{"id":15066,"date":"2018-06-22T12:30:41","date_gmt":"2018-06-22T10:30:41","guid":{"rendered":"http:\/\/pwiweb.uzh.ch\/wordpress\/?p=15066"},"modified":"2018-06-22T16:01:46","modified_gmt":"2018-06-22T14:01:46","slug":"eine-twitter-datenanalyse-zeigt-die-sozialdemokraten-twittern-fuer-hipster-und-die-buergerlichen-parteien-hauptsaechlich-fuer-sich-selbst","status":"publish","type":"post","link":"https:\/\/pwiweb.uzh.ch\/wordpress\/blog\/2018\/06\/22\/eine-twitter-datenanalyse-zeigt-die-sozialdemokraten-twittern-fuer-hipster-und-die-buergerlichen-parteien-hauptsaechlich-fuer-sich-selbst\/","title":{"rendered":"Eine Twitter-Datenanalyse zeigt: Die Sozialdemokraten twittern f\u00fcr Hipster und die b\u00fcrgerlichen Parteien haupts\u00e4chlich f\u00fcr sich selbst"},"content":{"rendered":"

Eine auf machine-learning<\/em> basierte Auswertung der Kurzbeschreibungen von Twitter-Followern der Schweizer Parteien stellt deren Social Media Auftritte infrage. W\u00e4hrend die Sozialdemokraten vor allem Lifestyle-Begeisterte ansprechen, drehen sich die b\u00fcrgerlichen Parteien im Kreis. Nur die Liberalen schaffen es Follower aus verschiedenen Bereichen des sozialen Netzwerks f\u00fcr sich zu gewinnen.<\/strong>
\n<\/strong><\/h2>\n
\"\"<\/a><\/p>\n

Warum ist diese Frau die typische Followerin<\/span><\/a> der Sozialdemokraten? Dieser Artikel beantwortet diese Frage anhand eines auf machine-learning<\/em> basierten Algorithmus – und findet erstaunliches.<\/p>\n<\/div>\n

\n

Anhand einer Datenanalyse, welche sich methodisch an den aktuellen Entwicklungen im Bereich des machine-learning <\/em>orientiert, wurden die Kurzbiografien von rund 100’000 Twitter-Followern der gr\u00f6ssten neun Schweizer Parteien ausgewertet. Diese maximal 160 Zeichen lange Profilbeschreibung erg\u00e4nzt die jeweiligen Twitter-Accounts mit pers\u00f6nlichen Informationen der Follower und wird genutzt, um sich kurz und pr\u00e4gnant zu profilieren. Deswegen eignen sich diese Kurzbeschreibungen besonders gut, um allf\u00e4llige Unterschiede zwischen verschiedenen Gruppen von Followern zu erkunden.<\/h4>\n

Politiker und Journalisten auf Twitter \u00fcberrepr\u00e4sentiert<\/b><\/h3>

In einem ersten Schritt wurden die h\u00e4ufigsten W\u00f6rter gesucht, mit denen sich die verschiedenen Follower in den Kurzbeschreibungen jeweils selbst beschreiben (Abbildung 1). Schon diese kurze Analyse zeigt, dass sich 4 von den 10 h\u00e4ufigsten Begriffen um das Thema Politik drehen. Weitere 3 von 10 W\u00f6rter haben mit Medien und Journalismus zu tun. Insgesamt k\u00f6nnen damit 7 von den 10 in den Kurzbeschreibungen am h\u00e4ufigsten verwendeten W\u00f6rter zwei verschiedenen Themen zugeordnet werden: Journalismus und Politik.<\/p>\n

Die 25 meistgenutzten W\u00f6rter in den untersuchten Twitter-Profilbeschreibungen
\n<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 1: Die 25 h\u00e4ufigsten W\u00f6rter welche von den untersuchten Followern aller Parteien f\u00fcr die Selbstpositionierung in den Kurzbeschreibungen verwendet worden sind.<\/p>\n<\/div>\n

Viele Follower der Parteien scheinen sich mit W\u00f6rtern zu beschreiben, welche nahelegen, dass es sich dabei um Politiker und Journalisten handelt. Um zu untersuchen, ob alle Parteien viele Journalisten und Politiker als Follower haben, wurden in einem zweiten Schritt die h\u00e4ufigsten Begriffe in den Kurzbeschreibungen nach Parteien aufgeschl\u00fcsselt (Abbildung 2).<\/h5>\n

