Digitale Methoden
- 1. Automatisierte Datensammlung - (automated) data collection/extraction
- 2. Datenaufbereitung - data wrangling
-
3. data mining/ knowledge extraction
- 3.1. text mining
- 3.2. meta-data mining
- 4. digitale Datenerhebung (neue Möglichkeiten von Experimentalgestaltung) - digital research designs
- 5. statistische Modellierung
- 6. Daten-Visualisierungen
- 7. digitale Wissenschaftskommunikation
- 8. kollaboratives Arbeiten
- 9. Analyse sozialer Netzwerke - (social) network (structure) analysis
- 10. complexity modeling/deep learning
- References
1. Automatisierte Datensammlung - (automated) data collection/extraction
2. Datenaufbereitung - data wrangling
Daten in maschinenlesbare Form überführen. Beispiele: PDFs, Uneinheitliche Formate in Daten
Tips zur Durchführung in R (Wickham & Grolemund, 2017, pp. 119–260)
3. data mining/ knowledge extraction
"Data mining" ist eher zu verstehen als "knowledge extraction from data". Für "data mining" existiert kein kurzes deutsches Äquivalent.
3.1. text mining
Auf Text bezogene Strukturanalysen.
3.1.3. Topic-Analysen
Einführung, Def. 157 (Ignatow & Mihalcea, 2017, pp. 156–163)
3.1.3.2. Latent Dirichelet Allocation (LDA)
Ausführliche Methodenbestimmung und Verfahrensweise (Maier et al., 2018)
3.1.3.3. Structural Topic Model
Methodendarstellung; Mögliche Anwendung bei "Open-ended Questions in Survey Experiments" (Roberts, Stewart, Tingley, Airoldi, & others, 2013)
3.1.3.4. sentiment analysis
Definition "Subjectivity and sentiment analysis focuses on the automatic identification of private states, such as opinions, emotions, sentiments, evaluations, beliefs, and speculations in natural language. While subjectivity classification labels text as either subjective or objective, sentiment classification adds an additional level of granularity, by further classifying subjective text as either positive, negative, or neutral." (Ignatow & Mihalcea, 2017, pp. 148–155)
3.1.6. automated (thematic, narrative or methapor) analysis
Einführung in die jeweiligen Bereiche(Thema, Narrativ und Metapher) (Ignatow & Mihalcea, 2017, pp. 73–103)
4. digitale Datenerhebung (neue Möglichkeiten von Experimentalgestaltung) - digital research designs
4.1. ecological momentary assessments (EMA)/ Experience Sampling Method (ESM)
EMA und ESM unterscheiden sich nur geringfügig; EMA enthält eher medizinische Fragen und Messungen und ist auf natürliche Umgebung bezogen.
Enthält vier Charakteristika: 1) Datensammlung in natürlichen Umgebungen 2) Fokussierung auf zeitlich nahe Erfahrungen/ Verhaltensweisen 3) Fragen, welche Event-ausgelöst oder randomisiert gestellt werden 4) sowie mehrerer Fragen über einen bestimmten Zeitraum [Zitat nach Stone and Shiffmann 1994] (Salganik, 2018, p. 109)
4.2. wiki surveys
Weitere Eingrenzug von Antwortvorschlägen in Umfragen anhand Wiki-ähnlicher Umfragen. Beispiel: http://www.allourideas.org (Salganik, 2018, pp. 111–115)
5. statistische Modellierung
5.2. Zeitreihenanalyse
Detaillierte Einführung in aktuelle Modelle(ARMA, GARCH, VaR). (Singh & Allen, 2017, pp. 153–182)
References
Cioffi-Revilla, C. (2014). Introduction to Computational Social Science: Principles and Applications. Texts in Computer Science. London, s.l.: Springer London. Retrieved from http://dx.doi.org/10.1007/978-1-4471-5661-1 Hackl, P. (2013). Einführung in die Ökonometrie (2., aktualisierte Aufl.). Wi - Wirtschaft. München: Pearson. Retrieved from http://lib.myilibrary.com/detail.asp?id=650988
Ignatow, G., & Mihalcea, R. F. (2017). Text mining: A guidebook for the social sciences. Los Angeles, London, New Delhi, Singapore, Washington DC, Melbourne: Sage.
Lemke, M., & Wiedemann, Gregor (Eds.). (2016). Text Mining in den Sozialwissenschaften: Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. Wiesbaden: Springer VS.
Maier, D., Waldherr, A., Miltner, P., Wiedemann, G., Niekler, A., Keinert, A., . . . Adam, S. (2018). Applying LDA Topic Modeling in Communication Research: Toward a Valid and Reliable Methodology. Communication Methods and Measures, 12, 93–118. https://doi.org/10.1080/19312458.2018.1430754
Marres, N. (2017). Digital sociology: The reinvention of social research. Cambridge, UK, Malden, MA, USA: Polity.
Marres, N., & Gerlitz, C. (2016). Interface Methods: Renegotiating Relations between Digital Social Research, STS and Sociology. The Sociological Review, 64, 21–46. https://doi.org/10.1111/1467-954X.12314
Roberts, M. E., Stewart, B. M., Tingley, D., Airoldi, E. M., & others (2013). The structural topic model and applied social science. In Advances in neural information processing systems workshop on topic models: computation, application, and evaluation (pp. 1–20).
Salganik, M. J. (2018). Bit by bit: Social research in the digital age.
Scharkow, M. (2013). Thematic content analysis using supervised machine learning: An empirical evaluation using German online news. Quality & Quantity, 47, 761–773. https://doi.org/10.1007/s11135-011-9545-7
Singh, A. K., & Allen, D. E. (2017). R in Finance and Economics: WORLD SCIENTIFIC.
Sloan, L., & Quan-Haase, A. (Eds.). (2017). The SAGE handbook of social media research methods. Los Angeles, London, New Delhi, Singapore, Washington DC, Melbourne: SAGE reference. Retrieved from https://ebookcentral.proquest.com/lib/gbv/detail.action?docID=4771733
Staab, S., Koltsova, O., & Ignatov, D. I. (Eds.). (2018). Information Systems and Applications, incl. Internet/Web, and HCI: Vol. 11185. Social Informatics: 10th International Conference, SocInfo 2018, St. Petersburg, Russia, September 25-28, 2018, Proceedings, Part I. Cham: Springer International Publishing. Retrieved from https://doi.org/10.1007/978-3-030-01129-1
Wickham, H., & Grolemund, G. (2017). R for Data Science: Import, tidy, transform, visualize, and model data. Beijing, Boston, Farnham, Sebastopol, Tokyo: O’Reilly UK Ltd.