Analyse der Zeitreihen von Schlüsselereignissen in der Gesellschaft, wie sie sich in komplexen Social-Media-Datenströmen widerspiegeln

แนวคิดหลัก

Durch den Einsatz quantitativer Korpus-basierter Diskursanalysetechniken können wertvolle Erkenntnisse aus Social-Media-Plattformen wie GAB und Telegram gewonnen werden, um die Entwicklung von Narrativen im Zusammenhang mit wichtigen gesellschaftlichen Ereignissen wie dem Wagner-Aufstand in Russland zu untersuchen.

บทคัดย่อ

Die Studie untersucht die Entwicklung von Narrativen auf den Social-Media-Plattformen GAB und Telegram unter Verwendung quantitativer Korpus-basierter Diskursanalysetechniken.

Für die GAB-Plattform wurde ein maßgeschneiderter Scraper entwickelt, um alle Beiträge mit den Hashtags #Wagner, #Russia und #Ukraine vom 22. bis 26. Juni 2023 zu erfassen. Insgesamt wurden 2.061 einzigartige Beiträge gesammelt, von denen 86% auf Englisch verfasst waren.

Für Telegram wurden Kanäle aus der Ukraine und Russland ausgewählt, um die Perspektiven beider Seiten zu erfassen. Insgesamt wurden 1.397 Beiträge aus ukrainischen Quellen und 867 Beiträge aus russischen Quellen gesammelt.

Die Analyse der Schlüsselwörter (Log Ratio) zeigte, dass auf GAB Narrative auftauchten, die mit der russischen Argumentation übereinstimmten, wie z.B. Verweise auf den "Feind" Ukraine oder die angeblichen Kosten der US-Hilfe für die Ukraine. Im Gegensatz dazu konzentrierten sich die ukrainischen Telegram-Kanäle stärker auf die Ereignisse rund um den Wagner-Aufstand, während die russischen Kanäle eine zeitliche Verzögerung in der Berichterstattung aufwiesen.

Insgesamt zeigt die Studie, dass die Analyse von Zeitreihen in sozialen Medien wertvolle Einblicke in die Entwicklung von Narrativen zu wichtigen gesellschaftlichen Ereignissen liefern kann. Der induktive Ansatz ermöglicht es, aufkommende Signale in den Texten zu identifizieren und zu verfolgen.

สถิติ

"Die Schlachtfelder, der Kampf, der Eintritt, die Schwäche"
"Die Steuern, die PMC, der Stand, das Imperium"
"Der Angriff, der Soldat, der Zwischenfall, die Klasse"
"Prigoschin, Putin, der Exil, der Gegenangriff"

คำพูด

"Die Schlüsselwörter mit der höchsten Keyness-Bewertung zeigen, dass auf GAB Narrative auftauchen, die mit der russischen Argumentation übereinstimmen."
"Im Gegensatz dazu konzentrieren sich die ukrainischen Telegram-Kanäle stärker auf die Ereignisse rund um den Wagner-Aufstand, während die russischen Kanäle eine zeitliche Verzögerung in der Berichterstattung aufweisen."

ข้อมูลเชิงลึกที่สำคัญจาก

Time Series Analysis of Key Societal Events as Reflected in Complex Social Media Data Streams

by Andy Skumani... ที่ arxiv.org 03-13-2024

https://arxiv.org/pdf/2403.07090.pdf

สอบถามเพิ่มเติม

Wie können die Erkenntnisse aus der Analyse von Zeitreihen in sozialen Medien genutzt werden, um proaktiv auf Desinformationskampagnen zu reagieren und die öffentliche Debatte positiv zu beeinflussen?

