Advertisement

Zeitschrift für Politikwissenschaft

, Volume 29, Issue 2, pp 263–285 | Cite as

Die vielen Wahrheiten algorithmenbasierter Interpretation: „Die Wahrheit über Postfaktizität“ dekonstruiert

  • Gary S. SchaalEmail author
  • Sebastian Dumm
  • Dannica Fleuß
Aufsatz

Zusammenfassung

In den letzten Jahren werden zur Interpretation von Textkorpora vermehrt computergestützte Verfahren des Text Mining genutzt, da Text as Data durch die Nutzung von Volltexten innovative Inhalts- und Diskursanalysen in Aussicht stellt. Text Mining in verstehend-interpretativer Perspektive rekurriert in der Politikwissenschaft häufig auf Methoden und Anwendungen, die in den Digital Humanities entwickelt wurden. Eine Hermeneutik digitaler Daten, als Basis valider Interpretationen, befindet sich in den Digital Humanities jedoch noch in der Entwicklung. Der vorliegende Artikel adressiert dieses Forschungsdesiderat und möchte einen Beitrag zur methodologischen Fundierung leisten, indem interpretative Pfadabhängigkeiten kontingenter methodischer Entscheidungen im digitalen Forschungsprozess identifiziert und problematisiert werden. Pfadabhängigkeiten bei der Interpretation können, wie im Rekurs auf die New Visual Hermeneutics herausgearbeitet wird, aus kontingenten methodischen Entscheidungen in jeder der distinkten, aber miteinander verbundenen, sechs Forschungsphasen resultieren. Exemplifiziert werden die interpretativen Pfadabhängigkeiten anhand einer methodenkritischen Analyse unseres Aufsatzes „Die Wahrheit über Postfaktizität“. Der Artikel kommt zu dem Ergebnis, dass die Herausforderungen bei der „digitalen“ Interpretation von Texten grundsätzlich den „analogen“ Herausforderungen – jedoch in verschärfter Form – ähneln. Dies betrifft insbesondere kognitive Biases bei der Auf- und Verarbeitung algorithmisch generierter Ergebnisse. Eine intersubjektive Nachvollziehbarkeit „digitaler“ Interpretationen großer Textkopora kann nur erreicht werden, wenn die methodischen Entscheidungen aller Forschungsphasen transparent sind.

Deconstructing “The Truth about Post-Truth”. The contingencies of algorithm-based text analyses

Abstract

Conceptualizing text as data and analyzing full texts with computer-based text mining tools provides innovative perspectives for content and discourse analyses in the humanities and social sciences. Accordingly, they are successively implemented by political scientists who apply methods and research pragmatics as developed in the field of digital humanities. Nevertheless, a hermeneutics explicitly addressing the valid interpretation of digital data still constitutes a research gap. We address this gap and aim at providing a basis for a methodologically sound interpretation of digital data in political science. We are pursuing this goal by systematizing different phases of the interpretation process and the respective methodological choices to be made in the course of interpreting digital data. Based on this, we feature and discuss different path dependencies and outline the potential impact of researchers’ interpretative choices. We illustrate these path dependencies by referring to our previously published article “Die Wahrheit über Postfaktizität”. We argue that the challenges of interpreting digital data partly overlap with widely known challenges of interpreting analogue data. A certain sub-set of these challenges may, however, be aggravated: As researchers are confronted with excessively large amounts of data, complexity-reducing cognitive mechanisms and corresponding cognitive biases are prone to carry more weight in the interpretative process. A valid interpretation of digital data therefore must be transparent about the methodological and interpretative choices as well as potential biases impacting how these choices are made.

