„Künstliche Neuronale Netze“ als Forschungstool in SPSS ... file2 Abstract Unter dem Aspekt der...

Bakkalaureatsarbeit

„Künstliche Neuronale Netze“ als Forschungstool in SPSS und(?)

Forschungsobjekt der Kommunikationswissenschaft

Eine Online-Befragung von empirisch arbeitenden

Kommunikationsforschern der DACH-Region

Bakkalaureatsseminar 2 - SS19

Priv. Doz. Dr. Stefan Weber

Name: Janis Oberkalmsteiner Giovanett

Matrikelnummer: 01517990 Abgabedatum: 25.07.2019

2

Abstract

Unter dem Aspekt der steigenden Verfügbarkeit von Künstlichen Neuronalen Netzen (KNN), zielt die hier Vorliegende Bakkalaureatsarbeit zuerst darauf ab, den Zusammenhang zwischen

KNN und der Kommunikationswissenschaft darzulegen. Motiviert von der limitierten Literatur, wurden im speziellen zwei Aspekte untersucht: Zum einen inwiefern kennen und nutzen

empirische arbeitende Kommunikationsforscher der DACH-Region das SPSS-Erweiterungstool „Neurale Netze“ und zum anderen inwiefern sehen diese KNN als ein

Forschungsobjekt der Kommunikationswissenschaft? Um die Fragen zu beantworten wurde eine Online-Befragung unter empirisch arbeitenden Kommunikationsforschern der DACH-

Region durchgeführt.(n=67) KNN kommen zunehmend in verschiedensten Bereichen und Felder zum Einsatz, so lag die Annahme nahe, dass auch Kommunikationsforscher im

deutschsprachigen Raum sich dieser technologischen Möglichkeit bewusst sind und diese

auch effektiv nutzen. Doch wie die vorliegenden Ergebnisse zeigen ist dies nicht der Fall. Hinsichtlich der Frage, ob KNN ein Forschungsobjekt der Kommunikationswissenschaft sein

sollte, scheiden sich die Meinungen, wobei die Mehrheit der Befragten dazu tendiert KNN nicht als Forschungsobjekt anzuerkennen.

In light of the increasing access to artificial neural network (ANN), this bachelor thesis seeks

to examine the relationship between ANN and the field of Communication Science. Motivated by the limited literature, two aspects are examined in particular; to what extent do empirical

communication researchers working in the DACH-region know and use the SPSS extension tool "Neural Networks", and to what extent do they see ANN as a research object of

communication science? To answer these questions, an online survey was conducted among empirically working communication researchers from the DACH-region. (n=67) Due to the

common practice of ANN in recent years, the paper is built on the reasonable assumption that researchers in German-speaking countries are also aware of this technological possibility and

use it effectively. However, the result alludes to this assumption being incorrect. Concerning the question of whether ANN should be a research object in communication science, opinions

differ, with the majority of respondents tending not to recognize ANN as a research object.

3

Aus Gründen der Lesbarkeit wird teilweise auf die gleichzeitige Verwendung der männlichen

und weiblichen Sprachform verzichtet. Sofern nicht anders angegeben, gelten sämtliche

Personenbezeichnungen für beiderlei Geschlecht.

4

Diese Arbeit wurde unter der Leitung von Priv. Doz. Dr. Stefan Weber erarbeitet, welchem ich

an dieser Stelle für seine Unterstützung danken möchte. Außerdem danke ich allen

Teilnehmern, welche sich an der Befragung beteiligt haben und diese Arbeit erst ermöglicht haben.

5

Inhaltsverzeichnis

1.0 Einleitung .......................................................................................................................... 8

2.0 Forschungsinteresse ....................................................................................................... 9

3.0 Aufbau der Arbeit ............................................................................................................. 9

4.0 Begriffsdefinitonen ........................................................................................................ 10

4.1 Künstliche Intelligenz .................................................................................................... 10

4.2 Maschinelles Lernen .................................................................................................... 11

4.3 Künstliche Neuronale Netze ......................................................................................... 11

4.4 SPSS Erweiterungstool „Neurale Netze“ ...................................................................... 12

5.0 Forschungsstand – Künstliche Neuronale Netze ........................................................ 13

5.1 KKN in der Kommunikationswissenschaft .................................................................... 15

6.0 Forschungsfragen und Hypothesen ............................................................................. 17

7.0 Theoretischer Rahmen .................................................................................................. 17

7.1 Diffusionstheorie nach Rogers ..................................................................................... 18

7.2 Wissenschaftstheorie nach Kuhn ................................................................................. 21

7.2.1 KNN im Lichte der Wissenschaftstheorie nach Kuhn ............................................ 22

8.0 Forschungsdesign ......................................................................................................... 24

8.1 Methode ....................................................................................................................... 24

8.2 Grundgesamtheit .......................................................................................................... 25

8.3 Stichprobe .................................................................................................................... 25

8.4 Verwendete Software ................................................................................................... 25

8.5 Zeitliche Vorgehensweise ............................................................................................ 26

8.6 Variablen und Kategoriensystem ................................................................................. 26

8.6.1 Variablen ............................................................................................................... 26

8.6.2 Kategoriensystem .................................................................................................. 27

8.7 Aufbau des Online-Fragebogen ................................................................................... 28

9.0 Ergebnisse der quantitativen Online-Befragung ......................................................... 29

9.1 Rücklauf ....................................................................................................................... 29

6

9.2 Soziodemographische Daten ....................................................................................... 30

9.3 KNN als Forschungstool in der Kommunikationswissenschaft .................................... 30

9.3.1 Überprüfung der Hypothese 1.1 ............................................................................ 31 9.3.2 Überprüfung der Hypothese 1.2 ............................................................................ 32

9.4 KNN als Forschungsobjekt der Kommunikationswissenschaft .................................... 33 9.4.1 Überprüfung der Hypothese 2.1 ............................................................................ 34

10.0 Beantwortung der Forschungsfragen ........................................................................ 39

11.0 Limitation und Anregungen für weitere Forschung .................................................. 40

12.0 Conclusio und Ausblick .............................................................................................. 41

13.0 Literaturverzeichnis ..................................................................................................... 43

13.1 Wissenschaftliche Quellen ......................................................................................... 43

13.2 Massenmediale und journalistische Quellen .............................................................. 45

14.0 Anhang .......................................................................................................................... 47

14.1 Eidesstattliche Erklärung ............................................................................................ 47

14.2 E-Mail Anschreiben .................................................................................................... 48

14.2.1 E-Mail Reminder ...................................................................................................... 49

14.3 Fragebogen ................................................................................................................ 50

14.4 Alle Antworten zu den offenen Fragen ....................................................................... 55 14.4.1 Statistik Programm Alternativen zu SPSS ........................................................... 55

14.4.2 Einsatz des SPSS Erweiterungstools ”Neuronale Netze“ in der Praxis .............. 55 14.4.3 KNN ein Forschungsobjekt der Kommunikationswissenschaft? ......................... 56

7

Abbildungsverzeichnis

Abb. 1. Sehr vereinfachte Darstellung eines KNN……………………………….………14

Abb. 2. Systematisierung ausgewählter KNN-Paradigmen……………………………..23

Abb. 3. Akademische Karrierestufe der Befragungsteilnehmer………………………...30

Abb. 4. Kenntnisse des SPSS Erweiterungstool „Neuronale Netz“ unter befragten Kommunikationsforschern……………………………………………..32

Abb. 5. Selbsteinschätzung der KNN Kenntnisse………………………………….…….33

Abb. 6. KNN ein Forschungsobjekt der Kommunikationswissenschaft?………………35

Abb. 7. KNN ein Forschungsobjekt der Kommunikationswissenschaft? + Selbsteinschätzung der KNN Kenntnisse…………………………….………..35

Abkürzungsverzeichnis

KI = Künstliche Intelligenz

AI = Artificial Intelligenz

DL = Deep Learning ML = Maschinelles Lernen

KNN = Künstliche Neuronale Netze ANN = Artificial neural network

[MED] = Massenmediale und journalistische Quelle FF = Forschungsfrage

H = Hypothese Abb. = Abbildung

8

1.0 Einleitung

Wenn im Jahr 2019 von Innovation gesprochen wird, so kommt man kaum um den Begriff

Künstliche Intelligenz (KI) herum. Viele Technologien, die unsere Märkte in den letzten Jahren erobert haben (beziehungsweise voraussichtlich noch werden), basieren auf KI. Ob Digitale

Sprachassistenten, Chatbots oder selbstfahrende Autos, KI macht’s möglich. Die Einsatzgebiete von KI scheinen endlos zu sein. Ob in Forschung, Marketing, Finanzwesen

oder Vertrieb, eine Vielzahl von Unternehmensbereichen kann durch KI optimiert werden. KI zur Prognose, zur Analyse von Big Data, Mustererkennung, Klassifizierung. KI überzeugt

oftmals dort wo der Mensch schwächen zeigt.

Im Jahr 2013 arbeitete nur jedes fünfzigste Start-Up mit KI-Technologie. Im Jahr 2018 nützt bereits jedes zwölfte Start-Up KI-Technologie.1 Wobei: Nur bei etwa 60 Prozent dieser

Unternehmen ist KI Technologie auch ein wesentlicher Teil des Produktes/Services. Viele

Unternehmen wollen vom ”KI-Hype“ profitieren. Im Interview mit Forbes, erklärte David Kelnar, Leiter der MMC Venture – KI Studie, dass Start-Ups welche als KI Unternehmen eingestuft

werden 15-50% Prozent mehr Geld in Finanzierungsrunden bekommen.2 Die Wirtschaft sieht großes Potential, es geht um viel Geld. Wo viel Geld im Spiel ist, wird viel investiert und

deshalb entwickelt sich die KI Technologie derzeit auch so rasant weiter.

Wir leben in einer komplexen und vernetzen Gesellschaft, die technologische Veränderung ist mittlerweile eine Konstante unserer Zeit geworden. Die Brücke zwischen Mensch und Technik

ist wohl die Zukunft unseres Zeitalters. Und hierbei spielt KI eine wesentliche Rolle, denn das größte Potential von KI wird in der Interaktion von Mensch und Maschine gesehen.3

Künstliche Neuronale Netze (KNN) ermöglichen es Maschinen zu lernen und bilden somit (unter anderem) überhaupt erst die Grundlage für KI.4 Im Vorfeld zu dieser Forschungsarbeit

hat sich der Forschende die Frage gestellt, inwiefern die Kommunikationswissenschaft von KI, im speziellen von KNN beeinflusst wird. Technologien, welche auf KNN basieren beeinflussen

das Feld der Kommunikationswissenschaft in vielerlei Hinsichten, diese Arbeit jedoch, bricht die Einflüsse auf zwei Aspekte herunter: KNN als Forschungstool in SPSS und(?)

Forschungsobjekt der Kommunikationswissenschaft.

1 Vgl. MMC Ventures, 2019 S: 97 2 Vgl. Olson, 2019 [MED] 3 Vgl. Greuner, 2019 [MED] 4 Vgl. Sudmann, 2018 S:10-12

9

2.0 Forschungsinteresse

Durch eine Online-Befragung unter Kommunikationsforschern der DACH-Region soll

herausgefunden werden, inwiefern diese das SPSS Erweiterungstool “Neuronale Netze“ in ihrem empirischen Forschungsprozess bereits verwenden und ob ihrer

Meinung nach KNN ein Forschungsobjekt der Kommunikationswissenschaft sein sollte.

3.0 Aufbau der Arbeit Zuerst werden Begriffe definiert auf deren Verständnis diese Arbeit aufbaut. (Kapitel 4.0)

Daraufhin wird im Forschungsstand genauer auf KNN eingegangen. (Kapitel 5.0) Der

Forschungsstand dient als theoretische Grundlage für diese Arbeit. In Kapitel fünf wird auch der bisheriger Forschungsstand zu KNN in Zusammenhang mit dem Forschungsfeld der

Kommunikationswissenschaft dargelegt. In Kapitel 6.0 werden Forschungsfragen und Hypothesen vorgestellt. Es folgt der theoretische Rahmen (Kapitel 7.0). In diesem Kapitel wird

die Diffusiontheorie nach Rogers und die Wissenschaftstheorie nach Kuhn erklärt und in Verbindung mit KNN in der Kommunikationswissenschaft gesetzt. In Kapitel 8.0 wird das

Forschungsdesign erklärt. Es wird unter anderem auf die Methode, das Erhebungsinstrument und die Vorgehensweise eingegangen. In Kapitel 9.0 werden die Ergebnisse der quantitativen

Online-Befragung dargestellt. Es folgt die Beantwortung der Forschungsfragen (Kapitel 10.0), Limitation und Anregungen für weitere Forschung (Kapitel 11,0) und endet mit Conclusio und

Ausblick. (Kapitel 12.0)

10

4.0 Begriffsdefinitonen

Die Begriffsdefinitonen sollen einen ersten Überblick über grundlegende Begriffe dieser Arbeit

geben und dienen zugleich als Einführung in die Thematik der Arbeit.

4.1 Künstliche Intelligenz

John Mc Carty, einer der Pioniere der KI beschrieb den Begriff wie folgt: “The goal of AI

[Artificial Intelligence] is to develop machines that behave as thought they were intelligent.”5 Es geht also darum Maschinen zu entwickeln, die Menschliche Intelligenz besitzen. Nun stellt

sich aber erstmals die Frage was definiert man als Intelligenz. „Intelligenz ist die Fähigkeit

eines Menschen zur Anpassung an neuartige Bedingungen und zur Lösung neuer Probleme auf der Grundlage vorangehender Erfahrungen im gesellschaftlichen Kontext.“6 Der „Turing-

Test“ entwickelt von Allan Turing ging davon aus, dass eine Maschine intelligent sei, insofern ein Mensch mit einer Maschine kommuniziert und dieser nicht unterscheiden kann ob er mit

einer Maschine oder einem realen Mensch spricht.7 Doch wie Wolfgang Ertel in seinem Buch „Introduction to Artificial Intelligence“ zu verstehen gibt brauch es eine zeitlosere und vor allem

flexiblere Definition für KI. Das eine Maschinen, einen Menschen im Turing-Test überlistet, definiert diese zwar als KI, allerdings kann eine KI mit ihrer Leistung auch in vielen andern

Bereichen überzeugen. In diesem Kontext zitiert Ertel, Elaine Rich´s Definiton für KI: “Artificiall Intelligence is the study of how to make computers do things which, at the moment, people

are better.”8 Diese Definition beschreibt was KI-Forscher in den letzten 50 Jahren gemacht

haben und wird auch in Zukunft zutreffend sein.9 Mit anderen Worten: „Künstliche Intelligenz ist ein Zweig der Informatik, der darauf abzielt, Maschinen zu schaffen, die in der Lage sind,

Entscheidungsprozesse oder Problemlösungen zu demonstrieren, wie Sie normalerweise durch die Zurschaustellung natürlicher Intelligenz mit Menschen verbunden sind.“10 Hierbei ist

zu ergänzen das es sich bei KI zwar sehr wohl um einen Zweig der Informatik handelt, jedoch muss KI als ein Interdisziplinäres Fach betrachtet werden.

