Advertisement

Text Mining sozioökonomischer Lehrbuchinhalte

Methodische Potentiale und Erfahrungsbericht eines massentextanalytischen Forschungsprojektes zu sozioökonomischer Bildung
  • Patrick KahleEmail author
  • Henning Middelschulte
Chapter
  • 33 Downloads
Part of the Sozioökonomische Bildung und Wissenschaft book series (SOBIWI)

Zusammenfassung

Aus methodischer Sicht weist der Stand der kritischen Diskussion der Lehrbuch-Ökonomik wesentliche Defizite auf: Zum einen mit Blick auf die Form der Rezension, die ihr vorrangiges Medium darstellt; zum anderen mit Blick auf die in der Diskussion verwendeten inhaltlichen Kategorien. Davon ausgehend ist der Beitrag darauf ausgerichtet, die kritische Fachdiskussion durch methodische Innovationen zu befruchten. Von einer Bestandsaufnahme dieser Defizite ausgehend präsentiert er eine Auswahl etablierter Verfahren der quantitativen Inhaltsanalyse, wie sie im Feld des sozialwissenschaftlichen Text Mining bereits erfolgreich angewandt werden. Der Beitrag argumentiert, dass computergestützte Verfahren eine erhebliche methodische Ergänzung und analytische Bereicherung für die kritische Diskussion der Lehrbuch-Ökonomik darstellen würden. Als Hintergrund dienen dabei die Erfahrungen der Autoren in einem massentextanalytischen Projekt zu Pluralismus in sozioökonomischer und sozialwissenschaftlicher Einführungsliteratur und Schulmaterialien.

