1 Ausgangslage
Donald J. Trump und andere PolitikerInnen haben Twitter zu ihrem bevorzugten Kommunikationskanal erkoren und nutzen es als Plattform, um ihre Meinung möglichst ungefiltert den eigenen AnhängerInnen zu vermitteln. Damit sind sie nicht allein. Allgemein findet die politische Diskussion längst nicht mehr vornehmlich in den Parlamenten statt. Auch in Deutschland ringen PolitikerInnen, Interessenverbände und Einzelpersonen um Aufmerksamkeit für ihre Botschaften und Akzeptanz für ihre Belange.
Mit 340 Mio. monatlich aktiven NutzerInnen weltweit ist Twitter die dreizehntgrößte Social Media-Plattform (1) und nimmt in Deutschland in der Rangliste der größten sozialen Netzwerke nach WhatsApp, YouTube, Facebook, Instagram, Facebook Messenger und Pinterest Platz sieben ein (2). In Deutschland nutzen 2,8 Mio. UserInnen Twitter mindestens wöchentlich, 1,4 Mio. NutzerInnen und damit 19 % täglich (3). Dabei sind die absoluten Zahlen kein bestimmender Indikator für die Relevanz von Twitter: Das soziale Netzwerk ist weniger in Betracht auf Reichweiten bedeutend, vielmehr ist Twitter in Bezug auf die öffentliche Meinungsbildung bestimmend, weil „starke Multiplikatoren […] die Plattform nutzen und Botschaften oft in reichweitenstarken Massenmedien landen.“ (3). Twitter ist ergo eine Plattform der GatekeeperInnen. Doch wer oder was sind diese MeinungsführerInnen?
Das Konzept der MeinungsführerInnen baut auf Katz und Lazarsfeld auf, welche die MeinungsführerInnenschaft im Rahmen der Verbreitung von Informationen durch Massenmedien diskutierten (4). MeinungsführerInnen gelten demnach als besonders kompetent und einflussreich (5). Dabei ist die Kompetenz nicht immer eine Zuschreibung und Anerkennung von Kenntnissen oder Fertigkeiten, sondern meint häufig, dass Personen die Ratschläge der MeinungsführerInnen eher berücksichtigen und annehmen als die anderer, wobei diese ihre Kompetenz nicht aktiv nutzen (6): Sie lenken die Meinungen und ihre Veränderungen, anstatt direkt zum Handeln zu führen (7). Meinungsführer-Innenschaft ist damit keine natürliche Eigenschaft eines Individuums. Weiterhin ist sie nicht allumfassend, vielmehr nehmen einzelne Personen zu spezifischen Themen die Rolle des bzw. der MeinungsführerIn ein (8). Es existiert ein „Grad, in dem ein Individuum in der Lage ist, die Einstellung oder das offene Verhalten anderer Individuen informell in einer gewünschten Weise mit relativer Häufigkeit zu beeinflussen.” (9)
2 Problem- und Zielstellung
Ob Kaufentscheidungen oder politische Willensbildung – MeinungsführerInnen können die öffentliche Meinung formen und Handlungen bei den Mitgliedern ihres Netzwerks inspirieren. Dies versucht die strategische Organisationskommunikation zu nutzen, indem sie MeinungsführerInnen – in sozialen Netzwerken vor allem im Bereich des Produktmarketings oftmals als Influencer bezeichnet – gezielt in die Kommunikation integriert. Dabei ist oft nicht nur unklar, wie die MeinungsführerInnen integriert werden können, um die strategischen Ziele der Kommunikationsmaßnahmen zu erreichen; oft ist sogar unklar, wer die MeinungsführerInnen überhaupt sind. Gerade letztere Unkenntnis erschwert die Kommunikation insbesondere für einzelne AkteurInnen elementar. Wer nicht weiß, welche Personen und Institutionen in sozialen Medien zum eigenen Thema als MeinungsführerInnen agieren, wird sie nicht gezielt für sich und seine Sache gewinnen können. Er kann sie und ihre Verbindungen zu anderen außerdem – und dies wiegt schwerer – nicht beobachten und gewinnt damit keine Erkenntnisse über die öffentliche Meinung.
Unklarheit über MeinungsführerInnen des öffentlichen Diskurses innerhalb der deutschsprachigen Teile der sozialen Medien besteht auch bezüglich des Themas erneuerbare Energien. Zwar ist der politische Wille in Bezug auf die Energiewende mit der Förderung erneuerbarer Energien und der Abwendung von fossilen Energiequellen klar, aber neben befürwortenden gibt es in sozialen Netzwerken ebenso kritische wie ablehnende Stimmen. Mit der vorliegenden Netzwerkanalyse soll dieses Informationsdefizit beseitigt werden. Für alle Tweets des Jahres 2019 zum Thema erneuerbare Energie analysiert sie Metrik, zeitlichen Verlauf und Wortfrequenz. Dabei werden die potentiell einflussreichsten Tweets und Accounts herausgearbeitet und die Verbindungen der einzelnen Accounts zueinander grafisch dargestellt.
