Computational Sensitizing. Zum Mehrwert von Textual Data-Mining im Kontext genuin qualitativer Forschung
DOI:
https://doi.org/10.17169/fqs-25.3.4246Schlagworte:
Textual Data-Mining, qualitative Forschung, automatische Textanalysen, qualitative Methoden, Mixed MethodsAbstract
Analyse- und Visualisierungsverfahren des Textual Data-Minings finden zunehmend auch in der qualitativen Sozialforschung Anwendung. Damit gehen konzeptionelle Überlegungen einher, solche Verfahren direkt in Forschungsprozesse einzubetten. Im Gegensatz zu einer wechselseitigen Kombination von digitalen und qualitativen Methoden argumentieren wir für eine nachgeordnete Nutzung des Textual Data-Minings, die sich auf sprachstatistische Analyseschritte zum Zweck eines Computational Sensitizing beschränkt. Mit computationaler Sensibilisierung meinen wir eine Perspektivenerweiterung: Textual Data-Mining dient dann – wie bisher Vorwissen und Theorien – allein dazu, Fragen an und veränderte Sichtweisen auf das Material anzuregen. Im Beitrag veranschaulichen wir exemplarisch an einem Projekt aus der Bildungsforschung, wie Ergebnisse des Textual Data-Minings für Besonderheiten in den qualitativen Daten sensibilisieren können.
Downloads
Literaturhinweise
Augustin, Dirk & Maurer, Helmut (2001). Computational sensitivity analysis for state constrained optimal control problems. Annals of Operations Research, 101, 75-99.
Baker, Paul (2012). Acceptable bias? Using corpus linguistics methods with critical discourse analysis. Critical Discourse Studies, 9(3), 247-256.
Baker, Paul; Gabrielatos, Costas; Khosravinik, Majid; Kryzanowski, Michal; Mc Enery, Tony & Wodak, Ruth (2008). A useful methodological synergy? Combining critical discourse analysis and corpus linguistics to examine discourses of refugees and asylum seekers in the UK press. Discourse & Society, 19(3), 273-306.
Biemann, Chris; Heyer, Gerhard & Quasthoff, Uwe (2022). Wissensrohstoff Text. Eine Einführung in das Text Mining. Wiesbaden: Springer VS.
Blasius, Jörg (2001). Korrespondenzanalyse. Berlin: Oldenbourg.
Blei, David M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77-84, https://doi.org/10.1145/2133806.2133826 [Datum des Zugriffs: 16. September 2024].
Blumer, Herbert (1954). What is wrong with social theory?. American Sociological Review, 19(1), 3-10.
Bonikowski, Bart & Nelson, Laura (2022). From ends to means: The promise of computational text analysis for theoretically driven sociological research. Sociological Methods & Research, 51(4), 1484-1539.
Bryant, Antony (2002). Re-grounding grounded theory. The Journal of Information Technology Theory and Application, 4(1), 25-42, https://aisel.aisnet.org/jitta/vol4/iss1/7 [Datum des Zugriffs: 10. September 2024].
Charmaz, Kathy (2006). Constructing grounded theory. London: Sage
Chen, Nan-Chen; Drouhard, Margaret; Kocielnik, Rafal; Suh, Jina & Aragon, Cecilia (2018). Using machine learning to support qualitative coding in social science: Shifting the focus to ambiguity. ACM Transactions on Interactive Intelligent Systems, 9(4), Art. 39.
Evans, James & Aceves, Pedro (2016). Machine translation: Mining text for social theory. Annual Review of Sociology, 42, 21-50, https://doi.org/10.1146/annurev-soc-081715-074206 [Datum des Zugriffs: 10. September 2024].
Everitt, Brain S.; Landau, Sabine; Morven, Leese & Stahl, Daniel (2011). Cluster analysis. Chichester: Wiley.
Fairclough, Norman & Wodak, Ruth (1997). Critical discourse analysis. In Teun A. van Dijk (Hrsg.), Discourse studies: A multidisciplinary introduction (Bd. 2, S.258-284). London: Sage.
Flick, Uwe (2022). Gütekriterien qualitativer Sozialforschung. In Nina Baur & Jörg Blasius (Hrsg.), Handbuch Methoden der empirischen Sozialforschung (S.533-547). Wiesbaden: Springer VS.
Förster, Annette (2016). Der Folterdiskurs in den deutschen Printmedien. In Matthias Lemke & Gregor Wiedemann (Hrsg.), Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse (S.139-166). Wiesbaden: Springer VS.