Literatur

  1. Binkley, David, Daniel Heinz, Dawn Lawrie, und Justin Overfeld. 2014. Understanding LDA in source code analysis. In Proceedings of the 22nd International Conference on Program Comprehension, 26–36.Google Scholar
  2. Blatter, Joachim, Phil C. Langer, und Claudius Wagemann. 2018. Qualitative Methoden in der Politikwissenschaft. Wiesbaden: Springer VS.CrossRefGoogle Scholar
  3. Blei, David M. 2012. Probabilistic Topic Models. Surveying a suite of algorithms that offer a solution to managing large document archives. Communications of the ACM 55(4):77–84.CrossRefGoogle Scholar
  4. Blei, David M., Andrew Y. Ng, und Michael I. Jordan. 2003. Latent Dirichlet allocation. Journal of Machine Learning Research 3:993–1022.Google Scholar
  5. Brett, Megan R. 2012. Topic modeling. A basic introduction. Journal of Digital Humanities 2(1):12–15.Google Scholar
  6. Burkhard, Heiko. 2006. Knowledge Visualization. Die nächste Herausforderung für Semantic Web Forschende? In Semantic Web. Wege zur vernetzten Wissensgesellschaft, Hrsg. Tassilo Pellegrini, Andreas Blumauer, 201–212. Berlin: Springer.CrossRefGoogle Scholar
  7. Burns, Ryan. 2015. Rethinking big data in digital humanitarianism. Practices, epistemologies, and social relations. GeoJournal 80:477–490.CrossRefGoogle Scholar
  8. Cecire, Natalia. 2011. Introduction. Theory and the virtues of digital humanities. Journal of Digital Humanities 1:45–53.Google Scholar
  9. Ceschi, Andrea, Arianna Costantini, Riccardo Sartori, Joshua Weller, und Annamaria Di Fabio. 2018. Dimensions of decision-making. An evidence-based classification of heuristics and biases. Personality and Individual Differences.  https://doi.org/10.1016/j.paid.2018.07.033.Google Scholar
  10. Conrad, Klaus. 1958. Die beginnende Schizophrenie. Versuch einer Gestaltanalyse des Wahns. Stuttgart: Thieme.Google Scholar
  11. Dumm, Sebastian. 2014. Topic Modelle. Hamburg, Leipzig: ePol.Google Scholar
  12. Eco, Umberto. 1992. Interpretation and overinterpretation. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  13. Feinerer, Ingo, Kurt Hornik, und David Meyer. 2008. Text mining infrastructure in R. Journal of Statistical Software 25:1–54.CrossRefGoogle Scholar
  14. Feldman, Ronen, und James Sanger. 2007. The text mining handbook. Cambridge: Cambridge University Press.Google Scholar
  15. Floridi, Luciano. 2012. Big data and their epistemological challenge. Philosophy & Technology 25:435–437.CrossRefGoogle Scholar
  16. Frické, Martin. 2015. Big data and its epistemology. Journal of the Association for Information Science and Technology 66:651–661.CrossRefGoogle Scholar
  17. Grün, Bettina, und Kurt Hornik. 2011. Topicmodels. An R package for fitting topic models. Journal of Statistical Software 40:1–30.CrossRefGoogle Scholar
  18. Hardin, Russell. 2002. Street-level epistemology and democratic participation. Journal of Political Philosophy 10(2):212–229.CrossRefGoogle Scholar
  19. Hendricks, Vincent F., und Mads Vestergaard. 2017. Verlorene Wirklichkeit? An der Schwelle zur postfaktischen Demokratie. APuZ 13:4–10.Google Scholar
  20. Heyer, Gerhard, Uwe Quasthoff, und Thomas Wittig. 2008. Text Mining – Wissensrohstoff Text. Bochum: W3l.Google Scholar
  21. Ihde, Don. 2009. Postphenomenology and technoscience. Albany: State University of New York press.Google Scholar
  22. Ihde, Don. 2012. Experimental phenomenology. Multistabilities. Albany: State University of New York press.Google Scholar