5 John McCarty, 1955. Zitiert nach Ertel, 2009 S: 1 6 Gruber, 2009 S: 31 7 Vgl. Herbrich, 2018 S: 64 8 Rich Elaine, 1983. Zitiert nach Ertel, 2009 S: 2 9 Vgl. Ertel, 2009 S: 2 10 Fischer, 2018 S: 4

11

4.2 Maschinelles Lernen

Wie bereits im Zuge der KI Definition erwähnt, wird Menschliche Intelligenz durch die Fähigkeit

aus Erfahrung zu lernen und auf dieser Grundlage neu auftretende Probleme zu lösen, definiert. In diesem Punkt ist der Mensch dem Computer noch weit voraus. Genau deshalb,

um diesen Rückstand zu verkleinern, stellt Maschinelles Lernen ein zentrales Teilgebiet der KI dar.11 Um den Begriff des Maschinellen Lernen zu verstehen, wird zuerst der Begriff

„Lernen“ definiert: „Lernen ist das Konstruieren oder Verändern von Repräsentationen von

Erfahrungen.“12 Bei Maschinellem Lernen geht es darum, Computern diese Fähigkeit des Lernens “beizubringen“. „Das Grundprinzip hinter Maschinellem Lernen ist die Erkennung von

Mustern und Gesetzmäßigkeiten in Big Data – also großen Datensatzen.“13 Jerry Kaplan nennt im Zuge seiner Definition für Maschinellem Lernen einige Beispiele für solche Datensätze: „[…]

in Form von aus fahrenden Fahrzeugen aufgenommenen Videos, Berichten aus der Notfallaufnahme, Oberflächentemperaturen von der Arktis, Likes auf Facebook,

Ameisenstraßen, Aufzeichnungen der Menschlichen Sprache, Klicks auf Onlinewerbung, Geburtenregistern aus dem Mittelalter, Echolotdaten, Kreditkartentransaktionen […] –

praktisch alles was sich erfassen lässt, taugt als Datenbasis.“14 Nun umschließt der Begriff des

Maschinellen Lernen „…eine Vielzahl von unterschiedliche[n] Anwendungen und Methoden die sich mit der Generierung von Wissen aus Erfahrung befassen.“15 Einer dieser

methodischen Ansätze sind KNN.

4.3 Künstliche Neuronale Netze

„Kunstliche Neuronale Netze (KNN) sind Modelle, mit denen man versucht, einige Funktionen

des menschlichen Gehirns nachzuempfinden. Diese Modelle bestehen, ähnlich dem Gehirn, aus einer Vielzahl gleichartiger Elemente (Neuronen), die parallel arbeitend Informationen

verarbeiten. Eine der wichtigsten Eigenschaften von KNN ist ihre Fähigkeit gelernte Beispiele

zu verallgemeinern und basierend darauf neue Sachverhalte zu prognostizieren.“16 Der Begriff wird hier nicht weiter ausgeführt, da sich Kapitel 5.0, welches den Forschungsstand darlegt,

sehr detailliert mit Aufbau, Funktion und Einsatzmöglichkeiten von KNN beschäftigt.

11 Vgl. Ertel, 2009 S:3 12 Scott, 1983. Zitiert nach: Görz, 1993, S: 249 13 Herbrich, S: 65 14 Kaplan, 2017 S:44 15 Gentsch, 2017 S:37 16 Tawil, 1999 S: 69

12

4.4 SPSS Erweiterungstool „Neurale Netze“ SPSS oder genauer IBM SPPS Statistics ist eine der meist verbreitetsten Statistiksoftwares

der Welt. Das SPSS Basismodel ermöglicht einfache, aber auch fortgeschrittenen Methoden der Datenanalyse und die grafische Visualisierung der Ergebnisse. Zusätzlich werden

verschiedene SPSS Erweiterungstools angeboten.17 IBM beschreibt SPSS als eine integrierte Produktfamilie mit einer Vielzahl von Funktionen, die sich für jede Phase des

Analyseprozesses eignen.18 Derzeit (20.07.2019) zählt SPSS sechzehn solcher Erweiterungstools. Eines dieser Erweiterungstools ist „IBM SPSS Neural Networks“. Dieses

Tool wird vor allem für Anwendungen auf dem Gebiet des prädiktiven Data-Mining eingesetzt.19 Es erlaubt das Erstellen von prädiktiven Neuronalen Netzen, des Typen:

“Mehrschichtiges Perzeptron“ (Mulitlayer Perceptron, MLP) und “Radiale Basisfunktionen“ (RBF). Für die hier vorliegende Arbeit ist vor allem relevant, dass es sich bei diesem

Erweiterungstool um den wohl einfachsten Zugang zu KNN für empirisch arbeitende

Kommunikationsforscher handelt. Dies ist eine Annahme des Forschers und beruht auf der großen Beliebtheit des Statistikprogrammes SPSS. Dazu gibt es bis dato noch keine dem

Forschenden vorliegende Studien. Im Zuge dieser Arbeit soll allerdings auch genau diese Annahme geprüft werden, inwiefern das SPSS Erweiterungstool „Neurale Netze“ unter

empirisch arbeitenden Kommunikationsforschern der DACH-Region verbreitet ist.

17 Vgl. Brosius, 2013 S:1 18 Vgl. SPSS, 2019 [MED] 19 Vgl. IBM, 2013 S:1

13

5.0 Forschungsstand – Künstliche Neuronale Netze

Im Forschungsstand wird zuerst kurz auf die natürliche Vorlage von KNN den Neuronalen

Netzen eingegangen. Daraufhin wird sehr stark vereinfachte der Aufbau und die Funktion von KNN erläutert. Ein Beispiel soll dies auch noch veranschaulichen. Es wird auf die allgemeinen

Einsatzmöglichkeiten von KNN eingegangen sowie im Speziellen auf jene in der Kommunikationswissenschaft.

Das Menschliche Gehirn und somit viele Erkenntnisse aus der Neurowissenschaft bilden die

Grundlage zur Entwicklung von KNN. Es hat sich ein eigener Forschungszweig entwickelt, die Computional Neuroscience. Forscher aus diesem Gebiet versuchen den Aufbau unseres

Gehirns zu begreifen und mit Hilfe eines Computers zu simulieren.20 „Insgesamt besitzt ein Mensch etwa 1010 Neuronen. Jedes Neuron besitzt durchschnittlich 10 000 Verbindungen zu

Nachbarneuronen, so daß [sic.] ein menschliches Gehirn […] bis zu 1014 Verbindungen besitzt.

Alle Neuronen mit ihren Verbindungen bilden ein Neuronales Netz.“21 Bei unserer Geburt sind die Neuronen noch nicht vernetzt, erst durch lernen vernetzen sich diese.22 Über die Synapsen

sind die Neuronen verbunden und können über diese elektrischen oder chemischen Signale senden und empfangen. Ein Signal wird übertragen, wenn ein Neuron „feuert“, dies geschieht,

wenn ein bestimmter Pegel überschritten oder ein bestimmtes Muster gebildet wird.23

Ian Goodfellow beschreibt die Fähigkeit einem Computer das Lernen beizubringen als ”deep learning method". Deep Learining kann als eine Kategorie des Maschinellem Lernens

verstanden werden. Die Grundlage für Deep Learning Methoden sind KNN.24 KNN können also als vom menschlichen Hirn inspirierte Rechenmodelle verstanden werden. Bereits die

sehr abstrakte Modellierung von Gehirnen, durch das simulieren Neuronaler Netzwerke und

ihrer Verbindungen, ermöglichen es Computersystemen Bild- oder Spracherkennung zu erlernen oder Vorhersagen zu treffen, ohne dass, das Programm für diesen spezifischen

Zweck explizit programmiert wurde.25 Je nach Problemstellung wird ein anderer mathematische Zugang zu KNN benötigt. Ruswell und Norvig´s Buch ”Artificial intelligence: a

20 Vgl. Kaplan, 2018 S.45 21 Kinnebrock, 2018 S: 13 22 Vgl. Kinnebrock, 2018 S: 13 23 Vgl. Kaplan, 2017 S: 45 24 Vgl. Goodfellow, 2016 25 Vgl. Sudmann, 2018 S: 59

14

modern approach“ gilt als etablierte Einführungsliteratur.26 Eine etwas kompaktere Literatur

diesbezüglich ist Wolfgang Ertel´s ”Introduction to Artificial Intelligence“.27

Wie KNN aufgebaut sind und funktionieren hat Jerry Kaplan in seinem Buch ”Künstliche

Intelligenz. Eine Einführung“ sehr vereinfacht erklärt: Die Neuronen in einem KNN sind in Schichten angeordnet, diese Schichten sind mittels numerischer Quellverbindungen (z.B. 0 =

nicht verbunden, 1 = verbunden) jeweils mit den unter- und übergeordneten Schichten verknüpft. Die niedrigste Schicht empfängt Informationen (etwa ein Datenset) von außerhalb

des Netzes. Die höhergelegenen Schichten (auch hidden layers genannt) bekommen ihren Input wiederum von den tieferliegenden Schichten. In den hidden layers wird der Input

propagiert, dies geschieht, wenn ein Neuron anschlägt (”feuert“). Am Ende geben sogenannte Output Neuronen das Ergebnis wieder nach außen. Ein Beispiel aus der Bilderkennung soll

diesen Vorgang nochmals verdeutlichen: Als Input gibt man dem KNN ein Datenset, zum

Beispiel eine große Anzahl von Katzenbildern. In den hidden layers werden diese miteinander abgeglichen. Als Output erhält man dann die Information ob ein beliebiges Bild eine Katze

darstellt. Auch wenn es sich um eine andere Katzenrasse in einer völlig anderen dargestellten Position handelt erkennt das KNN Gemeinsamkeiten. Ist der Input gelabelt, so wird der

Prozess als überwachtes lernen bezeichnet. Das KNN lernt von gelabelten Katzenbildern und erkennt ob es sich bei neuen Bildern um Katzenbildern handelt oder nicht. Der Input kann aber

auch ungelabelt sein (unübewachtes lernen). Das KNN erlernt hier selbstständig die Fähigkeit Katzenbilder von nicht Katzenbildern zu unterscheiden.28

26 Ruswell, 2016 27 Ertel, 2018 28 Vgl. Kaplan, 2017 S: 46-47

Abb. 1.: Sehr vereinfachte Darstellung eines KNN Quelle: Eigene Darstellung ausgehend von Buxmann, 2019 S:14

15

So können einem KNN als Input etwa auch die Regeln für Schach gegeben werden. Das KNN

erlernt das Spiel selbstständig indem es immer wieder gegen sich selbst antritt und sich an die

beste Entscheidung in der jeweiligen Spielsituationen erinnert. So war es Googles KI „Alpha Zero“ möglich, innerhalb vierundzwanzig Stunden das Spiel von Grund auf zu lernen und

anschließend das bisher amtierende Schachprogramm zu schlagen.29

Man ist jedoch noch weit davon entfernt das Menschliche Gehirn nachzubilden. 2014 präsentierte IBM den ersten neurosynaptischen Computerchip namens „True North“. Dieser

hat 4096 neurosynaptische Prozessorkerne, welche mittels Intrachip Netzwerk und einer Million programmierbarer Neuronen und 256 Millionen konfigurierbarer Synapsen verbunden

ist.30 Die Fachzeitschrift Futurezone verglich die Leistung des Superchips mit dem Gehirn einer Biene.31

In der KNN-Technologie wird großes Potential gesehen und so investieren Branchenriesen wie IBM, Google, Amazon, Microsoft und Facebook immense Summen, dementsprechend

rasant ist auch die Weiterentwicklung im Feld.32 Das MIT News Office kündigte kürzlich eine neue Ära der Künstlichen Intelligenz an, Algorithmen welche automatisiert KNN designen.

Diese Methode verspricht es bis zu 200-mal schneller zu sein als herkömmliche Methoden.33

Für die vorliegende Arbeit sind technische Hintergründe jedoch nur zweitrangig relevant, die Interesse liegt vor allem auf den praktischen Anwendungsmöglichkeiten. KNN werden

zunehmend in verschiedensten Disziplinen zur Klassifizierung, Clusterbildung, Mustererkennung und Vorhersage eingesetzt und sind fähig komplexere Probleme zu lösen

als herkömmliche Regressionsmodelle oder statistische Modelle.34 Die Einsatzmöglichkeiten

von KNN scheinen endlos und so stellt sich die Frage, können KNN auch in der empirischen Kommunikationsforschung eingesetzt werden?