Franken, Lina (2022a). Digitale Methoden für qualitative Forschung: Computationelle Daten und Verfahren. Münster: Waxmann.
Franken, Lina (2022b). Digitale Daten und Methoden als Erweiterung qualitativer Forschungsprozesse: Herausforderungen und Potenziale aus den Digital Humanities und Computational Social Sciences. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 23(2), Art. 12, https://doi.org/10.17169/fqs-22.2.3818 [Datum des Zugriffs: 17. Juni 2024].
Glaser, Barney G. & Strauss, Anselm L. (2006 [1967]). The discovery of grounded theory: Strategies for qualitative research. New Brunswick, NJ: AldineTransaction.
Glumpler, Edith (1996). Interkulturelles Lernen im Sachunterricht. Bad Heilbrunn: Klinkhardt.
Hartinger, Andreas & Lange-Schubert, Kim (Hrsg.) (2017). Sachunterricht – Didaktik für die Grundschule. Berlin: Cornelsen.
Heyer, Gerhard; Quasthoff, Uwe & Wittig, Thomas (2006). Text Mining: Wissensrohstoff Text: Konzepte, Algorithmen, Ergebnisse. Herdecke: W3L.
Ignatow, Gabe & Mihalcea, Rada (2016). Text mining: A guidebook for the social sciences. London: Sage.
Janasik, Nina; Honkela, Timo & Bruun, Henrik (2009). Text mining in qualitative research: Application of an unsupervised learning method. Organizational Research Methods, 12(3), 436-460.
Kahlert, Joachim (2016). Der Sachunterricht und seine Didaktik (4. Aufl.). Stuttgart: Klinkhardt.
Kobayashi, Vladimer; Mol, Stefan; Berkers, Hannah; Kismihók, Gábor & Den Hartog, Deanne (2018). Text classification for organizational researchers: A tutorial. Organizational Research Methods, 21(3), 766-799, https://doi.org/10.1177/1094428117719322 [Datum des Zugriffs: 10. September 2024].
Kuckartz, Udo (2010). Einführung in die computergestützte Analyse qualitativer Daten. Wiesbaden: VS Verlag für Sozialwissenschaften.
Landwehr, Brunhild (2017). Sexualbildung. In Andreas Hartinger & Kim Lange-Schubert (Hrsg.), Sachunterricht – Didaktik für die Grundschule (S.189-203). Berlin: Cornelsen.
Lazer, David; Pentland, Alex; Adamic, Lada; Aral, Sinan; Barabási, Albert Laszlo; Brewer, Devon; Christakis, Nicholas; Contractor, Noshir; Fowler, James; Gutmann, Myron; Jebara, Toni; King, Gary; Macy, Michael; Roy, Deb & Alstyne, Van Marchall (2009). Computational social science. Science, 323(5915), 721-723.
Lemke, Matthias & Wiedemann, Gregor (2016). Einleitung: Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. In Matthias Lemke & Gregor Wiedemann (Hrsg.), Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse (S.1-16). Wiesbaden: Springer VS.
Marcolin, Carla Bonato; Diniz, Eduardo Henrique; Becker, João Luiz & de Oliveira, Henrique Pontes Gonçalves (2023). Who knows it better? Reassessing human qualitative analysis with text mining. Qualitative Research in Organizations and Management, 18(2), 181-198.
Mayring, Philipp (2015). Qualitative Inhaltsanalyse. Grundlagen und Techniken. Weinheim: Beltz.
Moretti, Franco (2013). Distant reading. London: Verso Books.
Nelson, Laura K. (2020). Computational grounded theory: A methodological framework. Sociological Methods & Research, 49(1), 3-42.
Nelson, Laura K.; Getman, Rebekah & Haque, Syed Arefinul (2022). And the rest is history: Measuring the scope and recall of Wikipedia’s coverage of three women’s movement subgroups. Sociological Methods & Research, 51(4), 1788-1825, https://journals.sagepub.com/doi/full/10.1177/00491241211067514 [Datum des Zugriffs: 10. September 2024].
Niekler, Andreas; Kahmann, Christian; Burghardt, Manuel & Heyer, Gerhard (2023). The interactive Leipzig corpus miner: An extensible and adaptable text analysis tool for content analysis. Publizistik, 68, 325-354, https://link.springer.com/article/10.1007/s11616-023-00809-4 [Datum des Zugriffs: 10. September 2024].