3 Methodik
Die soziale Netzwerkanalyse erfasst und analysiert Beziehungen und Zusammenhänge innerhalb sozialer Netzwerke. Grundsätzlich setzt die Netzwerkforschung voraus, dass Elemente (Knoten), Beziehungen mit anderen Elementen eingehen können (Kanten) (10). Als Netzwerk wird folglich die „abgegrenzte Menge von Knoten oder Elementen und der Menge der zwischen ihnen verlaufenden sogenannten Kanten“ (11) verstanden oder anders ausgedrückt: „eine bestimmte Menge von Verbindungen zwischen einer definierten Menge von Personen, mit der zusätzlichen Eigenschaft, dass die Merkmale dieser Verbindungen als Ganzes zur Interpretation des Sozialverhaltens der beteiligten Personen herangezogen werden können“ (12).
Um diese Verbindungen in Bezug auf erneuerbare Energien anhand deutschsprachiger Tweets zu untersuchen, wurde das Python-Tool Twitterscraper (13) für die Datenakquise genutzt, da ein direkter Zugriff auf eine große Menge an historischen Daten mit der Twitter-API nicht in diesem Maße möglich ist. Die Abkürzung API steht für application programming interface. Es handelt sich also um eine Programmierschnittstelle, welche die Verbindung zwischen zwei Systemen und damit die Kommunikation bzw. eine Übertragung von Daten ermöglicht. Obwohl Twitterscraper kein offizielles Tool von Twitter ist, weshalb die Funktionalität nicht zu jedem Zeitpunkt gewährleistet ist, wurde es bereits in anderen Untersuchungen (14) mit guten Resultaten verwendet, sodass die Funktionalität vor Start dieser Analyse als bestmöglich gegeben eingeschätzt wurde.
4 Datenakquise
Die Tweets des Jahres 2019 wurden am 21. Januar 2020 erfasst. Dabei wurden 8.195 Tweets mit der eineindeutigen Phrase „erneuerbare Energie(n)“ registriert, ohne das Merkmal Groß- und Kleinschreibung zu berücksichtigen. Um den in seinem Umfang noch nicht ausreichenden Datensatz zu erweitern, wurden bei weiteren Abrufen 3.083 zusätzliche Tweets mit dem inkludierten Wort „erneuerbar“ und 34.507 Tweets mit dem Begriff „erneuerbare“ gesammelt. Damit beläuft sich die Gesamtdatenmenge zum Thema erneuerbare Energie(n) im deutschsprachigen Teil von Twitter im Jahr 2019 auf 45.785 Tweets. Diese Gesamtmenge ist ein aussagekräftiger Datenkorpus, der repräsentative Schlüsse zulässt, weshalb keine weiteren Abfragen erfolgten, mit denen die Datenmenge durch weitere spezifische, themenverwandte Hashtags hätte erweitert werden können.
Twitterscraper liefert eine limitierte Anzahl an Metadaten. Um diese möglichst zu vervollständigen, wurden die individuellen Tweet-IDs des gewonnenen Datensatzes extrahiert und mit ihnen individuelle Anfragen an die Twitter-API gesendet. Mit diesem zweistufigen Prozess wird die begrenzte Möglichkeit der Programmierschnittstelle zum Sammeln historischer Daten umgangen. Jedoch wurden nicht alle Anfragen erfolgreich beantwortet, wobei es sich vermutlich um eine weitere Einschränkung der kostenlosen Standardversion der Twitter-API handelt. Auch das mehrmalige Wiederholen der Anfragen führte zu keiner Verbesserung der Ergebnisse. Weil keine konkrete Einsicht in die unterliegenden Methoden der Twitter-API möglich ist, muss diese Unvollständigkeit der Metadaten toleriert werden. Schließlich wurden mögliche Duplikate im Datensatz entfernt. Nach den API-Anfragen verbleiben 37.760 Tweets, die für die Analyse zur Verfügung stehen.
5 Ergebnisse
5.1 Allgemeine Metriken zum Datensatz
Das Netzwerk, das auf Grundlage des Datensatzes analysiert wird, umfasst 13.287 einzigartige Accounts. Durchschnittlich hat jeder Account 2,84 Tweets zum Thema erneuerbare Energien verfasst. Kumulativ haben die Accounts 52.182.970 FollowerInnen, wobei die reale Anzahl individueller FollowerInnen geringer ist, da Überschneidungen auftreten, weil Personen mehreren -Accounts folgen.
Von den 37.760 Tweets enthalten 17.175 eine URL, von denen wiederum 14.228 einzigartig sind. Bei ihnen handelt es sich in 167 Fällen um YouTube-URL, die als Maß für die Videohäufigkeit gewertet werden. Bilder enthalten 6.294 Tweets des Datensatzes. Insgesamt entfielen 232.114 Likes auf die Tweets und 70.488 Retweets wurden getätigt. Wie bei der FollowerInnenanzahl ist daraus keine absolute Reichweite individueller Accountsf abzuleiten, da auch dabei Überschneidungen möglich sind, weil Einzelaccounts mehrere Beiträge liken und retweeten können.
