Dokument: Maschinelles Lernen für die Automatisierte Inhaltsanalyse von Inzivilität in Onlinediskussionen

Titel:	Maschinelles Lernen für die Automatisierte Inhaltsanalyse von Inzivilität in Onlinediskussionen
Weiterer Titel:	Machine Learning for the Automated Content Analysis of Incivility in Online Discussions
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=64845
URN (NBN):	urn:nbn:de:hbz:061-20240214-112545-1
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Stoll, Anke [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 528,3 KB in einer Datei [ZIP-Datei erzeugen] Dateien vom 06.02.2024 / geändert 06.02.2024
Beitragende:	Prof. Dr. Ziegele, Marc [Gutachter] Prof. Dr. Conrad, Stefan [Gutachter]
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 070 Nachrichtenmedien, Journalismus, Verlagswesen
Beschreibungen:	Die zunehmende Verbreitung von sogenannter Inzivilität beschäftigt sowohl Plattformbetreiber:innen und Community-Manager:innen von Onlinediskussionen als auch Wissenschaftler:innen der Sozialwissenschaften und der Computer Sciences. Jüngste Fortschritte im Bereich der Künstlichen Intelligenz geben Anlass zu der Hoffnung, dass durch maschinelles Lernen die mühsame manuelle Moderation von Inzivilität unterstützt werden kann. Auch in der Kommunikationswissenschaft steigt der Bedarf nach automatisierten, computergestützten Methoden, um die wachsenden Mengen digital verfügbaren Daten von Onlinekommunikation analysieren zu können. Die vorliegende kumulative Dissertation beschäftigt sich mit der Frage, wie Inzivilität mittels Methoden des maschinellen Lernens automatisiert gemessen werden kann. Hierzu werden aktuelle Methoden des maschinellen Lernens mit der kommunikationswissenschaftlichen Forschung zu Inzivilität verknüpft. Die Beiträge der sieben Einzelpublikationen des Kumulus gehen auf drei Unteraspekte dieser übergeordneten Forschungsfrage ein. Die Artikel [1] und [2] beschäftigen sich mit der Frage, bis zu welchem Grad Inzivilität mit Methoden des maschinellen Lernens gemessen werden kann. Beide Publikationen geben einen Überblick über aktuelle Ansätze zur Klassifikation von Inzivilität in Nutzerkommentaren, einschließlich eines Referenzdatensatzes und einer sogenannten Shared Task zur Erkennung von Inzivilität. Die zweite untergeordnete Forschungsfrage lautet: Wie kann maschinelles Lernen die kommunikationswissenschaftliche Forschung zu Inzivilität bereichern und verbessern? In den Artikeln [3], [4] und [5] werden Anwendungsfälle, Best-Practice-Studien und methodische Arbeiten vorgestellt, die zeigen, wie maschinelles Lernen die kommunikationswissenschaftliche Forschung zu Inzivilität an verschiedenen Stellen des Forschungsprozesses erweitern kann. Die dritte untergeordnete Forschungsfrage lautet: Vor welchen methodischen Herausforderungen stehen Kommunikationswissenschaftler:innen bei Anwendung von maschinellem Lernen für die Messung von Inzivilität und wie können diese überwunden werden? Zur Beantwortung dieser Frage werden in den Artikeln [6] und [7] spezifische Herausforderungen bei der Klassifikation von Inzivilität mit Methoden des maschinellen Lernens diskutiert und konkrete Ansätze zu deren Bewältigung evaluiert. Insgesamt leistet das Forschungsprogramm dieser Dissertation einen wichtigen Beitrag zur interdisziplinären Inzivilitätsforschung an der Schnittstelle von Kommunikationswissenschaft und Informatik. Die Dissertation beinhaltet mehrere Studien, die unterschiedliche Ansätze zur automatisierten Erkennung von Inzivilität in verschiedene Forschungskontexten, unter verschiedenen Bedingungen und mit unterschiedlichen Zielen und Ergebnissen anwenden und diskutieren. Die Ergebnisse dieser Dissertation liefern somit wertvolle Erkenntnisse für Kommunikationswissenschaftler:innen, die maschinelles Lernens in der Inzivilitätsforschung und für vergleichbare Forschungsgegenstände anwenden und weiterentwickeln wollen. Schließlich liefern die Forschungsergebnisse der Dissertation praktische Implikationen für die Anwendung von Algorithmen-basierten Moderationssystemen, indem sie Potenziale und Schwächen von maschinellem Lernen zur Erkennung von Inzivilität in Onlinediskussionen aufzeigen. The prevalence of incivility in online discussions concerns platform operators, community managers, as well as scholars in communication science and machine learning research. Recent progress of artificial intelligence raises hopes that algorithm-based moderation systems can assist the often exhausting detection and moderation of uncivil content using machine learning. Also in communication science, the need for automated, computational methods to analyze the growing amounts of online discussion data is becoming more and more demanding. This thesis addresses the question: How can incivility be measured using machine learning methods? To this end, recent methodological developments in machine learning are connected with communication science research on incivility. The seven research articles of the cumulus contribute to three further subordinate aspects of this overarching question. Articles [1] and [2] address the question: To what extent can incivility be measured using machine learning methods? Both publications contribute insights into and an overview of current approaches to incivility classification using machine learning, including a benchmark data set and a shared task on the identification of incivility. The second subordinated question asks: How can machine learning extend and elaborate communication science research on incivility? Articles [3], [4], and [5] present use cases, best practice studies, and methodological work that show how machine learning can enhance communication science research on incivility at different points of the research process. The third subordinated question asks: What methodological challenges do communication scholars face using machine learning-based incivility classification and how can they be overcome? To address this question, articles [6] and [7] discuss specific challenges of measuring incivility with machine learning methods and provide methodological guidance and concrete approaches to address them. Overall, the research program of this dissertation contributes significant work to the interdisciplinary task of incivility detection at the interface of communication science and machine learning research. This work includes studies that apply and discuss several approaches to incivility classification in different research settings, under different conditions, and with different objectives and outcomes. The results of this dissertation provide valuable insights for computational communication scientists that aim to apply, evaluate, and further develop machine learning approaches to incivility and comparable research subjects. Finally, findings offer practical implications for the application of algorithm-based moderation systems by pointing out potentials and weaknesses of machine learning approaches to incivility detection in online discussions.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Philosophische Fakultät » Sozialwissenschaftliches Institut » Medienwissenschaft
Dokument erstellt am:	14.02.2024
Dateien geändert am:	14.02.2024
Promotionsantrag am:	14.07.2023
Datum der Promotion:	01.12.2023