Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Inhaltsverzeichnis

Abstract

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Problemstellung und Zielsetzung der Arbeit
1.2 Abgrenzung der Thematik
1.3 Lösungsansatz
1.4 Aufbau der Arbeit

2 Web 2.0
2.1 Einführung
2.2 Anwendung

3 Diffusion von Innovationen
3.1 Innovation
3.2 Kommunikationskanal
3.3 Zeitdimension
3.4 Soziales System
3.5 Bedeutung für das Web 2.0

4 Soziale Netzwerkanalyse
4.1 Einführung
4.2 Forschungsdesign
4.2.1 Vorgehensweise
4.2.2 Datenakquisition
4.2.3 Annahmen
4.3 Individuelle Analyseebene
4.3.1 Zentralitäts-Kennzahlen
4.3.1.1 Grundlagen
4.3.1.2 Anwendung
4.3.1.3 Zusammenfassung
4.3.2 Prestige-Kennzahlen
4.3.2.1 Grundlagen
4.3.2.2 Anwendung
4.3.2.3 Zusammenfassung
4.3.3 Ego-Netzwerk-Kennzahlen
4.3.3.1 Grundlagen
4.3.3.2 Anwendung
4.3.3.3 Zusammenfassung
4.4 Kollektive Analyseebene
4.4.1 Zentralisierungs-Kennzahlen
4.4.1.1 Grundlagen
4.4.1.2 Anwendung
4.4.1.3 Zusammenfassung
4.4.2 Struktur-Kennzahlen
4.4.2.1 Grundlagen
4.4.2.2 Anwendung
4.4.2.3 Zusammenfassung
4.4.3 Gesamt-Netzwerk-Kennzahlen
4.4.3.1 Grundlagen
4.4.3.2 Anwendung
4.4.3.3 Zusammenfassung

5 Neuronale Netzwerkanalyse
5.1 Einführung
5.2 Forschungsdesign
5.2.1 Vorgehensweise
5.2.2 Datenakquisition
5.2.3 Annahmen
5.3 Individuelle Analyseebene
5.3.1 Grundlagen
5.3.2 Anwendung
5.3.2.1 Identifizierung von Meinungswechslern
5.3.2.2 Charakterisierung von Meinungswechslern
5.3.3 Zusammenfassung
5.4 Kollektive Analyseebene
5.4.1 Grundlagen
5.4.2 Anwendung
5.4.2.1 Prognose aus kollektiven Kennzahlen
5.4.2.2 Prognose aus individuellen Kennzahlen
5.4.3 Zusammenfassung

6 Zusammenfassung und Ausblick

Literaturverzeichnis

Abstract

Im Web 2.0 haben sich viele soziale Netzwerke gebildet, in welchen Nutzer sich über Produkte austauschen und Meinungen darüber äußern. Für Unternehmen ist von Bedeutung, wie sich Meinungen zu ihren Produkten entwickeln. Hierfür müssen quantitative und qualitative Daten, d.h. Beziehungen und Meinungen operationalisiert, um diese analysieren zu könen. Ziel dieser Arbeit ist es, Meinungen zum iPhone in Internetforen zu untersuchen. Hierfür wird eine soziale Netzwerkanalyse durchgeführt, um Kennzahlen von Nutzern abzuleiten. Diese werden anschließend als Eingabedaten für neuronale Netze verwendet. Mit Hilfe dieser Netze werden zunächst Nutzer anhand von Kennzahlen charakterisiert. Anschließend wird die Entwicklung von Meinungen in Internetforen prognostiziert.

Key Words: Diffusion, Web 2.0, Neuronale Netze, KNN, Soziale Netzwerkanalyse, SNA