5.2 Zeitlicher Verlauf
Fig. 1. Total tweet frequency per calendar week for tweets linked to renewable energies in Germany in 2019. // Bild 1. Anzahl der geposteten Tweets zu erneuerbarer Energie pro Kalenderwoche für 2019. Source/Quelle: Hochschule Mittweida
Durchschnittlich wurden im Jahr 2019 pro Kalenderwoche 712 Tweets verfasst, die dem Thema erneuerbare Energien zuzuordnen sind. Dabei traten sechs Spitzen auf, zu denen die Anzahl der Tweets pro Kalenderwoche 1.000 überstieg (Bild 1). Diese Anstiege lassen sich teils auf die politische Debatte in der nicht-virtuellen Welt sowie nachrichtliche Ereignisse zurückführen. So stellte beispielsweise die CDU in Kalenderwoche 38 ihr Klimakonzept vor (15), das u. a. wegen der Pläne im Bereich des Verkehrs Kritik erfuhr (16). Zeitgleich wurden die Klimaaktivistin Greta Thunberg und Fridays for Future von Amnesty International mit dem Preis „Botschafter des Gewissens“ ausgezeichnet (17), Thunberg besuchte die Vereinigten Staaten von Amerika (18), die Friday for Future-Bewegung protestierte weltweit für Klimaschutz (19) und die deutsche Koalition einigte sich auf ihr Klimaschutzpaket (20).
5.3 Wortfrequenzen
Zur Verarbeitung der textuellen Daten und zum Zählen häufig auftretender Wörter wurde der Textkorpus zunächst von Stoppwörtern bereinigt. Bei ihnen handelt es sich um häufig verwendete Wörter, die aufgrund ihrer Prävalenz in allen sprachlichen Sektoren nichts über den Inhalt eines konkreten Textes aussagen. Dies inkludiert beispielweise Pronomen und Artikel. Zum Entfernen der Stoppwörter wurde sowohl das Package stopwords in R (21) als auch das Stoppwortlexikon von Graham (22) verwendet. Abschließend wurden häufige Okkurrenzen wie beispielsweise die Kurzformen der Twitter-URL t.co und allgemeine in URL-Strukturen auftretende Strings, wie https sowie Zahlen von 1 bis 100 entfernt. Im verbleibenden Textkorpus wurde gemessen, wie häufig jedes Wort auftritt.
Die gefilterte Darstellung der Wortfrequenzen zeigt eine Häufung des Begriffs Energiewende, der über 4.000 Mal vorkommt. CO2 ist der zweithäufigste Begriff mit über 3.000 Nennungen und der Begriff Strom wird als dritthäufigster erwähnt (weniger als 3.000 Mal). Insgesamt deuten die Wortfrequenzen bei den Twitter-Diskussion auf eine starke Betonung der Energiewende in Bezug auf Strom hin (Bild 2).
Fig. 2. Filtered wordcloud of German tweets linked to renewable energies in 2019. // Bild 2. Gefilterte Wortwolke der deutschsprachigen Tweets zu erneuerbaren Energien im Jahr 2019. Source/Quelle: Hochschule Mittweida
Wärmeerzeugung ist kaum ein Diskussionsthema. Lediglich Gas und Kohle, die der Verstromung dienen können, finden sich innerhalb der 20 meistgenutzten Wörter (Bilder 2 und 3).
Fig. 3. Occurence frequency of the twenty most used words in German tweets linked to renewable energies in 2019. Bild 3. Zwanzig meistgenutzte Begriffe in deutschsprachigen Tweets zu erneuerbaren Energien im Jahr 2019. Source/Quelle: Hochschule Mittweida
Unter den Erneuerbare Energien-Anlagen dominiert Windkraft mit den Begriffen Wind, Windenergie, Windkraft, gefolgt von Solar. Die einzige in dieser Liste vorkommende Partei ist die CDU, was einerseits auf die Debatte über das Klimaschutzkonzept der Partei und andererseits auf die Rolle als größere Partei der Bundesregierung zurückzuführen sein kann.
5.4 Potentiell einflussreichste Tweets nach Likes und Retweets sowie Accounts nach FollowerInnenanzahl
Um die Twitter-MeinungsführerInnen beim Thema erneuerbare Energien zu identifizieren, wurden zweierlei Kategorien betrachtet. Erstens wurden die potentiell einflussreichsten Accounts bestimmt, indem aus allen Tweets zum Thema jene identifiziert wurden, welche die größte Anzahl an AbonnentInnen (FollowerInnen) und damit die potentiell größte organische Reichweite aufweisen, weil sie ihre FollowerInnen direkt erreichen. Zweitens wurden die potentiell einflussreichsten Tweets bestimmt, indem die Menge von Likes und Retweets zu den einzelnen Tweets addiert wurden, um so die Reichweite über eine Weiterverbreitung durch andere Personen bewerten zu können. Dabei wurden Likes und Retweets als gleichwertig angesehen.
Aus den 50 potentiell einflussreichsten Accounts lässt sich eine Kategorisierung ableiten: 29 Accounts sind Nachrichten-/Journalismusmarken, zwei weitere sind JournalistInnen, zehn sind politische Accounts von Parteien und PolitikerInnen, drei sind Personen des öffentlichen Lebens, zwei Accounts sind Umweltorganisationen, ein Account ist der eines Unternehmens und zwei Accounts lassen sich keiner Kategorie zuordnen (Bild 4).
