Direkt zum Hauptbereich

#Fraccidents



Analyse der Twittermeldungen zum Thema „Fracking“

In einem interdisziplinären Team am FoKoS von Informatikern, Politikwissenschaftlern und Ökonometrikern, das ich mit Jun. Prof. Marcin Grzegorzek  leite, untersuchen wir Twitter-Meldungen zum Thema Fracking.
Die Projektgruppe arbeitet daran, diese Tweets automatisch zu klassifizieren: Wer vertritt eine Pro-Fracking-Position, wer ist gegen Fracking? Wenn es gelingt einen Algorithmus zu entwickeln, der diese Frage automatisch beantworten kann, ließen sich daraus viele Erkenntnisse ableiten, die ansonsten verborgen blieben. Denn die Datenmenge übersteigt längst das, was ein Mensch lesen kann:  Jede Woche fallen ca. 100.000 Tweets an, die sich mit Fracking auseinandersetzen. Die meisten davon in den USA, aber auch zunehmend in Europa.
Interessanterweise lässt sich die Einstellung der Twitter-User nicht über herkömmliche Textanalyseverfahren (Text-Mining und Sentiment-Analyse) ermitteln. Mehr dazu hier.  Denn dieser Ansatz bewertet in erster Linie, wie viele positive und negative Wörter verwendet werden.  Wenn aber z. B. über eine erfolgreiche Anti-Fracking-Aktion berichtet wird, kann dies mit sehr positiven Formulierungen geschehen.
Die Projektgruppe setzt daher inzwischen darauf, die Twitter-Meldungen anhand von so genannten Metadaten zu analysieren: Offenbar unterscheiden sich Fracking-Befürworter und Fracking-Gegner darin, wie viele Freunde sie bei Twitter haben, um welche Uhrzeit sie ihre Meldungen posten u.v.m.
Aus dem Projekt könnte sich auch ein direkter praktischer Nutzen ergeben: Fernziel ist es, über die Analyse von Twitter-Daten ein Frühwarnsystem zu entwickeln, das Fracking-Unfälle lokalisiert. Das klingt zwar nach Science-Fiction, funktioniert aber bei Erdbeben schon recht gut. Die Grafik zeigt in gelb die Gebiete, in denen Gasvorkommen sind, die mit Hilfe von Fracking gefördert werden können. Die grünen Flächen sind die Gebiete, in denen 2011 bereits aktiv gefrackt wurde. Lila Punkte sind offiziell gemeldete Pipelineunfälle aus dem Jahr 2011. Die roten Punkte zeigen inoffiziell gemeldete Umweltschäden in 2014 (www.skytruth.org).

Labels:

Kommentare

Kommentar veröffentlichen

Beliebte Posts aus diesem Blog

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...
19 Kommentare
Mehr anzeigen

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität di...
Mehr anzeigen

The Social Science One Facebook Cooperation: A Systemic Failure

This blogpost is a detailed background statement to this comment published in Nature at https://www.nature.com/articles/d41586-020-00828-5 . Fast-Read The following text argues that the Social Science One initiative that is celebrated by Facebook as success is an systemic failure. Privacy concerns are instrumentalized to withhold data from independent researchers while similar data is still available to private companies. The hurdles for researchers at Social Science One are set in a way that it is nearly impossible to study the effect of social media on elections and democracy. This fits to the strategic interest of Facebook to play cooperative but to control the outcomes of research. Social Science One is structured in a way that it is easy for Facebook to instrumentalize this organization. We end with policy recommendations. An appendix shows that the dataset delivered by Facebook is more or less useless. Background Facebook has announced the release of a dataset that is shar...
Mehr anzeigen