Zusammenfassung
Soziale Netzwerke wie Facebook bieten ihren NutzerInnen die Möglichkeit, die dort zahlreich verlinkten Inhalte traditioneller Massenmedien zu diskutieren. Dabei treffen Menschen mit sehr unterschiedlichen politischen Einstellungen aufeinander. Vermehrt kommt es zu diskriminierenden Kommentaren, denen mit Gegenrede widersprochen wird. Der Artikel analysiert, bezüglich welcher Themen Hass- und Gegenrede miteinander interagieren und welche diskursiven Strategien dabei verwendet werden. Ausgehend von einem Korpus mit ca. 360.000 Facebook-Kommentaren aus dem Jahr 2017 machen wir einen Vorschlag für eine computergestützte kritische Diskursanalyse. Mithilfe von Topic Modeling und Textklassifikation wird das Material so strukturiert, dass eine präzise Navigation durch thematisch und kategorial gefilterte Teilkorpora möglich wird. Näher untersucht werden Diskursverschränkungen, in denen moralische Exklusion als Gegenredestrategie genutzt wird, sowie Versuche von Hassrede, darauf mit Umdeutung geläufiger Konzepte zu reagieren.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Zu den über die Facebook-API heruntergeladenen Seiten gehören BILD, EXPRESS, Frankfurter Allgemeine, FOCUS Online, JUNGE FREIHEIT, LVZ Leipziger Volkszeitung, MDR Aktuell, Mitteldeutsche Zeitung, n-tv, N24, RP ONLINE, SPIEGEL ONLINE, Süddeutsche Zeitung, Thüringer Allgemeine, tagesschau, Westdeutsche Zeitung, ZDF heute und ZEIT ONLINE.
- 2.
Die Liste der Schlüsselwörter wurde aus einer Auswahl relevanter FB-Posts zu Beginn der Datensammlung zusammengestellt und umfasst die Wortstämme afd, afrika, anschlag, asyl, ausländ, flucht, flücht, frau, humanit, islam, kopftuch, missbrauch, muslim, nazi, npd, rassis, schleier, sexuell, sudan, syr, terror, vergewalt.
- 3.
Als Thread definieren wir einen Kommentar und sämtliche dazu verfassten Antworten in zeitlicher Reihenfolge ihres Eingangs auf Facebook.
- 4.
Eine grundsätzliche Schwierigkeit bei der Forschung in sozialen Medien ist, dass aufgrund von Moderation bzw. Account-Löschungen ein Teil der Kommentare nicht erhoben werden kann. Dies trifft insbesondere auf die Untersuchung von Hassrede zu. Uns ist bewusst, dass unser Korpus einen unbekannten Teil der gravierendsten HR-Kommentare nicht enthält, welcher dementsprechend auch bei der Erfassung der Sagbarkeitsfelder unberücksichtigt bleiben muss.
- 5.
Unüberwacht bezieht sich auf den Aspekt, dass eine Strukturierung bzw. Cluster-Einteilung automatisch nur auf Basis der untersuchten Daten selbst vorgenommen wird.
- 6.
Die Berechnung wurde mit der R-Bibliothek RMallet v1.2.0 (https://cran.r-project.org/package=mallet [letzter Zugriff: 23.01.2020]) mit einem Gibbs Sampling mit 1000 Iterationen und einer Optimierung des Alpha-Hyperparameters alle 100 Iterationen (Initialwert Alpha = 0,1) durchgeführt. Die Anzahl an Topics K muss bei der LDA-Berechnung als externer Parameter gewählt werden.
- 7.
Wir brauchen einerseits eine Menge an Topics, die groß genug ist, verschiedene thematische Facetten unseres Korpus zu erfassen, und auf der anderen Seite klein genug ist, sodass wir die gefundenen Zusammenhänge interpretieren und bewerten können. Auf Basis dieser Vorüberlegungen haben wir Werte zwischen K = 50 und K = 100 in Fünferschritten mit der R-Bibliothek ldatuning R package v1.0.0 (https://cran.r-project.org/package=ldatuning [letzter Zugriff 23.01.2020]) getestet. Die ermittelten Evaluierungswerte des Modells für verschiedene K legten nahe, dass im Bereich K = 65 ein guter Kompromiss zwischen beiden Anforderungen zu liegen scheint. Anschließend wurden sechs verschiedene Modelle berechnet und interpretiert. Zwischen diesen Modellen wiesen die Topics sehr hohe Überschneidung auf. Für die weitere Analyse wurde das Modell ausgewählt, welches die am besten interpretierbaren Topics mit Bezug zum Themenfeld Flucht und Migration beinhaltete.