Fig. 4. Domains of the 50 accounts with the highest followership (relative and absolute values). // Bild 4. Kategorisierung der 50 potentiell einflussreichsten Accounts zu erneuerbaren Energien im Jahr 2019 (in Prozent und absolut). Source/Quelle: Hochschule Mittweida
Die Dominanz von News-Angeboten und PolitikerInnen resultiert mutmaßlich aus ihren multithematischen Inhalten und der Relevanz der Accounts für die NutzerInnen. Eine höhere Relevanz für die Diskussion zum Thema erneuerbare Energien lässt sich daraus jedoch nicht unmittelbar ableiten. Auch die absolute Zahl der FollowerInnen ist kaum zu vergleichen, da nicht feststellbar ist, welche NutzerInnen einem bestimmten Account folgen, um Informationen zu erneuerbaren Energien zu erhalten. Bei monothematischen Accounts, die sich ausschließlich mit erneuerbaren Energien befassen, wäre der Einfluss deshalb tendenziell leichter zu identifizieren.
Bei den Nachrichtenmedien führen folgende Accounts die Liste an: Tagesschau (@-tagesschau), Der Spiegel (@-derspiegel) gefolgt von Zeit-Online (@-zeitonline), Bild (@-bild) und Süddeutsche Zeitung (@-sz). Unternehmen aus dem Energiesektor sind nicht enthalten, lediglich die niederländische Fluggesellschaft KLM twitterte zur Thematik. In der Parteienlandschaft sind die SPD (@-spd), CDU (@-cdu), Die Linke (@-dielinke) sowie die Politiker Christian Lindner (@-c_lindner), Sebastian Kurz (@-sebastiankurz), Hans-Christian Ströbele (@-mdb_stroebele), Sigmar Gabriel (@-sigmargabriel) und Peter Altmaier (@-peteraltmaier) vertreten. Aus der Exekutive – abgesehen von individuellen Profilen von PolitikerInnen – sind lediglich das Auswärtige Amt (@-auswaertigesamt) und die Stadt München (@-stadtmuenchen) unter den potentiell einflussreichsten Accounts.
Table 1. Authors of the ten most influential tweets, judged by the total like and retweet count. // Tabelle 1. Zehn potentiell einflussreichste Tweets, gemessen an Likes und Retweets. Source/Quelle: Hochschule Mittweida
Aufgrund der FollowerInnenanzahl lässt sich der potentielle Einfluss eines Accounts nur bedingt ableiten, da daraus keine Reaktion der FollowerInnen auf die Botschaft ableitbar ist. Die in Likes und Retweets ausgedrückten Interaktionen der Empfänger-Innen mit den Botschaften der SenderInnen sollen addiert über die einflussreichsten Tweets Auskunft geben. Beide Handlungen vergrößern die Reichweite von Tweets, weil jene NutzerInnen, die mit den reagierenden Accounts verbunden sind, die Tweets aufgrund dieser Handlungen in ihrer individuellen Timeline angezeigt werden können. Das Ergebnis dieser Bewertung ist eine Konzentration von wenigen Accounts an der Spitze des Rankings. Keiner davon gehört zu jenen, die aufgrund ihrer Followeranzahl zu den potentiell einflussreichsten zählen: Unter den 30 relevantesten Tweets waren sieben des Ingenieurwissenschaftlers und Professors für regenerative Energiesysteme an der Hochschule für Technik und Wirtschaft in Berlin, Volker Quaschning (@-vquaschining), fünf der erfolgreichsten Tweets stammten von der Initiative Fridays for Future Germany (@-fridayforfuture) und zwei Tweets wurden vom Erlanger Stadtrat der Klimaliste Erlangen, Sebastian Hornschild (@-fshhornschild), gesendet. Absolut betrachtet, stammt der einflussreichste Tweet mit rund 6.500 Likes und über 2.000 Retweets von Luisa Neubauer (@-luisamneubauer), die wie Hornschild eine Angehörige der Fridays for Future-Bewegung ist (Tabelle 1, Bild 5).
Fig. 5. Six tweets that received the most likes and retweets (23, 24, 25, 26, 27, 28). // Bild 5. Sechs Tweets mit den meisten Interaktionen (23, 24, 25, 26, 27, 28).
Dass keiner der reichweitenstärksten, also potentiell einflussreichsten Accounts mit hoher FollowerInnenanzahl einen der einflussreichsten Tweets sendete, ist indes nicht verwunderlich. Retweets weisen eine starke soziale Komponente auf (29) und werden oft auch genutzt, um Aussagen zu treffen, die eine Selbstpositionierung gegenüber dem individuellen Netzwerk bewirken (30). Es gibt drei dominante Faktoren, welche die Wahrscheinlichkeit eines Retweets beeinflussen: Charakteristiken des oder der mit einer Nachricht konfrontierten NutzerIn (31, 32), der Nachrichtenquelle (33, 34) und der Nachricht an sich (35). Dabei ist der Informationswert der Nachricht nicht unbedingt der entscheidende Faktor für die Entscheidung der NutzerIn, eine Nachricht zu retweeten. Vielmehr kann der Ausdruck einer Meinung noch bedeutender sein (36). Im konkreten Datensatz ist die Wahrscheinlichkeit einer inkludierten Meinung bei nachrichtlichen Accounts wesentlich geringer als bei Individualaccounts. Zudem standen Fridays for Future und die damit verbundenen Accounts von Sebastian Hornschild und Luisa Neubauer während des Jahres 2019 auch aufgrund der medialen Berichterstattung verstärkt im Blickpunkt.
