IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien
PAYBACK Punkte
0 °P sammeln!
Die Dissertation befasst sich mit der Fragestellung, wie Daten aus sozialen Medien erhoben, vorverarbeitet und vorbereitet werden müssen, um diese zum Trainieren von maschinellen Lernmodellen zu nutzen und somit Empörungswellen frühzeitig zu erkennen. Empörungswellen (ugs. Shitstorms) stellen Situationen dar, die im Unternehmenskontext Krisen auslösen können, bei denen spontan, aber zeitlich begrenzt eine überdurchschnittlich hohe Anzahl negativer, medialer Beiträge gegenüber einem Betroffenen verfasst werden. Für das Vorhaben werden Twitterdaten vergangener Empörungswellen erhoben ...
Die Dissertation befasst sich mit der Fragestellung, wie Daten aus sozialen Medien erhoben, vorverarbeitet und vorbereitet werden müssen, um diese zum Trainieren von maschinellen Lernmodellen zu nutzen und somit Empörungswellen frühzeitig zu erkennen. Empörungswellen (ugs. Shitstorms) stellen Situationen dar, die im Unternehmenskontext Krisen auslösen können, bei denen spontan, aber zeitlich begrenzt eine überdurchschnittlich hohe Anzahl negativer, medialer Beiträge gegenüber einem Betroffenen verfasst werden. Für das Vorhaben werden Twitterdaten vergangener Empörungswellen erhoben und hieraus Empörungswellenmerkmale für das Training maschineller Lernmodelle abgeleitet. Die Modelle werden anschließend in einem Softwareartefakt genutzt, um einerseits Empörungswellen IT gestützt zu erkennen und involvierte Unternehmen sowie Agenturen zu warnen und um andererseits die zugrunde liegenden Daten für Experten sozialer Medien inhaltlich interpretierbar aufzubereiten. Schlussendlich werden Experteninterviews zur Eignung und zum Nutzen des Artefakts durchgeführt und Designprinzipien für das Erkennen von und Warnen vor Empörungswellen sowie zum Aufbereiten der zugrunde liegenden Daten abgeleitet, um die Ergebnisse für soziale Medien, die auf Beiträgen in Textform basieren, zu verallgemeinern
Andere Kunden interessierten sich für
