Twitter – Retrieval Dreams

Fake News schneller als Wahrheit

Soroush Vosoughi, Deb Roy, Sinan Aral: The spread of true and false news online. Science 09.03.2018 Eine ältere, aber nach wie vor aktuelle Arbeit
Abstract: “Wir untersuchten die Differential-Fundionage aller verifizierten Wahren und falschen Nachrichten, die von 2006 bis 2017 auf Twitter verbreitet wurden. Die Daten umfassen 126.000 Dollar, die von 3 Millionen Menschen mehr als 4,5 Millionen Mal getwittert wurden. Wir stuften Nachrichten als wahr oder falsch ein, indem wir Informationen von sechs unabhängigen Faktenkontrollorganisationen, die 95 bis zu 98% Vereinbarungen über die Klassifizierungen aufwiesen, verwendet. Die Falschheit verbreitete sich deutlich weiter, schneller, tiefer und im weiteren Sinne als die Wahrheit in allen Kategorien von Informationen, und die Auswirkungen waren für falsche politische Nachrichten ausgeprägter als für falsche Nachrichten über Terrorismus, Naturkatastrophen, Wissenschaft, städtische Legenden oder Finanzinformationen. Wir fanden heraus, dass falsche Nachrichten eher neu waren als wahre Nachrichten, was darauf hindeutet, dass Menschen eher neue Informationen teilen. Während falsche Geschichten Angst, Ekel und Überraschung in Antworten weckten, weckten wahre Geschichten Vorfreude, Traurigkeit, Freude und Vertrauen. Entgegen der herkömmlichen Meinung beschleunigten Roboter die Verbreitung wahrer und falscher Nachrichten in der gleichen Geschwindigkeit, was bedeutet, dass sich falsche Nachrichten mehr verbreiten als die Wahrheit, weil Menschen, nicht Roboter, sie eher verbreiten.”

Vermessung der deutschsprachigen Twittersphäre

Luca Hammer hat seine Bachelorarbeit “Vermessung der deutschsprachigen Twittersphäre” online gestellt. “In dieser Arbeit gehe ich der Frage nach, ob und wie man die gesamte deutschsprachige Twittersphäre vermessen kann. Dabei versuche ich unter anderem folgendes zu beantworten: Können alle deutschsprachigen Tweets durch Wissenschafer_innen erfasst werden? Wie zuverlässig ist die Sprachklassifizierung von Twitter? Falls eine vollständige Erfassung möglich ist: Wie viele Tweets werden pro Tag veröffentlicht? Wie viele Accounts beteiligen sich? Gibt es voneinander getrennte Gruppen von Accounts oder sind sie alle miteinander vernetzt?”

Soziale Medien werden fragmentierter

X (Twitter) bewegt sich durch Musks Politik hin zu einem kleineren Informationsraum. Unbewusst bewegen sich auch andere Plattformane wie Reddit oder Discord in die gleiche Richtung. Ethan Zuckerman: Social Media Is Getting Smaller—and More Treacherous. Fragmented and focused social platforms might be good for helping you find a knitting community. But extremist groups are also using them to normalize darker content. Wired 24.01.2024 analysiert, was dies für Folgen hat. In großen Informationsräumen erreichen Botschaften auch Neubekehrte und Influencer können Zielgruppen aufbauen. Es handelt sich aber nicht um konsensuale, sondern konfliktreiche Räume, in denen unterschiedliche Haltungen und Meinungen aufeinanderprallen. Kleinere Räume sind für homogene Interessengruppen wie z.B. Selbsthilfegruppen interessant. Aber diese Fragmentierung der öffentlichen Sphäre kann gravierende Folgen haben. “These conversations, insulated from outside scrutiny, can normalize extreme points of view and lead people deeper into dark topics they expressed a passing interest in.”

Social Media transparent

Analytische Daten zu Social-Websites (Youtube, Twitch, Facebook, Instagram, Twitter, Tik Tok, Dailymotion, Odysee, Trovo, Mixer, DLife, StoryFire) liefert die Webseite SocialBlade. Insbesondere werden Views, Abonnenten und Ranglisten angezeigt.

Mastodon – Rettung oder Verhängnis?

