-
Notifications
You must be signed in to change notification settings - Fork 1
Baustein GL Anw Welt
Quick Links: Home | Konzept Grundlagenveranstaltung | Bausteine
Sammlung von Daten über die Welt
CCS-Grundlagen
Anwendungsfelder
Gerret von Nordheim
BA
- Potenziale und Fallstricke verstehen bei aggregierten Daten / Daten Dritter
- Data Literacy - Hinterfragen v. Faktizität
- Kenntnisse über die Anwendungsgebiete und Fragestellungen der Kommunikationswissenschaft
Aufbauend auf:
Eng verbunden und teilweise redundant mit:
Automatische Sammlung von Daten über die Welt (z.B. demoskopische Daten, Open Data, Daten aus Repositorien, Unternehmensdaten, Forschungsdaten, Statistiken/Metriken allg., Leaks etc.) Es soll der Blick für kontextualisierende Fragen geschärft werden, insb. für die Fragen,
- wie Daten entstehen (also erhoben, analysiert, aggregiert werden),
- von wem (und für wen) Daten zur Verfügung gestellt werden,
- in welcher Form,
- ggf. mit welchem Interesse und
- wie Daten aus unterschiedlichen Quellen kompiliert werden (d.h.verbunden werden, um ein informatives Bild aus scheinbar nutzlosen Randdaten zu gewinnen).
Hierbei sollen an verschiedenen Beispielen (s.u.) die Potenziale und Fallstricke (generell: die Eignung) verschiedener Datenformen für die kommunikationswissenschaftliche (bspw. komparative Ansätze, Medienökonomie, Agenda Setting etc.) Forschung und die datenjournalistische Praxis diskutiert werden (Auswertung von Messstationen, offenen Daten, Leaks etc.)
DDJ-Beispiele:
- Die Rückkehr der Wölfe (rbb-online.de)
- 30 Jahre Deutsche Einheit: Teile Deutschland und entdecke die Unterschiede! (morgenpost.de)
- Klimawandel: Viel zu warm hier | ZEIT ONLINE
Die o.g. Fragen werden im Kontext verschiedener Datentypen diskutiert, bspw.:
- Wikipedia-Tabelle, Facebook Ad-Archives, VDem, Gesis Eurobarometer, IVW, KEK, BDZV
- Anhand des Begriffs “Leak Forgery” (Donovan & Friedberg 2019) soll diskutiert werden, wie die Veröffentlichung von Daten strategisch manipulativ eingesetzt werden kann.
- Ideensammlung: Welche Meta-Informationen müssen bekannt sein, um die Qualität eines Datensatzes einzuschätzen – worauf muss man achten, wenn man einen Datensatz verwendet oder auch veröffentlicht?
90min
keine
- Gemeinsame Materialsammlung (online) - Recherchieren von in Studien verwandten Daten: Wo kommen sie her, wie liegen sie vor, wer genau hat sie bereitgestellt, welche Kontextinformationen werden wo genannt? etc.
- Brainstorming in der Gruppe mit anschließender Präsentation: KW-Forschungsideen für ungewöhnliche (abwegige, vllt. auch fiktive) Daten.
- PraxisübungEigene Daten aus pdf-Tabelle ziehen mit (DDJ-)Tool Tabula In einem zweiten Schritt können Rohdaten auf verschiedene Weise aufbereitet, aggregiert werden – dabei verfolgen versch. Gruppen verschiedene Motive und bereiten ihre Daten entsprechend auf. Am Ende werden Resultate verglichen und diskutiert.
- Vorbereitende Seh-Aufgabe: SpiegelMining von David Kriesel https://www.youtube.com/watch?v=-YpwsdRKt8Q
- Kritische Beschreibung von fünf Datenquellen aus Aufsätzen und/oder datenjournalistischen Inhalten
- Studienentwurf mit einer „ungewöhnlichen“ Datenquelle
- Sammlung von Worst/Best-Practice-Beispielen aus der datenjournalistischen Praxis
- Humprecht E, Esser F, Van Aelst P. Resilience to Online Disinformation: A Framework for Cross-National Comparative Research. The International Journal of Press/Politics. 2020;25(3):493-516. doi:10.1177/1940161219900126
- Danah Boyd & Kate Crawford (2012) CRITICAL QUESTIONS FOR BIG DATA, Information, Communication & Society, 15:5, 662-679, DOI: 10.1080/1369118X.2012.678878
- Donovan, J., & Friedberg, B. (2019). Source Hacking—Media Manipulation in Practice (Data & Society’s Media Manipulation Research Initiative). https://datasociety.net/wp-content/uploads/2019/09/Source-Hacking_Hi-res.pdf
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.