Der „Computational Turn“: ein „interdisziplinärer Turn“? Ein systematischer Überblick zur Nutzung der automatisierten Inhaltsanalyse in der Journalismusforschung

Abstract

Themen journalistischer Berichterstattung durch maschinelles Lernen identifizieren oder Nachrichtendiffusion automatisiert messen: Die Anwendungsmöglichkeiten der automatisierten Inhaltsanalyse in der Journalismusforschung scheinen vielfältig. Aber wie wird die computerbasierte Methode bisher eingesetzt - und welche Konsequenzen hat der „Computational Turn“ der Kommunikationswissenschaft, besonders im Hinblick auf Interdisziplinarität? Dieser Beitrag fasst auf Basis eines systematischen Literaturüberblicks zusammen, wie die automatisierte Inhaltsanalyse im Forschungsfeld der Journalismusforschung genutzt wird. Dabei zeigt sich, dass die zunehmende Nutzung der Methode ein Indikator für methodische Interdisziplinarität in der ohnehin interdisziplinären Kommunikationswissenschaft ist. Gleichzeitig finden sich kaum Hinweise auf eine Zunahme theoretischer Interdisziplinarität, z. B. Rückgriffe auf fachfremde Theorien. Auch im Hinblick auf praktische Interdisziplinarität, z. B. Kooperationen mit anderen Disziplinen, wird unser Fach keineswegs interdisziplinärer. Vielmehr findet eine Verschiebung zugunsten technischer Disziplinen statt. Der „Computational Turn“ der Kommunikationswissenschaft ist daher zumindest bisher nur teils als „interdisziplinärer Turn“ zu verstehen.

Computational methods for the analysis of climate change communication: Towards an integrative and reflexive approach

“…Currently, most theories are explored and evaluated based on analyses of textual communication, especially from printed newspapers (Comfort & Park, 2018; Schäfer & Schlichting, 2014) which serve as proxies for news coverage in general or from Twitter which serves as a proxy for social media communication in general (Pearce et al, 2019). While such narrow foci are not limited to climate change communication (see critically Hase et al, 2022; Jünger et al, 2022), they are particularly problematic in this context since they increase the existing lack of knowledge on whether theories on climate change communication are generalizable . This includes testing existing theories for visual communication (Thorsen & Astrupgaard, 2021) or platforms other than Twitter (Pearce et al, 2019) as understudied but theoretically important populations of interest.…”

“…The temporal and spatial granularity of “big data” allows us to understand phenomena on a larger scale and through comparative, cross‐national, cross‐sectoral, longitudinal perspectives—that is, to make data big. For example, we can compare discussions about climate change across countries and beyond Anglophone contexts via machine translation (Hase et al, 2022; Reber, 2019). Pianta and Sisco (2020), for instance, analyze the salience of climate change in global news in 22 different languages; others use multilanguage approaches to study event‐centeredness in global news coverage (Wozniak et al, 2021).…”

“…Third, scholars in CSS have pushed for “data‐driven science that radically modifies the existing scientific method by blending aspects of abduction, induction, and deduction” (Kitchin, 2014, p. 10). Approaches such as machine learning can facilitate more inductive approaches (Grimmer et al, 2021) frequently proposed by qualitative scholars, especially since researchers often employ NLP approaches to explore data via mixed methods (Hase et al, 2022). Grounded theory approaches (Nelson, 2020), for example, can provide an explicit bridge for combining qualitative, quantitative, and computational methods within these more inductive approaches, something also proposed for understanding climate change (Ford et al, 2016).…”

“…This weakness of (re‐)introducing empiricist epistemologies may perpetuate existing theoretical issues, including a narrow focus on few, selected theories like framing (Agin & Karlsson, 2021). NLP approaches are often used to detect topics or “frames” (Hase et al, 2022)—something that extends to research on climate change communication, as Grundmann (2021) critically reflects. As it is unclear whether NLP approaches measure “frames” in their theoretical sense (Schäfer & O'Neill, 2017), this is highly problematic (Grundmann, 2021).…”

Adapting to Affordances and Audiences? A Cross-Platform, Multi-Modal Analysis of the Platformization of News on Facebook, Instagram, TikTok, and Twitter

“…Moreover, we underline the need to decenter Facebook as the primary lens of analysis. Methodologically, we illustrate the value of computational methods for journalism studies (Hase, Mahl, and Sch€ afer 2022) which, in combination with manual approaches, empower cross-platform perspectives.…”