Ist Mastodon Rettung sozialer Kommunikation oder das nächste Verhängnis? Hendrik Wieduwilt: Schlimmer als Twitter. Elon Musk könnte seine Plattform ruinieren. Doch auf den möglichen Nachfolger Mastodon hat die Rechtsordnung keine gute Antwort, Frankfurter Allgemeine Zeitung 05.12.2022 (hinter der Bezahlschranke) zeichnet zunächst nach, wie Twitter, das politischste Kommunikationsnetzwerk, durch die Lenkung von Elon Musk sich von einer offenen Plattform “zu einem Klub” entwickelt, in dem zunehmend Fake News und extreme Positionen sich bestätigen. Immerhin könnte aber diese zentrale und kommerzielle Platform rechtlich eingehegt werden. Das dezentrale Netzwerk Mastodon als Föderation von Servern bietet sich als Alternative zu Twitter an. Wieduwilt weist allerdings darauf hin, dass rechtliche Regulierung zur Zeit weder durch das deutsche Netzwerkdurchsetzungsgesetz noch das EU Digitale-Dienste-Gesetz möglich ist: “Die erforderlichen Mindestgräßen an Nutzerzahlen oder Mitarbeitern erreicht bisher keine der Mastodon-Instanzen. Selbst wenn sich das änderte, müsste jeweils ein Ansprechpartner gefunden werden. Und gegen ausländische Instanzen hülfe das Regelwerk ohnehin nicht weiter.” Der digitale Denkraum zerfällt in einzelne Segmente, die von den Administratoren der Server gestaltet, aber nicht moderiert werden. Diese Gestaltung kann aber jederzeit umschlagen aktivistische Lenkung, indem z.B. unliebsame Server blockiert werden.

Twitter-Datenanalyse Diskussion Corona

Dana Hajek: Wir gegen die, Frankfurter Allgemeine Zeitung 17.02.2022 legt eine statistisch und grafisch aufbereitete Datenanalyse vor. Analysiert wurden alle deutschsprachigen Tweets, Retweets und Replys zwischen dem 1. November 2021 und dem 9. Dezember 2021, die den Suchbegriff #Impfung enthalten. Es wird sichtbar, “wie stark die Debatte polarisiert: mit den dichten, sehr engmaschig vernetzten Impfkritikern auf der einen Seite und den loser vernetzten Accounts der Impfbefürworter auf der anderen Seite. Es hat sich eine sprachliche als auch eine thematische Abgrenzung zwischen den Gruppen herausgebildet, obwohl sie denselben Hashtag verwenden. Anders gesagt: Sie streiten nicht miteinander. Sie ignorieren sich.”
Die Analyse konstatiert einen rasanten Zuwachs der Impfkritiker innerhalb eines Jahres, der auf 7 Merkmale zurückzuführen ist. 1. Impfbefürworter agieren “heterogen, weil sie über keine einheitliche politische Agenda verfügen” gegenüber einer thematischen Übereinstimmung bei Impfkritikern. 2. Die Knoten der Impfgegner sind weniger, aber ca. 10 % größer. 3. Impfkritiker besetzen “Knoten, die eine extrem hohe Zahl von Verbindungen aufweisen” (Hubs) 4. Die Vernetzung der Impfkritiker konzentriert sich auf einen Kern von 247 Accounts. 5. Impfkritiker verwenden zur Verbesserung ihrer Sichtbarkeit diverse Hashtags. 6. “Im Kern der Impfkritiker befinden sich die zehn aktivsten Nutzer des gesamten Netzwerks.” 7. Impfbefürworter betonen den Nutzen der Corona-Impfung, Kritiker verbreiten diverse Narrative. Hajek stellt eine “zweigeteilte Welt” fest, in der es unklar ist, wie Wissenschaftskommunikation aufklärerisch einwirken kann.

Recherche mit Twitter

In dem Video “Recherche mit Twitter” der Universitätsbibliothek der Freien Universität Berlin werden einfache und erweiterte Suchmöglichkeiten mit verschiedenen Suchoperationen ausführlich erläutert.