  23. Kahneman, Daniel, und Amos Tversky. 1974. Judgment under uncertainty. Heuristics and biases. Science 185(4157):1124–1131.CrossRefGoogle Scholar
  24. Kath, Roxana, Gary S. Schaal, und Sebastian Dumm. 2015. New visual hermeneutics. Zeitschrift für germanistische Linguistik 43:56–25.CrossRefGoogle Scholar
  25. Keim, Daniel A., Jörn Kohlhammer, Geoffrey Ellis, und Florian Mansmann. 2010. Mastering the information age. Solving problems with visual analytics. Goslar: Eurographics Association.Google Scholar
  26. Keller, Reiner, und Willy Viehöver. 2006. Diskursanalyse. In Methoden der Politikwissenschaft. Neuere qualitative und quantitative Analyseverfahren, Hrsg. Joachim Behnke, Thomas Gschwend, Delia Schindler, und Kai-Uwe Schnapp, 103–112. Baden-Baden: Nomos.Google Scholar
  27. Kitchin, Rob. 2014. Big data, new epistemologies and paradigm shifts. Big data & society 1. https://journals.sagepub.com/doi/10.1177/2053951714528481. Zugegriffen: 31. Okt. 2018.Google Scholar
  28. Lemke, Matthias, und Alexander Stulpe. 2015. Text und soziale Wirklichkeit. Zeitschrift für germanistische Linguistik 43:54–32.CrossRefGoogle Scholar
  29. Lemke, Matthias, und Gregor Wiedemann (Hrsg.). 2016. Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. Wiesbaden: Springer VS.Google Scholar
  30. Maier, Daniel, Annie Waldherr, Peter Miltner, Gregor Wiedemann, Andreas Niekler, Alexa Keinert, Barbara Pfetsch, Gerhard Heyer, Ueli Reber, Thomas Häussler, Hannah Schmid-Petri, und Silke Adam. 2018. Applying LDA topic modeling in communication research. Toward a valid and reliable methodology. Communication Methods and Measures 12(2–3):93–118.CrossRefGoogle Scholar
  31. Manovich, Lev. 2016. The science of culture? Social computing, digital humanities and cultural analytics. In The datafied society. Social research in the age of big data, Hrsg. Mirko T. Schäfer, Karin van Es, 55–68. Amsterdam: Amsterdam University Press.Google Scholar
  32. Mercier, Hugo. 2017. Confirmation bias—myside bias. In Cognitive illusions. Intriguing phenomena in thinking, judgment and memory, Hrsg. Rüdiger F. Pohl, 99–114. London, New York: Routledge.Google Scholar
  33. Moretti, Franco. 2007. Graphs, maps, trees. Abstract models for literary history. London, New York: Verso.Google Scholar
  34. Pohl, Rüdiger F. 2004. Cognitive illusions. A handbook on fallacies and biases in thinking, judgement and memory. Hove: Psychology Press.Google Scholar
  35. R Core Team. 2017. R. A language and environment for statistical computing. Wien: R Core Team.Google Scholar
  36. Ramsay, Stephan. 2010. The hermeneutics of screwing around: or what you do with a million books. https://libraries.uh.edu/wp-content/uploads/Ramsay-The-Hermeneutics-of-Screwing-Around.pdf. Zugegriffen: 31. Okt. 2018.Google Scholar
  37. Ramsay, Stephan. 2011. Reading machines. Toward an algorithmic criticism. University of Illinois Press: Urbana.CrossRefGoogle Scholar
  38. Ramsay, Stephen, und Geoffrey Rockwell. 2012. Developing things. Notes toward an epistemology of building in the digital humanities. In Debates in the digital humanities, Hrsg. Matthew W. Gold, 75–84. Minneapolis: University of Minnesota Press.CrossRefGoogle Scholar
  39. Rockwell, Geoffrey, und Stéfan Sinclair. 2016. Hermeneutica. Cambrige, London: MIT Press.CrossRefGoogle Scholar
  40. Röhle, Theo. 2012. Digital methods. Five challenges. In Understanding digital humanities, Hrsg. David M. Berry, 67–85. London: Palgrave Macmillan.CrossRefGoogle Scholar