- 8.
Zur Interpretation der Topics verwenden wir das Tool LDAvis (https://cran.r-project.org/package=LDAvis [letzter Zugriff: 23.01.2020]; vgl. Sievert und Shirley 2014), welches den Anteil der Top-30-Begriffe eines Topics am Gesamtkorpus visualisiert. Ferner kann mit einem Parameter Lambda gesteuert werden, wie sehr die Top-30-Begriffe nach Wahrscheinlichkeit oder Spezifität gewichtet werden, wodurch Begriffe einbezogen werden können, die ein Topic besser in Abgrenzung zu anderen Topics beschreiben. Wir folgen der Empfehlung von Shirley und Sievert und interpretieren die Top-30-Begriffe bei einem Wert von Lambda = 0,6.
- 9.
Zur Validierung und besseren Interpretation bei zunächst uneindeutigen Topics lesen wir Auszüge aus der Selektion der diesen Topics zugeordneten Top-100-Kommentare.
- 10.
Diese Topics werden für die weiteren Analysen nicht betrachtet.
- 11.
Das zur Klassifikation verwendete neuronale Netz ist ein bidirektionales LSTM-CNN-Modell mit vortrainierten fastText embeddings als Eingabe. Die Modellarchitektur wird ausführlich in Wiedemann et al. (2018) vorgestellt. In einer vergleichenden Evaluation mit zahlreichen anderen Modellarchitekturen belegte der Ansatz vordere Plätze bei der Klassifikation beleidigender Sprache.
- 12.
Die Reliabilität der CodiererInnen liegt mit 82 % gleichen Zuordnungen und einem Krippendorff’s Alpha von 0,65 den Orientierungswerten von Landis und Koch (1977) folgend im (unteren) Bereich guter Übereinstimmung. Computerlinguistische Studien haben große Schwierigkeiten bei der Annotation von Hassrede aufgrund unterschiedlicher subjektiver Wahrnehmungen der CodiererInnen festgestellt (vgl. Ross et al. 2017). Vor diesem Hintergrund können unsere Reliabilitätswerte ebenfalls als vergleichsweise gut angesehen werden.
- 13.
Der Klassifikator erreicht in einer 10-fold cross-validation einen F1-Wert von 67,0 % und eine Genauigkeit von 71,7 %. Schwierigkeiten hat der Ansatz insbesondere bei zynischen und sarkastischen Kommentaren, welche nur durch wenige sprachliche Hinweise als solche erkennbar sind, oder wenn ein Redebeitrag gegnerische Positionen zunächst ausführlich zitiert, um sie dann knapp zu attackieren.
- 14.
Die Zählung fälschlich als HR bzw. GR klassifizierter Kommentare in der letztendlichen Kommentarauswahl der Feinanalyse ergibt einen Anteil von ca. 15 % False Positives.
- 15.
Der Dice-Koeffizient bestimmt den Anteil des gemeinsamen Auftretens zweier Ereignisse gegenüber der Summe ihres jeweiligen Einzelauftretens und erzeugt so ein zwischen 0 und 1 skaliertes Maß.
- 16.
Die mit vorangestelltem K bezeichneten fortlaufenden Nummern referenzieren Kommentare in unserem Auswahlkorpus.
- 17.
Mit * markierte Begriffe und Wortgruppen verweisen hier und im Folgenden auf weitere Topics, in denen diese vorrangig enthalten sind. Weitere Feinanalysen der mit diesen Topics verbundenen Themenverschränkungen könnten mit einer Teilkorpusauswahl analog zum Vorgehen in Abschn. 5.3.6 vorgenommen werden.
- 18.
Unsere Strukturanalyse hat mehrere separate Topics mit Bezug zu Migration identifiziert, die hier jedoch nicht Gegenstand der Untersuchung sind.
- 19.
Es ist zu beachten, dass aus dieser Beobachtung eine politische Einordnung einzelner HR-Innen nicht generell abgeleitet werden kann.
Literatur
Ben-David, A./Matamoros-Fernandez, A. (2016): Hate Speech and Covert Discrimination on Social Media: Monitoring the Facebook Pages of Extreme-Right Political Parties in Spain. In: International Journal of Communication 10, S. 1167–1193.
