Digitale Datenspuren nutzbar machen

Datenspenden als Methode der Kommunikationswissenschaft

Sitzung 2️⃣: Einführung: digitale Datenspuren

Valerie Hase (Ludwig-Maximilians-Universität München)

👉 github.com/valeriehase & valerie-hase.com

Agenda

  1. Was sind digitale Datenspuren?

  2. Mit welchen Methoden kann ich auf digitale Datenspuren zugreifen?

1. Was sind digitale Datenspuren?

image of lupe

Quelle: Foto von Markus Winkler auf Unsplash

Kennt ihr Beispiele für digitale Datenspuren? 🤔

Beispiel I

Journal article by Schumacher et al. (2023)

Schumacher et al. (2023)

Beispiel II

Book by Schützeneder & Graßl (2022)

Schützeneder & Graßl (2022)

Beispiel III

Journal article by Kravets et al. (2023)

Kravets et al. (2023)

Was sind digitale Datenspuren?

Definition 💡: Aufzeichnung und Speicherung von Aktivitäten auf digitalen Plattformen, die Rückschlusse auf digitale wie analoge Phänomene ermöglichen

  • “records of activity (trace data) undertaken through an online information system” (Howison et al., 2011, S. 2)

  • “individuals leave behavioural residue (unconscious traces of actions [.]) when they interact online” (Hinds & Joinson, 2018, S. 2)

Was sind digitale Datenspuren?

Definition 💡: Aufzeichnung und Speicherung von Aktivitäten auf digitalen Plattformen, die Rückschlusse auf digitale wie analoge Phänomene ermöglichen

  • z.B. Tweets, Likes, Shares
  • z.B. Geo-Daten (Standort teilen, Sportaktivitäten)
  • z.B. digitale Zahlungen
  • z.B. Spotify-Playlisten

Was sind digitale Datenspuren?

Definition 💡: Aufzeichnung und Speicherung von Aktivitäten auf digitalen Plattformen

  • z.B. Tweets, Likes, Shares

Beispiel: Instagram Like

Screenshot of Instagram Like

Was sind digitale Datenspuren?

Definition 💡: Aufzeichnung und Speicherung von Aktivitäten auf digitalen Plattformen

  • z.B. Tweets, Likes, Shares

Beispiel: Instagram Like

Data behind Instagram Like

Wo lassen sich digitale Datenspuren finden?

  • Social Media Plattformen (z.B. Instagram)
  • Apps (z.B. Lauf-Apps)
  • Payment-Systeme (z.B. Paypal)
  • Wearable Devices (z.B. Smart Watch)

Welche Daten enthalten digitale Datenspuren?

Je nach Datenzugang u.a. (Haim & Hase, 2023; Keusch & Kreuter, 2021; Ohme et al., 2023):

  • digitale Nutzerprofile/Einstellungen
  • digitale Aktivitäten (Nutzung, Nachrichten, Engagement, etc.)
  • digitales Targeting (Werbung, algorithmische inferierte Interessen)
  • analoge Aktivitäten (Reisen, Schlafen, Sport)

Was können wir mit digitalen Datenspuren messen?

  • von individuellem Verhalten zu sozialen Interaktionen
  • von digitalem zu analogem Verhalten
examples of digital trace data

Quelle: Keusch & Kreuter, 2023, S. 102 - übersetzte Version

Was können wir mit digitalen Datenspuren messen?

Warum werden digitale Datenspuren populärer?

  • Probleme bei Selbstauskünften, z. B. bei Umfragen
  • Verfügbarkeit

Warum werden digitale Datenspuren populärer?

  • Probleme bei Selbstauskünften, z. B. bei Umfragen
  • Verfügbarkeit

Warum werden digitale Datenspuren populärer?

  • Probleme bei Selbstauskünften, z. B. bei Umfragen

„Wie viele Minuten am Tag nutzen Sie das Internet, um Nachrichten zu konsumieren?”

image of human filling out survey

Quelle: Foto von Scott Graham auf Unsplash

  • „Internet”?
  • „Nachrichten”?
  • „wie viele Minuten”?

Warum werden digitale Datenspuren populärer?

Warum werden digitale Datenspuren populärer?

  • Probleme bei Selbstauskünften, z. B. bei Umfragen
  • Verfügbarkeit
    • kostengünstig (z. B. APIs)
    • grosse Menge an Daten (“Big Data”)

Warum werden digitale Datenspuren populärer?

