Zusammenfassung
Bestehen in Daten Lücken oder sprechen ethische Prinzipien gegen die Verwendung bestehender Daten, bieten sich für verschiedene Anwendungsfälle der Computational Communication Science (CCS) Verfahren zur künstlichen Generierung von Daten an. Diese Verfahren erlauben das Simulieren fehlender Werte (Monte-Carlo-Simulationen, 7.3), zusätzlicher Stichproben (Bootstrapping, 7.4) oder sozialer Zusammenhänge (Agentenbasierte Modellierung, 7.5). Dabei stellen sich sowohl rechtliche (7.1) als auch ethische (7.2) Grundsatzfragen, nicht zuletzt zum damit einhergehenden Ressourcenverbrauch der CCS.
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.
Nicht zuletzt aufgrund dieser Kombination aus Zufall und solider statistischer Basis ist die MC-Simulation mit Monte Carlo nach jener Stadt benannt, die vor allem durch ihre hohe Dichte an Casinos bekannt ist.
- 2.
Ein Beispiel dafür sind lineare Kongruenzgeneratoren, die, von einer Startgröße ausgehend, mit der vorherigen Pseudozufallszahl multiplizieren und mit vorab festgelegten Parametern addieren und dividieren, um schließlich den Rest einer ganzzahligen Division als Zufallsergebnis auszugeben. Startet man also beispielsweise mit 4, addiert 97 und dividiert durch 7, so erhält man als erste Zufallszahl 1 × 4 + 97 mod 7 = 3, als zweite Zufallszahl 2 × 3 + 97 mod 7 = 5, als dritte Zufallszahl 3 × 5 + 97 mod 7 = 0, als vierte Zufallszahl 4 × 0 + 97 mod 7 = 6 und so fort.
Literatur
Geiß, S. (2021). Statistical power in content analysis designs. How effect size, sample size and coding accuracy jointly affect hypothesis testing – a Monte Carlo simulation approach. Computational Communication Research, 3(1), Art. 1.
Geschke, D., Lorenz, J., & Holtz, P. (2019). The triple-filter bubble: Using agent-based modelling to test a meta-theoretical framework for the emergence of filter bubbles and echo chambers. The British Journal of Social Psychology, 58(1), 129–149. https://doi.org/10.1111/bjso.12286
Kauermann, G., & Küchenhoff, H. (2011). Stichproben: Methoden und praktische Umsetzung mit R. Springer.
Rand, W., & Rust, R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of Research in Marketing, 28(3), 181–193. https://doi.org/10.1016/j.ijresmar.2011.04.002
Waldherr, A. (2014). Emergence of news waves: A social simulation approach. Journal of Communication, 64(5), 852–873. https://doi.org/10.1111/jcom.12117
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Haim, M. (2023). Eigene Daten generieren. In: Computational Communication Science. Studienbücher zur Kommunikations- und Medienwissenschaft. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-40171-9_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-40171-9_7
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-40170-2
Online ISBN: 978-3-658-40171-9
eBook Packages: Social Science and Law (German Language)