5.1 KKN in der Kommunikationswissenschaft Krämer Benjamin (2009) und sein Team haben sich bereits intensiv mit dieser Frage der Einsatzmöglichkeit von KNN in der Kommunikationsforschung auseinandergesetzt und

29 Vgl. Silver, 2017 30 Vgl. Merolla, 2014 S: 668 31 Vgl. futurezone.com, 2014 [MED] 32 Vgl. Buxmann, 2019 S: 23 33 Vgl. Methesen, 2019 [MED] 34 Vgl. Abiodun, 2018 S: 2

16

stellten dabei vier wesentliche Anwendungsfelder fest: KNN zur Mustererkennung von zum

Beispiel hand- oder maschinengeschriebenen Buchstaben, Bestandteilen von Bildern oder

Klangmustern wie menschlichen Laute oder Musiksequenzen; Zur Prognosen Gewinnung aus Daten, deren Zusammenhang weitgehend unklar und vermutlich nicht linear ist, so kann etwa

der Publikumserfolg eines Spielfilm vorhergesagt werden; Zum Darstellen von wechselseitigen und Konsistenzbeziehung zwischen verschiedenen Größen in der Wirkungsforschung; Und

zur Modellierung von nichtlinearen Systemverhalten, als Beispiel nennt Krämer Journalismus Forschung, wo Rezeptions- und Wirkungsbeziehung bei der Erstellung von Medieninhalten

eine Rolle spielen.35 Im Fazit kamen Krämer und sein Team zum Schluss, dass KNN in der

Kommunikationswissenschaft sehr gute Anwendungsmöglichkeiten bietet. Die Komplexität der Modellierung nennen sie sowohl als Vorteil als auch Nachteil: "Gewiss kann dadurch

[durch die Komplexität] eine hohe Erklärungskraft erreicht werden, jedoch werden die

Ergebnisse der Modellierung umso schwerer interpretierbar, je komplexer die zugrunde liegenden Neuronalen Netze sind. Es muss also eine Abwägung getroffen werden zwischen

einer optimalen Beschreibung der Daten und einer überschaubaren Zahl von Parametern, die noch inhaltlich interpretierbar sind.“36 Außerdem vermuten die Autoren das die Komplexität der

Anwendung von KNN, welche eine theoretische Auseinandersetzung mit der entsprechenden Software voraussetzt, für viele Forscher eine wesentliche Hürde zu deren Anwendung

darstellt.37

Seit der Publikation Krämers im Jahr 2009 hat sich einiges getan und so gab es Fortschritte in verschiedensten Bereichen. Nicht nur hat sich die Technologie weiterentwickelt, auch der

Zugang zu KNN wurde einfacher. Etwa ermöglichen es Anwendungen wie die gängige

Statistiksoftware SPSS oder „IBM Watson Studio“ komplexe Beziehungen zwischen Datensätze mittels nicht linearer Datenmodellierung durch KNN aufzudecken.38 Jedoch steht

noch offen in welchem Ausmaß KNN von Kommunikationsforschern tatsächlich bereits für empirische Forschungszwecke verwendet werden. Außerdem stellt sich die Frage inwiefern

die durch KNN hervorgebrachten technologischen Errungenschaften die Kommunikationswissenschaft als Fach beeinflussen. Wie Andreas Sudmann in seinem

Sammelband „Machine Learning – Medien, Infrastrukturen und Technologien der Künstlichen Intelligenz“ anschneidet, sollte KNN sogar als eigenes Forschungsobjekt der

35 Vgl. Krämer, 2009 S: 10-13 36 Krämer, 2009 S: 13 37 Vgl. Krämer. 2009 S: 13 38 Vgl. IBM (1), 2019 // IBM (2), 2019 [MED]

17

Kommunikationswissenschaft betrachtet werden. Die Hintergründe zur Betrachtung von KNN

als Forschungsobjekt der Kommunikationswissenschaft, werden in Kapitel 7.2.1 noch

ausführlicher dargelegt.

6.0 Forschungsfragen und Hypothesen FF1: Inwiefern kennen und nutzen empirisch arbeitende Kommunikationsforscher der DACH-

Region das SPSS-Erweiterungstool „Neuronale Netze“?

H1.1: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region kennt das SPSS-Erweiterungstool „Neuronale Netze“.

H1.2: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region hat das SPSS-Erweiterungstool „Neuronale Netze“ zumindest in einem Forschungsprojekt bereits

genutzt.

FF2: Inwiefern finden empirisch arbeitende Kommunikationsforscher der DACH-Region, dass

Künstliche Neuronale Netze ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollen?

H2.1: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region

findet nicht, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der

Kommunikationswissenschaft darstellen sollten.

7.0 Theoretischer Rahmen

Die Forschungsfragen und Hypothesen werden in diesem Kapitel in einen theoretischen Rahmen gesetzt. Dabei gibt es zwei verschieden theoretische Zugänge: Zum einen die

Diffusionstheorie nach Rogers und zum anderen die Wissenschaftstheorie nach Kuhn. Die beiden Theorien beziehen sich jeweils auf eine der zwei Forschungsfragen: Diffusionstheorie

auf FF1 und Wissenschaftstheorie auf FF2.

18

7.1 Diffusionstheorie nach Rogers Ausgehend von der theoretischen Grundlage der Diffusionstheorie nach Rogers sollen erste

Aufschlüsse gegeben werden, inwiefern das SPSS Erweiterungstool „Neuronale Netze“ unter Forschern der DACH Region verbreitet sein könnte. Dem Forschenden sind keine bisherigen

Studien bekannt welche sich mit der Verbreitung und Anwendung des SPSS Erweiterungstools „Neuronale Netze“ beschäftigen. Bei der Diffusionstheorie nach Rogers

handelt es sich um eine Theorie mittlerer Reichweiter, die empirisch abgeleiteten und überprüfbaren Aussagen über den Diffusionsprozess, seine Zusammensetzung, seine

Verläufe und seine Auswirkungen liefert.39

Rogers definiert den Diffusionsprozess als einen Vorgang bei welchem eine Innovation über bestimmte Kanäle, über einen bestimmten Zeitraum unter den Mitgliedern eines bestimmten

sozialen Systems kommuniziert wird. Die vier Hauptelemente der Theorie sind: Die

(1)Innovation, die (2)Kommunikationskanäle, der (3)zeitlicher Verlauf und das (4)soziale System.40 Im Folgenden wird auf die Eigenschaften der vier Elemente eingegangen und auf

das SPSS Erweiterungstool „Neuronale Netze“ und dessen Anwendung unter empirisch arbeitenden Kommunikationsforschern der DACH Region, angewandt.

1) Eine Innovation nach Rogers, ist eine Idee, ein Vorgehen, oder ein Objekt welches von

einem Individuum als neu empfunden wird, dies ist unabhängig vom objektiven Entdeckungszeitpunkt oder der ersten Verwendung. Der Prozess der Diffusion sei von den

Eigenschaften der Innovation maßgeblich beeinflusst. Rogers nennt in diesem Kontext: Relative Vorteile, Kompatibilität, Komplexität, Testbarkeit und Beobachtbarkeit. 41

In dieser Arbeit wird das SPSS Erweiterungstool „Neuronale Netze“ als Innovation gewertet.

Die relativen Vorteile, welche eine Innovation mit sich bringt, sind von Innovation zu Innovation unterschiedlich. 42 Hier geht es nach Rogers um den individuellen Vorteil der Innovation.

Das SPSS Erweiterungstool „Neuronale Netze“ ermöglicht etwa das Erstellen von Neuronalen Netzen, dies bringt vor allem Vorteile auf dem Gebiet des prädiktiven Data-Mining.43 Weitere

von SPSS genannte Vorteile sind: Leistungsfähigkeit, Flexibilität und Benutzerfreundlichkeit. Das SPSS Erweiterungstool wirkt somit erstmals auf Mikroebene, erst nachdem das Tool von

der Mehrheit der Forscher genutzt wird, kann man von Einfluss auf Makroebene sprechen.

39 Vgl. Vishwanath, 2011 S:1 40 Vgl. Rogers, 2003 S:11-12 41 Vgl. Rogers, 2003 S:14-16 42 Vgl. Rogers, 2003 S:15 43 Vgl. SPSS Inc., 2007 S:1 [MED]

19

Die Kompatibilität der Innovation bezieht sich auf die bestehenden Einstellungen und Werte

des Adapters.44 Diese Eigenschaft der Innovation mag für das SPSS Erweiterungstool vielleicht weniger relevant sein, so kann man jedoch argumentieren, dass IMB, das

Unternehmen, welches hinter der Software steht unter Forschenden ein gutes Ansehen hat. Diese Vermutung lässt den Schluss zu, dass eine neue Innovation dieses Unternehmens wohl

kaum bestehende Werte des Adapters verletzt.

Die Komplexität ist nach Rogers, der Grad zu welchem eine Innovation als kompliziert, als schwer verständlich eingeschätzt wird. Einfache Ideen werden schneller aufgenommen als

komplexe.45 Die Eigenschaft der Komplexität tritt auch bei der Anwendung von Neuronalen Netzen in der empirischen Kommunikationsforschung auf. Krämer und sein Team nannten

„die Befassung mit den theoretischen Grundlagen“ (welche zur Überwindung der Komplexität

erforderlich ist) als große Hürde bezüglich der Anwendung von neuronalen Netzen in der empirischen Kommunikationsforschung.46

Nach Rogers beeinflusst die Testbarkeit, die Übernahme einer Innovation, so werden testbare

Innovationen eher angenommen. Dazu ergänz er, dass die reine Beobachtbarkeit von Ergebnissen einer Innovation zu einer höheren Adaptionswahrscheinlichkeit führt. Das SPSS

Erweiterungstool kann als Testversion auch vor dem Kauf ausprobiert werden.47 Auch der Einsatz kann bereits im Vorfeld beobachtet werden, so ist es etwa möglich Expertisen und

praktische Anwendungs-Tipps über einschlägige Blogs oder YouTube Tutorials einzuholen.48

„Innovations that are perceived by individuals as having greater relative advantage,

compatibility, trialability, and observability and less complexibility will be adopted more rapidly than other innovations. […] The first two attributes, relative advantage and compatibility, are

particularly important in explaining an innovations rate of adaption.“49 Hier kann Stärke und Schwächer des SPSS Erweiterungstool „Neuronale Netze“ identifiziert werden. Die

individuellen Vorteile, als Stärke in Form von neuen Möglichkeiten, Leistungsfähigkeit, Flexibilität und Benutzerfreundlichkeit. Wobei Benutzerfreundlichkeit mit Vorsicht als Stärke

44 Vgl. Rogers, 2003 S:15 45 Vgl. Rogers, 2003 S:16 46 Vgl. Krämer, 2009 S:13 47 Vgl. IBM, 2019 [MED] 48 Vgl. Perret, 2018 [MED] 49 Rogers, 2003 S:16-17

20

verwendet werden sollte, insofern die Komplexität der Anwendung auch als Innovations-Defizit

gewertet werden kann.

2) Die Kommunikationskanäle, über welche eine Innovation verbreitet wird, kann auf

interpersonaler- oder massenmedialer Ebene stattfinden. Der Kommunikationskanal übermittelt sowohl die Information über die Eigenschaften der Innovation als auch dessen

bloße Existenz.50 Über welche Kommunikationskanäle sich das SPSS Erweiterungstool „Neuronale Netze“

verbreitet hat kann der Forschende nur vermuten: Da es sich um eine spezielle Zielgruppe handelt, liegt die Verbreitung durch interpersonale Kommunikation nahe. (Gespräche in Peer-

Gruppen, Vorträge, Weiterbildungen, u.w.) Auch kann davon ausgegangen werden das IBM über verschiedene Kanäle (z.B. Webseite, Werbekampagnen, u.w.) die Zielgruppe über das

Produkt informiert.

3) Den Zeitliche Verlauf des Innovationsprozess beschreibt Rogers als Stärke seiner Theorie,

obwohl er zugleich die Messbarkeit des Zeitlichen Aspekts kritisiert. Er strukturiert den Aspekt der zeitlichen Diffusion in drei Bereiche: „[…] (1) the innovation-decision process by which an

individual passes from first knowledge of an innovation through its adaption or rejection, (2) the innovativeness of an individual or other unit of adaption […] compared with other members

of a system, and (3) an innovations rate of adaption in a system who adopt the innovation in a given time period.“51 Für diese Arbeit von besonderem Interesse ist es, herauszufinden in

welcher dieser Phasen sich das SPSS Erweiterungstool „Neuronale Netze“ derzeit befindet. Die Erkenntnisse, welche durch eine Befragung gewonnen werden, sollen diesbezüglich erste

Annahmen ermöglichen.

4) In dieser Arbeit werden Kommunikationsforscher aus der DACH Region als soziales

System definiert. Zum einen beeinflusst das soziale System den Ablauf des Diffusionsprozess durch seine Normen, sozialen Strukturen und Machtverhältnissen andererseits hat die

Diffusion von Innovationen, Einfluss auf das soziale System.52

Mittels einer quantitativen (Online-)Befragung soll herausgefunden werden inwiefern das als Innovation bewertete SPSS Erweiterungstool “Neuornale Netze“ unter dem sozialen System

50 Vgl. Rogers, 2003 S: 18-19 51 Rogers, 2003 S: 20 52 Vgl. Karnowski, 2017 S: 32

21

“empirisch arbeitende Kommunikationsforscher der DACH Region“ bereits aufgenommen

wurde und welche Eigenschaften der Innovation wahrgenommen werden.

7.2 Wissenschaftstheorie nach Kuhn In Kuhn´s Hauptwerk «The Structure of Scientific Revolutions» beschreibt „er die Entwicklung der Wissenschaft als eine Abfolge von normalwissenschaftlichen Phasen, die durch ein

bestimmtes Paradigma geprägt sind; darauffolgenden Krisen, in denen das Paradigma aufgrund von Anomalien seine wissenschaftliche Anerkennung verliert; und

wissenschaftlichen Revolutionen; in denen es schließlich zu einem Paradigmenwechsel kommt.“53 Zuerst wird der von Kuhn geprägten Begriff Paradigma erklärt, anschließend wird

kurz auf die verschiedenen Phasen der Wissenschaft eingegangen bevor abschließend versucht wird, KNN in eine dieser Phasen zu verorten.