Schlüsselbegriffe

Plurale Ökonomik Wissenschaftsforschung Lehrbuchforschung Mixed Methods Text Mining 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Aspromourgos, T. (1986). On the origins of the term „neoclassical“. Cambridge Journal of Economics 10 (3), 265–270.Google Scholar
  2. Baker, A. (2016). Simplicity. In Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/simplicity/. Zugegriffen: 10. Juli 2019
  3. Bardelle, F. (1989). Formen der kritischen Auseinandersetzung oder: Wie man Urteile über wissenschaftliche Neuerscheinungen verhängt. Zeitschrift für Soziologie 18 (1), 54–64.Google Scholar
  4. Berman, B. P. & Fateman, R. J. (1994). Optical character recognition for typeset mathematics. In J. von Zur Gathen (Ed.), 1994 Proceedings of the international symposium on symbolic and algebraic computation (S. 348–353). New York: ACM-Press.Google Scholar
  5. Berry, D. M. (2012). Understanding Digital Humanities. Basingstoke: Palgrave Macmillan.Google Scholar
  6. Chan, K.-F. & Yeung, D.-Y. (2000). Mathematical expression recognition: a survey. International Journal of Document Analysis and Recognition 3 (1), 3–15.Google Scholar
  7. Colander, D. (2004). Thinking Outside the Heterodox Box: Post Walrasian Macroeconomics and Heterodoxy. Middlebury College Economics Discussion Paper 04–24. Middlebury College: Department of Economics. http://community.middlebury.edu/~colander/articles/Thinking%20outside%20the%20heterodox%20box.pdf. Zugegriffen: 10. Juli 2019.
  8. Colander, D. C., Holt, R. P. F. & Rosser, J. B. (Eds.). (2004). The changing face of economics. Conversations with cutting edge economists (3. Aufl.). Ann Arbor, Michigan: Univ. of Michigan Press.Google Scholar
  9. Dumm, S. & Niekler, A. (2016). Methoden, Qualitätssicherung und Forschungsdesign. Diskurs- und Inhaltsanalyse zwischen Sozialwissenschaften und automatischer Sprachverarbeitung. In M. Lemke & G. Wiedemann (Hrsg.), Text Mining in den Sozialwissenschaften (S. 89–116). Wiesbaden: Springer.Google Scholar
  10. Fleck, L. (1935). Entstehung und Entwicklung einer wissenschaftlichen Tatsache. Basel: Schwabe.Google Scholar
  11. Flick, U. (2007). Zur Qualität qualitativer Forschung – Diskurse und Ansätze. In U. Kuckartz, T. Dresing & H. Grunenberg (Hrsg.), Qualitative Datenanalyse: computergestützt. Methodische Hintergründe und Beispiele aus der Forschungspraxis (2. Aufl., S. 188–209). Wiesbaden: VS Verlag.Google Scholar
  12. Flyvbjerg, B. (2006). Five Misunderstandings About Case-Study Research. Qualitative Inquiry 12 (2), 219–245.Google Scholar
  13. Fritz, G. (2016). Beiträge zur Texttheorie und Diskursanalyse. Gießen: Giessener Elektronische Bibliothek. http://geb.uni-giessen.de/geb/volltexte/2016/12024/. Zugegriffen: 10. Juli 2019.
  14. Früh, W. (2007). Kategorienexploration bei der Inhaltsanalyse. Basiswissengeleitete offene Kategorienfindung (BoK). In W. Früh (Hrsg.), Inhaltsanalyse. Theorie und Praxis (S. 117–139). Konstanz: UVK.Google Scholar
  15. Gauch, H. G. (2003). Scientific method in practice. New York: Cambridge University Press.Google Scholar
  16. Gerhards, J. (2004). Diskursanalyse als systematische Inhaltsanalyse. Die öffentliche Debatte über Abtreibungen in den USA und in der Bundesrepublik Deutschland im Vergleich. In R. Keller, A. Hiseland, W. Schneider & W. Viehöver (Hrsg.), Handbuch Sozialwissenschaftliche Diskursanalyse. Bd. 2: Forschungspraxis (2. Aufl., S. 299–324). Wiesbaden: VS Verlag.Google Scholar
  17. Glasze, G. (2007). Vorschläge zur Operationalisierung der Diskurstheorie von Laclau und Mouffe in einer Triangulation von lexikometrischen und interpretativen Methoden. Forum Qualitative Sozialforschung 8 (2), Art. 14. http://www.qualitative-research.net/index.php/fqs/article/view/239/529. Zugegriffen: 10. Juli 2019.
  18. Grammes, T. (2014). Kontroversität. In W. Sander (Hrsg.), Handbuch politische Bildung (S. 266–274). Schwalbach/Ts.: Wochenschau Verlag.Google Scholar
