-
Notifications
You must be signed in to change notification settings - Fork 1
Baustein GL Anw Beobachtung
Baustein: Grundlagen - Anwendungsfelder - Automatische Beobachtung und Sammlung von personenbezogenen Daten
Quick Links: Home | Konzept Grundlagenveranstaltung | Bausteine
Automatische Beobachtung und Sammlung von personenbezogenen Daten
CCS-Grundlagen
Anwendungsfelder
Julia Niemann-Lenz
BA
- Anwendungsfelder von Computational Methods kennen, Potenziale verstehen
- Kenntnisse über die Anwendungsgebiete und Fragestellungen der Kommunikationswissenschaft
Methoden-Bausteine, die auf diesen Inhalten aufbauen:
Automatische Beobachtung und Sammlung von personenbezogenen Daten (z.B: Kommunikationsverhalten auf sozialen Medien, Bildschirmverlauf auf dem Smartphone, Bewegungsdaten)
Technisches Hintergrundwissen:
- Datentransfer über das Internet
- Logdaten & Metadaten
- Cookies
- Browserplugins & Tracking-Apps (diverse Ansätze vgl. Christner et al 2021)
Anwendungsfelder mit Beispielen: KoWi:
- News Exposure
- Aufmerksamkeit, Medienselektion
- Medienmenüs, Mediengewohnheiten, Mediensucht
- Mobile Mediennutzung
MaFo:
- Werbetracking
- User-Experience, Usability-Forschung
- Kunden-/Marktsegmentierung
- A/B-Testing
- Prognose
- Individualisierte Werbung & Produktempfehlungen
- Individualisiertes Pricing
Data Journalism
- Analyse journalismus/öffentlichkeits-averser Szenen:
- BR Data: Rechtes Netz
- Kein Filter für Rechts – CORRECTIV
Diskussion der technischen Gegebenheiten/Voraussetzungen: Was ist nötig, damit man solche Datenerheben kann? Warum ist der Zugang für Wissenschaft schwer?
Die Studierenden verfügen in diesem Bereich über eigene Alltagserfahrungen und sind i.d.R. für die Nutzung personenbezogener Daten durch Tech-Konzerne sensibilisiert. Diesen Umstand kann man als Einstieg nutzen (siehe Übung „Datenauskunft“). Davon ausgehend wechselt man die Perspektive von der individuellen Nutzer:in zur Wissenschaftler:in/ Medienkonzern/ Marktforscher:in. Welchen Nutzen kann man aus den Inhalten ziehen. Je nach Zeitbudget ist hier die Arbeit in Kleingruppen möglich oder eine gemeinsame Brainstorming-Runde. Im Anschluss kann man Anwendungsfelder überblicksartig vorstellen (Powerpoint) und vertiefend auf einzelne eingehen. Das Einladen von Gastreferent:innen bietet sich an.
90min
keine
- Als vorbereitende Hausaufgabe: Eine eigne Datenauskunft einholen (z.B. Google, Amazon, Facebook, Apple, Microsoft, Netflix, Instagram, YouTube, WhatsApp, TikTok…).
- Welche Arten von Daten werden gesammelt?
- Brainstorming/Recherche: Wo/wie werden diese Daten eingesetzt?
- Kommunikationswissenschaftliche Studien lesen lassen und verschiedene Anwendungsgebiete sammeln. Davon ausgehend eigene Forschungsfragen entwickeln.
- Zusammenfassen in eigenen Worten, Beschreibung eines spezifischen methodischen Zugangs
- Grobentwurf einer Studie die personenbezogene Daten nutzt.
- Essay-Fragen zu ethischen Aspekten
Mögliche Beispielstudien:
- Bol, N., Strycharz, J., Helberger, N., van de Velde, B., & de Vreese, C. (2021). Vulnerability in a tracked society: Combining tracking and survey data to understand who gets targeted with what content. New Media & Society.
- Winter, S., Maslowska, E., & Vos, A. L. (2021). The effects of trait-based personalization in social media advertising. Computers in Human Behavior, 114. doi:10.1016/j.chb.2020.106525
Grundlagen:
- Christner, C., Urman, A., Adam, S. & Maier, M. (2021) Automated Tracking Approaches for Studying Online Media Use: A Critical Review and Recommendations, Communication Methods and Measures, DOI: 10.1080/19312458.2021.1907841
- Salganik, M. J. (2017). Bit by bit. Social research in the digital age. Princton. (Kapitel 2.4)
- Wieland, Mareike; In der Au, Anne-Marie; Keller, Christine; Brunk, Sören; Bettermann, Thomas; Hagen, Lutz & Schlegel, Thomas (2018). Online Behavior Tracking in Social Sciences: Quality Criteria and Technical Implementation. In C. M. Stützer & M. Welker (Eds.), Neue Schriften zur Online-Forschung: Vol. 15. Computational Social Science in the Age of Big Data. Concepts, Methodologies, Tools, and Applications. S. 131-160. Köln: Herbert v. Halem.
- Freelon, D. (2014). On the Interpretation of Digital Trace Data in Communication and Social Computing Research. Journal of Broadcasting & Electronic Media, 58(1), 59–75. https://doi.org/10.1080/08838151.2013.875018
- Andersen, K., de Vreese, C. H., & Albæk, E. (2016). Measuring Media Diet in a High-Choice Environment: Testing the List-Frequency Technique. Communication Methods and Measures, 10(2-3), 81–98. https://doi.org/10.1080/19312458.2016.1150973
- Su, N. M., Brdiczka, O., & Begole, B. (2013). The Routineness of Routines: Measuring Rhythms of Media Interaction. Human–Computer Interaction, 28(4), 287–334. https://doi.org/10.1080/07370024.2012.697026
Diese Wiki und die enthaltenen Bausteine für Vorlesungsinhalte wurden für und von Dozierenden der Methoden in der Kommunikationswissenschaft zusammengestellt. Für aktuelle Ergänzungen, insbesondere in den Bereichen Literatur und Lehrmaterialien sind wir jederzeit dankbar.