nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

10. Social-Media-Analyse in der Forschung

verfasst von : Melpomeni Alexa, Melanie Siegel

Erschienen in: Tools für Social Listening und Sentiment-Analyse

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

In diesem Kapitel stellen wir den Stand der Forschung in der Analyse von Social-Media-Daten dar. Es dauert oft eine ganze Zeit, bis Forschungsergebnisse in Produkte einfließen. Daher ist ein Blick auf die Forschung immer auch ein Blick in die Zukunft der Werkzeuge.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Wettbewerber beobachten und von der Konkurrenz lernen

Nächstes Kapitel Die Perspektive der Anbieter von Social Listening Tools

Twitter wurde 2006 gegründet, Facebook 2004 und Amazon 1994.

developer.twitter.com/en/docs/twitter-api (Zugegriffen: 1. Dez. 2020).

s3.amazonaws.com/amazon-reviews-pds/readme.html (Zugegriffen 1. Dez. 2020).

dt.: Alles in allem unterstreichen diese Ergebnisse, dass das Problem der Erkennung offensiver Sprache noch lange nicht gelöst ist. Es legt auch nahe, dass eine gründliche Fehleranalyse erforderlich ist. Nur so können wir lernen, welche systematischen Fehler selbst die leistungsfähigsten Systeme machen und hoffentlich Ideen bekommen, wie neue Methoden entwickelt werden können die auch diese Art von Phänomenen lösen. (eigene Übersetzung).

dt.: Bei Fake News handelt es sich um einen Nachrichtenartikel, der bewusst und nachweisbar falsch ist und Leser irreführen könnte.

https://www.zdf.de/nachrichten/politik/angriffe-fluechtlinge-unterkuenfte-100.html und https://de.statista.com/statistik/daten/studie/679586/umfrage/angriffe-auf-fluechtlinge-und-fluechtlingsunterkuenfte-in-deutschland/ (Zugegriffen: 28. Dez. 2020).

https://www.nytimes.com/2016/12/05/business/media/comet-ping-pong-pizza-shooting-fake-news-consequences.html (Zugegriffen: 28. Dez. 2020).

https://www.wired.com/story/how-whatsapp-fuels-fake-news-and-violence-in-india (Zugegriffen: 28. Dez. 2020).

www.mimikama.at

www.der-postillon.com

Banerjee, S., Chua, A. Y. K., & Kim, J.-J. (2015). Using supervised learning to classify authentic and fake online reviews. In D. S. Kim, S.-w. Kim, S.-H. Lee, L. Hanzo, & R. Ismail (Hrsg.), Proceedings of the 9th International Conference on Ubiquitous Information Management and Communication (S. 1–7). ACM. https://doi.org/10.1145/2701126.2701130.

Beißwenger, M., Bartsch, S., Evert, S., & Würzner, K.-M. (2016). EmpiriST 2015: A shared task on the automatic linguistic annotation of computer-mediated communication and web corpora. In Proceedings of the 10th Web as Corpus Workshop (S. 44–56). Association for Computational Linguistics. https://doi.org/10.18653/v1/W16-2606.

Brants, S., Dipper, S., Eisenberg, P., Hansen-Schirra, S., König, E., Lezius, W., Rohrer, C., Smith, G., & Uszkoreit, H. (2004). TIGER: Linguistic interpretation of a German corpus. Research on Language and Computation, 2(4), 597–620. https://doi.org/10.1007/s11168-004-7431-3.CrossRef

Chen, X., Sun, C., Wang, J., Li, S., Si, L., Zhang, M., & Zhou, G. (2020). Aspect sentiment classification with document-level sentiment preference modeling. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 3667–3677). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.338.

Chen, Z., & Qian, T. (2020). Relation-aware collaborative learning for unified aspect-based sentiment analysis. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 3685–3694). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.340.

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. https://arxiv.org/pdf/1810.04805. Zugegriffen: 11. Okt. 2018.

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Bd 1, Long and Short Papers) (S. 4171–4186). Association for Computational Linguistics. https://doi.org/10.18653/v1/N19-1423.

Du, C., Sun, H., Wang, J., Qi, Q., & Liao, J. (2020). Adversarial and domain-aware BERT for cross-domain sentiment analysis. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 4019–4028). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.370.

Ghosal, D., Hazarika, D., Roy, A., Majumder, N., Mihalcea, R., & Poria, S. (2020). KinGDOM: Knowledge-guided DOMain adaptation for sentiment analysis. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 3198–3210). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.292.