Fake News und IWT-Memes erkennen

Die Gruppe Data Science von armasuisse Wissenschaft und Technologie (W+T) und die Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) arbeiten an Algorithmen, mit denen Künstliche Intelligenz gegen Desinformation im Netz eingesetzt werden kann. Gérôme Bovet und Sarah Frei: Künstliche Intelligenz im Einsatz gegen Desinformation in sozialen Netzwerken, in: armafolio 02/2021 beschreiben dabei drei Ansätze, die dabei Natural Language Processing (NLP) einsetzen:
1. Mit Nutzerverhalten in den sozialen Medien (Text- und/ oder Bild) werden Modelle mit sprachlichen und sentimentalen Merkmalen trainiert, die Emotionalität von Information einordnen können. “Das ist wichtig, weil die Verbreitung falscher beziehungsweise radikaler Aussagen oft mit einer hohen Emotionalität des Beitrags einhergeht.” Gegenüber normalen Einsätzen von NLP entsteht bei Twitter die Herausforderungen, “mit wie kurzen Texten das Programm arbeiten soll” (Gérôme Bovet: «Fake News» schneller erkennen, Bundesamt für Rüstung armasuisse 26.10.2020).
2. Erkennung und Klassifizierung von Memes: IWT-Memes (englisch: Image with Text-IWT, deutsch: Bild mit Text), die zur Desinformation eingesetzt werden, sollen unter Einsatz von Convolutional Neural Networks identifiziert und binär klassifiziert in die Kategorien IWT-Meme-Bild bzw. Nicht-IWT-Meme-Bild werden. “Bei der Ermittlung des Inhalts werden durch die Bestimmung des Themas und der Emotionalität des Inhalts Rückschlüsse darauf gezogen, ob es sich um Desinformation handeln könnte oder nicht. Desinformation beinhaltet häufig Themen, welche sozial spaltend wirken und, damit verbunden, negative Gefühle beim Betrachter oder der Betrachterin verstärken können.”
3. Analyse des Kontoverhaltens auf Twitter durch gerichtete Graphen. “Anhand eines solchen Graphen kann ein Algorithmus durch Berechnung verschiedener statistischer Parameter bestimmen, wie sich ein Beitrag in sozialen Netzwerken, in diesem Fall Twitter, verbreitet hat. Zu diesen Parametern gehören der Vernetzungsgrad eines Kontos (wie viele Nutzer und Nutzerinnen dem Konto folgen und wie vielen Nutzern und Nutzerinnen das Konto selbst folgt).” Social Bots weisen dabei ein charakteristisches Verhältnis zwischen Wurzelknoten, Retweets und kurzfristig neu geschaffenen Followern auf.

Theorie des #Hashtags

Andreas Bernard, Professor für Kulturwissenschaften am “Centre for Digital Cultures” der Leuphana-Universität Lüneburg: Theorie des #Hashtags, in: Geschichte der Gegenwart 19.05.2021

In dem #Hashtag verdichten sich die unterschiedlichen Funktionen von Schlagworten (Wörter oder kurze Phrasen, die einen Sachverhalt prägnant und verkürzt zuspitzen) und den Schlagwörtern oder Deskriptoren (inhaltliche Erschließung von Sachverhalten anhand eines kontrollierten Vokabulars) . Es soll einerseits die Suchbarkeit innerhalb des digitalen Mediums sicherstellen, enthält aber darüber hinaus ein allgemeines “Aufmerksamkeitsversprechen“, das selbst in die analoge Welt ausstrahlt. “Das # ist also längst kein rein funktionales Sonderzeichen mehr, sondern ein verheißungsvolles gesellschaftliches Symbol. Es steht für die Erzeugung und Anhäufung öffentlicher Aufmerksamkeit.”

Bernard sieht in diesem “Gestaltungsprinzip von gesellschaftspolitischen Debatten” gleichzeitig ein Strukturproblem. Inhalte und Konflikte und Homogenisierungs- und Nivellierungstendenzen gehen nicht zuletzt auf die Organisation von Debatten mittels des #Hashtags zurück.

Die Genese des #Hashtags ist einerseits auf den politischen Aktivismus („Hashtag Activism“) (von den herkömmlichen Massenmedien nicht ausreichend repräsentierte Positionen machen sich geltend) und andererseits auf den Einsatz als Marketing-Instrument („Hashtag Marketing“) (Kundenbindung durch selbst gestaltetes mediales Umfeld, was letztendlich auch im Schutz von #Hashtags als Markenzeichen münden kann) zurückzuführen. Die gemeinsame Funktionsweise verweist auf ein strukturelles Problem:

“Hashtags, so könnte man sagen, kommodifizieren die Wörter, die ihnen folgen. Wenn Georg Lukács 1923 im berühmten „Verdinglichungs“-Kapitel von Geschichte des Klassenbewusstseins zeigen wollte, „wie weit der Warenverkehr die herrschende Form des Stoffwechsels einer Gesellschaft ist“, dann gilt diese Diagnose ein knappes Jahrhundert später sicher für die Metabolik der Sozialen Medien. Nicht-katalogisierbare, einzigartige, widerspenstige Bausteine sind in der Logik des Hashtags irrelevant. Anstatt dessen geht es um die größtmögliche Anhäufung von Beiträgen, um die Akkumulation des gleichförmigen, unter identischem Schlagwort subsumierten Aussagenkapitals, das sich in quantifizierbaren Listen wie den „trending topics“ abbilden und weiter vermehren soll.”

“Der Hashtag bringt die verstreuten Stimmen zum kollektiven Ertönen und nimmt ihnen gleichzeitig das, was an ihnen unverrechenbar ist.”

Buchseite 1 von 2

1 2 Next »