„Künstliche Neuronale Netze“ als Forschungstool in SPSS ... file2 Abstract Unter dem Aspekt der...
Transcript of „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
H1.1: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region
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
9.3.2 Überprüfung der Hypothese 1.2
H1.2: Die Mehrheit der empirisch arbeitenden Kommunikationsforscher der DACH-Region
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
9.4.1 Überprüfung der Hypothese 2.1
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.