Hooi, B., Shah, N., Beutel, A., Gunnemann, S., Akoglu, L., Kumar, M., Makhija, D., & Faloutsos, C. (2015). BIRDNEST: Bayesian inference for ratings-fraud detection. https://arxiv.org/pdf/1511.06030. Zugegriffen: 19. Nov. 2015.

Horne, B. D., & Adali, S. (2017). This just in: Fake news packs a lot in title, uses simpler, repetitive content in text body, more similar to satire than real news. https://arxiv.org/pdf/1703.09398. Zugegriffen: 28. März 2017.

Jindal, N., & Liu, B. (2008). Opinion spam and analysis. In M. Najork, A. Broder, & S. Chakrabarti (Hrsg.), International Conference on Web Search & Data Mining: Palo Alto, California, 11–12 February 2008 (S. 219). ACM. https://doi.org/10.1145/1341531.1341560.

Jurafsky, D., Chai, J., Schluter, N., & Tetreault, J. (Hrsg.) (2020). Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics. https://www.aclweb.org/anthology/2020.acl-main.0. Zugegriffen: 1. Sept. 2020.

Jwa, H., Oh, D., Park, K., Kang, J., & Lim, H. (2019). exBAKE: Automatic fake news detection model based on bidirectional encoder representations from transformers (BERT). Applied Sciences, 9(19), 4062. https://doi.org/10.3390/app9194062.CrossRef

Klebanov, B. B., Shutova, E., Lichtenstein, P., Muresan, S., Wee, C., Feldman, A., & Ghosh, D. (Hrsg.). (2020). Proceedings of the Second Workshop on Figurative Language Processing. Association for Computational Linguistics. https://www.aclweb.org/anthology/2020.figlang-1.0.

Li, H., Chen, Z., Mukherjee, A., Liu, & Shao, J. (2015). Analyzing and detecting opinion spam on a large-scale dataset via temporal and spatial patterns (S. 634–637). ICWSM – International AAAI Conference on Web and Social Media. https://www.aaai.org/ocs/index.php/ICWSM/ICWSM15/paper/view/10534/0.

Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies, 5(1), 1–167. https://doi.org/10.2200/S00416ED1V01Y201204HLT016.CrossRef

Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. https://arxiv.org/pdf/1310.4546. Zugegriffen: 17. Okt. 2013.

Mishra, P., Yannakoudakis, H., & Shutova, E. (2019). Tackling online abuse: A survey of automated abuse detection methods. https://arxiv.org/pdf/1908.06024. Zugegriffen: 13. Aug. 2019.

März, L., Trautmann, D., & Roth, B. (2019). Domain adaptation for part-of-speech tagging of noisy user-generated text. In Proceedings of the 2019 Conference (S. 3415–3420). https://doi.org/10.18653/v1/N19-1345.

Naderalvojoud, B., Qasemizadeh, B., & Kallmeyer, L. (2017). HU-HHU at GermEval-2017 sub-task B: Lexicon-based deep learning for contextual sentiment analysis. In Proceedings of the GermEval, Berlin (S. 18–21).

Oshikawa, R., Qian, J., & Wang, W. Y. (2018). A survey on natural language processing for fake news detection. In Proceedings of the 12th Language Resources and Evaluation Conference (LREC). https://arxiv.org/pdf/1811.00770

Ott, M., Choi, Y., Cardie, C., & Hancock, J. T. (2011). Finding deceptive opinion spam by any stretch of the imagination. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies (S. 309–319). Association for Computational Linguistics. https://www.aclweb.org/anthology/P11-1032

Phan, M. H., & Ogunbona, P. O. (2020). Modelling context and syntactical features for aspect-based sentiment analysis. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 3211–3220). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.293.

Risch, J., Ruff, R., & Krestel, R. (2020). Explaining offensive language detection. JLCL, 34(1), 29–47. https://jlcl.org/content/2-allissues/1-heft1-2020/jlcl_2020-1_2.pdf. Zugegriffen: 29. Dez. 2020.

Ruppendorfer, J., Siegel, M., & Wiegand, M. (2018). Proceedings of the GermEval 2018 Workshop. https://epub.oeaw.ac.at/8435-5inhalt?frames=yes. Zugegriffen: 17. Dez. 2020.