Die 50 meistgenutzten W\u00f6rter aufgeschl\u00fcsselt nach Partei<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 2: Gr\u00f6sse und Farbe der W\u00f6rter richtet sich nach H\u00e4ufigkeit der Verwendung innerhalb der Kurzbeschreibungen der Follower der jeweiligen Partei. Orange, gross geschriebene W\u00f6rter kommen am h\u00e4ufigsten vor. Die \u00c4hnlichkeit der h\u00e4ufigsten W\u00f6rter zwischen den Parteien l\u00e4sst darauf schliessen, dass entweder viele „Journalisten“, „Pr\u00e4sidenten“ und „Politiker“ aus den St\u00e4dten „Z\u00fcrich“ und „Bern“ allen politischen Parteien gleichzeitig folgen oder, dass die jeweiligen „Politiker“ jeweils der eigenen Partei folgen.<\/p>\n<\/div>\n

Auch in der Untersuchung der Kurzbeschreibungen nach Partei kommen diejenigen W\u00f6rter am h\u00e4ufigsten vor, welche sich mit den Themen Journalismus und Politik besch\u00e4ftigen. Allerdings zeichnen sich auch noch feinere Muster ab. Bei der Sozialdemokratischen Partei SP (Abbildung 2, Mitte) erscheint nun beispielsweise das Wort sports <\/em>unter den h\u00e4ufigsten 6 Begriffen (orange eingef\u00e4rbt), bei der Schweizerischen Volkspartei SVP das Wort business<\/em> oder bei der Gr\u00fcnliberalen Partei GLP das Wort music<\/em>. Es scheint also doch noch weitere relevante Themen in den verschiedenen Kurzbeschreibungen der Partei-Follower zu geben. Um diese zu untersuchen wurden im n\u00e4chsten Schritt machine-learning<\/em> Algorithmen angewendet, um zugrundeliegende Themen (Topics) zu identifizieren.<\/h4>\n

Die berechneten Themen<\/h3>\n

Insgesamt scheinen 11 Themen in den Kurzbeschreibungen der Follower besonders h\u00e4ufig aufzutreten, wobei Thema 6 sich auf Twitter-Profile im allgemeinen bezieht und daher nicht weiter beachtet werden muss. Die Themen, welche mithilfe eines Structural Topic Models<\/em> (STM, vgl. Box) berechnet worden sind, zeigen auf, welche W\u00f6rter in den Kurzbeschreibungen h\u00e4ufig zusammen vorkommen. Ein Thema (Topic) beinhaltet somit alle Begriffe, die h\u00e4ufig zusammen in den Kurzbeschreibungen verwendet worden sind. Die Abbildung 3 zeigt den \u00dcberbegriff der jeweiligen Themen und die wichtigsten vier W\u00f6rter pro Thema. Zudem zeigt die L\u00e4nge der schwarzen Linie, dass das Thema POLITIK am h\u00e4ufigsten und das Thema POLITIKWISSENSCHAFT am seltensten vorkommt. Die seltsam anmutende Form der W\u00f6rter ist ein Ergebnis der Berechnungen. Um alle m\u00f6glichen Formen eines Wortes in die Auswertung miteinbeziehen zu k\u00f6nnen wurde die englische Stammform der W\u00f6rter benutzt (Wortstamm).<\/h4>\n

Structural Topic Model:<\/em> Die Themen<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 3: Zeigt die Anteile der Themen an den untersuchten Kurzbeschreibungen (Linie), den Namen des Themas und die 4 h\u00e4ufigsten W\u00f6rter pro Thema. Lesebeispiel: Rund 11% der untersuchten W\u00f6rter k\u00f6nnen dem Thema POLITIK zugeteilt werden (L\u00e4nge der Linie). Die am h\u00e4ufigsten vorkommenden W\u00f6rter innerhalb dieses Themas sind: presid<\/em>, council<\/em>, canton<\/em>, zurich<\/em>. Die ungew\u00f6hnliche Form der W\u00f6rter r\u00fchrt daher, dass alle Grossbuchstaben und Sonderzeichen entfernt worden sind und die W\u00f6rter anschliessend jeweils auf Englisch \u00fcbersetzt und in die Stammform umgewandelt wurden. Das Wort presid<\/em> steht somit f\u00fcr alle m\u00f6glichen Deklinationen der Stammform presid.<\/em><\/a>\u00a0<\/span> (Eine detailliertere Auflistung der resultierenden Themen findet sich hier<\/a><\/span>.)<\/p>\n<\/div>\n