Berecz, T./Devinat, C. (2016): Relevance of Cyber Hate in Europe and Current Topics that Shape Online Hate Speech. Amsterdam: International Network Against Cyber Hate (INACH) (http://test.inachbase.net/wp-content/uploads/FV-Relevance_of_Cyber_Hate_in_Europe_and_Current_Topics_that_Shape_Online_Hate_Speech.pdf) [letzter Zugriff: 23.01.2020].
BR24 (2018): Waren die Nazis links? In: Bayerischer Rundfunk, #faktenfuchs (https://www.br.de/nachricht/faktencheck/waren-die-nazis-links-100.html) [letzter Zugriff: 21.08.2019].
Burke, S./Goodman, S. (2012): ‚Bring back Hitler’s gas chambers‘: Asylum seeking, Nazis and Facebook – a discursive analysis. Discourse & Society 23 (1), S. 19–33.
Chadwick, A. (2013): The hybrid media system. Politics and power. New York (NY): Oxford University Press (Oxford studies in digital politics).
Decker, O./Kiess, J./Brähler, E. (Hg.) (2016): Die enthemmte Mitte. Autoritäre und rechtsextreme Einstellung in Deutschland. Gießen: Psychosozial-Verlag (Forschung Psychosozial).
ECRI (2016): Über die Bekämpfung von Hassrede. Straßburg: Europäische Kommission gegen Rassismus und Intoleranz – Europarat (Allgemeine Politik-Empfehlung; 15) (https://rm.coe.int/ecri-general-policy-recommendation-no-15-on-combating-hate-speech-germ/16808b5b00) [letzter Zugriff: 23.01.2020].
Fortuna, P./Nunes, S. (2018): A Survey on Automatic Detection of Hate Speech in Text. In: ACM Computing Surveys 4, Art. 85.
Jacobs, T./Tschötschel, R. (2019): Topic models meet discourse analysis: a quantitative tool for a qualitative approach. In: International Journal of Social Research Methodology 22 (5), S. 469–485.
Jäger, M. (2019): Wie kritisch ist die Kritische Diskursanalyse? In: Wiedemann, T./Lohmeier, C. (Hg.): Diskursanalyse für die Kommunikationswissenschaft. Theorien, Vorgehen, Erweiterungen. Wiesbaden: Springer, S. 61–82.
Jäger, S. (2004): Kritische Diskursanalyse. Eine Einführung. 4. Aufl. Münster: Unrast.
Jaques, C./Islar, M./Lord, G. (2019): Post-Truth: Hegemony on Social Media and Implications for Sustainability Communication. Sustainability 11 (7), Art. 2120.
Jarren, O./Klinger, U. (2017): Öffentlichkeit und Medien im digitalen Zeitalter: zwischen Differenzierung und Neu-Institutionalisierung. In: Gapski, H./Oberle, M./Staufer, W. (Hg.): Medienkompetenz. Herausforderung für Politik, politische Bildung und Medienbildung. Bonn: Bundeszentrale für politische Bildung (BPB-Schriftenreihe; 10111), S. 33–42 (https://www.bpb.de/system/files/dokument_pdf/1_1_Jarren_Oeffentlichkeit_und_Medien_ba_0.pdf) [letzter Zugriff: 21.08.2019].
Kreißel, P. et al. (2018): Hass auf Knopfdruck. Rechtsextreme Trollfabriken und das Ökosystem koordinierter Hasskampagnen im Netz. London: Institute for Strategic Dialogue. (https://www.isdglobal.org/wp-content/uploads/2018/07/ISD_Ich_Bin_Hier_2.pdf) [letzter Zugriff: 23.01.2020].
Landis, J. R./Koch, G. G. (1977): The Measurement of Observer Agreement for Categorical Data. In: Biometrics 33 (1), S. 159–174.
Lewis, S. C./Zamith, R./Hermida, A. (2013): Content Analysis in an Era of Big Data: A Hybrid Approach to Computational and Manual Methods. In: Journal of Broadcasting & Electronic Media 57 (1), S. 34–52.
Machill, M./Beiler, M./Krüger, U. (2014): Das neue Gesicht der Öffentlichkeit. Wie Facebook und andere soziale Netzwerke die Meinungsbildung verändern. Düsseldorf: Landesanstalt für Medien Nordrhein-Westfalen (LfM-Materialien; 31) (https://publikationen.medienanstalt-nrw.de/modules/pdf_download.php?products_id=343) [letzter Zugriff: 23.01.2020].
