idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Forschende der TU Wien entwickeln ein Modell, das Meinungen nicht als diametral entgegensetzte Pole interpretiert, sondern als überlappende Bereiche auf Gruppenebene.
Wie lassen sich Konflikte und Polarisierung in sozialen Netzwerken besser verstehen? Ein Forschungsteam um Stefan Neumann hat ein neues Verfahren entwickelt, das nicht von starren Lagern ausgeht, sondern Meinungen als überlappende Intervalle modelliert. Anhand politischer Daten aus Deutschland und weiterer Netzwerke zeigt die Arbeit, wie sich Konfliktstrukturen auf Gruppenebene interpretieren lassen.
Polarisierung jenseits einzelner Kommentare
Soziale und digitale Netzwerke sind geprägt von Konflikten, Zuspitzung und Polarisierung. Einzelne problematische Inhalte wie Beleidigungen oder Falschinformationen lassen sich häufig relativ leicht als solche identifizieren. Schwieriger ist jedoch die Analyse auf einer übergeordneten Ebene: Welche Gruppen stehen miteinander im Konflikt, und wie sind diese Konflikte strukturiert?
Genau hier setzen Stefan Neumann und sein Team an. „Wir untersuchen soziale Netzwerke nicht auf Ebene einzelner Personen, sondern betrachten Interaktionen zwischen Gruppen“, erklärt Neumann. Ziel ist es, besser zu verstehen, welche Meinungsbereiche miteinander kompatibel sind – und wo Verständigung zunehmend schwierig wird.
Ein neues Modell bildet Meinungen als Intervalle ab
In der Vergangenheit wurde Polarisierung oft entlang zweier starker Pole analysiert, wie sie etwa im politischen System der USA sichtbar sind. Viele gesellschaftliche Debatten folgen jedoch keinem klar binären Muster, sondern bilden ein Spektrum unterschiedlicher Positionen ab.
Statt feste Lager zu konstruieren, modelliert der neue Algorithmus daher sogenannte Meinungsintervalle. „Die Forschung zeigt, dass Menschen mit Positionen in einem bestimmten Bereich gut interagieren können. Jenseits dieses Bereichs nimmt die Akzeptanz jedoch ab“, weiß Neumann. Je unterschiedlicher die Meinungen sind, desto schwerer wird es, sich einander anzunähern. Gemeinsame Themen können jedoch helfen, miteinander in den Dialog zu treten und auch offener gegenüber anderen Meinungen zu sein.
Von Politik bis Bitcoin-Netzwerk
Um das Verfahren zu evaluieren, wurde es auf mehrere reale Datensätze angewendet. Ein Schwerpunkt liegt auf politischen Abstimmungen im Deutschen Bundestag. Analysiert wurden Abstimmungsdaten von 1.480 Abgeordneten über einen Zeitraum von 13 Jahren. Im Vergleich zu stark polarisierten Zweiparteiensystemen erlaubt das Mehrparteiensystem eine differenziertere Analyse. Weiters wurden auch Netzwerke aus dem Bitcoin-Umfeld untersucht. Dort spielen Vertrauens- und Konfliktbeziehungen eine zentrale Rolle, etwa bei der Frage, welchen Akteur_innen zugetraut wird, technische Prozesse korrekt umzusetzen. Auch hier zeigt sich, dass man die Bildung von Gruppen nicht streng als Polarisierung in entgegengesetzte Lager sehen sollte, sondern dass es besser ist, in überlappenden Intervallen zu denken. Die Kontexte, in denen sich der Algorithmus einsetzen lässt, sind entsprechend vielfältig.
„Ein großer Vorteil liegt außerdem in der Datenminimierung: Es genügen Informationen über positive und negative Interaktionen, um aussagekräftige Muster zu erkennen“, betont Stefan Neumann.
Von großer Relevanz
Das Verfahren stammt aus der sozialen Netzwerkanalyse und zielt auf gut interpretierbare Ergebnisse ab. Besonders relevant ist dieses Wissen für die Forschung zu sozialem Zusammenhalt, politischer Kommunikation und Plattformdynamiken.
Gleichzeitig gelten Methoden, die auf Gruppenebene arbeiten, im Hinblick auf Datenschutz als weniger kritisch als Ansätze, die gezielt einzelne Personen analysieren oder beeinflussen.
Die Ergebnisse wurden bei der Thirty-ninth Annual Conference on Neural Information Processing Systems, der weltweit größten Konferenz für Machine Learning, vorgestellt. Sie wurde als eine von nur 77 aus 5,290 akzeptierten und 21,575 eingereichten Beiträgen für eine mündliche Präsentation ausgewählt – eine besondere Anerkennung in einem stark kompetitiven Forschungsfeld.
Prof. Stefan Neumann
Forschungsbereich Machine Learning
Technische Universität Wien
stefan.neumann@tuwien.ac.at
Blohm, P., Chen, F., Gionis, A., & Neumann, S. Discovering Opinion Intervals from Conflicts in Signed Graphs. In The Thirty-ninth Annual Conference on Neural Information Processing Systems. https://openreview.net/pdf?id=zJdutIT6vT
von links: Peter Blohm, Sebastian Lüderssen, Stefan Neumann und Florian Chen
Copyright: Amélie Chapalain
Criteria of this press release:
Journalists, all interested persons
Information technology
transregional, national
Miscellaneous scientific news/publications, Research results
German
von links: Peter Blohm, Sebastian Lüderssen, Stefan Neumann und Florian Chen
Copyright: Amélie Chapalain
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