  • Probleme bei Selbstauskünften, z. B. bei Umfragen
  • Verfügbarkeit

Aber: nicht alle dieser Punkte treffen tatsächlich zu bzw. sind vorteilhaft

Vor- und Nachteile digitaler Datenspuren

  • ✅ akkuratere Messungen durch Zeitstempel
  • ✅ z.T. Messung neuer Variablen (z.B. zu algorithmischer Inferenz)
  • ❌ weiterhin Verzerrungen durch Stichproben- und Messfehler
  • ❌ unklare theoretische Rückbindung
  • ❌ z.T. hohe Kosten für Implementierung
  • ❌ mehr Daten heisst nicht bessere Daten!

Zusammenfassung: Digitale Datenspuren 📚

  • Definition: Aufzeichnung und Speicherung von Aktivitäten auf digitalen Plattformen (z.B. Nutzung, Engagement mit Inhalten), die Rückschlusse auf digitale wie analoge Phänomene ermöglichen

  • Weiterführende Literatur:

    • Keusch & Kreuter (2021)

    • Haim & Hase (2023)

    • Ohme et al. (2023)

2. Mit welchen Methoden kann ich auf digitale Datenspuren zugreifen?

image of lupe

Quelle: Foto von Markus Winkler auf Unsplash

Welche methodischen Zugänge kennt ihr, um digitale Datenspuren zu sammeln? 🤔

Methodische Zugänge

Methodische Zugänge

image of lupe

Methodische Zugänge im Vergleich, eigene Darstellung

Technische Veränderungen

Rechtliche Veränderungen

  • EU verankert Recht auf eigene Daten in Art. 15 Datenschutz-Grundverordnung, kurz DSGVO
    • “Die betroffene Person hat […] ein Recht auf Auskunft über diese personenbezogenen Daten” (Art. 15 (1)
    • “Der Verantwortliche stellt eine Kopie der personenbezogenen Daten […] zur Verfügung” (Art. 15 (3))
  • Nutzer:innen müssen laut Art. 20 Daten übermitteln können: “Die betroffene Person hat das Recht, die sie betreffenden personenbezogenen Daten […] in einem strukturierten, gängigen und maschinenlesbaren Format zu erhalten” (Art. 20 (1))

Rechtliche Veränderungen

  • EU verankert Recht auf eigene Daten in Art. 15 Datenschutz-Grundverordnung, kurz DSGVO
    • “Die betroffene Person hat […] ein Recht auf Auskunft über diese personenbezogenen Daten” (Art. 15 (1)
    • “Der Verantwortliche stellt eine Kopie der personenbezogenen Daten […] zur Verfügung” (Art. 15 (3))
  • Nutzer:innen müssen laut Art. 20 Daten übermitteln können: “Die betroffene Person hat das Recht, die sie betreffenden personenbezogenen Daten […] in einem strukturierten, gängigen und maschinenlesbaren Format zu erhalten” (Art. 20 (1))

👉 Lösung: Plattformen bieten Daten-Pakete (DDPs) an, die Informationen über Nutzer:innen enthalten und von diesen heruntergeladen werden können.

👉 Konsequenz: Die Wissenschaft nutzt diese DDPs im Rahmen von Datenspende-Studien.

Zusammenfassung: Datenzugänge 📚

  • Zusammenfassung:

    • zentrale Methoden u.a. APIs, Datenspenden, Kooperationen mit Plattformen, Scraping, Tracking

    • zentrale Unterschiede: Kontrolle über Stichproben & Messungen durch Plattformen, Forschung (& Nutzer:innen); rechtlicher Rahmen

  • Weiterführende Literatur:

