Baustein GL Anw Beobachtung

Baustein: Grundlagen - Anwendungsfelder - Automatische Beobachtung und Sammlung von personenbezogenen Daten

Quick Links: Home | Konzept Grundlagenveranstaltung | Bausteine

Bezeichnung:

Automatische Beobachtung und Sammlung von personenbezogenen Daten

Veranstaltung:

CCS-Grundlagen

Teilbereich:

Anwendungsfelder

Bearbeitet von:

Julia Niemann-Lenz

Empfohlenes Studienniveau:

BA

Lernziele:

• Anwendungsfelder von Computational Methods kennen, Potenziale verstehen

Voraussetzungen:

• Kenntnisse über die Anwendungsgebiete und Fragestellungen der Kommunikationswissenschaft

Querverweise:

Methoden-Bausteine, die auf diesen Inhalten aufbauen:

• Datenzugang: API
• Datenzugang: Web-Tracking

Inhalt:

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?

Didaktik:

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.

Zeitbedarf:

90min

Lehrmaterialien:

keine

Mögliche Übungen:

• 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.

Mögliche Prüfungsleistung:

• Zusammenfassen in eigenen Worten, Beschreibung eines spezifischen methodischen Zugangs
• Grobentwurf einer Studie die personenbezogene Daten nutzt.
• Essay-Fragen zu ethischen Aspekten

Literatur:

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