5.5 Potentiell einflussreichste Accounts: Graphen und LeaderRank
Um das Twitter-Netzwerk zum Thema erneuerbare Energien im Jahr 2019 zu visualisieren, werden die beteiligten Accounts und ihre Verbindungen untereinander als Graph dargestellt. Dabei wird zunächst nur deutlich, dass erneuerbare Energien in Tweets einer Vielzahl von Accounts thematisiert werden, die teils keine Verbindungen untereinander aufweisen (Bild 6). Um eine genauere Untersuchung zuzulassen, wurde der Datensatz deshalb gefiltert.
Fig. 6. Graph of the German Twitter network for renewable energies. dark colours indicate a high, lighter colours a low out-degree; big nodes were mentioned frequently. // Bild 6. Visualisierung des Netzwerks der Tweets zu erneuerbarer Energie (Ausschnitt); dunkle Punktfarbe visualisiert einen hohen Out-Degree, helle einen niedrigen; große Knoten wurden häufig erwähnt. Source/Quelle: Hochschule Mittweida
Zunächst wurden die Knotenpunkte entfernt, die in der Peripherie liegen und keine Verbindung zu den zentralen Knotenpunkten aufweisen. Es handelt sich bei diesen zwar um Tweets zum untersuchten Thema, sie stehen jedoch in keinem konkreten sozialen Kontext, da sie keine Verbindung zu anderen TeilnehmerInnen des Netzwerks aufweisen, weil sie weder Antworten auf Tweets des Netzwerks waren, noch von diesen erwähnt wurden. Im nächsten Schritt wurden aus Übersichtsgründen Knotenpunkte mit einem In-Degree-Wert kleiner oder gleich fünf herausgefiltert. In-Degree gibt an, wie viele Kanten in einem gerichteten Graphen auf einen Knotenpunkt zeigen. Dementsprechend sind in dem folgenden Graphen (Bild 7) nur noch Accounts zu finden, die mehr als fünfmal im vorliegenden Netzwerk erwähnt wurden.
Fig. 7. Filtered visualized excerpt of the German Twitter network linked to renewable energies. // Bild 7. Gefilterte Visualisierung des Netzwerks der Tweets zu erneuerbarer Energie (Ausschnitt). Source/Quelle: Hochschule Mittweida
Als Resultat können einzelne Knoten entstehen, die scheinbar allein im Netz sind. Dabei handelt es sich um Accounts, die zwar mehr als fünfmal erwähnt wurden, die sie erwähnenden Accounts haben die Schwelle fünf jedoch selbst nicht überschritten. Die Größe der Knotenpunkte orientiert sich dabei an den eingehenden Kanten: Große Knotenpunkte wurden häufiger erwähnt als kleine. Das Gegenstück zum In-Degree, der Out-Degree, gibt an, wie viele Kanten von einem Knotenpunkt ausgehen. Im entstandenen Graphen ist dies an der Farbe der Knotenpunkte zu erkennen. Tief dunkelrote Farbtöne repräsentieren einen hohen Out-Degree, mit zunehmender Helligkeit nimmt die Anzahl der ausgehenden Knoten ab. Die Darstellung bleibt auch mit Filter aufgrund des Datenumfangs schwierig. Der gefilterte Datensatz ermöglicht jedoch die Untersuchung weiterer Fragestellungen wie etwa einer Analyse der Netzwerke einzelner Accounts, um zu erfahren, welche NutzerInnen mit zentralen Accounts interagieren. Weiterhin kann dieser gefilterte Datensatz als Basis genutzt werden, um ihn mit einem Datensatz eines späteren Zeitpunkts zu vergleichen und so Veränderungen über bestimmte Zeitabschnitte hinweg zu analysieren.
Trotz der noch nicht übersichtlichen Darstellung im gefilterten Graphen scheinen mehrere Accounts wie die von Peter Altmaier (@-peteraltmaier), Volker Quaschning (@-vquaschning) oder auch Fridays for Future (@-fridayforfuture) in der Diskussion um erneuerbare Energien zentral, was auf die Rolle als MeinungsführerIn hindeuten kann. Diese Positionierung soll mittels der Bestimmung des LeaderRank überprüft werden. LeaderRank ist ein iterativer Algorithmus, welcher die Interaktionen zwischen BenutzerInnen in einem Netzwerk misst und daraus ein Autoritätsmaß ableitet. Entwickelt wurde der LeaderRank, bei dem es sich um eine Weiterentwicklung des Google PageRank-Algorithmus handelt (37), von Lü et al. (38). Im Unterschied zu PageRank hat der LeaderRank (Gleichung 1) einen Basisknotenpunkt sg(0) = 0, der mit allen anderen verbunden ist. Dies liefert eine höhere Konnektivität und gewährleistet so die benötigte Konvergenz. si(t+1) ist der LeaderRank für Person i zum Zeitpunkt t+1 und sj(t) repräsentiert den LeaderRank von Person j zum Zeitpunkt t. Wenn zwischen j und i eine gerichtete Kante vorliegt, dann gilt aji = 1, andernfalls aji = 0. kjout gibt den Out-Degree von Person j an.
