Konzept Netzwerkanalyse

Quick Links: Home | Bausteine

Beispielcurriculum Netzwerkanalyse

Bearbeitet von: Jakob Jünger, Felix Victor Münch, Elizabeth Prommer, Swaran Sandhu, Heidi Schulze, Annie Waldherr

Die Analyse von Netzwerken hat in den Sozial- und Geisteswissenschaften eine lange Tradition, denn der Netzwerkbegriff scheint sich besonders gut dafür zu eignen, die Komplexität sozialer Wirklichkeit aufzugreifen. Im Zusammenspiel mit Computational Methods ergeben sich sowohl spannende neue Phänomene als auch neue Perspektiven auf bekannte Phänomene. Das Beispielcurriculum soll gleichzeitig Grundlagen der Netzwerkanalyse vermitteln und eine Einführung in die dafür nötigen Computational Methods geben. Ziele der Lehreinheiten sind:

• Verständnis und Begeisterung für relationale Sozialforschung wecken! Studierende lernen in Netzwerken zu denken, kennen verschiedene Netzwerkkonzepte, bauen Wissen zu Netzwerktheorien und zu Theorien sozialer Beziehungen auf.
• Zur Arbeit mit Netzwerkanalysen befähigen! Studierende erwerben praktische Kompetenzen zur Analyse von Netzwerken im Rahmen von Qualifikationsarbeiten und in der wissenschaftlichen Forschung.
• Anwendungsfelder in der Kommunikationswissenschaft kennenlernen! z.B. Akteursnetzwerke (von Organisationen, Social-Media-Accounts; Hyperlinknetzwerke, Follower Netzwerke, etc.), semantische Netzwerke (z.B. Ko-Okkurenzen von Keywords, Konzepten, etc.)

Das folgende Beispielcurriculum soll Anregungen für Dozierende geben, die einen Netzwerkanalysekurs planen. Es werden mögliche Themen für einzelne Sitzungen benannt, Übungsbeispiele gegeben sowie Texte und Materialien vorgeschlagen.

Die einzelnen Einheiten bauen aufeinander auf, je nach Ausrichtung des Kurses sollte aber eine Auswahl getroffen und ggf. umgestellt werden. Zu unterscheiden sind Basiseinheiten von erweiterten Lerneinheiten:

1. Einführung (Basiseinheit): Die erste Einheit ist als Einführung in Methoden und Theorien konzipiert. Sie soll über die Diskussion von Anwendungsfeldern und über Visualisierungen einen Einstieg in die Welt der Netzwerke ermöglichen.
2. Grundlagen (Basiseinheit): Es folgt eine Einführung in Grundlagen der empirischen Netzwerkanalyse. Zu den einzelnen Themen werden praktische Übungen mit R oder Python durchgeführt.
3. Datenerhebung (Erweiterte Einheit): Aus dem Bereich der Datenerhebung empfiehlt es sich für B.A.-Kurse eine Auswahl zu treffen oder eigenständige Kurse im M.A. anzubieten.
4. Modellierung (Erweiterte Einheit): Die Vermittlung von Modellierungstechniken wird ausschließlich für weiterführende Kurs in M.A.-Studiengängen empfohlen.

Die Einheiten 1 bis 3 können als Überblicksveranstaltung innerhalb eines Semesters mit 14 Terminen von jeweils 90 Minuten Präsenzzeit umgesetzt werden. Wesentlich ist, dass Studierende darüber hinaus zum Selbststudium angehalten werden, um sich zum Beispiel Grundlagen von R oder Python anzueignen. Aus den erweiterten Einheiten kann entweder eine Auswahl getroffen werden, jede der Teileinheiten eignet sich aber auch für eigenständige semesterfüllende Kurse.

Startbedingungen und Grundlagen

• Einführung: Interesse wecken, Relevanz aufzeigen, lebensweltlichen Bezug herstellen. Fahrplan der Veranstaltung vorstellen, aktuelle praxisbezogene Projekte (z.B. Datenjournalismus) und/oder wissenschaftliche Papers
• Visualisierung: Visualisierung von Netzwerken mit einem Tool wie Gephi. Verdeutlichen von Möglichkeiten und Limitationen, Aussagen aus Visualisierungen abzuleiten.
• Netzwerktheorie: Relationales Denken in den Sozialwissenschaften, Netzwerkanalyse als Querschnittsmethode und -theorie.
• Programmierung: Einführung in oder Auffrischung von R oder Python, Vermittlung grundlegender Datenformate (Edge- und Nodelisten), Übersicht über die im Kurs eingesetzten Programmierwerkzeuge (R, Python), ggfs. auch fertige Pakete (Palladio, NodeXL, Gephi etc.).

Grundbegriffe und Graph Theory

In dieser Einheit lernen die Studierenden die wesentlichen Grundbegriffe und die wichtigsten Maße in der deskriptiven Netzwerkanalyse kennen. Wir beginnen mit einer Einführung in die Graphentheorie als mathematische Grundlage der Netzwerkanalyse, führen dann beschreibende Maße auf verschiedenen Ebenen des Netzwerks ein, bevor wir uns schließlich noch etwas genauer mit der Analyse von Subgruppen beschäftigen.

• Grundbegriffe: Elemente von Netzwerken: Knoten, Kanten, Dyaden, Triaden, Componenten, Cluster, Egonetzwerke, etc.
• Netzwerk- und Akteursmaße: Netzwerkmaße: Dichte, Umfang, Pfaddistanz, etc. / Akteurs- bzw. Zentralitätsmaße: Degree, Closeness, Betweenness, Eigenvector, Transitivität, Reziprozität, etc.
• Teilnetzwerke: Componenten, Cliquen, Egonetzwerke, etc.

Erhebung von Netzwerkdaten

Das Modul soll den Studierenden einen ersten Überblick über verschiedene Zugänge und Schwierigkeiten geben, Netzwerkdaten zu erheben.

• Erhebung von Netzwerkdaten: Datenquellen: Befragungen (Namens und Netzwerkgeneratoren), Automatische Erfassung von In-Person-Netzwerken, Programmierschnittstellen (APIs), Datamining, Web-Crawling und Scraping, Datenbanken
• Erhebung von Netzwerkdaten: Sampling: Probleme des Netzwerksampling (z.B. Repräsentativität), Sampling Methoden und ihre Vor-/Nachteile
• Ethik und verantwortungsvolle Forschung: Deanonymisierung, Profiling, Erwartungshaltung der Plattformnutzer zur Öffentlichkeit ihrer Daten

Advanced Network Analysis Methods

• Statistische Modellierung: Exponential Random Graph Models (ERGM) und Stochastic Actor-Oriented Modeling (SAOM): Einführung in die Voraussetzungen, Grundlogiken und wesentlichen Arbeitsschritte von ERGM und SAOM, beispielhafte Analysen und Interpretation der Ergebnisse
• Netzwerkmodellierung: Simulation: Simulation von Netzwerken mit R oder Python oder mit Programmen wie Netlogo. Verdeutlichung von Mechanismen wie Preferential Attachment oder Small-World-Phänomenen oder Schweigespiralprozessen.
• Erweiterte Visualisierungsmöglichkeiten: Vertiefung von Layoutalgorithmen, Matrizendarstellung und Möglichkeiten zur Darstellung von Kennwerten (Hive-Plots).