Als Paradigma bezeichnet Kuhn: „[…]ein von einer wissenschaftlichen Gemeinschaft akzeptiertes Bündel theoretischer Annahmen, methodologischer Voraussetzungen und

Musterlosungen bestimmter Forschungsfragen, […] ein Paradigma sichert die unhinterfragte Akzeptanz bestimmter wissenschaftlicher Standards und Problemlösungen durch eine

wissenschaftliche Gemeinschaft, wobei es den Mitgliedern der wissenschaftlichen Gemeinschaft genügend Spielraum zur wissenschaftlichen Exploration einräumt,

forschungsleitende Beispiele bietet und zu verwendende methodische Anleitungen beinhaltet.“54 Unter Normalwissenschaft versteht Kuhn „eine Forschung, die fest auf einer oder

mehreren wissenschaftlichen Leistungen der Vergangenheit beruht, Leistungen, die von einer bestimmten Gemeinschaft eine Zeitlang als Grundlagen für ihre weitere Arbeit anerkannt

werden.“55 Diese Gemeinschaften sind etwa angehörige Forscher eines Forschungsfeldes,

wie Beispielsweise Kommunikationswissenschaftler. Die Forscher, die demselben Paradigma unterliegen, sind denselben Regeln und Normen für die wissenschaftliche Forschung

verbunden.56 In den Normalwissenschaften hat sich somit bereits ein bestimmtes Paradigma durchgesetzt. Bevor es zu einem Paradigma in einer Wissenschaft kommt, muss sich dieses

aber erst in der Vorparadigmatischen Stufe behaupten. In dieser Stufe muss eine Erkenntnis stadtfinden, dass ein Forschungsobjekt, die von der normalen Wissenschaft beherrschenden

Erwartungen nicht erfüllt: „Sie [die Erkenntnis] geht dann weiter mit einer mehr oder weniger ausgedehnten Erforschung des Bereichs der Anomalie und findet erst einen Abschluß[sic.],

53 Kuhn, 2014. Zitiert nach Heinle, 2018 [MED] 54 Kornmesser, 2014 S: 16-17 55 Kuhn, 2014 S: 25 56 Vgl. Kuhn, 2014 S: 26

22

nachdem die Paradigmatheorie so berichtigt worden ist daß [sic.] das Anomale zum

Erwarteten wird.“57 Es gibt also noch keine anerkannte Lehrmeinung, keine Musterbeispiele

zu einem Forschungsobjekt innerhalb eines Feldes. Ein Feld wäre etwa die Kommunikationswissenschaft. Ein Forschungsobjekt, zu dem es noch keine Anerkannte

Lehrmeinung innerhalb der Kommunikationswissenschaften gibt, sind KNN. Hat sich ein Paradigma durchgesetzt, so liefert dieses immer neue Möglichkeiten der

Erforschung. Dabei kann es jedoch zu Anomalien und anschließend zur Krise kommen. Doch damit eine Anomalie eine Krise hervorruft muss es sich um mehr als nur einer Anomalie

handeln, die Anomalie muss einer Gemeinschaftlichen Untersuchung Wert sein.58 Wenn die Anomalie von der Fachwissenschaft als solche anerkannt wird, kommt es zur Krise.

Die Lösung dieser Krise erfolgt nach Kuhn, durch eine Wissenschaftliche Revolution, einem Paradigmenwechsel. Als eine Wissenschaftlichen Revolution wird jene nichtkumulative

Entwicklungsepisode bezeichnet, welche ein älteres Paradigma ganz oder teilweise

verdrängt.59 Hier ist nochmals wichtig zu vermerken, dass wissenschaftliche Revolutionen nur denen als revolutionär erscheinen, deren Paradigma davon betroffen ist.60 Dies ist vor allem

bei Interdisziplinären Forschungsobjekten (Paradigmen) zu bedenke. (So wohl auch bei KNN) 7.2.1 KNN im Lichte der Wissenschaftstheorie nach Kuhn

Wenn von KI gesprochen wird, dann ist oft der technologische Ansatz des Deep-Learning (DL)

gemeint.61 Der DL Ansatz kann als ein Paradigma der KI verstanden werden.62 Zu den Deep-Learning-Verfahren gehören auch KNN. Es gibt verschiedene KNN Ansätze, diese

Herangehensweisen kann man nochmals als einzelne KNN-Paradigmen systematisieren.63 In der Abbildung zwei, hat Wiedermann eine Auswahl von KNN-Paradigmen, beispielhaft

systematisiert. (siehe nächste Seite)

57 Kuhn, 2014 S: 66 58 Vgl. Kuhn, 2014 S: 95 59 Vgl. Kuhn, 2014 S: 104 60 Vgl. Kuhn, 2014 S: 107 61 Vgl. Sudmann, 2018 S: 55 62 Vgl. u.a Sebastiani, 2002 S: 1-2 ; Buxmann, 2018 S: 8 ; Sudmann, 2018 S: 55 63 Wiedermann, 2013 S: 66

23

Sudmann thematisiert in einem Beitrag für seinen Sammelband “Machin Learning – Medien, Infrastrukturen und Technologien der Künstlichen Intelligenz“ unter anderem, „auf welche

Weise die gegenwärtigen Entwicklungen des DL spezifisch als Medienrevolution verhandelt werden können“64 Wenn Sudmann von Revolution spricht, bezieht er sich auf Kuhns Definition

der wissenschaftlichen Revolution (Paradigmenwechsel). Dabei lässt sich eine Revolution durch KNN erstmals, aber auch vor allem, auf Technologischer Ebene erkennen.65 DL/KNN

Verfahren ermöglichen es Maschinen erstmals Common-Sense-Wissen zu erlernen.66 Hier

kann man, insofern man sich auf Kuhns Definition bezieht, von einem Paradigmenwechsel sprechen.67 In Bezug auf die Angesprochene Medienrevolution können KNN-Technologien als

„(...) hintergründige, unsichtbare Anordnungen der Generierung von Wissen, Kommunikation und Praktiken verstanden werden“.68

Die Aufmerksamkeit der Medien war vorerst darauf gerichtet die Funktion sowie den Erfolg von KNN zu rekonstruieren und genau jene Bedingungen sind im Fall KNN besonders

relevant: So sind die reüssierenden Erfolge von KNN nicht der wesentlichen Weiterentwicklung der Lernalgorithmen an sich zu verdanken, viel eher sind es Fortschritte

64 Sudmann, 2018 S: 56 65 Vgl. Sudmann, 2018 S: 58 66 Vgl. Sudmann, 2016 [MED] 67 Vgl. Buxmann, 2018 S: 8 68 Sudmann, 2018 S: 63

Abb.2.: Systematiserung ausgewählter KNN-Paradigmen (Quelle: Wiedemann, 2013 S:66)

24

auf Basis der Hardware – Training von KNN auf parallel organisierter, schneller GPU-

Hardware. 69 Sudmann resümiert das die Frage nach den Medien eng an die Frage nach einer

potenziellen Revolution der Medien geknüpft ist.

Wie schnell ersichtlich wird handelt es sich bei KNN um ein Interdisziplinäres Forschungsobjekt. Nun ist von Interesse, inwiefern KNN ein Forschungsobjekt der

Kommunikationswissenschaft sind. Die Vorparadigmatische Stufe scheint wohl erreicht zu sein; es herrscht noch keine Kommunikationswissenschaftliche Lehrmeinung zu

grundlegenden Aspekten der KNN, trotzdem besteht Forschungsinteresse und Forschungsbedarf. Den Erkenntnissen des Forschers nach, kann bei KNN noch nicht von

einem Paradigma der Kommunikationswissenschaften gesprochen werden. Insofern die Mehrheit der Kommunikationsforscher KNN als ein relevantes Forschungsobjekt sieht, so ist

eine Annäherung von KNN als ein Paradigma der Kommunikationswissenschaft ersichtlich.

Dies würde den Bedarf eines Paradigmas befürworten. FF2 soll erste Auskünfte geben und Einschätzungen ermöglichen, inwiefern Kommunikationsforscher der DACH-Region, KNN als

ein Forschungsobjekt der Kommunikationswissenschaft sehen.

8.0 Forschungsdesign

8.1 Methode

Die gewählte Methode zur Beantwortung der Forschungsfragen (siehe Kapitel 6.0) ist die

quantitative Online-Befragung. Die Vorteile der Online-Befragung sind vor allem: Geringe beziehungsweise keine Kosten; Realisierung ist in relativ kurzer Zeit möglich; Hang der

Zielpersonen zu sozial erwünschten Antworten entfällt; Anonymität wird bewahrt. Den Vorteilen steht ein wesentlicher Nachteil beziehungsweise ein Risiko entgegen: Die

Ausfallquote ist nicht vorhersehbar. Außerdem kann nicht kontrolliert werden unter welchen Bedingungen der Fragebogen beantwortet wird - keine Kontrolle der

Datenerhebungssituation.70

69 Vgl. Sudmann, 2018 S: 63-64 70 Vgl. Häder, 2010 S: 238-240

25

8.2 Grundgesamtheit

„Als Grundgesamtheit bezeichnet man die Menge von Einheiten, über die man etwas aussagen möchte.“71 Bei der gewählten Grundgesamtheit handelt es sich um empirisch

arbeitenden Kommunikationsforscher der DACH Regionen. DACH ist ein Apronym für Deutschland, Österreich, Schweiz und steht somit für den größten Teil des deutschen

Sprachraums. Wie viele Forscher das genau betrifft ist leider nicht bekannt. Es wird jedoch

davon ausgegangen, dass die meisten Kommunikationsforscher der DACH Region eine Mitgliedschaft bei der DGPuK (Deutsche Gesellschaft für Publizistik- und

Kommunikationswissenschaft) haben. Die Mitgliederzahl der DGPuK gibt somit Auskunft darüber, wie viele empirisch arbeitenden Kommunikationsforscher es in der DACH Regionen

ungefähr gibt. Auf Nachfrage wurde dem Forscher mitgeteilt, dass die DGPuK 1117 Mitglieder zählt.72 (Stand: 16.05.2019)

8.3 Stichprobe

Die Stichprobe, welche repräsentativ für die Grundgesamtheit steht, setzt sich aus den Vortragenden der Jahrestagungen DGPuK 2018 und 2019 zusammen. Bei den Vortragenden

handelt es sich vorwiegend um empirisch arbeitende Kommunikationsforscher der DACH-Region. Vortragende aus anderen Ländern wurden selektiv von der Umfrage ausgeschlossen.

Bei den Jahrestagungen 2018 und 2019 gab es insgesamt 265 (gelistete) Vortragende aus er DACH-Region. (Entnommen aus den jeweiligen Programmheften73) Über die Google-

Suchfunktion wurde nach den E-Mail-Adressen der Vortragenden gesucht. In den meisten Fällen wurde die E-Mail-Adresse von den Instituten, an welchen die Vortragenden forschen -

auf deren Webseite bereitgestellt. 55 Adressen konnten nicht gefunden werden. Die 210 ermittelten Kontaktadressen wurden als Stichprobe herangezogen.

8.4 Verwendete Software

Die Onlinebefragung wurde mithilfe des Marktforschungsprogramms Qualtrics74 umgesetzt, eine Auswertung der Korrelationen war innerhalb von Qualtrics möglich. Zur Grafische

Darstellung der Auswertungen, zum Erstellen von Diagrammen wurde Microsoft Excel verwendet.

71 Kuckartzt, 2010 S: 103 72 GDPuK Geschäftsstelle – Birgit Pieplow via Email am 16.05.2019 73 DGPuK Jahrestagung 2018: http://www.dgpuk2018.de/Programm/

DGPuK Jahrestagung 2019: http://dgpuk2019.de/site/assets/files/1024/vorlaufiges_tagungsprogramm_dgpuk_2019.pdf 74 www.qualtrics.com/de/research-core

26

8.5 Zeitliche Vorgehensweise

Der Online-Fragebogen wurde am 14.05.2019 an 210 Personen verschickt. Am 21.05.2019 wurde eine weitere Email verschickt, diese war zugleich ein Dankschreiben an alle Teilnehmer

als auch ein Reminder für all jene die an der Befragung noch nicht teilgenommen haben. Beide Anschreiben können im Anhang der Arbeit gefunden werden. (Kapitel 14) Die Feldphase

wurde nach 10 Tagen am 24.05.2019 beendet.

8.6 Variablen und Kategoriensystem

Um die Forschungsfragen zu beantworten wurden messbare Variablen, Deduktiv aus den

Forschungsfragen abgeleitet. Auf Basis der Variablen wurde der Online-Fragebogen entwickelt.

8.6.1 Variablen

VR1: Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region

• Mehrheit Ja/Nein è Aufschlüsselung der Mehrheit

§ Geschlecht -> männlich, weiblich § Altersgruppe -> unter 30, 30-45, älter als 45

§ In welchem Land beruflich tätig -> Deutschland, Österreich, Schweiz § Karrierestufe -> First Stage Researcher, Recognised Researcher,

Established Researcher, Leading Researcher75 VR1 ist in allen Hypothesen die Unabhängige Variable.

VR2: SPSS Kenntnisse

• SPSS Kenntnisse -> Durchschnittlich, Sehr Gut, Fortgeschritten

VR3: Kenntnis des Erweiterungstools “Neuronale Netze”

• Ja/Nein

VR4: Verwendung des SPSS Erweiterungstools “Neuronale Netze”

• Ja/Nein

• Offene Unterfrage: Wenn Ja, wofür?

75 Vgl. European Commission, 2011 S: 2

27

VR5: Einschätzung der eigenen KNN-Kenntnisse

• Basiswissen, Erweiterte Kenntnisse, Experte

VR6: KNN ein Forschungsobjekt der Kommunikationswissenschaften

• Ja/Nein (Offene Frage -> Der Befragte sollte seine Antwort so ausführlich wie möglich

begründen)

8.6.2 Kategoriensystem

VR Name der Variable Messniveau

VR1 Mehrheit der Befragten nominal Ja / Nein

Geschlecht nominal männlich / weiblich

Altersgruppe ordinal unter 30, 30-45, über 45

Arbeitsland nominal Deutschland, Österreich, Schweiz

Karrierestufe ordinal First Stage Researcher, Recognized Researcher,

Established Researcher, Leading Researcher

VR2 SPSS Kenntnisse ordinal Durchschnittlich, Sehr Gut,

Fortgeschritten

VR3 Kenntnis des Erweiterungstools

“Neuronale Netze”

nominal Ja / Nein

VR4 Verwendung des SPSS

Erweiterungstools “Neuronale Netze”

nominal Ja / Nein

VR5 Einschätzung der KNN-Kenntnisse ordinal Durchschnittlich, Sehr Gut,

Fortgeschritten

VR6 KNN ein Forschungsobjekt der Kommunikationswissenschaften

nominal Ja / Nein

28

8.7 Aufbau des Online-Fragebogen

Der Fragebogen ist in vier Blöcken gegliedert. Im ersten Block wird die Studie kurz vorgestellt

und der Teilnehmer muss die Datenschutzerklärung (DSGVO) zur Kenntnis nehmen, um zum nächsten Block zu gelangen.