Sandulescu, V., & Ester, M. (2015). Detecting singleton review spammers using semantic similarity. In A. Gangemi, S. Leonardi, & A. Panconesi (Hrsg.), WWW'15 companion: Proceedings of the 24th International Conference on World Wide Web: 18–22 May, 2015, Florence, Italy (S. 971–976). ACM. https://doi.org/10.1145/2740908.2742570.

Shojaee, S., Azman, A., Murad, M., Sharef, N., & Sulaiman, N. (2015). A framework for fake review annotation. In D. Al-Dabass (Hrsg.), UKSim-AMSS 17th International Conference on Computer Modelling and Simulation: UKSim 2015: Proceedings: 25–27 March 2015, Cambridge, UK (S. 153–158). IEEE.

Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake news detection on social media: A data mining perspective. https://arxiv.org/pdf/1708.01967. Zugegriffen: 7. Aug. 2017.

Siegel, M. (2016). Opinion Spam – Meinungsäußerungen als Fake. Information – Wissenschaft & Praxis, 67(5–6), 304–310. https://doi.org/10.1515/iwp-2016-0058.

Siegel, M. & Alexa, M. (2020). Sentiment-Analyse deutschsprachiger Meinungsäußerungen: Grundlagen, Methoden und praktische Umsetzung (1. Aufl.). Springer Vieweg.

Soleimani, A., Monz, C., & Worring, M. (2020). BERT for evidence retrieval and claim verification. In Birukou & Jose (Hrsg.), Lecture Notes in Computer Science. Advances in Information Retrieval (Bd. 12036, S. 359–366). Springer International Publishing. https://doi.org/10.1007/978-3-030-45442-5_45.

Struß, J. M., Siegel, M., Ruppenhofer, J., Wiegand, M., & Klenner, M. (2019). Overview of GermEval Task 2, 2019 Shared Task on the Identification of Offensive Language. https://doi.org/10.5167/UZH-178687.

Tang, H., Ji, D., Li, C., & Zhou, Q. (2020). Dependency graph enhanced dual-transformer structure for aspect-based sentiment classification. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 6578–6588). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.588.

Vogel, I., & Jiang, P. (2019). Fake news detection with the new german dataset „GermanFakeNC“. In A. Doucet, A. Isaac, & K. Golub (Hrsg.), Information Systems and Applications, incl. Internet/Web, and HCI. Digital Libraries for Open Knowledge: 23rd International Conference on Theory and Practice of Digital Libraries, TPDL 2019, Oslo, Norway, 9–12 September, 2019, Proceedings (1. Aufl., Bd. 11799, S. 288–295). https://doi.org/10.1007/978-3-030-30760-8_25.

Wahlster, W. (2000). Verbmobil: Foundations of speech-to-speech translation. Artificial Intelligence. Springer. https://doi.org/10.1007/978-3-662-04230-4.

Wang, G., Xie, S., Liu, B., & Yu, P. S. (2012). Identify online store review spammers via social review graph. ACM Transactions on Intelligent Systems and Technology, 3(4), 1–21. https://doi.org/10.1145/2337542.2337546.CrossRef

Wang, K., Shen, W., Yang, Y., Quan, X., & Wang, R. (2020). Relational graph attention network for aspect-based sentiment analysis. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (S. 3229–3238). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.295.

Wojatzki, M., Ruppert, E., Zesch, T., & Biemann, C. (2017). Proceedings of the GermEval 2017 – Shared task on aspect-based sentiment in social media customer feedback. https://doi.org/10.17185/DUEPUBLICO/46421.

Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le V, Q. (2020). XLNet: Generalized autoregressive pretraining for language understanding. https://arxiv.org/pdf/1906.08237. Zugegriffen: 7. Jan. 2020.

Ye, J., Kumar, S., & Akoglu, L. (2016). Temporal opinion spam detection by multivariate indicative signals. http://arxiv.org/pdf/1603.01929v1. Zugegriffen: 7. März 2016.

Zhou, X., & Zafarani, R. (2020). A survey of fake news: Fundamental theories, detection methods, and opportunities. ACM Computing Surveys, 53(5), 1–40. https://doi.org/10.1145/3395046.CrossRef

Titel: Social-Media-Analyse in der Forschung
verfasst von: Melpomeni Alexa
Melanie Siegel
Verlag: Springer Fachmedien Wiesbaden
Buch: Tools für Social Listening und Sentiment-Analyse
Print ISBN: 978-3-658-33467-3

Electronic ISBN: 978-3-658-33468-0

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-658-33468-0_10

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"