Structural Topic Model:<\/strong> Structural Topic Models<\/em> versuchen, mit Methoden des machine-learning<\/em>, die W\u00f6rter aus einer Reihe von Dokumenten – hier die Twitter-Kurzbeschreibungen der Partei-Follower – in zugrundeliegende Themen (Topics) zu organisieren. Der verwendete Algorithmus berechnet hierf\u00fcr die Wahrscheinlichkeiten f\u00fcr jedes Wort, in den Kurzbeschreibungen der Twitter-Profile vorzukommen. Anhand dieser Wahrscheinlichkeiten k\u00f6nnen die Twitter-Profile dann in verschiedene Gruppen unterteilt werden. Das Ziel einer solchen Analyse ist es somit, die Follower anhand von den so generierten Themen in verschiedene Gruppen aufteilen zu k\u00f6nnen und den Einfluss der Gruppen auf die (Twitter-)Parteiwahl zu untersuchen. Haben beispielsweise Follower, die in ihrer Kurzbeschreibung viele W\u00f6rter aus den Themen POLITIK und LIFESTYLE verwenden, h\u00e4ufiger das Twitter-Profil der SP abonniert oder doch das der SVP?<\/p>\n<\/div>\n

Thema: POLITIK<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 4: Die vier zentralen Begriffe zum Thema Politik kommen alle im Profil von Herrn Kl\u00e4y<\/span><\/a> vor. Pr\u00e4sident, Rat, Kanton und Z\u00fcrich. Seine Kurzbeschreibung passt also optimal zum Thema POLITIK.<\/p>\n<\/div>\n

Freilich k\u00f6nnen auch verschiedene Themen in der selben Kurzbeschreibung vorkommen. Die Abbildung 5 zeigt die Zusammenh\u00e4nge zwischen den Themen auf. Die eingekreisten Themengruppen 1 bis 4 zeigen Themen, die h\u00e4ufig zusammen in Kurzbeschreibungen vorkommen. Zudem sieht man an den \u00dcberlappungen der farbigen Kreise welche Gruppen von Themen statistisch miteinander verkn\u00fcpft sind und welche nicht. Der gelbe Kreis zeigt beispielsweise, dass Follower welche der Themengruppe 1 zugeteilt werden k\u00f6nnen h\u00e4ufig Begriffe aus den Themen POLITIK, JOURNALISMUS und VERB\u00c4NDE & ORGANISATIONEN in ihren Kurzbeschreibungen verwenden. Zudem zeigt die \u00dcberlappung des gelben mit dem grauen Kreis, dass h\u00f6chstens noch Begriffe mit dem Thema POLITIKWISSENSCHAFT in den selben Kurzbeschreibungen vorkommen. Hingegen gibt es keine \u00dcberlappung von der ersten Themengruppe mit den Themengruppen 3 und 4. Es scheint somit eine relativ abgekoppelte Gruppe von Followern zu geben, welche sich vor allem mit Begriffen aus der ersten Themengruppe beschreiben l\u00e4sst (POLITIK, JOURNALISMUS und VERB\u00c4NDE & ORGANISATIONEN). Wie der erste Teil der Analyse gezeigt hat, scheint diese Gruppe zudem unter den untersuchten Followern besonders stark vertreten zu sein.<\/p>\n

\u00a0Die Verkn\u00fcpfung der Themen innerhalb der Kurzbeschreibungen<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 5: Follower welche viele Begriffe zum Thema LIFESTYLE in den Kurzbeschreibungen verwendet haben, benutzen oft auch W\u00f6rter, welche den Themen LOVE & FRIENDS oder ENTREPRENEURSHIP zugeteilt werden k\u00f6nnen. Etwas weniger stark und doch nachweisbar ist zudem die Verkn\u00fcpfung von Begriffen zum Thema LIFESTYLE mit den Themen der Themengruppe 4 (SOCIAL MEDIA & MARKETING, KOMMUNIKATION & MEINUNG und BERUF & INNOVATION). Hingegen ist die Verkn\u00fcpfung der Themen LIFESTYLE und POLITIK sehr selten und statistisch nicht nachweisbar (keine Korrelation).<\/p>\n<\/div>\n