Abbildungsverzeichnis

Abbildung 1-1: Analyseprozess für Meinungsprognose

Abbildung 1-2: Aufbau der Arbeit

Abbildung 2-1: Entwicklungsstufen der Benutzerintegration im Web 2.0

Abbildung 3-1: Komponenten der Diffusion

Abbildung 3-2: Diffusionskurve

Abbildung 3-3: Adaptionskurve

Abbildung 3-4: Innovations-Entscheidungsprozess

Abbildung 3-5: Soziale Netzwerke des Web 2.0

Abbildung 4-1: Prozessschritte der sozialen Netzwerkanalyse

Abbildung 4-2: Quantitative und qualitative Datenerhebung

Abbildung 4-3: Meinungsanalyse mit JavaTec

Abbildung 4-4: Beispielnetz des Macintosh-Forums

Abbildung 4-5: Stern- und Kreis-Soziogramme mit Soziomatrizen

Abbildung 4-6: Zentralitätskennzahlen der individuellen Analyseebene

Abbildung 4-7: Soziogramm und -matrix eines gerichteten Sternennetzwerks

Abbildung 4-8: Prestige-Kennzahlen der individuellen Analyseebene

Abbildung 4-9: Ego-Netzwerk-Kennzahlen der individuellen Analyseebene

Abbildung 4-10: Beispiel für Proportional Strength

Abbildung 4-11: Beispiel für Dyadic Constraint

Abbildung 4-12: Zentralisierungskennzahlen der kollektiven Analyseebene

Abbildung 4-13: Triadentypen mit Bezeichnungen in Pajek

Abbildung 4-14: Struktur-Kennzahlen der kollektiven Analyseebene

Abbildung 4-15: Gesamt-Netzwerk-Kennzahlen der kollektiven Analyseebene

Abbildung 5-1: Ziele der neuronalen Netzwerkanalyse

Abbildung 5-2: Zellen eines neuronalem Netz

Abbildung 5-3: Screenshot aus JavaNNS

Abbildung 5-4: Fehlerentwicklung von Trainings- und Validierungsmenge

Abbildung 5-5: Input- und Output-Daten der neuronalen Netze

Abbildung 5-6: Datenakquisitionsprozess

Abbildung 5-7: Neuronales Netz für Identifizierung von Meinungswechslern

Abbildung 5-8: Neuronales Netz zur Charakterisierung von Meinungswechslern

Abbildung 5-9: Vorgehen bei Meinungsprognose

Abbildung 5-10: Neuronales Netz für Prognose aus kollektiven Kennzahlen

Abbildung 5-11: Neuronales Netz für Prognose aus individuellen Kennzahlen

Abbildung 5-12: Vergleich zwischen tatsächlichen Ergebnissen und individueller Prognose

Tabellenverzeichnis

Tabelle 1-1: Überblick über Autoren und deren Forschung zu sozialen Netzwerken im Web 2.0

Tabelle 2-1: Übersicht Foren-Daten

Tabelle 4-1: Zusammenfassung Zentralitäts-Kennzahlen

Tabelle 4-2: Hypothesen zu Zentralitäts-Kennzahlen

Tabelle 4-3: Zusammenfassung Prestige-Kennzahlen

Tabelle 4-4: Hypothesen zu Prestige-Kennzahlen

Tabelle 4-5: Zusammenfassung Ego-Netzwerk-Kennzahlen

Tabelle 4-6: Hypothesen zu Prestige-Kennzahlen

Tabelle 4-7: Ergebnisse der Zentralisierungs-Kennzahlen

Tabelle 4-8: Zusammenfassung Zentralisierungs-Kennzahlen

Tabelle 4-9: Ergebnisse der Struktur-Kennzahlen

Tabelle 4-10: Zusammenfassung Struktur-Kennzahlen

Tabelle 4-11: Ergebnisse der Gesamt-Netzwerk-Kennzahlen

Tabelle 4-12: Zusammenfassung Gesamt-Netzwerk-Kennzahlen

Tabelle 5-1: Syntaxschema einer Pattern-Datei in JavaNNS

Tabelle 5-2: Absolute Gewichte wij (alle Foren, 2 Output-Neuronen)

Tabelle 5-3: Relative Gewichte wij/W (alle Foren, 2 Output-Neuronen)

Tabelle 5-4: Relative Gewichte wij/W gewichtet mit relativen Gesamtgewichten (max W)/ W) (alle Foren, 2 Output-Neuronen)

Tabelle 5-5: Relative Gewichte wij/W gewichtet mit relativen Gesamtgewichten

(max W)/ W) (alle Foren, 5 Output-Neuronen)

