HMD Praxis der Wirtschaftsinformatik

, Volume 54, Issue 4, pp 544–562 | Cite as

Text Mining für Online-Partizipationsverfahren: Die Notwendigkeit einer maschinell unterstützten Auswertung

Schwerpunkt

Zusammenfassung

Online-Partizipationsverfahren werden in den letzten Jahren vermehrt von Städten und Gemeinden eingesetzt, um ihre Bürger in politische Entscheidungsprozesse einzubeziehen. Der vorliegende Beitrag beginnt mit einer Kategorisierung von Online-Partizipationsverfahren im politischen Kontext in Deutschland und fokussiert auf das Beteiligungsprojekt Tempelhofer Feld in Berlin. Dazu werden die Probleme einer manuellen Auswertung und die Notwendigkeit einer maschinell unterstützten Auswertung von Textbeiträgen aus Partizipationsverfahren beschrieben.

Im Beitrag wird auf die Probleme und Lösungsmöglichkeiten in den drei Analysebereichen Argument Mining, Themenextraktion und Erkennung von Emotionen eingegangen. Für den Bereich Argument Mining wird ein geeignetes dreiteiliges Argumentationsmodell, welches auf das Online-Partizipationsverfahren Tempelhofer Feld der Stadt Berlin angewendet wird, diskutiert. Zudem wird der Einsatz von word embeddings als Features für eine Support Vector Machine zur automatisierten Klassifikation von Argumentationskomponenten evaluiert. Anschließend wird ein Einblick in das Aufgabengebiet der Themenextraktion, dessen Ziel die Erstellung eines groben Überblicks über die diskutierten Themen eines Online-Partizipationsverfahrens ist, gegeben und die Ergebnisse zweier Verfahren werden diskutiert. Danach erfolgt eine Diskussion über die Einsatzmöglichkeiten einer automatisierten Emotionserkennung im Kontext von Online-Partizipationsverfahren.

Schlüsselwörter

Online-Partizipation Argument Mining Themenextraktion Emotionen Natural Language Processing 

Text Mining for Online Participation Processes: The Necessity of Automatically Supported Evaluations

Abstract

In recent years cities and municipalities rely increasingly on online participation processes to involve their citizens in political decision-making processes. This paper opens by categorizing political online participation processes in Germany before focusing on one participation project in particular, namely the Tempelhofer Feld in Berlin. In addition, the problems of a manual analysis of text contributions from participation processes are outlined in order to highlight the necessity for automatically supported evaluations.

We discuss problems and possible solutions in three areas of analysis: argument mining, topic extraction, and emotion mining. For argument mining, a suitable three-part argumentation model is discussed which is applied to the online participation process Tempelhofer Feld. Furthermore, word embeddings are being evaluated as features for a support vector machine tasked with the automated classification of argumentation components. Subsequently, we focus on topic extraction, which aims to provide a rough overview of the topics discussed in an online participation process, and present the results of two methods. The paper concludes with a discussion on possible applications of an automated recognition of emotions in the context of online participation processes.

Keywords

Online participation Argument mining Topic extraction Emotions Natural language processing 

