. Twitter-Daten erheben?
•
•
•
•
•
•
YourTwapperkeeper
Per RSS-Feed (z.B. Google reader, Thunderbird)
Drittanbieter ($)
Desktopbasierte Programme
Eigene Programme schreiben
Gnip / DataSift

89. YourTwapperkeeper
http://134.99.116.228/yourtwapperkeeper (Password protected)

90. YourTwapperkeeper

91. Tweet Archivist

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

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

96. NodeXL

97. GNIP

98. Rechtlicher Rahmen
Twitter‘s
Nutzungsbedingungen
Datenschutzbestimmungen

99. 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

100. „Lessons learnt“

101. 1.
Man muss die TwitterDynamik kennen, um
mit Twitter-Daten
arbeiten zu können.

102. 2.
Twitter als Moving
Target: alles kann sich
verändern!

103. 3.
Ideal: Erst die
Forschungsfrage, dann
die Datenerhebung.

104. 4.
Aber: Twitter-Daten
immer rechtzeitig
(live) erheben!

105. 5.
Man erhält i.d.R. nur
einen Ausschnitt aus
Twitter

106. Diskussion
• Erste Selbsteinschätzung: wo könnten sich Twitter-Daten für meine
Forschungsfrage lohnen?
• Was muss ich noch wissen, bevor ich tatsächlich entscheiden kann, ob ich
mit Twitter-Daten arbeiten möchte?
Allgemein:
• Fragen / Wünsche / Anregungen

107. 4. Twitter Daten unter der Lupe

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

110. Fallstudie: Twitter bei der
Landtagswahl NRW
Übung:
- Notieren, welche Fragestellungen in diesem Zusammenhang interessant
sein könnten.
- Überlegen, welche Daten dafür benötigt werden würden.

111. Dateien
#ltwnrw tweets
Was fällt auf?

112. 5. Studien planen

113. Forschungsablauf
Studie
planen
Daten
erheben
Daten
auswerten
(Daten
archivieren)

114. Studien planen
•
•
•
•
Was soll untersucht werden?
Warum brauche ich dafür Twitter-Daten?
Welche Art Twitter-Daten benötige ich?
Vorab-Recherche!

115. Kriterien zur Datenerhebung
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
115

116. Datensammlung
Nutzerbezogen
Themenbezogen

117. Probleme
•
•
•
•
Wie lange 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?

118. Auswertung
Inhaltsanalysen
Quantitative
Analysen

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

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

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

122. 6. Übung: Studien planen

123. Studiendesign
Entweder bereits vorhandene Fragestellung – oder gemeinsam Fragen
erarbeiten.
• Ausgehend von Fragestellung: welche Daten werden benötigt, wie können
diese erhoben werden, was muss beachtet werden?
• Welche Probleme können auftreten?
 Kurzpräsentation des eigenen Ansatzes

124. 7. Diskussion

125. Big Data vs. Sinnvolle
Forschungsfragen
125

126. Was ist ein Link, Follower,
Tweet etc. wert?
 Wie kann man NutzerAktionen interpretieren?
126

127. Repräsentativität?
beeinflusst von:
• Nutzerzahlen
• Zeitpunkt/Dauer der Datenerhebung
• Datenauswahl
127

128. Verlässlichkeit
• Verifizierte Accounts
• Verifizierte Inhalte?
• (Datenausfälle)
128

129. 129

130. 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

131. today vs. tomorrow
131

132. Reproduzierbarkeit

Die gleichen Daten zweimal erheben?

Mit bestehenden Datensätzen arbeiten?
132

133. Fazit?

134. Danke für die Teilnahme!