Pääkkönen, Juho, & Ylikoski, Petri (2021). Humanistic interpretation and machine learning. Synthese, 199(1-2), 1461-1497, https://doi.org/10.1007/s11229-020-02806-w [Datum des Zugriffs: 10. September 2024].
Pajo, Judi (2015). Danger explodes, space implodes: The evolution of the environmental discourse on nuclear waste, 1945-1969. Energy, Sustainability and Society, 5(36), 1-13, https://doi.org/10.1186/s13705-015-0064-6 [Datum des Zugriffs: 10. September 2024].
Pajo, Judi (2019). Quantitative falsification for qualitative findings: Falsifying an ethnographic theory of American public discourse on nuclear waste with text mining in R. Social Science Computer Review, 37(3), 315-332.
Papilloud, Christian & Hinneburg, Alexander (2018). Qualitative Textanalyse mit Topic-Modellen. Wiesbaden: Springer VS.
Philipps, Axel (2018). Text Mining-Verfahren als Herausforderung für die rekonstruktive Sozialforschung. Sozialer Sinn. Zeitschrift für hermeneutische Sozialforschung, 19(2), 367-387, https://doi.org/10.15488/9930 [Datum des Zugriffs: 10. September 2024].
Przyborski, Aglaja & Wohlrab-Sahr, Monika (2014). Forschungsdesigns für die qualitative Sozialforschung. In Nina Baur & Jörg Blasius (Hrsg.), Handbuch Methoden der empirischen Sozialforschung (S.123-142). Wiesbaden: Springer VS.
Runkler, Thomas (2015). Data Mining. Modelle und Algorithmen intelligenter Datenanalyse. Wiesbaden: SpringerNature.
Schneijderberg, Christian (2023). Konventionen von Gütekriterien empirischer Sozialforschung qualitativ verstehen. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 24(3), Art. 1, https://doi.org/10.17169/fqs-24.3.3994 [Datum des Zugriffs: 13. September 2024].
Siebach, Martin (2022). Identität als Diskursgegenstand der Didaktik des Sachunterrichts. Eine historisch-diskursanalytische Untersuchung. Wiesbaden: Springer VS.
Strübing, Jörg; Hirschauer, Stefan; Ayaß, Ruth; Krähnke, Uwe & Scheffer, Thomas (2018). Gütekriterien qualitativer Sozialforschung. Ein Diskussionsanstoß. Zeitschrift für Soziologie, 47(2), 83-100, https://doi.org/10.1515/zfsoz-2018-1006 [Datum des Zugriffs: 10. September 2024].
Stulpe, Alexander & Lemke, Matthias (2016). Blended Reading. In Matthias Lemke & Gregor Wiedemann (Hrsg.), Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse (S.17-61). Wiesbaden: Springer VS.
Tavory, Iddo & Timmermans, Stefan (2014). Abductive analysis: Theorizing qualitative research. Chicago, IL: University of Chicago Press.
Titscher, Stefan; Wodak, Ruth; Meyer, Michael & Vetter, Eva (1998). Methoden der Textanalyse. Leitfaden und Überblick (S.178-203). Opladen: Westdeutscher Verlag.
Voyer, Andrea; Kline, Zachary; Danton, Madison & Volkova, Tatiana (2022): From strange to normal: Computational approaches to examining immigrant incorporation through shifts in the mainstream. Sociological Methods & Research, 51(4), 1540-1579, https://journals.sagepub.com/doi/full/10.1177/00491241221122596 [Datum des Zugriffs: 10. September 2024].
Weber, Max (2017[1905]). Die protestantische Ethik und der "Geist" des Kapitalismus. Stuttgart: Reclam.
Wiedemann, Gregor (2013). Opening up to big data: Computer-assisted analysis of textual data in social sciences. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 14(2), Art. 23, https://doi.org/10.17169/fqs-14.2.1949 [Datum des Zugriffs: 17. Juni 2024].
Wiedemann, Gregor (2016). Text mining for qalitative data analysis in the social sciences: A study on democratic discourse in Germany. Wiesbaden: Springer VS.
Veröffentlicht
Zitationsvorschlag
Ausgabe
Rubrik
Lizenz
Copyright (c) 2024 Axel Philipps, Martin Siebach
Dieses Werk steht unter der Lizenz Creative Commons Namensnennung 4.0 International.