(Gleichung 1)
Da es sich bei dem Basisknotenpunkt um keine tatsächliche TeilnehmerIn des Netzwerks handelt, sondern dieser nachträglich eingefügt wurde, um die Konvergenz des iterativen Prozesses zu gewährleisten, muss der von dem Basisknoten gesammelte Wert, wie in Gleichung 2 zu sehen, zum Konvergenzzeitpunkt tc in gleichen Teilen auf die anderen Knoten im Netzwerk aufgeteilt werden.
(Gleichung 2)
Die FollowerInnenanzahl und die Tweets mit den meisten Likes und Retweets sind Indikatoren für einflussreiche Accounts, welche sich z. T. in den LeaderRank-Ergebnissen widerspiegeln. Politische Parteien wie BÜNDNIS 90/DIE GRÜNEN scheinen im Rahmen von erneuerbaren Energien eine relevante Rolle zu spielen, und auch die CDU spielt, vermutlich aufgrund des in der 38. Kalenderwoche präsentierten Klimakonzepts eine relevante Rolle im Netzwerk zu erneuerbaren Energien. Weiterhin sind einige Accounts mit hohen FollowerInnenzahlen vorzufinden. Dabei handelt es sich allerdings überwiegend um Nachrichtenportale (@-faznet, @-spiegelonline, @-welt). Auch für erneuerbare Energien relevante Akteure wie die Bundesministerin für Umwelt, Naturschutz und nukleare Sicherheit, Svenja Schulze (@-svenjaschulze68), und der Bundesminister für Wirtschaft und Energie, Peter Altmaier (@-peteraltmaier), scheinen eine wesentliche Rolle im Netzwerk einzunehmen.
Die Okkurrenz von politischen Parteien, Nachrichtenmedien und politisch relevanten AkteurInnen kann in gewissem Maß auch a priori vermutet werden. Diese Positionen sind zwar gesellschaftlich relevant, liefern aber nicht zwangsläufig Erkenntnisse über die in der Kommunikation des Netzwerks tatsächlich einflussreichen Personen. Eine stärkere Rolle spielen oftmals polarisierende Personen und Gruppierungen wie Volker Quaschning, Luisa Neubauer und Fridays for Future. Eine Analyse solcher polarisierenden Accounts ist oftmals zielführender, weil sie einen tatsächlichen Eindruck der dominanten Meinungen im Netzwerk erlaubt. In die Kategorie der polarisierenden MeinungsführerInnen fallen beim LeaderRank der zehn einflussreichsten Accounts jedoch nur die genannten drei (Tabelle 2).
Table 2. LeaderRank (rounded), Top 10. // Tabelle 2. LeaderRank (gerundet), Top 10. Source/Quelle: Hochschule Mittweida
Der LeaderRank bezieht in dieser Form allerdings keine zusätzlichen Metriken wie die Like- oder Retweet-Angaben ein, obwohl diese maßgeblich zur Meinungsbildung auf Twitter beitragen. Der Adjusted LeaderRank baut auf den bereits berechneten Werten auf, wichtet als zusätzliche Faktoren jedoch die Tweetfrequenz sowie Likes und Retweets (Tabelle 3). Als Resultat erhalten Accounts, die zwar häufig erwähnt werden, dabei aber nicht maßgeblich zur Meinungsbildung im konkreten Netzwerk beitragen, einen schlechteren Wert im Ranking. Somit werden tatsächliche MeinungsführerInnen im Ranking höher platziert. Beim Vergleich des LeaderRanks und des Adjusted LeaderRanks (Tabellen 2, 3) wird deutlich, dass beispielweise FAZ, Welt, Spiegel und die Grünen beim Adjusted Leader Rank keine Top-Position einnehmen. Stattdessen belegen mehr Individuen die Spitzenplätze, darunter Simone Peter (@-peter_simone), Karl Lauterbach (@-karl_lauterbach) und Claudia Kemfert (@-ckemfert). Dieses Ergebnis bestätigt das Verfahren insofern, dass das Ziel dieser Arbeit die Identifikation von MeinungsführerInnen ist, und es sich bei diesen per Definition um einzelne Individuen handelt – nicht um journalistische Medien oder politische Parteien.
6 Zusammenfassung und Ausblick
Die Ergebnisse der verschiedenen Analysen zeigen, dass potentielle Reichweite durch die FollowerInnenanzahl nicht sicher als Indikator für eine MeinungsführerInnenschaft herangezogen werden kann, weil sie ihren Ursprung nicht zwangsläufig im untersuchten Netzwerk hat. Die Wertung einflussreicher Einzel-Tweets ist ein zuverlässigeres Indiz. Die AutorInnen von zwei der sechs interaktionsstärksten Tweets (@-vquaschning, @-luisamneubauer) nehmen in beiden LeaderRank-Verfahren eine hohe Position ein. Als MeinungsführerInnen im engeren Sinne sind Volker Quaschning und Luisa Neubauer damit sicher zu bezeichnen. Neben Neubauer zählt Bundesumweltministerin Svenja Schulze (@-svenjaschulze68) ebenfalls als Meinungsführerin mit politischem Hintergrund, sie ist in den Top 10 beider LeaderRank-Verfahren geführt. Des Weiteren sind die Wirtschaftswissenschaftlerin Claudia Kemfert (@-ckemfert) und die PolitikerInnen Simone Peter (@-peter_simone) sowie Karl Lauterbach (@-karl_lauterbach) als Meinungsmacher zu klassifizieren (Tabelle 3).