Maier, D. et al. (2018): Applying LDA Topic Modeling in Communication Research. Toward a Valid and Reliable Methodology. In: Communication Methods and Measures 12 (2–3), S. 93–118.
Mathew, B. et al. (2019): Thou Shalt Not Hate: Countering Online Hate Speech. In: Proceedings of the International AAAI Conference on Web and Social Media, S. 369–380.
Meisner, M. (2018): Wie Maaßen und Kretschmer Hass und Hetze relativieren. In: Der Tagesspiegel (https://www.tagesspiegel.de/politik/chemnitz-wie-maassen-und-kretschmer-hass-und-hetze-relativieren/23008364.html) [letzter Zugriff: 23.01.2020].
Merrill, S./Åkerlund, M. (2018): Standing Up for Sweden? The Racist Discourses, Architectures and Affordances of an Anti-Immigration Facebook Group. In: Journal of Computer-Mediated Communication 23 (6), S. 332–353.
Möllers, T. (2019): „Reichlich daneben“. CDU setzt DDR mit Nazi-Regime gleich – Sachsens Linke sauer. In: Frankfurter Rundschau (https://www.fr.de/politik/landtagswahl-sachsen-cdu-setzt-ddr-nazi-regime-gleich-linke-sauer-12844837.html) [letzter Zugriff: 25.01.2020].
Oz, M./Zheng, P./Chen, G. M. (2018): Twitter versus Facebook. Comparing incivility, impoliteness, and deliberative attributes. In: New Media & Society 9, S. 3400–3419.
Ross, B. et al. (2017): Measuring the Reliability of Hate Speech Annotations: The Case of the European Refugee Crisis. In: Beißwenger, M./Wojatzki, M./Zesch, T. (Hg.): NLP4CMC III. 3rd Workshop on Natural Language Processing for Computer-Mediated Communication. Bochum: Sprachwissenschaftliches Institut Ruhr-Universität Bochum (Bochumer Linguistische Arbeitsberichte; 17), S. 6–9.
Roth, Philipp (2019): Offizielle Facebook Nutzerzahlen für Deutschland (Stand: März 2019). In: AllFacebook.de (https://allfacebook.de/zahlen_fakten/offiziell-facebook-nutzerzahlen-deutschland) [letzter Zugriff: 21.08.2019].
Santana, A. D. (2016): Controlling the Conversation. The availability of commenting forums in online newspapers. Journalism Studies 17 (2), S. 141–158.
Scholz, R. (Hg.) (2019): Quantifying Approaches to Discourse for Social Scientists. Cham: Springer (Postdisciplinary Studies in Discourse).
Stier, S. et al. (2017): When populists become popular: comparing Facebook use by the right-wing movement Pegida and German political parties. In: Information, Communication & Society 20 (9), S. 1365–1388.
Sievert, C./Shirley, K. E. (2014): LDAvis: A method for visualizing and interpreting topics. In: Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces. Stroudsburg (PA): ACL, S. 63–70.
Su, L. Y.-F. et al. (2018): Uncivil and personal? Comparing patterns of incivility in comments on the Facebook pages of news outlets. In: New Media & Society 10, S. 3678–3699.
Welbers, K./Opgenhaffen, M. (2019): Presenting News on Social Media. Media logic in the communication style of newspapers on Facebook. In: Digital Journalism 7 (1), S. 45–62.
Wiedemann, G. (2016): Text Mining for Qualitative Data Analysis in the Social Sciences. A Study on Democratic Discourse in Germany. Wiesbaden: Springer (Kritische Studien zur Demokratie).
Wiedemann, G. (2019): Proportional Classification Revisited. Automatic Content Analysis of Political Manifestos Using Active Learning. Social Science Computer Review 37 (2), S. 135–159.
Wiedemann, G. et al. (2018): Transfer Learning from LDA to BiLSTM-CNN for Offensive Language Detection in Twitter. In: Ruppenhofer, J./Siegel, M./Wiegand, M. (Hg.): Proceedings of the GermEval 2018 Workshop. 14th Conference on Natural Language Processing. KONVENS. Wien: Austrian Academy of Sciences, S. 85–94.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Fedtke, C., Wiedemann, G. (2020). Hass- und Gegenrede in der Kommentierung massenmedialer Berichterstattung. In: Breidenbach, S., Klimczak, P., Petersen, C. (eds) Soziale Medien. ars digitalis. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-30702-8_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-30702-8_5
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-30701-1
Online ISBN: 978-3-658-30702-8
eBook Packages: Computer Science and Engineering (German Language)