Die COVID-19-Pandemie hat weltweit zu intensiven Diskussionen und Reaktionen geführt, auch auf sozialen Medien wie Twitter. Dies schließt nicht nur vernünftige Diskurse ein, sondern auch einen Anstieg von Hatespeech. Diese Studie untersucht, inwiefern Hatespeech in den Antworten (Replies) auf Tweets zu deutschen COVID-19-Maßnahmen präsent ist und wie es sich im Laufe der Pandemie entwickelt hat.
Die Forschung nutzte zwei Zeiträume, Winter 2020 und Winter 2021, um Veränderungen in den Reaktionen im Laufe der Pandemie zu analysieren. Twitter-Korpora wurden erstellt, die Tweets von offiziellen Stellen wie Landesregierungen, Gesundheitsämtern, Ministern und dem Robert Koch-Institut umfassen. Die Replies auf diese Tweets wurden auf das Vorhandensein von Hatespeech mittels eines BERT-Modells untersucht, wobei ein weiteres Modell zur Klassifikation toxischer Kommentare als Vergleich diente.
Die Forschung konzentrierte sich auf mehrere Aspekte, darunter die Art des Accounts, die am häufigsten diskutierten Maßnahmen sowie zeitliche Entwicklungen. Die Ergebnisse dieser Studie bieten Einblicke in die Verbreitung und die Natur von Hatespeech in Bezug auf COVID-19-Maßnahmen in Deutschland und tragen dazu bei, die Hintergründe dieser hasserfüllten Reaktionen zu verstehen.
Diese Erkenntnisse sind nicht nur von akademischem Interesse, sondern haben auch praktische Relevanz für die Gestaltung von effektiven Kommunikationsstrategien und politischen Maßnahmen während der anhaltenden Pandemie.
Inhaltsverzeichnis
- Abkürzungsverzeichnis
- Abbildungsverzeichnis
- Tabellenverzeichnis
- 1. Einleitung
- 2. Automatisierte Textklassifikation zur Erkennung von Hatespeech und toxischen Kommentaren
- 2.1 Hatespeech und toxische Kommentare
- 2.2 Automatisierte Textklassifikation
- 2.3 BERT-Sprachmodelle zur automatisierten Erkennung von Hatespeech
- 2.3.1 BERT-Modelle - Architektur und Funktionsweise
- 2.3.2 BERT Hatespeech Modell
- 2.3.3 DistilBERT Toxic Comments Modell
- 3. Untersuchung
- 3.1 Generierung der Datenbasis aus Twitter und Korpusdesign
- 3.1.1 Maßnahmen-Korpora
- 3.1.2 RKI-Korpora
- 3.2 Methodik
- 3.3 Experimente
- 3.1 Generierung der Datenbasis aus Twitter und Korpusdesign
- 4. Ergebnisse und Diskussion
- 4.1 Ergebnisse der Experimente
- 4.1.1 Experiment 1: Durchschnittlicher Grad an Hate gruppiert nach Art des Accounts
- 4.1.2 Experiment 2: Top-10 Replies mit dem höchsten Grad an Hate
- 4.1.3 Experiment 3: Top-5 Tweets, mit durchschnittlich dem höchsten Grad an Hate in den Replies
- 4.1.4 Experiment 4: Wortfrequenzen der Maßnahmen in den Replies und durchschnittlicher Grad an Hate gruppiert nach Maßnahmen
- 4.1.5 Experiment 5: Durchschnittlicher Grad an Hate gruppiert nach der Maßnahme Maske / Maske & Kinder
- 4.1.6 Experiment 6: Replies zu den Maßnahmen Homeschooling und Lockdown
- 4.1.7 Experiment 7: Tweets, auf die mit Homeschooling geantwortet wurde
- 4.2 Diskussion
- 4.1 Ergebnisse der Experimente
- 5. Fazit
- Literaturverzeichnis
- Anhang
- Anhang A.
- Anhang B.
- Anhang C.
- Anhang D.
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, das Ausmaß hasserfüllter Reaktionen auf deutsche Tweets zu Corona-Maßnahmen sowie Tweets des Robert Koch-Instituts (RKI) auf Twitter zu untersuchen. Die zentrale Forschungsfrage ist, wie hasserfüllt diese Reaktionen sind und ob sich Tendenzen hinsichtlich der stärksten Reaktionen erkennen lassen.