Table 2. LeaderRank (rounded), Top 10. // Tabelle 2. LeaderRank (gerundet), Top 10. Source/Quelle: Hochschule Mittweida
Allerdings gibt es eine Einschränkung der Aussagekraft dieser Werte. Die FollowerInnenanzahl wurde im Jahr 2020 registriert und ist nicht zwangsläufig repräsentativ für das Jahr 2019, weil die Auswertung eine Entwicklung der Abonnenten-Innenzahl nicht erfasst. Darüber hinaus lässt der Datensatz keine ausschließlichen Schlüsse für die Diskussion zu erneuerbaren Energien in Deutschland zu, sondern nur zur deutschsprachigen Twitter-Diskussion über erneuerbare Energien. Englischsprachige Tweets sind nicht enthalten, allerdings Accounts aus anderen deutschsprachigen Ländern.
Aus der vorliegenden Untersuchung lassen sich noch keine verlässlichen Aufschlüsse über die Art ableiten, wie Tweets auf EmpfängerInnen wirken, d. h., ob sie die Meinung der anderen Personen im jeweiligen Netzwerk beeinflussen. Zu dieser Fragestellung sind weitere Untersuchungen nötig, die insbesondere die Wahrnehmung der Botschaften durch die EmpfängerInnen prüfen.
References/Quellenverzeichnis
References/Quellenverzeichnis
(1) DataReportal: Digital 2020 Germany. URL: https://datareportal.com/reports/digital-2020-global-digital-overview, (30.01.2020), zuletzt abgerufen: 11.08.2020, S. 95.
(2) DataReportal: Digital 2020 Germany. URL: https://datareportal.com/reports/digital-2020-germany, (12.02.2020), zuletzt abgerufen: 11.08.2020, S. 43.
(3) Buggisch, C.: Social-Media-Netzwerke im Überblick: Wer hat welche Reichweite? URL: www.buchreport.de/news/it-social-media-netzwerke-im-ueberblick-reichweite-2020/, (18.03.2020), zuletzt abgerufen: 11.08.2020.
(4) Katz, E.; Lazarsfeld, P. F.: Personal influence: The part played by people in the flow of mass media. Glencoe: Free Press, (1955).
(5) Dressler, M.; Telle, G.: Meinungsführer in der interdisziplinären Forschung – Bestandsaufnahme und kritische Würdigung. Wiesbaden: GWV Fachverlage GmbH, (2009), S. 11.
(6) Richmond, V. P.; McCroskey, J. C.: Whose Opinion Do You Trust? Journal of Communications, Vol. 25, (1975), S. 41ff.
(7) Katz, E.; Lazarsfeld, P. F.: Personal influence: The part played by people in the flow of mass media. Glencoe: Free Press, (1955), S. 138.
(8) Wolke, J.; Koch, S.: Personal Influence. The Part Played by the People in the Flow of Mass Communication von Elihu Katz und Paul Felix Lazarsfeld (1955). In: Potthoff, M.: Schlüsselwerke der Medienwirkungsforschung. Wiesbaden: Springer Fachmedien, (2016), S. 61 – 73 (S. 65).
(9) Rogers, E. M.: Diffusion of Innovations. 4. Aufl., New York, NY: Free Press, (1995), S. 27.
(10) Gamper, M.: Netzwerkanalyse – eine methodische Annährung. In: Klärner, A.; Gamper, M.; Keim-Klärner, S.; Lippe, H. v. d.; Moor, I.; Richter, M.; Vonneilich, N.: Soziale Netzwerke und gesundheitliche Ungleichheiten – eine neue Perspektive für die Forschung, Springer VS, (2020), S. 109 – 133 (S. 110).
(11) Jansen, D.: Einführung in die Netzwerkanalyse: Grundlagen, Methoden, Forschungsbeispiele. Wiesbaden: VS Verlag, (2006), S. 58.
(12) Mitchell, J. C.: Social networks in urban situations: Analyses of personal relationships in central African towns. Manchester: -Manchester University Press, (1969), S. 2.
(13) Taspinar, A.: Twitterscraper. URL: https://github.com/taspinar/twitterscraper, (2019), zuletzt abgerufen: 11.08.2020.
(14) Hanke, K.: Improving existing opinion leadership measures. URL: https://monami.hs-mittweida.de/frontdoor/index/index/docId/11494 (2019), zuletzt abgerufen: 11.08.2020.
(15) Ulrich, A.: So will die CDU die Klimaziele stemmen. URL: www.tagesschau.de/inland/cdu-klimakonzept-105.html, (16.09.2019), zuletzt abgerufen: 11.08.2020.
(16) Tagesschau: Scharfe Kritik von allen Seiten. URL: www.tagesschau.de/inland/kritik-verkehr-klimaschutz-101.html, (17.09.2019), zuletzt abgerufen: 11.08.2020.