Fragen? 🤔

Quellen

Digitale Datenspuren - JoFo/Wisskomm DGPuK 2023 - Valerie Hase

Bruns, A. (2019). After the “APIcalypse”: Social media platforms and their fight against critical scholarly research. Information, Communication & Society, 22(11), 1544–1566. https://doi.org/10.1080/1369118X.2019.1637447
Buehling, K. (2023). Message Deletion on Telegram: Affected Data Types and Implications for Computational Analysis. Communication Methods and Measures, 1–23. https://doi.org/10.1080/19312458.2023.2183188
Christner, C., Urman, A., Adam, S., & Maier, M. (2022). Automated Tracking Approaches for Studying Online Media Use: A Critical Review and Recommendations. Communication Methods and Measures, 16(2), 79–95. https://doi.org/10.1080/19312458.2021.1907841
Driel, I. I. van, Giachanou, A., Pouwels, J. L., Boeschoten, L., Beyens, I., & Valkenburg, P. M. (2022). Promises and Pitfalls of Social Media Data Donations. Communication Methods and Measures, 1–17. https://doi.org/10.1080/19312458.2022.2109608
Freelon, D. (2018). Computational research in the post-API age. Political Communication, 35(4), 665–668. https://doi.org/10.1080/10584609.2018.1477506
Haim, M., & Hase, V. (2023). Computational Methods und Tools für die Erhebung und Auswertung von Social-Media-Daten. In S. Stollfuß, L. Niebling, & F. Raczkowski (Eds.), Handbuch Digitale Medien und Methoden (pp. 1–20). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-36629-2_41-1
Hinds, J., & Joinson, A. N. (2018). What demographic attributes do our digital footprints reveal? A systematic review. PLOS ONE, 13(11), e0207112. https://doi.org/10.1371/journal.pone.0207112
Ho, J. C.-T. (2020). How biased is the sample? Reverse engineering the ranking algorithm of Facebook’s Graph application programming interface. Big Data & Society, 7(1), 205395172090587. https://doi.org/10.1177/2053951720905874
Howison, J., Wiggins, A., & Crowston, K. (2011). Validity Issues in the Use of Social Network Analysis with Digital Trace Data. Journal of the Association for Information Systems, 12(12), 767–797. https://doi.org/10.17705/1jais.00282
Jünger, J. (2021). A brief history of APIs. In Handbook of Computational Social Science, Volume 2 (1st ed., pp. 17–32). Routledge. https://doi.org/10.4324/9781003025245-3
Jürgens, P., & Stark, B. (2022). Mapping Exposure Diversity: The Divergent Effects of Algorithmic Curation on News Consumption. Journal of Communication, jqac009. https://doi.org/10.1093/joc/jqac009
Keusch, F., & Kreuter, F. (2021). Digital trace data. In Handbook of Computational Social Science, Volume 1 (1st ed., pp. 100–118). Routledge. https://doi.org/10.4324/9781003024583-8
Luiten, A., Hox, J., & Leeuw, E. de. (2020). Survey Nonresponse Trends and Fieldwork Effort in the 21st Century: Results of an International Study across Countries and Surveys. Journal of Official Statistics, 36(3), 469–487. https://doi.org/10.2478/jos-2020-0025
Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web (Second edition). O’Reilly.
Ohme, J., Araujo, T., Boeschoten, L., Freelon, D., Ram, N., Reeves, B. B., & Robinson, T. N. (2023). Digital Trace Data Collection for Social Media Effects Research: APIs, Data Donation, and (Screen) Tracking. Communication Methods and Measures. https://doi.org/10.1080/19312458.2023.2181319
Ohme, J., Araujo, T., Vreese, C. H. de, & Piotrowski, J. T. (2021). Mobile data donations: Assessing self-report accuracy and sample biases with the iOS Screen Time function. Mobile Media & Communication, 9(2), 293–313. https://doi.org/10.1177/2050157920959106
Parry, D. A., Davidson, B. I., Sewall, C. J. R., Fisher, J. T., Mieczkowski, H., & Quintana, D. S. (2021). A systematic review and meta-analysis of discrepancies between logged and self-reported digital media use. Nature Human Behaviour, 5(11), 1535–1547. https://doi.org/10.1038/s41562-021-01117-5
Reiss, M. V. (2022). Dissecting Non-Use of Online News – Systematic Evidence from Combining Tracking and Automated Text Classification. Digital Journalism, 1–21. https://doi.org/10.1080/21670811.2022.2105243
Scharkow, M. (2016). The Accuracy of Self-Reported Internet Use—A Validation Study Using Client Log Data. Communication Methods and Measures, 10(1), 13–27. https://doi.org/10.1080/19312458.2015.1118446
Schatto-Eckrodt, T. (2022). Hidden biases – The effects of unavailable content on Twitter on sampling quality. In Grenzen, Probleme und Lösungen bei der Stichprobenziehung (pp. 178–195). Halem.
Thorson, K., Cotter, K., Medeiros, M., & Pak, C. (2021). Algorithmic inference, political interest, and exposure to news and politics on Facebook. Information, Communication & Society, 24(2), 183–200. https://doi.org/10.1080/1369118X.2019.1642934
Wagner, M. W. (2023). Independence by permission. Science, 381(6656), 388–391. https://doi.org/10.1126/science.adi2430
Wu-Ouyang, B., & Chan, M. (2022). Overestimating or underestimating communication findings? Comparing self-reported with log mobile data by data donation method. Mobile Media & Communication, 205015792211371. https://doi.org/10.1177/20501579221137162
Yan, P., Schroeder, R., & Stier, S. (2022). Is there a link between climate change scepticism and populism? An analysis of web tracking and survey data from Europe and the US. Information, Communication & Society, 25(10), 1400–1439. https://doi.org/10.1080/1369118X.2020.1864005