Im zweiten Block wird das Thema „KNN als Forschungstool in der

Kommunikationswissenschaft“ behandelt, wobei das SPSS Erweiterungstool „Neuronale

Netze“ im Fokus steht. In diesem Block werden sechs Fragen gestellt. Zwei der Fragen sind offene Fragen. Anfangs wird allgemein nach der Kenntnis und Verwendungshäufigkeit von

SPSS gefragt. Eine offene Frage ermöglicht es den Teilnehmern, von ihnen verwendete SPSS Alternativen anzugeben. Die vierte Frage, fragt gezielt nach der Kenntnis des SPSS

Erweiterungstool „Neuronale Netze“. Diese Frage ermöglicht die Beantwortung von H1.1. Um H1.2 zu beantworten wird darauffolgend nach der praktischen Verwendungshäufigkeit des

Tools gefragt. Die letzte Frage dieses Blockes ist eine offene Frage und soll Auskunft darüber geben, wofür (falls zutreffend) das SPSS Erweiterungstool „Neuronale Netze“ bereits in der

Praxis eingesetzt wurde.

Im dritten Block des Fragebogens wird auf KNN als Forschungsobjekt der

Kommunikationswissenschaft eingegangen. Dieser Block enthält drei Fragen, wovon eine Frage eine offene Frage ist. Einleitend wird nach der selbsteingeschätzten KNN Kenntnis

gefragt. Es folgt eine Ja/Nein Frage: Glauben Sie, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollten? Mit den

Antworten lässt sich H2.2 beantworten. In der dritten Frage dieses Blocks, können die Teilnehmenden Kommunikationsforscher eine Begründung zu der vorhin gestellten Frage

abgeben.

Im vierten und letzten Block des Fragebogens werden die Soziodemographischen Daten

abgefragt. In diesem Block gibt es vier Fragen. Es wird nach Alter, Geschlecht, Berufsland und akademischer Karrierestufe76 gefragt.

Der vollständige Fragebogen befindet sich im Anhang auf Seite 50 und kann zusätzlich online

unter folgendem Link abgerufen werden:

76 Vgl. European Commission, 2011 S: 2

29

https://bino.ca1.qualtrics.com/jfe/preview/SV_0e84eRTmwHTj49f?Q_SurveyVersionID=curre

nt&Q_CHL=preview

9.0 Ergebnisse der quantitativen Online-Befragung In diesem Kapitel werden die Ergebnisse aus der Online-Befragung dargestellt. Wie in Kapitel 8.5 bereits genauer erklärt, wurden die Daten innerhalb von 10 Tagen erhoben. Die

Ergebnisse wurden mithilfe von Qualtrics ausgewertet und mit Microsoft Word und Microsoft Exel visuell dargestellt. Mithilfe der Ergebnisse werden innerhalb dieses Kapitels auch die

aufgestellten Hypothesen überprüft. Die Beantwortung der Forschungsfragen erfolgt im nächsten Kapitel.

9.1 Rücklauf

Der Fragebogen wurde an 210 Personen verschickt. Zwei E-Mails konnte aufgrund falscher oder nicht aktueller Adresse, nicht zugestellt werden. Von sechs Kontaktadressen kam eine

automatisch generierte Nachricht zurück, welche darüber Auskunft gab, dass die jeweilige Person beurlaubt sei. (Bis nach Ende der Umfrage) 202 Kommunikationsforscher hatten somit

potentiell die Möglichkeit an der Umfrage teilzunehmen. Sechs Personen meldeten sich nach der Anfrage und gaben an, Aufgrund von zu wenig Kenntnis zum Thema nicht an der Umfrage

teilzunehmen. Diesen Personen wurde geantwortet das kein spezielles Wissen vorausgesetzt wird, alle Antworten seien für die Befragung relevant. Daraufhin gab es nur von einer Person

eine Antwort, diese Entschied schlussendlich trotzdem an der Umfrage teilzunehmen.

Insgesamt haben 84 Personen an der Umfrage teilgenommen – den ersten Block (Einleitung

und Datenschutzerklärung) abgeschlossen. Dies entspricht 42% der potentiellen Teilnehmer. 75 Personen haben den zweiten Block ausgefüllt. 68 Personen haben den dritten Block

ausgefüllt und 67 Person haben den Fragebogen Vollständig ausgefüllt. 67 Teilnehmer entsprechen 33% der potentiellen Teilnehmer. Der Forscher vermutet das einige Teilnehmer

mit dem Thema „überfordert“ waren und dies den Abbruch hervorrief. Die Vermutung beruht auf E-Mail Antworten und Kommentaren innerhalb der Umfrage. Auf die Kommentare

innerhalb der Umfrage wird zu einem späteren Zeitpunkt in diesem Kapitel nochmals eingegangen.

Die Abgebrochenen Umfragen wurden nicht in die weitere Auswertung eingearbeitet.

30

Ausgehend von der effektiven Stichprobengroße (n=67) und der Populationsgröße (n=1117)

kann man bei den Ergebnissen dieser Befragung, von einem Konfidenzniveau von 95% und

einer Fehlerspanne von 12% ausgehen.

9.2 Soziodemographische Daten

An der Umfrage beteiligten sich 40 Frauen und 27 Männer. Der Großteil der Teilnehmer war zum Zeitpunkt der Befragung beruflich in Deutschland tätig (59 Personen), 5 Personen

arbeiteten in Österreich und 3 Personen in der Schweiz. 20 Personen gaben an jünger als 30 zu sein, 39 Personen gaben an zwischen 30 und 45 Jahre alt zu sein und 8 Personen gaben

an, älter als 45 zu sein. Im unten abgebildeten Balkendiagramm ist die Verteilung der akademischen Karrierestufen der Teilnehmer dargestellt:

9.3 KNN als Forschungstool in der Kommunikationswissenschaft

In diesem Abschnitt werden die Ergebnisse des zweiten Blocks „KNN als Forschungstool in

der Kommunikationswissenschaft“ präsentiert. Dieser Block ermöglicht es die erste Forschungsfrage und die dazugehörigen Hypothesen zu beantworten.

Einleitend wurde nach der eigenen Einschätzung der SPSS Kenntnisse gefragt. (Q1) Die Antworten sind relativ ausgeglichen verteilt: 24 Personen gaben an durchschnittliche SPSS

Kenntnisse zu haben, 18 gaben an fortgeschrittene Kenntnisse zu haben und 25 Personen gaben an sehr gute SPSS Kenntnisse zu haben. Es gab keine aussagekräftigen Unterschiede

34

11

13

9

-3 7 17 27 37 47 57 67

First Stage Researcher

Recognized Researcher

Established Researcher

Leading Researcher

Befragte Kommunikationsforscher

Abb. 3.: Akademische Karrierestufe der Befragungsteilnehmer

n=67

31

im Zusammenhang mit den Soziodemographischen Daten und den Antworten zur

eingeschätzten Kenntnis.

Aus den Antworten auf Q2 (Wie häufig verwenden Sie SPSS zur Datenauswertung in der

empirischen Forschung?) ging hervor, dass die Mehrheit (41) der befragten Forscher das SPSS Erweiterungstool regelmäßig in ihrer empirischen Forschung verwenden. 13 Forscher

gaben an SPSS nie für empirische Forschungszwecke zu verwenden.

Frage Q2.1 eine offene Unterfrage von Q2 diente dazu herauszufinden welche Statistik-Programme anstelle von SPSS verwendet werden. Es wurde im Gegensatz zu den

geschlossenen Fragen keine Antwort „erzwungen“. Fünfundvierzig Personen haben eine Antwort abgegeben. Von den 16 Forschern welche Angaben nie mit SPSS zu arbeiten,

antworteten 6 auf die Frage nach SPSS Alternativen. Davon gab eine Person an: „Ich führe

keine eigenen Untersuchungen durch“ eine weitere antwortete mit „Keine“. Drei Personen, die nie mit SPSS arbeiten, arbeiten alternativ mit R und eine Person mit Stata. Die beliebteste

SPSS Alternative unter Kommunikationsforschern der DACH Region scheint „R“ zu sein. 24 Personen gaben an R als SPSS Alternative zu verwenden, 3 weitere Personen gaben an R

teils, manchmal bzw. ergänzend zu verwenden. Weitere Alternativen sind unter anderem: Amos, MaxQDA, Stata, Exel und Pyton. Die genauen Antworten der Befragten sind im Anhang

auf Seite 55 zu finden.

9.3.1 Überprüfung der Hypothese 1.1


kennt das SPSS-Erweiterungstool „Neuronale Netze“.

Die dritte geschlossene Frage (Q3) war dazu bestimmt, die unter befragten

Kommunikationsforscher verbreitete Kenntnis in Bezug auf das SPSS Erweiterungstool „Neuronale Netze“ herauszufinden. Die aufgestellten Hypothese H1.1 welche vermutete, dass

die Mehrheit der Kommunikationsforscher der DACH Region das Tool kennen würde, wurde wiederlegt: Nur 5 Personen, 7% der Befragten gaben an das SPSS Erweiterungstool

„Neuronale Netze“ zu kennen. (Siehe Abb. 4)

32



hat das SPSS-Erweiterungstool „Neuronale Netze“ zumindest in einem Forschungsprojekt bereits genutzt.

Nur eine einzige Person hat angegeben das SPSS Erweiterungstool „Neuronale Netze“ in der

Praxis bereits einmal verwendet zu haben. (Q4) Die Person gab an das Programm „manchmal“ zu verwenden. Alle anderen befragten Personen gaben an das Programm noch nie verwendet

zu haben. Keiner gab an das Erweiterungstool regelmäßig zu verwenden. Die aufgestellte Hypothese 1.2 muss somit ebenfalls vorläufig falsifiziert werden. Die Person, welche angab

das Erweiterungstool „Neuronale Netze“ manchmal zu verwenden, antwortete auf die offene

Unterfrage Q4.1 „Wenn Sie das SPSS Erweiterungstool “Neuronale Netze“ bereits verwendet haben, dann erklären Sie bitte wofür“ damit, dass sie das Erweiterungstool zum Feststellen

von nichtlinearen Zusammenhängen in einer Zeitreihe verwendet hat.

5

62

Kennen Sie das SPSS Erweiterungstool "Neuronale Netze"?

Ja Nein

n=67

Abb. 4

33

9.4 KNN als Forschungsobjekt der Kommunikationswissenschaft

Im Folgenden wird auf die Ergebnisse des dritten Blocks der Befragung eingegangen. Dieser

Block zielte darauf ab die zweite Forschungsfrage und die dazugehörige Hypothese zu beantworten.

Als erstes wurden in Q5 nach der Selbsteinschätzung zu „Künstliche neuronale Netze“ gefragt.

Eine Person gab an einen Experten zu sein, vier Personen gaben an erweiterte Kenntnisse zu

haben und zweiundsechzig Personen gaben an Basiswissen zu haben. Hier ist zu vermerken das die Teilnehmer zu einer Antwort „gezwungen“ wurden und nur die drei genannten

Optionen hatten. In Q6.1, dies ist eine offene Frage, wurde von 13 Teilnehmern beanstandet das sie keinerlei Wissen zu KNN haben, drei dieser Teilnehmer vermerkten, dass dadurch ihre

Antworten nicht valide seien. Diese elf Personen haben gezwungener weiße mit „Basiswissen“ geantwortet. In der Abbildung 5, welche die Antwortverteilung von Q5 zeigt wurden deshalb

die Kategorie „Kein Wissen“ nachträglich hinzugefügt. Der Forscher ist davon ausgegangen das Mitglieder der DGPuK alle mit dem Begriff KNN vertraut sind und somit Basiswissen

haben. Diese Annahme wurde auch vom Bachelorseminarleiter gestützt. Der Großteil der

Befragten (80%) bemängelte die Fragestellung immerhin nicht. Das Feedback der Befragten zeigt jedoch auf, dass die Thematik KNN unter Kommunikationsforschern weniger verbreitet

ist als vorerst vermutet. Diese Vermutung wird nochmals Unterstrichten mit dem Fact, dass einige die Befragung abgebrochen haben was auf mangelnde Themen Kenntnis zurückgeführt

wurde.

13

49

4 10

10

20

30

40

50

60

Keine Kenntnisse Basisswissen Erweiterte Kenntnisse Experte

Wie schätzen Sie Ihre Kenntnisse zu "Künstliche neuronale Netze" ein?

Befragte Kommunikationsforscher

n=67

Abb. 5.

34


H2.1: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region findet nicht, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der

Kommunikationswissenschaft darstellen sollten.

In Q6 wurde danach gefragt, ob KNN ein Forschungsobjekt der Kommunikationswissenschaft sein sollte. Hier wurde bewusst eine Ja/Nein Frage gestellt, um eine Tendenz festmachen zu

können, dabei wurde jedoch davon ausgegangen das alle Teilnehmer zumindest ein Basiswissen haben. Wie die Befragung ergab war dies jedoch nicht der Fall. Um die Validität

der Befragung zu bewahren, wurden die 13 Personen, die beanstandet haben, kein KNN Wissen zu haben gefiltert und bei Q6 nicht in die endgültige Auswertung mit einbezogen. Somit

gibt es auf Q6, 54 valide Antworten. Interessanter weiße führte dies allerdings zu keiner

Veränderung in den Ergebnissen: Betrachtet man nämlich alle Antworten, auch die der Personen welche Angaben keine Kenntnisse zu haben, so zeigte sich eine Tendenz in

Richtung „KNN sollte kein Forschungsobjekt der Kommunikationswissenschaften darstellen“. Die Verteilung war wie folgt: 41 Personen (61%) Antworteten mit Nein, 26 Personen (39%) mit

Ja. Die Tendenz bleibt bestehen, wenn die Antworten derer gefiltert werden, die Angaben keine KNN Kenntnisse zu haben und deshalb gezwungenen Maßen willkürlich eine Antwort

wählten. Das Prozentuelle Verhältnis bliebt exakt gleich. Die Verteilung ist bei n=53 die Folgende: Nein, 33 Personen (61%), Ja, 21 Personen (39%). In Abbildung 6 werden diese

Erkenntnisse nochmals visualisiert. Die Aufgestellte Hypothese, dass die Mehrheit der Kommunikationsforscher im DACH Raum nicht der Meinung ist, dass „Künstliche neuronale

Netze“ ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollten,

wird durch die Ergebnisse der Befragung gestützt.

