Element 68Element 45Element 44Element 63Element 64Element 43Element 41Element 46Element 47Element 69Element 76Element 62Element 61Element 81Element 82Element 50Element 52Element 79Element 79Element 7Element 8Element 73Element 74Element 17Element 16Element 75Element 13Element 12Element 14Element 15Element 31Element 32Element 59Element 58Element 71Element 70Element 88Element 88Element 56Element 57Element 54Element 55Element 18Element 20Element 23Element 65Element 21Element 22iconsiconsElement 83iconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsiconsElement 84iconsiconsElement 36Element 35Element 1Element 27Element 28Element 30Element 29Element 24Element 25Element 2Element 1Element 66
Few-Shot Learning for Automated Content Analysis in Communication Science (FLACA)

Few-Shot Learning for Automated Content Analysis in Communication Science (FLACA)

Das Projekt überträgt zwei in der Informatik entwickelte Methoden – das Few-Shot Learning und das Argument Mining – auf den Bereich der empirischen Kommunikationswissenschaft. Automatisierte Inhaltsanalysen (AIA) sollen so mit geringem Kodieraufwand auch große Datenmengen untersuchen können.

Das dafür notwendige Vorgehen und die technische Umsetzung werden im Rahmen einer exemplarischen Studie zu Positionen und Argumentmustern auf Twitter rund um die Covid-19 Pandemie entwickelt.

Das Projekt wird wissenschaftliche Publikationen, Best Practices sowie Software- und e-Learning Ressourcen bereitstellen, mit denen sich die Kommunikationswissenschaft diese neuen Technologien aus der Informatik erschließen und nach eigenen Facherfordernissen weiterentwickeln kann.

Für die Vermittlung dieser neuen Methoden setzt das Projekt ein Hauptaugenmerk auf den wissenschaftlichen Nachwuchs, für den im Rahmen von Methodenworkshops Datenkompetenzen zur AIA vermittelt werden.

Titelbild: Arno Senoner / unsplash
mehr anzeigen

Projektbeschreibung

Die Inhaltsanalyse stellt eine der zentralen Methoden der empirischen Kommunikationswissenschaft dar. Die stetig steigende Menge und Verfügbarkeit öffentlicher digitaler Kommunikationsinhalte macht eine (Teil-)Automatisierung der Inhaltsanalyse (AIA) zwingend notwendig.

In der Informatik sind in der jüngsten Vergangenheit zwei Bereiche intensiv beforscht worden, deren aktuelle Ergebnisse enormes Potenzial für die AIA und damit auch zur Steigerung der Datenkompetenzen der Kommunikationswissenschaft insgesamt bergen: Mit vortrainierten Sprachmodellen auf Basis der neuronaler Transformernetze (z. B. BERT) und darauf aufbauender Few-Shot-Textklassifikation wird es möglich, inhaltliche Kategorien mit vergleichsweise wenig Trainingsdaten zuverlässig zu identifizieren. Mit Verfahren des Argument Mining wird zudem die automatische Kodierung von Argumentbestandteilen und -positionen ermöglicht.

Damit werden zwei zentrale Desiderata derzeitiger inhaltsanalytischer Forschung adressiert: die Auswertung sehr großer Textmengen mit semantisch komplexen Kategorien.

Infos zum Projekt

Überblick

Laufzeit: 2022-2025

Forschungsprogramm:
FP4 - Algorithmed Public Spheres

Drittmittelgeber

BMBF, Projektträger VDI/VDE, Förderkennzeichen 16DKWN064B

Kooperationspartner

Prof. Dr. Katharina Kleinen-von Königslöw, Universität Hamburg

Ansprechpartner

Dr. Gregor Wiedemann
Senior Researcher Computational Social Sciences

Dr. Gregor Wiedemann

Leibniz-Institut für Medienforschung | Hans-Bredow-Institut (HBI)
Rothenbaumchaussee 36
20148 Hamburg
Tel. +49 (0)40 450 21 7 55
Fax +49 (0)40 45 02 17 77

E-Mail senden

VIELLEICHT INTERESSIEREN SIE AUCH FOLGENDE THEMEN?

Newsletter

Infos über aktuelle Projekte, Veranstaltungen und Publikationen des Instituts.

NEWSLETTER ABONNIEREN!