  19. Graupe, S. (2017). Der erstarrte Blick. Eine erkenntnistheoretische Kritik der Standardlehrbücher der Volkswirtschaftslehre. In T. van Treeck & J. Urban (Hrsg.), Wirtschaft neu denken. Blinde Flecken in der Lehrbuchökonomie (S. 18–29). Berlin: iRights Media.Google Scholar
  20. Grimmer, J. & Stewart, B. M. (2013). Text as Data. The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts. Political Analysis 21 (3), 267–297.Google Scholar
  21. Hannig, N. & Kümper, H. (2012). Rezensionen. Finden – verstehen – schreiben. Schwalbach/Ts.: Wochenschau Verlag.Google Scholar
  22. Hedtke, R. (2016). Paradigmatische Parteilichkeit, lückenhafte Lehrpläne und tendenziöses Unterrichtsmaterial? Eine Studie zu Gestalt und Gehalt sozio/ökonomischer Bildung. FGW-Studie Neues Ökonomisches Denken Nr.1. Düsseldorf: Forschungsinstitut für gesellschaftliche Weiterentwicklung (FGW).http://fgw-nrw.de/fileadmin/user_upload/NOED-Studie-01-Hedtke-A3-komplett-web.pdf. Zugegriffen: 10. Juli 2019.
  23. Hippner, H. & Rentzmann, R. (2006). Text Mining. Informatik-Spektrum 29 (4), 287–290.Google Scholar
  24. Knapp, W. (2008). Die Inhaltsanalyse aus linguistischer Sicht. In P. Mayring (Hrsg.), Die Praxis der qualitativen Inhaltsanalyse (2. Aufl., S. 20–36). Weinheim: Beltz.Google Scholar
  25. Krippendorff, K. (2013). Content Analysis. An Introduction to its Methodology. Thousand Oaks: SAGE.Google Scholar
  26. Kuhn, T. S. & Hacking, I. (2012). The structure of scientific revolutions (4. Aufl.). Chicago: University of Chicago Press.Google Scholar
  27. Lemke, M. & Wiedemann, G. (Hrsg.). (2016). Text Mining in den Sozialwissenschaften. Wiesbaden: Springer.Google Scholar
  28. Lin, X., Gao, L., Tang, Z., Baker, J. & Sorge, V. (2014). Mathematical formula identification and performance evaluation in PDF documents. International Journal of Document Analysis and Recognition 17 (3), 239–255.Google Scholar
  29. Mayring, P. (2010). Qualitative Inhaltsanalyse. Grundlagen und Techniken. (11. Aufl.). Weinheim: Beltz.Google Scholar
  30. Middelschulte, H. & Kahle, P. (2019). Ökonomisierung der sozialwissenschaftlichen Bildung? Anwendung eines konventionentheoretischen Diktionärs zur massentextanalytischen Untersuchung einer bildungspolitischen Debatte. In C. Imdorf, R. J. Leemann & P. Gonon (Hrsg.), Bildung und Konventionen. Die „Economie des conventions“ in der Bildungsforschung (S. 259–284). Wiesbaden: Springer VS.Google Scholar
  31. Peukert, H. (2018a). Makroökonomische Lehrbücher: Wissenschaft oder Ideologie? Marburg: Metropolis-Verlag.Google Scholar
  32. Peukert, H. (2018b). Mikroökonomische Lehrbücher. Wissenschaft oder Ideologie? Marburg: Metropolis-Verlag.Google Scholar
  33. Prange, K. (2004). Über die Kunst des Rezensierens. Zeitschrift für Pädagogik 50 (4), 606–612.Google Scholar
  34. Rössler, P. (2017). Inhaltsanalyse. Konstanz: UVK.Google Scholar
  35. Scharkow, M. (2011). Zur Verknüpfung manueller und automatischer Inhaltsanalyse durch maschinelles Lernen. M&K Medien & Kommunikationswissenschaft 59 (4), 545–562.Google Scholar
  36. Stulpe, A. & Lemke, M. (2016). Blended Reading. Theoretische und praktische Dimensionen der Analyse von Text und sozialer Wirklichkeit im Zeitalter der Digitalisierung. In M. Lemke & G. Wiedemann (Hrsg.), Text Mining in den Sozialwissenschaften (S. 17–62). Wiesbaden: Springer.Google Scholar
  37. van Treeck, T. & Urban, J. (2017a). Einleitung. In T. van Treeck & J. Urban (Hrsg.), Wirtschaft neu denken. Blinde Flecken in der Lehrbuchökonomie (S. 6–17). Berlin: iRights Media.Google Scholar
  38. van Treeck, T. & Urban, J. (Hrsg.). (2017b). Wirtschaft neu denken. Blinde Flecken in der Lehrbuchökonomie. Berlin: iRights Media.Google Scholar
  39. Züll, C. & Mohler, P. P. (2001). Computerunterstützte Inhaltsanalyse. Codierung und Analyse von Antworten auf offene Fragen. ZUMA How-to-Reihe (8). Mannheim: Zentrum für Umfragen, Methoden und Analysen (ZUMA). https://www.gesis.org/fileadmin/upload/forschung/publikationen/gesis_reihen/howto/how-to8cz.pdf. Zugegriffen: 10. Juli 2019.

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.BielefeldDeutschland
  2. 2.Universität BielefeldBielefeldDeutschland

Personalised recommendations