35

Interessant ist die Erkenntnis, dass alle Personen (5) die Angegeben haben erweiterte

Kenntnisse beziehungsweise Experten in Bezug auf KNN zu sein auf Q6 gleich geantwortet haben. Diese Kommunikationsforscher sind der Meinung, dass KNN ein Forschungsobjekt der

Kommunikationswissenschaft sein sollte. (Abb. 7) Das Kreuzen der Antworten aus Q6 mit den Soziodemographischen Angaben wie Alter, akademisches Level, Geschlecht oder Berufsland

ergab keine nennenswerten Erkenntnisse.

28

41

21

33

0

5

10

15

20

25

30

35

40

45

Ja (39%) Nein (61%)

Glauben Sie, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollten?

Alle Antworten (n=67) Antworten der Personen die zumindest Grundlegende KNN Kentnisse haben (n=54)

58

16

33

4 01 00

5

10

15

20

25

30

35

Ja (39%) Nein (61%)

Glauben Sie, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollten?

Keine KNN Kenntnisse Basiswissen Erweiterte Kenntnisse Experte

n=67

Abb. 6

Abb.7

36

In Q6.1 wurde nach der Begründung für die Antwort in Q6 gefragt. Hierbei handelte es sich

um eine offene Frage, zum fortsetzen des Fragebogens war es nicht zwingend notwendig

diese Frage zu beantworten. Von den 67 Teilnehmern haben 43 Personen eine Antwort abgegeben. Davon haben 13 Antworten keinen (direkten) Bezug zur Fragestellung. Diese 13

Teilnehmer äußern sich, wie bereits erwähnt, kritisch zu den Antwortmöglichkeiten bei der Frage Q5 und Q6. Die gesamten 43 Antworten können in Anhang auf Seite 56 nachgelesen

werden. Im Folgenden werden die wichtigsten Erkenntnisse kurz zusammengefasst und einige als aufschlussreich eingestufte Antworten zitiert.

Siebundzwanzig Personen haben eine Begründung abgegeben warum Sie finden das KNN

nicht ein Forschungsobjekt der Kommunikationswissenschaft sein sollte. Von den 27 Antworten bezogen sich 8 auf die Ausführung der Befragung. Auf diese wird nicht nochmals

eingegangen. Einige weitere gaben an zu wenig Kenntnis zu haben, um ihre Antwort genauer

zu definieren. Viele Begründeten ihre Antwort damit, dass es sich bei KNN um eine Methode bzw. ein Tool und kein eigenes Forschungsobjekt der Kommunikationswissenschaft handelt.

Es wird angemerkt das KNN zwar verschiedene Felder der Kommunikationswissenschaft betreffen, jedoch wird KNN als Forschungsobjekt eher im Bereich der Informatik und

Computerwissenschaften gesehen. Im Folgenden einige ausgewählte Antworten:

„Ich glaube, dass Künstliche Neuronale Netze verschiedene Felder der Kommunikationswissenschaft betreffen und dafür sehr relevant sind - Neuronale Netze als

Forschungsgegenstand an sich verorte ich aber eher in der Informatik oder Softwareentwicklung.“

„Die Kommunikationswissenschaft definiert ihre Forschungsthemen als Disziplin nicht über einen methodischen Zugang, sondern über ihre Materialobjekte. Das bedeutet nicht, dass man

nicht neuronale Netze verwenden oder im Einzelfall untersuchen könnte - aber nicht als eigenes Forschungsobjekt der Disziplin.“

„Forschungsobjekte werden beforscht, neuronale Netze sind eine Methode zur Erforschung.

Forschung zu neuronalen Netzen und ihrer Funktionsweise sollte die Computerwissenschaft durchführen.“

„Ich kenne mich nicht sehr gut aus mit diesem Thema, aber mir ist nicht klar, warum diese

Netze ein Forschungsobjekt der KoWi darstellen sollten. Als Methodik eignen sich KI-

Algorithmen mit Sicherheit je nach Fragestellung sehr gut. Werden Algorithmen bei

37

Anwendungen wie Suchmaschinen oder Sprachassistenzsystemen verwendet, würde ich eher

sagen, dass diese das Forschungsobjekt sind (ähnlich wie Bilder und Texte vor allem dann für

die KoWi interessant werden, wenn sie in einen medialen Kontext eingebettet werden).“

„Ich sehe den Bezug zum zentralen Gegenstand der KW nicht - (öffentliche) Kommunikation mit gesellschaftlicher Relevanz wäre für mich das Kerninteresse des Fachs. Neuronale Netze

als (interdisziplinäres) methodisches Problem zu erörtern, hat seine Berechtigung. Aber das sollte dann eben nicht ein exklusives KW-Forschungsobjekt sein.“

„Ich würde künstliche neuronale Netze eher als weitere neue Methode oder Tool bezeichnen

- wie beispielsweise auch Netzwerkanalysen oder Clusteranalysen - um bei verschiedenen Forschungsinteressen einen anderen Zugang zu schaffen, und ich würde sie daher nicht als

neues separates Forschungsfeld bezeichnen.“

Im Gegensatz dazu die Begründungen jener (n=21), die KNN als ein Forschungsobjekt der

Kommunikationswissenschaft sehen. Fünf Antworten werden im Folgenden nicht beachtet, da sie sich auf die Ausführung des Fragebogens beziehen. Ähnlich wie in den zuvor zitierten

Antworten kommt die Thematik auf, dass KNN als ein rein technisches Tool gesehen werden kann, jedoch werden die sich dadurch ergebenden Möglichkeiten als Grund genannt, dass

KNN ein Forschungsobjekt der Kommunikationswissenschaft sein sollte. Es wird wiederholt betont, dass KNN in der Zukunft eine immer größere Rolle spielen werden.

„Sie können ein methodisches Werkzeug sein, wobei sie dann nicht so sehr "Objekt" sind als

sie vielmehr einfach eingesetzt werden. Die wesentlichen Weiterentwicklungen werden wohl

eher von anderen Fächern ausgehen. Außerdem kann der Einsatz von Werkzeugen wie neuronalen Netzen in Organisationen zum Forschungsgegenstand werden. Ob es sich

allerdings um neuronale Netze oder konkurrierende Werkzeuge handelt, wird in vielen Kontexten nicht besonders relevant sein. Die Antwort "Ja" stellt also nur eine Tendenz dar...“

„KNN ermöglichen das Stellen und das Beantworten von neuen Forschungsfragen.“

„Da KNN auch eingesetzt werden, um Kommunikationen zu produzieren, selektieren und

strukturieren, sollten sie auch auch Forschungsgegenstand der KMW sein.“

„Die Kommunikationswissenschaft ist offen für neue methodische Zugänge. Zudem wandeln

sich auch die Anforderungen an die Generierung und Auswertung von Daten“

38

Ein Interessanter Aspekt, der bereits angeschnitten wurde ist, dass alle die ihre KNN

Kenntnisse mit mehr als nur „Basiswissen“ eingeschätzt haben (n=5) derselben Meinung sind,

KNN sollte ein Forschungsobjekt der Kommunikationswissenschaft sein. (Abb. 7) Eine Person gab an die Frage sei zu komplex um die Antwort hier (in Rahmen der Befragung)

aufzuschreiben. Die Antworten der vier anderen Teilnehmer, war denen der Personen mit KNN Basiswissen, sehr ähnlich jedoch um einiges detaillierter:

„Machine Learning/Deep Learning generell sollte als Methode gelehrt/gelernt werden, nicht

nur Neuronale Netze im Speziellen. Als Forschungsobjekt sollten diese Methoden/Algorithmen aus der Perspektive der angewandten Statistik (für die KW) betrachtet werden (z.B.

Anpassung auf KW-spezifische Daten). Die Weiterentwicklung der Algorithmen sehe ich primär im Bereich der Informatik/Mathematik verortet. Aus meinem persönlichen Interesse

heraus würde ich dies allerdings auch in der KW begrüßen.“

„KNN können zum einen ein hilfreiches methodisches Tool in der Datenanalyse werden und

werden in Zukunft an gesellschaftlicher Relevanz gewinnen“

„Künstliche neuronale Netze sind ein Mittel zur Auswertung von Texten und Kommunikation, das zu neuen Erkenntnissen führen kann. Z. B. auch im Bereich der Digital Humanities.

Gleichzeitig formen verwandte technische Neuerungen im Bereich Künstliche Intelligenz und maschinelles Lernen selbst die Formen wie Menschen miteinander Kommunizieren. Auch aus

Kommunikations- und medienethischer Perspektive (Datenschutz, Softbots, deep fakes usw.) gibt es hier Forschungsbedarf.“

„Künstliche Intelligenz und maschinelles Lernen sind ein neues und wichtiges Tool, welche es ermöglich sehr große Datenmengen zu analysieren. Die Kommunikationswissenschaft sollte

diese Trends begleiten und die Methoden erlernen um wettbewerbsfägig zu bleiben. Zugleich ermöglicht diese Methode neue Erkenntnisse zu erforschen bzw. bestehende Methoden weiter

zu optimieren. Forschungserkenntnisse könnten dadurch massiv gesteigert werden“

39

10.0 Beantwortung der Forschungsfragen

FF1: Inwiefern kennen und nutzen empirisch arbeitende Kommunikationsforscher der DACH-

Region das SPSS-Erweiterungstool „Neuronale Netze“?

Wie aus der Überprüfung der Hypothesen zu FF1 in Kapitel 9.3.1 und 9.3.2 ersichtlich wurde, kennen empirisch arbeitende Kommunikationsforscher der DACH-Region das SPSS-

Erweiterungstool „Neuronale Netze“ kaum. Nur fünf der siebenundsechzig Befragten Kommunikationsforscher haben davon bereits gehört. Von diesen fünf Personen hat nur eine

Person das Erweiterungstool bereits in der Praxis verwendet. Dies trotz der Tatsache das die Mehrheit (61%) der befragten Forscher, SPSS regelmäßig für empirische Forschungszwecke

nutzen.

Das SPSS-Erweiterungstool „Neuronale Netze“ wurde im Theorieteil (Kapitel 7.1) im Zuge der

Diffusiontheorie nach Rogers als Innovation festgemacht. Der Diffusionsprozess befindet sich hier noch im Anfangsstadium, nur ein sehr kleiner Teil des sozialen Systems

(Kommunikationsforscher der DACH-Region) kennt die Innovation. Die verschiedenen Eigenschaften (und eventuelle Vorteile) können somit gar nicht erst wahrgenommen werden.

Nur eine einzige befragte Person hat den Schritt von Kenntnis der Innovation zu dessen Adaption gemacht. Im Forschungsstand wurde bereits ein Grund genannt, warum KNN im

Allgemeinen für viele Kommunikationsforscher keine Option im empirischen Forschungsprozess darstellt: Die Komplexität der Anwendung von KNN.77 Der Forscher hat

jedoch vermutet, dass, durch das SPSS-Erweiterungstool „Neuronale Netze“ der Zugang zu

KNN vereinfacht wurde und deshalb auch Kenntnis und Nutzen größer wurde. Diese Annahme wurde wiederlegt.

FF2: Inwiefern finden empirisch arbeitende Kommunikationsforscher der DACH-Region,

dass Künstliche Neuronale Netze ein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellen sollen?

Die leichte Mehrheit (61%) der Kommunikationsforscher der DACH-Region tendiert zur

Meinung, dass KNN kein eigenes Forschungsobjekt der Kommunikationswissenschaft darstellten sollten. Die wurde aus der Überprüfung von Hypothese 2.1 (Kapitel 9.4.1)

77 Vgl. Krämer, 2009 S:13

40

ersichtlich. Es besteht also eine Tendenz in nicht Anerkennung von KNN als eigenes

Forschungsobjekt der Kommunikationswissenschaft.

In Kapitel 7.2.1 wurde ausgehend von der Wissenschaftstheorie nach Kuhn diskutiert, ab wann

KNN ein Paradigma der Kommunikationswissenschaft ist. Es wurde festgestellt, dass wir uns in der Vorparadigmatischen Stufe befinden. Es herrscht keine

Kommunikationswissenschaftliche Lehrmeinung zu grundlegenden Aspekten der KNN, trotzdem besteht Forschungsinteresse und Forschungsbedarf. Es wurde davon ausgegangen,

dass insofern die Mehrheit der Kommunikationsforscher der Meinung ist, dass KNN ein Forschungsobjekt der Kommunikationswissenschaft ist, so wäre eine Annäherung an ein

Paradigma ersichtlich. Doch wie die Ergebnisse der Befragung zeigen, ist dies noch nicht der Fall. Die Tendenz liegt dabei, KNN nicht als Forschungsobjekt der

Kommunikationswissenschaft zu sehen. Vorläufig befinden wir uns also noch weiterhin in der

Vorparadigmatischen Stufe.

Wie aus den Antworten der befragten Kommunikationsforschern hervorging, wird KNN vor allem als Tool und Methode gesehen, KNN wird als Interdisziplinäres Forschungsobjekt

gesehen, jedoch eher im Bereich der Informatik und Computerwissenschaften verortet. Es scheint eine Tendenz zu geben, dass Kommunikationsforscher die sich vertieft mit dem Thema

KNN auseinandersetzen den Zusammenhang zwischen KNN und der Kommunikationswissenschaft stärker sehen und KNN als Forschungsobjekt der

Kommunikationswissenschaft sehen. Dies lässt die Vermutung zu das womöglich, insofern KNN noch mehr an Bedeutung gewinnen und sich mehr Forscher damit beschäftigen, sich

auch die Meinung dieser Kommunikationsforscher ändert.

11.0 Limitation und Anregungen für weitere Forschung Die Strichprobe von n=69 steht für die Grundgesamtheit von n=1117, was zu einem

Konfidenznieau von 95% und einer Fehlerspanne von 12% führt. Um von einem Konfidenznieau von 95% und einer Fehlerspanne von 5% ausgehen zu können, bräuchte es

mindesten 287 Teilnehmer. Die Studie mit einer größeren Stichprobengröße zu wiederholen, würde zu noch aussagekräftigeren Ergebnissen führen.