  41. Schaal, Gary S., und Roxana Kath. 2014. Zeit für einen Paradigmenwechsel in der politischen Theorie? In Die Verfassung des Politischen, Hrsg. André Brodocz, Dietrich Herrmann, Rainer Schmidt, Daniel Schulz, und Julia Schulze Wessel, 331–349. Wiesbaden: Springer VS.Google Scholar
  42. Schaal, Gary S., Sebastian Dumm, und Kelly Lancaster. 2018. Überlegungen zur Epistemologie und Methodologie in den Sozialwissenschaften nach dem Computational Turn. Das Forschungsprogramm der New Visual Hermeneutics. In Computational social science. Die analyse von big data, Hrsg. Andreas Blätte, Joachim Behnke, Kai-Uwe Schnapp, und Claudius Wagemann, 53–80. Baden-Baden: Nomos.Google Scholar
  43. Schaal, Gary S., Dannica Fleuß, und Sebastian Dumm. 2017. Die Wahrheit über Postfaktizität. Aus Politik und Zeitgeschichte 44–45:31–38.Google Scholar
  44. Schaal, Gary S., Roxanna Kath, und Sebastian Dumm. 2016. New visual hermeneutics. Cybernetics and Human Knowing 23(2):51–75.Google Scholar
  45. Schröter, Melani, Caroline Taylor, Marie Veniard, und Andreas Blätte. 2018. A comparative analysis of the keyword multicultural(ism) in French, British, German and Italian migration discourse. In Migration and Media. Discourses about identities in crisis, Hrsg. Andreas Musolff, Lorella Viola, 13–44. Amsterdam: John Benjamins.Google Scholar
  46. Sculley, D., und Bradley M. Pasanek. 2008. Meaning and mining. The impact of implicit assumptions in data mining for the humanities. Literary and Linguistic Computing 23:409–424.CrossRefGoogle Scholar
  47. Seifert, Christin, Sabol Vedran, Wolfgang Kienreich, Elisabeth Lex, und Michael Granitzer. 2014. Visual analysis and knowledge discovery for text. In Large-Scale Data Analytics, Hrsg. Aris Gkoulalas-Divanis, Abderrahim Labbi, 189–218. New York: Springer.CrossRefGoogle Scholar
  48. Shahin, Saif. 2016. When scale meets depth. Integrating natural language processing and textual analysis for studying digital corpora. Communication Methods and Measures 10:28–50.CrossRefGoogle Scholar
  49. Smith, Eliot R., und Jamie DeCoster. 2000. Dual-process models in social and cognitive psychology. Conceptual integration and links to underlying memory systems. Personality and Social Psychology Review 4(2):108–131.CrossRefGoogle Scholar
  50. Smithies, James. 2017. The digital humanities and the digital modern. London: Springer.CrossRefGoogle Scholar
  51. Van Zundert, Joris J. 2016. Screwmeneutics and hermenumericals. In A new companion to digital humanities, Hrsg. Susan Schreibman, Ray Siemens, und John Unsworth, 331–347. Chichester: John Wiley & Sons.Google Scholar
  52. Wason, Peter C. 1968. Reasoning about a rule. Quarterly Journal of Experimental Psychology 20(3):273–281.CrossRefGoogle Scholar
  53. Wiedemann, Gregor. 2016. Text mining for qualitative data analysis in the social sciences. Wiesbaden: Springer.CrossRefGoogle Scholar
  54. Wiedemann, Gregor, Matthias Lemke, und Andreas Niekler. 2013. Postdemokratie und Neoliberalismus. Zur Nutzung neoliberaler Argumentation in der Bundesrepublik Deutschland 1949–2011. Zeitschrift für Politische Theorie 4(1):99–115.Google Scholar

Copyright information

© The Editor(s) and the Author(s) 2019

Authors and Affiliations

  • Gary S. Schaal
    • 1
    Email author
  • Sebastian Dumm
    • 1
  • Dannica Fleuß
    • 1
  1. 1.Helmuts-Schmidt-Universität/Universität der Bundeswehr HamburgHamburgDeutschland

Personalised recommendations