Tabelle 5-6: Einfluss von Kennzahlen auf Wechseltypen

Tabelle 5-7: Bestätigte Hypothesen

Tabelle 5-8: Nicht bestätigte Hypothesen

Tabelle 5-9: Tatsächliche Meinungen in den Foren

Tabelle 5-10: Skalierung für Klassifikation von kollektiven Meinungen

Tabelle 5-11: Aktivierungszustände aj der Output-Neuronen

Tabelle 5-12: Fehler bei Prognose aus individuellen Kennzahlen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Problemstellung und Zielsetzung der Arbeit

Die Nutzung des Internet hat in das alltägliche Leben der Menschen immer stärker Einzug gehalten. Mit zunehmender Anzahl von Nutzern hat sich die ursprüngliche Form des Internet stark verändert. Die klassische Form des Internet hat sich dabei immer mehr von einer reinen Informationsquelle zu einem interaktiven „Mitmach-Medium“ gewandelt. User nutzen das Internet nicht nur für reine Informations- und Kommunikationszwecke, sondern haben mittlerweile die Möglichkeit Inhalte selbst zu erstellen oder mitzugestalten.

Dieser Wandel - vom statischen zum interaktiven Web - wird unter dem Begriff „Web 2.0“ subsumiert. Hier gruppieren sich Nutzer u.a. zu so genannten sozialen Netzwerken, um Mei- nungen auszutauschen. Sie kommunizieren bzw. interagieren miteinander und beeinflussen sich gegenseitig in ihrer Meinungsbildung. Durch die Vielzahl vorherrschender Meinungen entsteht ein sehr diffiziles Meinungsportfolio, das allerdings nur bedingt Rückschlüsse auf ein einheitliches Meinungsbild oder gar auf die zukünftige Entwicklung von Meinungen zulässt.

Für Unternehmen ist jedoch von Bedeutung, in welche Richtung sich Meinungen bzgl. der eigenen Produkte oder des Images entwickeln, um Chancen und Risiken von Produkten frühzeitig erkennen bzw. einschätzen zu können.

Ziel der Arbeit ist es daher, eine soziale Netzwerkanalyse (SNA) durchzuführen, die im Stan- de ist, die Entwicklung von Meinungen in Foren des Web 2.0 abzubilden, um daraus ein vor- herrschendes Meinungsbild ableiten zu können. Insbesondere soll, auf Basis der Ergebnisse aus der sozialen Netzwerkanalyse, ein Modell entwickelt werden, mit dessen Hilfe zum einen Nutzer in Internetforen charakterisiert und zum anderen die positive bzw. negative Entwick- lung deren Meinungen für die Zukunft prognostiziert werden kann. Dadurch soll es möglich sein, Unternehmen frühzeitig Handlungsempfehlung zu geben, um Risiken zu minimieren oder Marktchancen zu erkennen.

1.2 Abgrenzung der Thematik

In der Vergangenheit wurden bereits einige Forschungen zum Thema sozialer Netze im Web 2.0 betrieben. Die im Folgenden dargestellten Artikel stellen einen kurzen Überblick über Veröffentlichungen zu der Thematik dar.

WELSER ET AL. (2007) untersuchen in ihrem Artikel „Visualizing the Signatures of Social Ro- les in Online Discussion Groups“ soziale Rollen in Online-Foren, um das Verhalten von

„Answer-People“ (Nutzer, die auf Fragen eingehen) zu visualisieren. Für ihre Analyse verwenden sie hauptsächlich Kennzahlen aus einer SNA, um daraus strukturelle Kommunikationsmuster abzuleiten. Mit Hilfe einer Regressionsanalyse zeigen sie, dass soziale Rollen und strukturelle Kommunikationsmuster stark korrelieren.

In dem Paper „Browsing Newsgroups with A Social Network Analyzer“ verwenden CHANG ET AL. (2002) ebenfalls die Methoden der SNA. Deren Ziel besteht darin, einen Analyzer zu konzipieren, der in Newsgroups wichtige Autoren bzw. Artikel identifiziert, um Nutzern, die später in eine Konversation einsteigen, einen Überblick zu geben.

HAYTHORNTHWAITE & GRUZD (2007) analysieren in ihren Artikel „A Noun Phrase Analysis Tool for Mining Online Community Conversations“ Informationen aus Online-Konversationen. Ziel ihrer Forschung ist im Gegensatz zu den bis jetzt genannten Autoren, die den Schwerpunkt ihrer Forschung auf eine strukturelle Analyse legten, die Konzeption eines TextMining-Tools, um den Inhalt von Konversationen zu untersuchen.