41

Der Fragebogen wurde so kurz wie möglich gehalten, um möglichst viele zur Teilnahme zu

motivieren. Dadurch musste der Forschende die Fragen auf die für die Arbeit wesentlichen

Aspekte herunterbrechen. Es hätte sicherlich noch einige Interessante Fragen gegeben, welche man im Zuge der Befragung hätte stellen können. Etwa wäre es Interessant

herauszufinden in welchem Kontext die Befragten mit KNN bereits in Kontakt gekommen sind.

Das SPSS Erweiterungstool Neuronale Netze ist unter Kommunikationsforschern nicht bekannt und wird wohl auch deshalb nicht verwendet. Es steht offen ob mehr

Kommunikationsforscher das Tool verwenden würden, insofern sie es kennen würden.

Wir die Ergebnisse zeigen, handelt es sich bei den meisten Teilnehmern um Kommunikationsforscher die sich mit der Thematik KNN nicht, beziehungsweise nur sehr

wenig auseinandergesetzt haben. Eine Befragung von Experten würde durchaus sinnvoll sein.

In dieser Studie ging es jedoch darum Tendenzen innerhalb einer Fachgruppe herauszufinden. Das Thema mit Hilfe von Experten aufzufächern wäre eine Idee für ein

weiteres Forschungsprojekt. Eine Studie hinsichtlich der prognostizierten Entwicklung könnte in einem aufbauenden Forschungsprojekt angestrebt werden. Als Methode würden sich

Gruppendiskussionen mit Experten aus verschiedenen Fachgebieten anbieten.

Wie festgestellt wurde, befinden wir uns noch in der Vorparadigmatischen Stufe – es hat sich noch keine Allgemeine Lehrmeinung der Kommunikationsforschung zu KNN durchgesetzt. Es

wäre interessant die Studie in einigen Jahren zu wiederholen, um zu sehen ob sich dies im Laufe der Zeit ändert. Der Forscher spekuliert das die Sicht auf KNN sich in den nächsten

Jahren ändern wird und KNN von der Mehrheit der Kommunikationsforscher als

Forschungsobjekt der Kommunikationswissenschaft anerkannt wird.

12.0 Conclusio und Ausblick

KNN hat das Potential einen Paradigmenwechsel herbeizuführen. Dies geht bereits aus der theoretischen Grundlage dieser Arbeit hervor. Wir befinden uns, wie die Ergebnisse des

empirischen Teils dieser Arbeit zeigen, jedoch noch in der Vorparadigmatischen Stufe. KNN als Forschungstool in SPSS ist kaum bekannt und wird kaum genutzt. Es ist fraglich ob dies

darauf zurückzuführen ist, dass nur wenige das Tool und dessen Möglichkeiten kennen oder

ob es keinen Bedarf gibt. KNN wird im Laufe der nächsten Jahre weiterhin spannende Fragen

42

aufwerfen, das Spektrum an Einsatzmöglichkeiten wird sich weiterentwickeln – allgemein und

in der Kommunikationsforschung. Unser Feld wird nicht darum herumkommen sich näher mit

der Thematik zu beschäftigen. Es wäre naiv KNN, die Grundlage von KI, in der Kommunikationswissenschaft keine oder nur wenige Bedeutung zu schenken. Die

Erkenntnisse dieser Arbeit geben eine Sicht auf KNN aus Kommunikationswissenschaftlicher Perspektive und sollen ein Anreiz für weitere Forschungsprojekte sein.

43

13.0 Literaturverzeichnis

13.1 Wissenschaftliche Quellen:

Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11).

Brosius, F. (2013). SPSS 21. MITP-Verlag GmbH & Co. KG.

Buxmann, P., & Schmidt, H. (Eds.). (2018). Künstliche Intelligenz: mit Algorithmen zum

wirtschaftlichen Erfolg. Springer-Verlag.

Ertel, W. (2009). Introduction to artificial intelligence. 2. rev. edition. Springer, Wiesbaden.

European Commission (2011). Towards a european framework for research careers. Era Portal Austria am 14.11.2014. Unter: https://era.gv.at/object/document/1509 (Abgerufen am

20.07.2019)

Fischer, Peter (2018). Künstliche Intelligenz : Neuronale Verknüpfung Von Mensch Und Maschine. Wroclaw: Amazon Fulfillment, 2018. Print.

Gentsch, P. (2017). Künstliche Intelligenz für Sales, Marketing und Service: Mit AI und Bots zu einem Algorithmic Business–Konzepte, Technologien und Best Practices. Springer-Verlag.

Goodfellow Ian, Bengio Yoshua, Courville Aaron (2016). Deep Learning. MIT Press. Unter:

www.deeplearningbook.org (Abgerufen am 20.07.2019)

Gruber, H., & Stamouli, E. (2009). Intelligenz und Vorwissen. In Pädagogische Psychologie (pp. 27-47). Springer, Berlin, Heidelberg.

Häder, M. (2010). Empirische Sozialforschung: Eine Einführung. 2. überarbeitete Auflage.

Springer-Verlag.

Herbrich, Ralf (2018): Intelligenz bei Amazon Spitzentechnologie im Dienste des Kunden. In:

Buxmann, P., & Schmidt, H. (Eds.). (2018). Künstliche Intelligenz: mit Algorithmen zum wirtschaftlichen Erfolg. Springer-Verlag.

44

IBM (2013): IBM SPSS Neural Networks 22. Unter:

ftp://public.dhe.ibm.com/software/analytics/spss/documentation/statistics/22.0/de/client/Manu

als/IBM_SPSS_Neural_Network.pdf (Abgerufen am 20.07.2019)

Karnowski, Veronika (2017): Diffusionstheorie. 2., aktualisierte Auflage. Nomos Verlagsgesellschaft, Baden-Baden

Kaplan, J. (2017). Künstliche Intelligenz: Eine Einführung. MITP-Verlags GmbH & Co. KG.

Kinnebrock, W. (2018). Neuronale Netze: Grundlagen, Anwendungen, Beispiele. Walter de

Gruyter GmbH & Co KG.

Krämer Benjamin, Schroll Thorsten, Daschmann Gregor (2009): Die Anwendung künstlicher

neuronaler Netze in der Kommunikationswissenschaft. In: Identität und Vielfalt der Kommunikationswissenschaft. UVK. Unter:

https://www.researchgate.net/publication/235929049_Die_Anwendung_kunstlicher_neuronaler_Netze_in_der_Kommunikationswissenschaft (Abgerufen am 20.07.2019)

Kornmesser, S., Schurz, G. (2014). Die multiparadigmatische Struktur der Wissenschaften.

Springer VS.

Kuckartz, U., Rädiker, S., Ebert, T., & Schehl, J. (2013). Statistik: eine verständliche Einführung. Springer-Verlag.

Kuhn, Thomas S. (2014): Die Struktur der wissenschaftlichen Revolution. Zweite revidierte und um das Postskriptum von 1969 ergänzte Auflage. 24. Auflage. Suhrkamp Taschenbuch

Wissenschaft. Frankfurt am Main

Merolla, P. A., Arthur, J. V., Alvarez-Icaza, R., Cassidy, A. S., Sawada, J., Akopyan, F., ... & Brezzo, B. (2014). A million spiking-neuron integrated circuit with a scalable communication

network and interface. Science, 345(6197), 668-673.

MMC Ventures (2019): The State of AI 2019: Divergence. London. Unter: https://www.mmcventures.com/wp-content/uploads/2019/02/The-State-of-AI-2019-

Divergence.pdf (Abgerufen am 20.07.2019)

45

Raducanu, B., Vitrií, J., & Leonardis, A. (2010). Online pattern recognition and machine

learning techniques for computer-vision: Theory and applications. Image and Vision

Computing, 28(7), 1063-1064.

Rogers Everett (2003): Diffusion of Innovations. Fifth Edition. Free Press A Division of Simon & Schuster. New York

Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia;

Pearson Education Limited.

Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., ... & Lillicrap, T. (2017). Mastering chess and shogi by self-play with a general reinforcement learning

algorithm. arXiv preprint arXiv:1712.01815. Unter: https://arxiv.org/abs/1712.01815

(Abgerufen am 20.07.2019)

Sudmann Andreas (2018): Szenarien der Postdigitalen – Deep Learning als

MedienRevolution. In: Engelmann Christoph, Sudmann Andreas: MachineLearning – Medien,

Infrastrukturen und Technologien der Künstlichen Intelligenz. Transcript Verlag, Bielefeld

Tawil, M. (1999). Künstliche Neuronale Netze-Methode und Anwendung. IMW

Institutsmitteilungen, (24). Seite: 69-72

Vishwanath, Arun, Barnett A. George (2011): The diffusion of innovations. A communication

science perspective. Peter Lang Publishing, Inc., New York

Wiedemann, C. (2013). Neuronale Netze und Fuzzy-Logik in der Neuprodukt-Erfolgsfaktorenforschung. Springer-Verlag.

13.2 Massenmediale und journalistische Quellen [MED]

futurezone.com (2019): IBM entwickelt Chip mit Gehirnfunktionen. Am: 08.08.2014. https://futurezone.at/science/ibm-entwickelt-chip-mit-gehirnfunktionen/79.219.209 (Abgerufen

am 20.07.2019)

46

Greuner Matthias (2019): IFS Studie: KI – Künstliche Intelligenz und maschinelles Lernen.

IFS. In: https://www.ifsworld.com/de/sitecore/media-library/assets/2018/07/18/ifs-studie-ki-

machine-learning/ (Abgerufen am 20.07.2019)

Heinle, Johannes (2018): Die Wissenschaftsphilosophie nach Thomas S. Kuhn.

Sapereaudepls.de am 03.01.2018. In: https://www.sapereaudepls.de/was-kann-ich-wissen/wissenschaftsphilosophie/paradigmentheorie-thomas-kuhn/ (Abgerufen am

20.07.2019)

IBM (1) (2019): IBM SPSS Neural Networks. In: https://www.ibm.com/us-en/marketplace/spss-neural-networks/resources (Abgerufen am 20.07.2019)

IBM (2) (2019): IBM Watson Studio. IBM.com am 21.03.2019. https://www.ibm.com/de-de/marketplace/watson-studio (Abgerufen am 20.07.2019)

Matheson Rob (2019): Kicking neural network design automation into high gear. MIT News

am 21.03.2019. In: http://news.mit.edu/2019/convolutional-neural-network-automation-0321 (Abgerufen am 20.07.2019)

Olson Oarmy (2019): Nearly half of all AI Startups are cashing in on hype. Forbes am

04.03.2019. In: https://www.forbes.com/sites/parmyolson/2019/03/04/nearly-half-of-all-ai-startups-are-cashing-in-on-hype/#2833687cd022 (Abgerufen am 20.07.2019)

Sudmann, Andreas (2016): »Wenn die Maschinen mit der Sprache spielen«. Frankfurter

Allgemeine Zeitung Nr. 256, 02. 11., N2.

SPSS (2019): IBM SPSS Statistics Base and Modules. In: http://www.spss.com.hk/software/statistics/modules/ (Abgerufen am 20.07.2019)

SPSS Inc (2007): SPSS Neural Networks. (Neuronale Netze) 16.0. Chicago. In:

https://www.uni-

muenster.de/imperia/md/content/ziv/service/software/spss/handbuecher/deutsch/spss_neuran_network_16.0.pdf (Abgerufen am 20.07.2019)

Perret K. Jens (2018): SPSS – Künstliche Neuronale Netze. YouTube am 15.09.2018. In:

https://www.youtube.com/watch?v=Wp6miyu7OFo&list=PL0eGlOnA3opqz-842oreDs6WdyfT_JX5G (Abgerufen am 20.07.2019)

47

14.0 Anhang

14.1 Eidesstattliche Erklärung

Ich erkläre hiermit an Eides Statt, dass ich die vorliegende Arbeit selbstständig und ohne

Benutzung anderer als der angegebenen Hilfsmittel angefertigt habe. Die aus fremden Quellen direkt oder indirekt übernommenen Gedanken sind als solche kenntlich gemacht.

Die Arbeit wurde bisher in gleicher oder ähnlicher Form keiner anderen Prufungsbehorde

vorgelegt und nicht veröffentlicht.

Janis Oberkalmsteiner Giovanett Wien am, 25.07.2019

48

14.2 E-Mail Anschreiben

Sehr geehrte/r XY,

Mein Name ist Janis Oberkalmsteiner und ich studiere Publizistik- und

Kommunikationswissenschaft an der Universität Wien. Im Rahmen meiner Bakkalaureatsarbeit welche ich unter der Leitung von Herrn Priv. Doz. Dr. Stefan Weber

erarbeite, führe ich eine Befragung zum Thema „Künstliche neuronale Netze als

Forschungstool in SPSS und Forschungsobjekt der Kommunikationswissenschaft“ durch.

Die Befragung wird unter Kommunikationsforschern der DACH Region durchgeführt. Mit Ihrer Teilnahme würden Sie mir eine wertvolle Hilfe beim Abschluss meiner Bakkalaueratsarbeit

erweisen.

Da Sie sicherlich sehr beschäftigt sind, habe ich die Umfrage so kurz wie möglich gehalten. Es handelt sich um 10 kurze, größtenteils geschlossene Fragen.

Link zur Befragung: https://bino.qualtrics.com/jfe/form/SV_0e84eRTmwHTj49f

Ich habe Ihren Namen dem Programmheft der Jahrestagungen DGPuK 2018/2019 entnommen und Ihre E-Mail-Adresse der Webseite Ihrer Hochschule.

Mit freundlichen Grüßen aus Wien

Janis Oberkalmsteiner

49

14.2.1 E-Mail Reminder

Mit diesem Mail möchte ich mich recht herzlich für Ihre Teilnahme an der Befragung zum

Thema „Künstliche neuronale Netze als Forschungstool in SPSS und Forschungsobjekt der Kommunikationswissenschaft“ bedanken. Ich habe mich über das große Interesse an der

Befragung sehr gefreut.

Falls Sie an der Befragung noch nicht teilgenommen haben, aber möchten, so ist dies noch

bis Freitag, 25.05 möglich.

