Die Dissertation befasst sich mit der Fragestellung, wie Daten aus sozialen Medien erhoben, vorverarbeitet und vorbereitet werden müssen, um diese zum Trainieren von maschinellen Lernmodellen zu nutzen und somit Empörungswellen frühzeitig zu erkennen. Empörungswellen (ugs. Shitstorms) stellen Situationen dar, die im Unternehmenskontext Krisen auslösen können, bei denen spontan, aber zeitlich begrenzt eine überdurchschnittlich hohe Anzahl negativer, medialer Beiträge gegenüber einem Betroffenen verfasst werden. Für das Vorhaben werden Twitterdaten vergangener Empörungswellen erhoben und hieraus Empörungswellenmerkmale für das Training maschineller Lernmodelle abgeleitet. Die Modelle werden anschließend in einem Softwareartefakt genutzt, um einerseits Empörungswellen IT gestützt zu erkennen und involvierte Unternehmen sowie Agenturen zu warnen und um andererseits die zugrunde liegenden Daten für Experten sozialer Medien inhaltlich interpretierbar aufzubereiten. Schlussendlich werden Experteninterviews zur Eignung und zum Nutzen des Artefakts durchgeführt und Designprinzipien für das Erkennen von und Warnen vor Empörungswellen sowie zum Aufbereiten der zugrunde liegenden Daten abgeleitet, um die Ergebnisse für soziale Medien, die auf Beiträgen in Textform basieren, zu verallgemeinern.
- 415 Seiten
- German
- PDF
- Über iOS und Android verfügbar
eBook - PDF
Über dieses Buch
375,005 Studierende vertrauen auf uns
Zugang zu über 1 Million Titeln zu einem fairen monatlichen Preis.
Mit unseren Lerntools kannst du noch effizienter lernen.
Information
ISBN drucken
9783736975682
Auflage
1Inhaltsverzeichnis
- Abbildungsverzeichnis
- Formelverzeichnis
- Tabellenverzeichnis
- Abkürzungsverzeichnis
- 1 Einleitung
- 1.1 Motivation und Problemstellung
- 1.2 Zielsetzung und Forschungsfragen
- 1.3 Positionierung und Forschungsmethodik
- 1.4 Aufbau des Forschungsvorhabens
- 2 Grundlagen
- 2.1 Krise und Krisenphasen
- 2.2 Soziale Medien und Massenmedien
- 2.3 Informationsdiffusion
- 2.4 Digitale unternehmensbezogene Empörungswellen
- 3 Aktueller Erkenntnisstand im Bereich digitaler unternehmensbezogener Empörungswellen
- 3.1 Vorüberlegungen und Untersuchungsdesign
- 3.2 Ergebnisse zum aktuellen Erkenntnisstand
- 3.3 Zwischenfazit und Forschungslücken
- 3.4 Theoriebasierte Lösungsansätze und Forschungsfragen
- 3.5 Grundsatzentscheidungen zum Forschungsvorhaben
- 4 Merkmale digitaler unternehmensbezogener Empörungswellen
- 4.1 Literaturbasierte Ergebnisse zu Merkmalen digitaler unternehmensbezogener Empörungswellen
- 4.2 Fallstudienbasierte Ergebnisse zu Merkmalen digitaler unternehmensbezogenerEmpörungswellen
- 4.3 Statistisch signifikante Merkmale zum Früherkennen digitaler unternehmensbezogenerEmpörungswellen
- 5 Maschinelles Lernen zum Erkennen digitaler unternehmensbezogenerEmpörungswellen
- 5.1 Vorüberlegungen und Untersuchungsdesign
- 5.2 Ergebnisse der trainierten, maschinellen Lernmodelle
- 5.3 Anpassen der Parameter der trainierten, maschinellen Lernmodelle
- 5.4 Evaluieren der angepassten und trainierten, maschinellen Lernmodelle
- 5.5 Unterteilen der Ergebnisse der angepassten und trainierten, maschinellen Lernmodelle
- 6 Softwareartefakt zum Früherkennen von und Warnen vor digitalen unternehmensbezogenenEmpörungswellen
- 6.1 Vorüberlegungen zur Entwicklung und Evaluation
- 6.2 Anforderungsanalyse des Shitstormerkennungs- und -warnsystems
- 6.3 Konzeption des Shitstormerkennungs- und -warnsystems
- 6.4 Implementation des Shitstormerkennungs- und -warnsystems
- 6.5 Evaluation des Shitstormerkennungs- und -warnsystems
- 6.6 Komponentenmodell mit Designprinzipien zum Früherkennen von und Warnen vordigitalen unternehmensbezogenen Empörungswellen
- 6.7 Implementationsprinzipien zum IT-gestützten Früherkennen von und Warnen vor digitalenunternehmensbezogenen Empörungswellen in primär beitragsbasierten sozialenMedien
- 7 Schlussbetrachtung
- 7.1 Zentrale Ergebnisse des Forschungsvorhabens
- 7.2 Implikationen für Wissenschaft und Praxis
- 7.3 Limitationen und weiterer Forschungsbedarf
- Anhangsverzeichnis
- Literaturverzeichnis