Detailansicht
Populism? Computer says no!
über die Verwendung von Supervised Machine Learning in der Erkennung von Populismus in Medientexten
Gregor Rettenegger,
Maximilian Haselsteiner
Art der Arbeit
Magisterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Sozialwissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Magisterstudium Publizistik-u.Kommunikationswissenschaft
Betreuer*in
Hajo Boomgaarden
DOI
10.25365/thesis.57391
URN
urn:nbn:at:at-ubw:1-17282.14114.382464-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Populismus ist in der Mitte der Gesellschaft angekommen und gilt immer mehr als akzeptabler Kommunikationsstil von Politikern sowohl in Wahlkampfzeiten, in der Opposition aber auch in der Regierung. Forscher die das Phänomen untersuchen stehen nicht nur vor dem Problem, dass das Konzept abstrakt und schwer definierbar ist, sie müssen – auch in Hinblick auf neue Kommunikationskanäle – immer größere Textmengen untersuchen. Diese Arbeit behandelt die Frage, ob es möglich ist, Populismus mit automatisierten, also computergestützten Methoden quantifizierbar zu machen. Mithilfe des „Supervised Machine Learning“ Algorithmus XGBoost wird ein Instrument erstellt, der kleinen Forscherteams die Möglichkeit geben soll, größere Mengen an Datenmaterial als bisher zu untersuchen. Zuerst wird dabei versucht, die byzantische Begriffsverwirrung um Populismus etwas aufzulösen. Es wird dazu auf die einzelnen Elemente die fundamental für das Konzept sind eingegangen. Danach werden verschiedene Wege vorgestellt, wie Populismus bisher, sowohl manuell als auch computergestützt, gemessen wurde. Nach einer oberflächlichen Einführung in das „Machine Learning“ und der Begründung für die Wahl der SML Programmbibliothek XGBoost wird mit einer manuellen Inhaltsanalyse ein Trainingsset erstellt. Mit diesem Trainingsset wird ein Instrument erstellt, welches in verschiedenen iterativen Verfahren weiter verbessert wird und durch verschiedene Experimente angepasst wird. Es zeigt sich, dass es sehr wohl möglich ist, einem Algorithmus den Unterschied zwischen Populismus und nicht-Populismus zu lehren. Es ergeben sich praktische Anwendungsmöglichkeiten, die es etwa ermöglichen, durch Voruntersuchungen beinahe drei Viertel der nicht-populistischen Absätzen aus einem Untersuchungsmaterial mit einen sehr zufriedenstellenden Recall Wert auszuschließen. Im Anschluss werden die Schwierigkeiten und Verfehlungen des Projekts diskutiert und teils allgemeine, teils sehr spezifische Verbesserungen vorgeschlagen.
Abstract
(Englisch)
Populism is everywhere. More than ever it is seen as an acceptable communication style in politics, not only in opposition and campaigning, but also in government. Researcher do not only have problems finding a common definition for the abstract construct, but also – with regards to new forms of communication – they have to deal with ever-larger quantities of text. This study tries to answer the question, if it is possible to quantify populism with automatic machine learning methods. With the use of the algorithm- library XGBoost we try to create an instrument which should give small teams of researchers the possibility to study big data. First, we try to make sense of the byzantine confusion of definitions by exploring the state of the art of Populisms’ basic elements. Then we show different approaches and methods of measuring populism in manual as well as automated ways. After a brief introduction in Supervised Machine Learning, with a special emphasis on the program library XGBoost, we create a trainingset using a manual content analysis. With this traningset we create a tool, which we improve using an iterative design and several experiments. It shows that it is indeed possible for the XGBoost algorithms to learn the difference between populist and non-populist paragraphs. In this state there are already practical uses for the created tool, like using it for a preliminary investigation of the research sample. It is possible to eliminate nearly three quarters of the non-populist paragraphs from the research sample with a very satisfying recall value. In the last chapter we investigate the problems and failures of the research process. We also offer and discuss several general and some very specific advancements for future research.
Schlagwörter
Schlagwörter
(Englisch)
Populism Machine Learning Methodology
Schlagwörter
(Deutsch)
Populismus Machine Learning automatische Inhaltsanalyse Methodik
Autor*innen
Gregor Rettenegger ,
Maximilian Haselsteiner
Haupttitel (Deutsch)
Populism? Computer says no!
Hauptuntertitel (Deutsch)
über die Verwendung von Supervised Machine Learning in der Erkennung von Populismus in Medientexten
Publikationsjahr
2019
Umfangsangabe
V, 130 Seiten : Illustrationen, Diagramme
Sprache
Deutsch
Beurteiler*in
Hajo Boomgaarden
AC Nummer
AC15632392
Utheses ID
50671
Studienkennzahl
UA | 066 | 841 | |