Proposal

Die Erforschung von Online-Communitys ist von großem Interesse für Forscher im Bereich der Sozialwissenschaften. Insbesondere Religionswissenschaftler richten ihren Fokus vermehrt auf die „Neuen Medien“ und ihre wenig erforschten sozialen Interaktionen. Besonders neu-konservative Gruppen wie Salafisten diskutieren viel in Online-Foren, aber auch Anhänger der großen Kirchen tauschen sich auf Seiten wie jesus.de oder christianchat.com über „Gott und die Welt“ aus.

Im Rahmen dieser Abschlussarbeit sollen bestehende Methoden zur Analyse von Online-Communitys experimentell evaluiert werden. Dabei sollen Daten aus Foren analysiert werden, die im Rahmen des Projektes relNet erhoben wurden. Von besonderem Interesse sind dabei Data-Mining Methoden, die simultan die kommunizierten Inhalte bzw. Texte und die Netzstruktur der Interaktionen untersuchen. Das Ziel ist es, innerhalb der Foren Sub-Communitys zu identifizieren und selbige über die kommunizierten Inhalte zu charakterisieren.

Als Ausgangspunkt bietet sich die Methode von Natarjan et al. na, die ein probabilistisches Modell definieren und einen Gibbs-Sampling Algorithmus angeben, um die erhobenen Daten zu verarbeiten.

Eine Bachelorarbeit könnte versuchen, den bestehenden Algorithmus so zu erweitern, dass auch weitere Merkmale der Texte berücksichtigt werden. Dies könnte zum Beispiel die Diskussions-Struktur der Posts sein, der Wochentag des Verfassens, die Sprache in der geschrieben wird. Aber auch Merkmale der Benutzer wie Geschlecht oder Rolle ( Moderator / Administrator) könnten interessant sein.

Eine Masterarbeit könnte versuchen, ein vergleichbares neuronales Modell zu definieren, welches mit Hilfe von Stochastic Gradient Descent trainiert werden kann.

Literatur

Natarajan, N., Sen, P., and Chaoji, V. (2013). Community Detection in Content-Sharing Social Networks. In Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (Vol. 496–500, pp. 2174–2177).

• Interesse an maschinellem Lernen
• Gute Mathematikkenntnisse (insbesondere Wahrscheinlichkeitsrechnung)
• Gute Programmierkenntnisse
• Interesse an sozialen Netzwerken