- Analyse von Hatespeech und toxischen Kommentaren auf Twitter im Kontext der COVID-19-Pandemie.
- Einsatz automatisierter Textklassifikation mithilfe von BERT-Sprachmodellen.
- Untersuchung der Reaktionen in Bezug auf die Art des Twitter-Accounts (Politiker, Behörden).
- Analyse des inhaltlichen Diskurses und spezifischer Corona-Maßnahmen (z.B. Lockdown, Maskenpflicht, Impfen).
- Betrachtung der zeitlichen Dimension der Reaktionen und deren Veränderungen im Pandemieverlauf.
- Qualitative und quantitative Analyse von Twitter-Replies zu Corona-Maßnahmen und RKI-Tweets.
Auszug aus dem Buch
2.1 Hatespeech und toxische Kommentare
Weder Hatespeech noch toxische Kommentare sind einheitlich und eindeutig definiert. Während der Terminus Hass intuitiv verständlich ist, ist das Konzept Hatespeech komplex. Aus verschiedenen Hatespeech Definitionen lassen sich jedoch drei Gemeinsamkeiten herauskristallisieren, die immer wieder genannt werden:
1. Hatespeech ist Sprache, die Hass ausdrückt oder darauf abzielt, andere anzugreifen, herabzusetzen, zu demütigen oder zu beleidigen (Davidson et al., 2017; Fortuna & Nunes, 2019; Meibauer, 2013).
2. Hatespeech richtet sich gegen ganze Personen- und Bevölkerungsgruppen oder einzelne Mitglieder aufgrund ihrer Gruppenzugehörigkeit (Davidson et al., 2017; de Gibert et al., 2018; Fortuna & Nunes, 2019).
3. Hatespeech ist durch bestimmte Identitätsmerkmale dieser Gruppen motiviert, wie z. B. Religion oder Hautfarbe (de Gibert et al., 2018; Fortuna & Nunes, 2019; Meibauer, 2013).
Auch wenn es gelingt, Hatespeech anhand der herausgearbeiteten Gemeinsamkeiten annähernd zu umreißen, lassen die zugrundeliegenden Definitionen laut Ross et al. (2016) Interpretationsraum offen. So hängt zum Beispiel die Einordnung als beleidigende Sprache vom persönlichen Empfinden der Rezipierenden sowie deren kulturellen Hintergrund ab (Ross et al., 2016). Dieser Punkt stellt für das Annotieren von Datensätzen zur Erkennung von Hatespeech eine große Herausforderung dar (Ross et al., 2016). Deshalb ist es wichtig, für das Annotieren von Datensets vorab genau festzulegen, was zu Hatespeech gezählt wird. Für das Annotieren des Datensets von Wiegand et al. (2018), mit dem das in dieser Arbeit verwendete Hatespeech-Modell trainiert wurde, wurden unter Hatespeech drei Dinge gefasst:
Zusammenfassung der Kapitel
1. Einleitung: Dieses Kapitel führt in die Thematik ein, beleuchtet die Relevanz der Untersuchung von Hatespeech in Reaktionen auf Corona-Maßnahmen auf Twitter und formuliert die übergeordnete Forschungsfrage sowie detaillierte Teilfragen.
2. Automatisierte Textklassifikation zur Erkennung von Hatespeech und toxischen Kommentaren: Hier werden die Konzepte von Hatespeech und toxischen Kommentaren definiert, die Funktionsweise der automatisierten Textklassifikation erklärt und die in der Arbeit verwendeten BERT-Sprachmodelle detailliert vorgestellt.
3. Untersuchung: Dieses Kapitel beschreibt das Design der Twitter-Korpora (Maßnahmen- und RKI-Korpora), die methodischen Schritte zur Datenanalyse und Klassifikation der Replies sowie die Konzeption der sieben durchgeführten Experimente.
4. Ergebnisse und Diskussion: Die Ergebnisse der quantitativen und qualitativen Experimente werden präsentiert, interpretiert und miteinander verglichen, wobei Reaktionen nach Account-Art, inhaltlichem Diskurs und zeitlicher Dimension analysiert werden. Eine Diskussion der Erkenntnisse und Limitationen schließt sich an.