Wie sind die Themen mit den Parteien verkn\u00fcpft?<\/h3>\n

Der Vorteil in der Anwendung des Structural Topic Models<\/em> im Vergleich zu \u00e4hnlichen Methoden ist, dass die Struktur der untersuchten W\u00f6rter analysiert werden kann. In diesem Fall bedeutet das, dass die Follower nach der Partei welcher sie jeweils folgen aufgeteilt werden k\u00f6nnen. So l\u00e4sst sich herausfinden ob das Vorkommen von einzelnen Themen in den Kurzbeschreibungen Einfluss auf die Entscheidung hat, welchen Parteien die einzelnen Follower folgen. Tats\u00e4chlich gibt es diesbez\u00fcglich statistisch relevante Unterschiede wie die Abbildungen 6 zeigt.<\/h4>\n

Themengruppen und Parteien<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 6: Erwartete H\u00e4ufigkeit der Themen: Je h\u00f6her der Wert desto \u00f6fter kommt das Thema in den Kurzbeschreibungen der Follower der jeweiligen Parteien vor. Die W\u00f6rter und Begriffe aus der Themengruppe 1 (vgl. Abbildung 5) werden von Followern der b\u00fcrgerlichen Parteien am h\u00e4ufigsten verwendet. Die SP (und zum Teil die LEGA und EVP) mobilisiert auf Twitter eher Follower der dritten Themengruppe. Die liberalen Parteien schneiden in der vierten Themengruppe deutlich besser ab als die b\u00fcrgerlichen Parteien.<\/p>\n<\/div>\n

Wenn die Follower in ihrer Kurzbeschreibungen h\u00e4ufig W\u00f6rter aus der Themengruppe 1 (POLITIK, JOURNALISMUS und VERB\u00c4NDE) verwenden, folgen sie wahrscheinlich eher den b\u00fcrgerlichen Parteien. Hingegen ist die SP f\u00fcr Follower interessant, welche in ihren Kurzbeschreibungen viele Begriffe aus der Themengruppe 2 (LIFESTYLE, LOVE & FRIENDS und ENTREPRENEURSHIP) verwenden. Die Gr\u00fcnen, die GLP und die FDP punkten hingegen eher bei Leuten, welche auf Twitter vorwiegend berufsbezogene Kurzbeschreibungen verwenden. Weiter zeigt die Abbildung 6, dass die b\u00fcrgerlichen Parteien (B\u00fcrgerlich-Demokratische Partei, Christlichdemokratische Volkspartei und die Liberalen) viele Follower haben, welche sich mit Begriffen zum Thema VERB\u00c4NDEN & ORGANISATIONEN schm\u00fccken. Die SVP, BDP und die CVP haben zudem weniger Follower, die sich selbst mit W\u00f6rtern zum Thema SOCIAL MEDIA & MARKETING beschreiben.<\/h4>\n

Thema: VERB\u00c4NDE & ORGANISATIONEN<\/span><\/h3>\n
\"\"<\/a><\/p>\n

Abbildung 7: Eine typische Followerin<\/span><\/a> zum Thema VERB\u00c4NDE & ORGANISATIONEN.<\/p>\n<\/div>\n

\u00a0Fazit<\/h3>\n

Die Analyse der Twitter -Kurzbeschreibungen erweist sich als durchaus sinnvolles Mittel, um Follower zu kategorisieren. Insgesamt stellt sich allerdings die Frage, ob der Social Media Auftritt der Parteien zielf\u00fchrend ist. Der gr\u00f6sste Teil der Partei-Follower entpuppt sich als Journalisten und Politiker aus den verschiedenen Kantonen der Schweiz. B\u00fcrgerliche Politiker\u00a0beweihr\u00e4uchern sich auf Twitter selbst, indem sie den gr\u00f6ssten Teil der Follower der eigenen Parteien auf Twitter ausmachen. Auch haben viele Mitglieder von Verb\u00e4nden und Organisationen Twitter-Profile um, wohl auch nicht ganz uneigenn\u00fctzig,<\/h4>\n

am h\u00e4ufigsten den b\u00fcrgerlichen Parteien zu folgen. Die Sozialdemokraten sprechen zwar eine etwas breitere Anh\u00e4ngerschaft an, diese verwenden allerdings Begriffe in ihren Kurzbeschreibungen, die nicht wirklich auf politisches Interesse schliessen lassen. Die Gr\u00fcnen und die GLP sind die einzigen Parteien, welche Anh\u00e4nger mit Kurzbeschreibungen zu fast allen Themen gewinnen k\u00f6nnen ohne dass der gr\u00f6sste Teil ihrer Follower entweder aus Politikern und Journalisten oder aus Hipstern besteht.<\/h4>