(17) Tagesschau: Thunberg ist „Botschafterin des Gewissens“. URL: www.tagesschau.de/ausland/thunberg-amnesty-preis-103.html, (17.09.2019), zuletzt abgerufen: 11.08.2020.
(18) Ostermann, T.: Gretas Amerika-Mission. URL: www.tagesschau.de/ausland/greta-thunberg-amerika-101.html, (19.09.2019), zuletzt abgerufen: 11.08.2020.
(19) Tagesschau: Millionen zum Klimaprotest erwartet. URL: www.tagesschau.de/inland/klimastreiks-friday-for-future-101.html, (19.09.2019), zuletzt abgerufen: 11.08.2020.
(20) Tagesschau: Koalition einigt sich auf Klimaschutzpaket. URL: www.tagesschau.de/inland/klimaverhandlungen-union-spd-107.html, (20.09.2019), zuletzt abgerufen: 11.08.2020.
(21) Benoit, K.; Muhr, D.; Watanabe, K.: stopwords: Multilingual Stopword Lists. R package version 1.0. URL: https://CRAN.R-project.org/package=stopwords, (2019), zuletzt abgerufen: 11.08.2020.
(22) Graham, P.: contributors. URL: https://github.com/6/stopwords-json, (2019), zuletzt abgerufen: 11.08.2020.
(23) Neubauer, L.: ++#FridaysForFuture fordert++… [Tweet]. Twitter. URL: https://twitter.com/Luisamneubauer/status/1115178631159005184, (08.04.2019), zuletzt abgerufen: 11.08.2020.(24) FCKAFD_RAUS: Laut #AfD muss ich Flüchtlinge bei mir zu Hause… [Tweet]. Twitter, URL: https://twitter.com/FCKAFD_RAUS/status/1171023290531557376, (09.09.2019), zuletzt abgerufen: 11.08.2020.
(25) Hornschlid, S.: Erneuerbare-Energien-Gesetz (EEG)… [Tweet]. Twitter. URL: https://twitter.com/FSHornschild/status/1151883831571619840, (18.07.2019), zuletzt abgerufen: 11.08.2020.
(26) FridayForFuture: Lieber @janboehm, wenn du beim Programm… [Tweet]. Twitter. URL: https://twitter.com/FridayForFuture/status/1167162634971570176, (29.08.2019), zuletzt abgerufen: 11.08.2020.
(27) Quaschning, V.: Wie cool ist das denn: Niederländisches Gericht… [Tweet]. Twitter. URL: https://twitter.com/VQuaschning/status/1208091972495216640, (20.12.2019), zuletzt abgerufen: 11.08.2020.
(28) Trittin, J.: Die #afd leugnet die #Klimakrise und bekämpft #Erneuerbare Energien… [Tweet]. Twitter. URL: https://twitter.com/JTrittin/status/1139140358720245760, (13.07.2019), zuletzt abgerufen: 11.08.2020.
(29) Yang, J.; Counts, S.: Predicting the speed, scale, and range of information diffusion in Twitter. In: Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media, Vol. 10, Dublin, Ireland: AAAI, (2010), S. 355 – 358.
(30) Cha, E.: The Twitter ties that retweet: Information diffusion in social movements. Stanford, CA: Department of Communication, Stanford University, (2010).
(31) Boyd, D. M.; Golder, S.; Lotan, G.: Tweet, tweet, retweet: Conversational aspects of retweeting on Twitter. In: Proceedings of the 43rd Hawaii International Conference on System Sciences (HICSS), Honolulu, HI: IEEE, (2010), S. 1 – 10.
(32) Rudat, A.; Buder, J.; Hesse, F. W.: Audience design in Twitter: Retweeting behavior between informational value and followers’ interests. Computers in Human Behavior, 35, https://doi.org/10.1016/j.chb.2014.03.006, (2014), S. 132 – 139.
(33) Suh, B.; Hong, L.; Pirolli, P.; Chi, E. H.: Want to be retweeted? Large scale analytics on factors impacting retweet in Twitter network. In: Proceedings of the 2010 IEEE Second International Conference on Social Computing, Washington, DC: IEEE, (2010), S. 177 – 184.
(34) Wang, X.; Liu, H.; Zhang, P.; Li, B.: Identifying information spreaders in Twitter follower networks. In: Proceedings of the Sixth ACM International Conference on Web Search and Data Mining. Rome, Italy: ACM, (2013).
(35) Macskassy, S. A.; Michelson, M.: Why do people retweet? Anti-homophily wins the day! In: Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media (ICWSM), Dublin, Ireland: AAAI, (2012), S. 209 – 216.
(36) Boehmer, J.; Tandoc, E.: Why We Retweet: Factors Influencing Intentions to Share Sport News on Twitter. In: International Journal of Sport Communication, 8, (2015), S. 212 – 232.
(37) Brin, S.; Page, L.: The anatomy of a large-scale hypertextual web search engine. Comput. Netw. ISDN Syst., Vol. 30, No. 1 – 7, (1998), S. 107 – 117.
(38) Lü, L.; Zhang, Y. C.; Yeung, C. H.; Zhou, T.: Leaders in social networks, the delicious case, PloS one, Vol. 6, No. 6, e21202, (2011).