5. Fazit: Das Fazit fasst die wichtigsten Erkenntnisse der Studie zusammen, bewertet die Aussagekraft der Ergebnisse, reflektiert die Limitationen der Arbeit und bietet Anregungen für weiterführende Forschung im Bereich der Hatespeech-Analyse in sozialen Medien.
Schlüsselwörter
Hatespeech, Twitter, Corona-Maßnahmen, Textklassifikation, BERT-Modelle, Toxizität, soziale Medien, Pandemie, Politik, Robert Koch-Institut, qualitative Analyse, quantitative Analyse, Homeschooling, Maskenpflicht, Lockdown.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Diese Arbeit untersucht die Häufigkeit und Intensität von Hatespeech und toxischen Kommentaren in Twitter-Reaktionen auf Corona-Maßnahmen und Tweets des Robert Koch-Instituts (RKI) in Deutschland.
Was sind die zentralen Themenfelder?
Zentrale Themenfelder sind die Analyse von Hatespeech und toxischen Kommentaren, automatisierte Textklassifikation mittels BERT-Sprachmodellen, Auswirkungen von Corona-Maßnahmen, die Rolle sozialer Medien und die öffentliche Stimmung während der Pandemie.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, herauszufinden, wie hasserfüllt die Reaktionen auf Corona-Maßnahmen sowie RKI-Tweets auf Twitter sind und welche Tendenzen oder Gründe für die stärksten Reaktionen identifiziert werden können.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt automatisierte Textklassifikation unter Verwendung von vortrainierten BERT- und DistilBERT-Sprachmodellen. Die Klassifikationsergebnisse werden anschließend durch quantitative und qualitative Experimente analysiert.
Was wird im Hauptteil behandelt?
Der Hauptteil befasst sich mit den theoretischen Grundlagen der Hatespeech-Definition und automatisierten Textklassifikation, dem Korpusdesign der Twitter-Daten, der Methodik der Analyse und der detaillierten Präsentation, Interpretation und Diskussion der experimentellen Ergebnisse.
Welche Schlüsselwörter charakterisieren die Arbeit?
Schlüsselwörter wie Hatespeech, Twitter, Corona-Maßnahmen, Textklassifikation, BERT-Modelle, Toxizität, soziale Medien, Pandemie, Politik, Robert Koch-Institut, qualitative Analyse, quantitative Analyse, Homeschooling, Maskenpflicht und Lockdown charakterisieren die Arbeit.
Welche Rolle spielen Kinder im Kontext der diskutierten Maßnahmen und Reaktionen?
Das Thema Kinder löste besonders emotionale Reaktionen aus, insbesondere bei Maßnahmen wie Homeschooling und Maskenpflicht in Schulen, was oft zu einem höheren Grad an Hate führte, da Eltern den Schutz ihrer Kinder als unzureichend empfanden.
Wie hat sich der Grad an Hatespeech in den Reaktionen zwischen Winter 2020 und Winter 2021 verändert?
Die Studie zeigt, dass der Grad an Hate sowie die Anzahl der Replies im Winter 2021 im Vergleich zum Vorjahr bei allen Arten von Accounts deutlich angestiegen ist, obwohl die Maßnahmen objektiv nicht schärfer waren.
Inwiefern kam es bei den RKI-Tweets zu einer Dekontextualisierung in den Replies?
Bei den RKI-Tweets wurde festgestellt, dass Diskussionsteilnehmer oft unabhängig von den spezifischen Themen der Original-Tweets über "heiße Themen" wie Homeschooling diskutierten, was auf eine Dekontextualisierung der Replies hindeutet.
Warum korreliert die Schärfe der Maßnahmen nicht direkt mit der Stärke des "Aufschreis" in den Reaktionen?
Die Studie vermutet, dass die Stärke des Aufschreis nicht primär von der Schärfe der Maßnahmen, sondern vom langen Andauern der Pandemie, einer zunehmenden Reizbarkeit der Bevölkerung und der Diskussion über ungleiche Regeln für Geimpfte und Ungeimpfte beeinflusst wurde.
- Arbeit zitieren
- Amelie Probst (Autor:in), 2022, Hatespeech auf Twitter in Reaktion auf Corona-Maßnahmen in Deutschland. Eine Analyse anhand von automatisierter Textklassifikation, München, GRIN Verlag, https://www.grin.com/document/1414874