Literatur

  1. Behrendt J (2016) Lebendige Demokratie durch transparente und digitale Beteiligungskultur. Vortrag. Praxissymposium „Online-Partizipation“, Gelsenkirchen, 13.12.2016Google Scholar
  2. Beuß H (2017) Leitfaden zur Mitbestimmung bei der Umsetzung der Open.NRW Strategie. https://open.nrw/sites/default/files/asset/document/open_nrw_-_leitfaden_mitbestimmung_nach_lpvg_nrw.pdf. Zugegriffen: 5. April 2017Google Scholar
  3. Blei D, Ng A, Jordan M (2003) Latent Dirichlet Allocation. J Mach Learn Res 3:993–1022MATHGoogle Scholar
  4. Ekman P (1992) An argument for basic emotions. Cogn Emot 6(3–4):169–200CrossRefGoogle Scholar
  5. Escher T, Friess D, Esau K, Sieweke J, Tranow U, Dischner S, Hagemeister P, Mauve M (2017) Online Deliberation in Academia: Evaluating the Quality and Legitimacy of Co-Operatively Developed University Regulations. Policy Internet 9(1):133–164CrossRefGoogle Scholar
  6. Gladitz P, Schöttle S, Steinbach M, Wilker N, Witt T (2017) DIID Monitor Online Partizipation – Zum Stand von Online-Bürgerbeteiligung in den Kommunen Nordrhein-Westfalens. Kommunalpraxis Wahlen 1:30–34Google Scholar
  7. Kubicek H, Lippa B, Westholm H, Kohlrausch N (2007) Medienmix in der lokalen Demokratie. Die Integration von Online-Elementen in Verfahren der Bürgerbeteiligung. http://www.ifib.de/publikationsdateien/Medienmix_Endbericht_Teil_IV_kap7-Lit_fin.pdf. Zugegriffen: 5. April 2017Google Scholar
  8. Liebeck M, Conrad S (2015) IWNLP: Inverse Wiktionary for Natural Language Processing. In: Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing, Bd. 2. Association for Computational Linguistics, S 414–418Google Scholar
  9. Liebeck M, Esau K, Conrad S (2016) What to Do with an Airport? Mining Arguments in the German Online Participation Project Tempelhofer Feld. In: Proceedings of the Third Workshop on Argument Mining, hosted by the 54th Annual Meeting of the Association for Computational Linguistics. ArgMining@ACL, S 144–153Google Scholar
  10. Märker O, Rucker C (2016) Ludwigshafen diskutiert: „Abriss der Hochstrasse Nord … und was kommt danach?“ Auswertungsbericht zur Öffentlichkeitsbeteiligung www.ludwigshafen-diskutiert.de Google Scholar
  11. Mikolov T, Chen K, Corrado G, Dean J (2013) Efficient Estimation of Word Representations in Vector Space. In: ICLR WorkshopGoogle Scholar
  12. Open.NRW (2016) Sachstandsbericht zur Umsetzung der Open.NRW Strategie. https://open.nrw/sites/default/files/asset/document/open_nrw_-_sachstandsbericht_2016.pdf. Zugegriffen: 5. April 2017Google Scholar
  13. Rhee J, Kim E (2009) Deliberation on the Net: Lessons from a Field Experiment. In: Davies T, Peña Gangadharan S (Hrsg) Online Deliberation: Design, Research, and Practice. CSLI Publications, Stanford, S 223–232Google Scholar
  14. Scholl W (2013) The socio-emotional basis of human interaction and communication: How we construct our social world. Soc Sci Inf 52(1):3–33CrossRefGoogle Scholar
  15. Trénel M (2009) Facilitation and Inclusive Deliberation. In: Davies T, Peña Gangadharan S (Hrsg) Online Deliberation: Design, Research, and Practice. CSLI Publications, Stanford, S 253–257Google Scholar
  16. Waseem Z, Hovy D (2016) Hateful Symbols or Hateful People? Predictive Features for Hate Speech Detection on Twitter. In: Proceedings of the NAACL Student Research Workshop. Association for Computational Linguistics, S 88–93Google Scholar
  17. Wilson T, Wiebe J, Hwa R (2004) Just How Mad Are You? Finding Strong and Weak Opinion Clauses. In: Proceedings of the 19th National Conference on Artifical Intelligence. AAAI Press, S 761–767Google Scholar
  18. Wright S, Street J (2007) Democracy, deliberation and design: the case of online discussion forums. N Media Soc 9(5):849–869CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2017

Authors and Affiliations

  1. 1.Institut für Informatik, Datenbanken und InformationssystemeHeinrich-Heine-Universität DüsseldorfDüsseldorfDeutschland
  2. 2.Institut für Sozialwissenschaften, Kommunikations- und MedienwissenschaftHeinrich-Heine-Universität DüsseldorfDüsseldorfDeutschland

Personalised recommendations