 <\/p>\n

Methoden: <\/strong>Die Informationen zu den Followern wurden zwischen dem 14. April und dem 05. Mai 2018 mit Hilfe der Statistik-Software R<\/span><\/a> heruntergeladen und mit Beihilfe der \u00dcbersetzungsplattform DeepL<\/span><\/a> auf Englisch \u00fcbersetzt. Die weiterf\u00fchrende Textbearbeitung und das Rechnen des Structural Topic Models<\/em> fanden ebenfalls mit Hilfe von R statt.
\n<\/strong><\/p>

Viele Bots und inaktive Profile: <\/strong>Sp\u00e4testens seit den Parlamentswahlen im Jahr 2011 sind die meisten Schweizer Parteien auf Twitter vertreten<\/span><\/a>. Eine Untersuchung<\/a><\/span> von Prof. Simon Hegelich von der TU M\u00fcnchen aus dem Jahr 2016 zeigt allerdings, dass zwischen 15 und 40 Prozent der Follower der gr\u00f6ssten vier Schweizer Parteien\u00a0Bots beziehungsweise inaktive Nutzer sind. Auch von den rund 100’000 Profilen, welche heute den gr\u00f6ssten neun Parteien folgen, haben nur knapp 37’000\u00a0 ihre Kurzbeschreibung \u00fcberhaupt ausgef\u00fcllt. Eine ausgef\u00fcllte Kurzbeschreibung ist zwar ein Indiz daf\u00fcr, dass das Profil auch aktiv genutzt wird, der Umkehrschluss, dass rund 60% der Follower inaktiv sind, w\u00e4re jedoch falsch. Diese Analyse setzt den Fokus auf alle, welche die Kurzbeschreibung ausgef\u00fcllt haben. Die Annahme dahinter ist, dass diese Follower aktives<\/span> Interesse<\/span><\/a> daran haben sich auf Twitter selbst zu profilieren und somit f\u00fcr diese Analyse perfekt geeignet sind.<\/p>

Limitationen: <\/strong>Die Validit\u00e4t dieser Untersuchung kann nicht gr\u00f6sser sein, als die Validit\u00e4t der einzelnen Kurzbeschreibungen welche hier untersucht wurden.<\/p>

Dokumentation:<\/strong> Die Dokumentation der Analyse findet sich im folgenden R-Script: Code.txt<\/span><\/a><\/p>\n<\/div>\n

Zum Autor:<\/strong><\/p>\n

Titel: Eine Twitter-Datenanalyse zeigt: Die Sozialdemokraten twittern f\u00fcr Hipster und die b\u00fcrgerlichen Parteien haupts\u00e4chlich f\u00fcr sich selbst
\nName: Mauro Giovanoli
\nE-Mail: mauro.giovanoli@uzh.ch
\nMatrikel-Nr: 14-736-144
\nAbgabetermin: 27.05.2018
\nVeranstaltung: Forschungsseminar Politischer Datenjournalismus, Universit\u00e4t Z\u00fcrich
\nDozierende: Prof. Dr. Fabrizio Gilardi, Dr. Bruno W\u00fcest, Alexandra Kohler
\nW\u00f6rter:\u00a0 1108<\/h4>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Eine auf machine-learning basierte Auswertung der Kurzbeschreibungen von Twitter-Followern der Schweizer Parteien stellt deren Social Media Auftritte infrage. W\u00e4hrend die Sozialdemokraten vor allem Lifestyle-Begeisterte ansprechen, drehen sich die b\u00fcrgerlichen Parteien im Kreis. Nur die Liberalen schaffen es Follower aus verschiedenen Bereichen des sozialen Netzwerks f\u00fcr sich zu gewinnen. Anhand einer Datenanalyse, welche sich methodisch an […]<\/p>\n","protected":false},"author":80,"featured_media":16024,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[32,36,50,74,81,88,99,107,142,304,223,301,243,256],"class_list":["post-15066","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-allgemein","tag-bdp","tag-bigdata","tag-cvp","tag-evp","tag-fdp-liberale","tag-follower","tag-glp","tag-grune","tag-lega","tag-social-media","tag-sp","tag-structural-topic-models","tag-svp","tag-twitter"],"_links":{"self":[{"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/posts\/15066","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/users\/80"}],"replies":[{"embeddable":true,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/comments?post=15066"}],"version-history":[{"count":54,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/posts\/15066\/revisions"}],"predecessor-version":[{"id":16019,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/posts\/15066\/revisions\/16019"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/media\/16024"}],"wp:attachment":[{"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/media?parent=15066"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/categories?post=15066"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pwiweb.uzh.ch\/wordpress\/wp-json\/wp\/v2\/tags?post=15066"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}