Link zur Befragung: https://bino.qualtrics.com/jfe/form/SV_0e84eRTmwHTj49f

Mit freundlichen Grüßen aus Wien

Janis Oberkalmsteiner

50

14.3 Fragebogen

Block 1 – Einleitung

51

Block 2 - KNN als Forschungstool in der Kommunikationswissenschaft

52

Block 3 - KNN als Forschungsobjekt der Kommunikationswissenschaft

-

53

Block 4 – Soziodemographische Daten

54

Block 5 – Ende des Fragebogens

55

14.4 Alle Antworten zu den offenen Fragen

14.4.1 Statistik Programm Alternativen zu SPSS

13.4.2 Einsatz des SPSS Erweiterungstools ”Neuronale Netze“ in der Praxis

Q4.1 - Wenn Sie das SPSS Erweiterungstools “Neuronale Netze” bereits verwendet haben, dann erklären Sie Bitte wofür:

Es gab nur eine Person, die auf diese Frage antwortete: - Antwort: „nichtlineare Zusammenhänge in einer Zeitreihenanalyse!“

Q2.1 Welche Statistik Programme verwenden Sie anstelle von SPSS? Summe der Antworten

Amos und R 1

Amos, teils R 1

Ergänzend: R, Amos, HaykesMakro für SPSS 1

Exel 1

Manchmal R 1

MaxQDA 1

MPlus 2

Pyton Scripte, R und Max MaxQDA 1

R 24

R und Exel 1

R und Pyton 2

SmartPLS 1

Stata 1

Keine 2

Ich führe keine eigenen Untersuchungen durch 1

R Studio 2

R, Amos zusätzlich zu SPSS 1

Amos 1

Antworten Insgesamt 45

56

14.4.3 KNN ein Forschungsobjekt der Kommunikationswissenschaft?

Q6 - Glauben Sie, dass „Künstliche neuronale Netze“ ein eigenes Forschungsobjekt der

Kommunikationswissenschaft darstellen sollten?

Q6.1 - Bitte begründen Sie Ihre Antwort auf Frage 6:

- Frage zu komplex um mit ja oder nein zu antworten und zu komplex um hier aufzuschreiben

- Machine Learning/Deep Learning generell sollte als Methode gelehrt/gelernt werden,

nicht nur Neuronale Netze im Speziellen.

- Als Forschungsobjekt sollten diese Methoden/Algorithmen aus der Perspektive der

angewandten Statistik (für die KW) betrachtet werden (z.B. Anpassung auf KW-spezifische Daten). Die Weiterentwicklung der Algorithmen sehe ich primär im Bereich

der Informatik/Mathematik verortet. Aus meinem persönlichen Interesse heraus würde ich dies allerdings auch in der KW begrüßen.

- Eigentlich ist meine Antwort auf Frage 6 nicht valide, ich hätte eher "weiss nicht"

angekreuzt, denn es hängt m.E. von der Forschungsfrage ab. Was an den Netzwerken soll untersucht werden? Auf den ersten Blick scheint mit das eher ein Objekt der

Informatik zu sein, aber es kann bspw. in der kommunikationswissenschaftlichen Methodenforschung eine Rolle spielen. Oder wenn man die Interaktion mit Menschen

betrachten möchte...

- Ich glaube, dass Künstliche Neuronale Netze verschiedene Felder der

Kommunikationswissenschaft betreffen und dafür sehr relevant sind - Neuronale Netze als Forschungsgegenstand an sich verorte ich aber eher in der Informatik oder

Softwareentwicklung.

- Ich halte neuroyale Netze weniger für ein Forschungsobjekt als eher für eine Art der Modellbildung über Informationsvermittlung.

- Ich habe leider keine Expertise zu diesem Feld und kann die Frage deshalb nicht

beantworten

57

- passt besser in die Psychologie oder Neurologie

- "Künstliche neuronale Netze" sollte Teil der Computational Social Science /

Computational Communication Science sein

- Sofern sie Kommunikation begründen und beeinflussen, sind sie m.E. natürlich ein Gegenstand, den sich die Kommunikationswissenschaft anschauen sollte

- Die Kommunikationswissenschaft ist offen für neue methodische Zugänge. Zudem

wandeln sich auch die Anforderungen an die Generierung und Auswertung von Daten

- Kann ich aufgrund der bisher geringen Auseinandersetzung mit dem Thema nicht

beantworten.

- Ich habe keine Ahnung; Ich habe kein Wissen über "künstliche Neuronale Netze"

- Die Kommunikationswissenschaft sollte sich eher verstärkt soziologisch orientieren und große gesellschaftliche Fragen mit Blick auf öffentliche Kommunikation

beantworten.

- Die Kommunikationswissenschaft definiert ihre Forschungsthemen als Disziplin nicht über einen methodischen Zugang, sondern über ihre Materialobjekte. Das bedeutet

nicht, dass man nicht neuronale Netze verwenden oder im Einzelfall untersuchen

könnte - aber nicht als eigenes Forschungsobjekt der Disziplin.

- Ich kenne mich zu wenig aus, um die Frage beantworten zu können. Leider fehlt bei Frage Q5 die Antwortvorgabe "keinerlei Kenntnisse". Deshalb habe ich Basiswissen

ausgewählt, obwohl das nicht einmal zutrifft.

- NN können zum einen ein hilfreiches methodisches Tool in der Datenanalyse werden und werden in Zukunft an gesellschaftlicher Relevanz gewinnen

- Kommunikationswissenschaftler könnten in Kooperation mit der Informatik neuronale

Netze zu Erforschung kommunikationswissenschaftlicher Fragestellungen einsetzen.

58

Dass die KW originär an neuronalen Netzen forscht, halte ich für wenig zielführend.

Dafür benötigen wir die Expertise der Informatik.

- Da KNN auch eingesetzt werden, um Kommunikationen zu produzieren, selektieren

und strukturieren, sollten sie auch auch Forschungsgegenstand der KMW sein.

- Ich habe keinerlei Kenntnisse zu dem Thema. Q5 und Q6 kann ich nicht beantworten. Schlecht, dass es Pflichtfragen ohne Ausweichoption sind!

- Ich kann diese Frage nur schwer beantworten, da mir eine Definition künstlicher

neuronaler Netze fehlt. Fakt ist künstliche Intelligenz wird auch in der Kommunikationswissenschaft immer relevanter. Zudem fehlt in Q5 die

Antwortmöglichkeit "Keine Kenntnisse".

- Künstliche neuronale Netze sind ein Mittel zur Auswertung von Texten und

Kommunikation, das zu neuen Erkenntnissen führen kann. Z. B. auch im Bereich der Digital Humanities. Gleichzeitig formen verwandte technische Neuerungen im Bereich

Künstliche Intelligenz und maschinelles Lernen selbst die Formen wie Menschen miteinander Kommunizieren. Auch aus Kommunikations- und medienethischer

Perspektive (Datenschutz, Softbots, deep fakes usw.) gibt es hier Forschungsbedarf.

- Auf Basis meiner rudimentären Kenntnisse dazu scheint dieses Tool für mich vor allem eine Möglichkeit der Darstellung von Ergebnissen zu sein und weniger ein Objekt im

Sinne eines Untersuchungsgegenstandes. Vielmehr lassen sich neuronale Netze zur

Bearbeitung verschiedener Forschungsfragen nutzen. Ihre kritische Beleuchtung wiederum kann ein eigener Gegenstand sein.

- Ich denke, die wenigsten Methoden sollten per se ein Forschungstool der Kowi

darstellen (im konkreten Fall gibt es sicher andere Fächer wie die Informatik etc., die sich mit methodisch mit solchen Fragen auseinander setzt), sondern diese sollten als

Methode genutzt werden, um inhaltliche Forschungsobjekte zu erforschen

- Für mich sollte das eher eine Fragestellung der Informatik sein und weniger der Kommunikationswissenschaft.

59

- Ich persönlich weiß zu diesem Thema zu wenig, um hier eine begründete Antwort zu

geben. Daher kann ich auch nicht "Ja" oder "Nein" antworten.

- ich kenne es nicht – die beiden Antworten vorher konnte ich daher nicht

wahrheitsgemäß beantworten, wurde aber leider gezwungen etwas auszuwählen, was nicht passt!

- Künstliche Intelligenz und maschinelles Lernen sind ein neues und wichtiges Tool, welche es ermöglich sehr große Datenmengen zu analysieren. Die

Kommunikationswissenschaft sollte diese Trends begleiten und die Methoden erlernen um wettbewerbsfägig zu bleiben. Zugleich ermöglicht diese Methode neue

Erkenntnisse zu erforschen bzw. bestehende Methoden weiter zu optimieren.

Forschungserkenntnisse könnten dadurch massiv gesteigert werden

- Frage Q6 kann ich nicht beantworten, da ich mich mit der Thematik "Künstliche neuronale Netze" nicht auskenne

- Forschungsobjekte werden beforscht, neuronale Netze sind eine Methode zur

Erforschung. Forschung zu neuronalen Netzen und ihrer Funktionsweise sollte die Computerwissenschaft durchführen.

- leider kann ich bei 5 nicht auswählen, dass ich keine Kenntnisse habe. Dies ist aber

der Fall, deswegen kann ich 6 leider nicht valide beantwortenIch kann sie nicht

beantworten, da ich bei Frage 5 kein "gar keins" angeben kann, aber de facto kein Wissen über künstliche neuronale Netze habe und daher nicht antworten kann.

- Ich kenne mich nicht sehr gut aus mit diesem Thema, aber mir ist nicht klar, warum

diese Netze ein Forschungsobjekt der KoWi darstellen sollten. Als Methodik eignen sich KI-Algorithmen mit Sicherheit je nach Fragestellung sehr gut. Werden Algorithmen

bei Anwendungen wie Suchmaschinen oder Sprachassistenzsystemen verwendet, würde ich eher sagen, dass diese das Forschungsobjekt sind (ähnlich wie Bilder und

Texte vor allem dann für die KoWi interessant werden, wenn sie in einen medialen Kontext eingebettet werden).

- Methode, kein inhalt

60

- Die Frage ist völlig unverständlich formuliert? Was meint Forschungsobjekt? Wenn Sie

einmal an das Formalobjekt und Materialobjekt der KoWi denken, wie verhalten sich 'KNN' dazu? Das ist ein Ansatz der Datenauswertung, ist daher kein Forschungsobjekt

wozu geforscht werden kann, sondern womit man erhobene Daten auswertet. Dahingehend kann diese Datenauswertung durchaus Sinn ergeben, aber das hängt

von der Fragestellung und den Daten ab. Also ja, sollte in der KoWi eingesetzt werden, aber nein, ist kein Forschungsobjekt. Höchstens eines der Methodenforschung, aber

das ist dann wohl nicht mehr KoWi.

- Der gesellschaftliche Wandel in der Netzwerkgesellschaft ist irreversibel. Künstliche neuronale Netze prägen in ganz besonderem Maße unser Zusammenleben u.

verändern die Art des gespeicherten Wissens.

- Alles kann ein Forschungsobjekt werden.

- KNN ermöglichen das Stellen und das Beantworten von neuen Forschungsfragen.

- Regressionen sind ja auch kein eigenes Forschungsobjekt in der

Kommunikationswissenschaft. Für mich sind das eher Tools.

- Antwort zu Q5 und Q6 nicht zutreffend, da ich das Programm nicht kenne, aber dennoch diese Frage beantworten musste

- Ich sehe Potenzial im Bereich der Methodenforschung und -entwicklung. Zum Beispiel könnten Verfahren der Text- und Bilderkennung, die auf neuronalen Netzen basieren,

z.B. im Rahmen von Inhaltsanalysen interessant sein.

- Ich kann diese Frage nicht beantworten, musste es aber, um weiterzukommen.

- Ich sehe den Bezug zum zentralen Gegenstand der KW nicht - (öffentliche) Kommunikation mit gesellschaftlicher Relevanz wäre für mich das Kerninteresse des

Fachs. Neuronale Netze als (interdisziplinäres) methodisches Problem zu erörtern, hat seine Berechtigung. Aber das sollte dann eben nicht ein exklusives KW-

Forschungsobjekt sein.

61

- wahrscheinlich wird dies in Zukunft ein nicht unwichtiges Thema auch für die KOWI

werden

- Schwierig zu beantworten. Wenn Sie damit die Bedeutung neuronalöer Netze für

Informationsselektion und -verbreitung haben, dann sollte die KW dies erforschen. Wenn es Ihnen um ein rein technisches oder auf ökonomische Verwertbarkeit/Effizienz

ausgerichtetes Verständnis geht, dann gibt es siche geeignetere, andere Disziplinen.

- Ich würde künstliche neuronale Netze eher als weitere neue Methode oder Tool bezeichnen - wie beispielsweise auch Netzwerkanalysen oder Clusteranalysen - um

bei verschiedenen Forschungsinteressen einen anderen Zugang zu schaffen, und ich würde sie daher nicht als neues separates Forschungsfeld bezeichnen.

- Sie können ein methodisches Werkzeug sein, wobei sie dann nicht so sehr "Objekt" sind als sie vielmehr einfach eingesetzt werden. Die wesentlichen Weiterentwicklungen

werden wohl eher von anderen Fächern ausgehen. Außerdem kann der Einsatz von Werkzeugen wie neuronalen Netzen in Organisationen zum Forschungsgegenstand

werden. Ob es sich allerdings um neuronale Netze oder konkurrierende Werkzeuge handelt, wird in vielen Kontexten nicht besonders relevant sein.Die Antwort "Ja" stellt

also nur eine Tendenz dar...

- Zu Q5: Auf der vorangehenden Seite wurde bereits vermerkt, dass kein Wissen zu neuronalen Netzen vorhanden ist, also auch kein Basiswissen. Hier fehlt eine

Ausweichoption. Basiswissen wurde trotzdem ausgewählt, weil der Fragebogen sonst

nicht fortgesetzt werden konnte

- Mit Datafizierung und Künstlicher Intelligenz lässt sich nur bedingt am Primat menschlicher (und erst recht nicht öffentlicher) Kommunikation als Formalobjekt der

Kommunikationswissenschaft festhalten.

„Künstliche Neuronale Netze“ als Forschungstool in SPSS ... file2 Abstract Unter dem Aspekt der...

Documents

Transcript of „Künstliche Neuronale Netze“ als Forschungstool in SPSS ... file2 Abstract Unter dem Aspekt der...