Die Erkenntnisse aus der Analyse von Zeitreihen in sozialen Medien können dazu genutzt werden, um frühzeitig auf Desinformationskampagnen zu reagieren und die öffentliche Debatte positiv zu beeinflussen, indem sie Trends und Muster identifizieren, die auf potenzielle Desinformation hinweisen. Durch die Analyse von Zeitreihen können plötzliche Veränderungen im Diskurs erkannt werden, die auf die Verbreitung falscher Informationen oder manipulativer Narrative hindeuten. Auf diese Weise können Behörden, Plattformen und die Öffentlichkeit proaktiv Maßnahmen ergreifen, um Desinformation einzudämmen und korrekte Informationen zu fördern. Indem man die Entwicklung von Narrativen verfolgt, kann man auch verstehen, wie sich Desinformation verbreitet und welche Gruppen davon betroffen sind, was wiederum dabei helfen kann, gezielte Gegenmaßnahmen zu entwickeln.

Welche Rolle spielen algorithmische Empfehlungssysteme bei der Verstärkung und Verbreitung von Narrativen in sozialen Medien, und wie können diese Systeme so gestaltet werden, dass sie die Meinungsbildung nicht manipulieren?

Algorithmische Empfehlungssysteme spielen eine entscheidende Rolle bei der Verstärkung und Verbreitung von Narrativen in sozialen Medien, da sie dazu neigen, Nutzern Inhalte vorzuschlagen, die ihren bisherigen Interaktionen entsprechen. Dies kann dazu führen, dass Nutzer in sogenannten Filterblasen gefangen werden, in denen sie nur mit Informationen konfrontiert werden, die ihre bestehenden Ansichten bestätigen. Dadurch können algorithmische Empfehlungssysteme dazu beitragen, die Polarisierung zu verstärken und die Verbreitung von Desinformation zu begünstigen.
Um zu verhindern, dass algorithmische Empfehlungssysteme die Meinungsbildung manipulieren, müssen sie transparent gestaltet und reguliert werden. Es ist wichtig, dass Algorithmen so programmiert sind, dass sie Vielfalt und Diversität fördern, anstatt Nutzer in Echokammern zu isolieren. Zudem sollten Nutzer die Möglichkeit haben, ihre Präferenzen anzupassen und die Funktionsweise der Empfehlungssysteme zu verstehen. Durch eine Kombination aus ethischer Programmierung, Transparenz und Nutzerkontrolle können algorithmische Empfehlungssysteme so gestaltet werden, dass sie die Meinungsbildung nicht manipulieren, sondern vielmehr eine ausgewogene Informationsumgebung fördern.

Inwiefern können ähnliche Analysen auch auf andere Plattformen wie TikTok oder Instagram angewendet werden, um ein umfassenderes Verständnis der Dynamik von Narrativen in sozialen Medien zu erlangen?

Ähnliche Analysen können auch auf Plattformen wie TikTok oder Instagram angewendet werden, um ein umfassenderes Verständnis der Dynamik von Narrativen in sozialen Medien zu erlangen. Durch die Analyse von Zeitreihen auf diesen Plattformen können Trends und Muster identifiziert werden, die auf die Verbreitung bestimmter Narrativen oder Themen hinweisen. Dies ermöglicht es, die Entwicklung von Diskursen und die Interaktionen der Nutzer besser zu verstehen.
Auf Plattformen wie TikTok und Instagram, die sich durch visuelle Inhalte und kürzere Formate auszeichnen, können ähnliche Analysen durchgeführt werden, indem man sich auf Hashtags, Kommentare und Interaktionsmuster konzentriert. Durch die Verfolgung von Trends in Echtzeit können Forscher und Plattformbetreiber ein besseres Verständnis dafür entwickeln, wie sich Narrative verbreiten und wie Nutzer auf bestimmte Inhalte reagieren.
Insgesamt können ähnliche Analysen auf verschiedenen sozialen Medienplattformen dazu beitragen, ein umfassenderes Bild davon zu erhalten, wie sich Narrative entwickeln und verbreiten, und somit dazu beitragen, Desinformation einzudämmen und eine gesündere Informationsumgebung zu fördern.