GLOOR & ZHAO (2006) analysiert in seinem Paper „Analyszing Actors and Their Discussion Topics by Semantic Social Network Analysis“ ebenfalls Online-Konversationen, wobei sie allerdings neben einer strukturellen SNA auch eine Inhaltsanalyse mit Text-Mining durchfüh- ren.

Tabelle 1-1: Überblick über Autoren und deren Forschung zu sozialen Netzwerken im Web 2.0

Abbildung in dieser Leseprobe nicht enthalten

Allen Forschungen der genannten Autoren ist gemein, dass sie sich mit sozialen Netzwerken im Web 2.0 beschäftigen. Bei WELSER ET AL. (2007) sowie Chang et al. (2002) liegt der Schwerpunkt ihrer Arbeiten auf einer strukturellen Analyse, um Netze zu visualisieren. HAYTHORNWITE & GRUD (2007) untersuchen hingegen den Inhalt von Konversationen. GLOOR & ZHAO (2006) kombinieren die beiden Ansätze. Eine Prognose für zukünftige Entwicklungen in Foren bietet keiner der Autoren.

1.3 Lösungsansatz

Für die Prognose von Meinungen wurden in dieser Arbeit künstlich neuronale Netze (KNN) verwendet. Die Analyse erfolgte am Beispiel der Meinungen in Internetforen zum iPhone nach dem in Abbildung 1-1 skizzierten Prozess. Die Foren zum Thema iPhone wurden ausgewählt, da es sich bei diesem um ein neues IT-Produkt handelt, über das im Internet sehr kontrovers diskutiert wurde.

Im ersten Schritt wurden Foren gesucht, in welchen sich Nutzer über das iPhone unterhiel- ten. Es wurden sowohl strukturelle Daten (z.B. Beziehungen) als auch inhaltliche Daten (Meinungen) operationalisiert. Mit Hilfe einer SNA wurden in einem zweiten Schritt Netz- werkkennzahlen aus den strukturellen Daten errechnet und die Meinungen der Nutzer zu zwei Zeitpunkten t1 und t2 untersucht. Dieser Datensatz dient in einem drittenSchritt als In- put für ein KNN. Ziel der Arbeit ist es, mit Hilfe der bekannten Daten aus t1 und z2 die Mei- nungen für t3 zu prognostizieren.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1-1: Analyseprozess für Meinungsprognose [eigene Darstellung]

1.4 Aufbau der Arbeit

Die vorliegende Arbeit besteht aus fünf Kapiteln. Der strukturelle Aufbau der Arbeit ist in Ab- bildung 1-2 skizziert. Im ersten Kapitel wird die Relevanz des Themas dargestellt sowie eine Einführung in die Problemstellung und der sich daraus ableitenden Zielsetzung gegeben.

Im 2. Kapitel wird zunächst eine Einführung zur Entwicklung des Web 2.0 gegeben. Der Focus liegt dabei auf der Entstehung sozialer Netzwerke im Web 2.0. Insbesondere werden in diesem Kapitel die in der Arbeit verwendeten Foren präsentiert.

Die theoretischen Grundlagen zur klassischen Diffusionslehre sind in Kapitel 3 festgehalten. Zunächst wird auf die einzelnen Komponenten der Diffusion eingegangen. Im Anschluss werden diese an die besonderen Eigenschaften des Web 2.0 angepasst.

Im 4. Kapitel vermittelt zunächst theoretische Grundlagen zu sozialen Netzwerken. Anschlie- ßend werden soziale Netzwerkanalysen in den ausgewählten Foren durchgeführt. Die Ana- lyse wird dabei in eine individuelle (Kapitel 4.3) und kollektive Analyse (Kapitel 4.4) unterg- liedert.

Im Zentrum der Arbeit steht das 5. Kapitel: Die in Kapitel 4 ermittelten Ergebnisse werden hierbei verwendet, um mit Hilfe von neuronalen Netzen Prognosen für zukünftige Entwick- lungen von Meinungen zum iPhone zu geben. Das Kapitel ist ebenfalls in eine individuelle und ein kollektive Analyseebene unterteilt. In der individuellen Analyse wird die Meinung ein- zelner Nutzer betrachtet, in der kollektiven folgt die Prognose von Meinungen in Foren.

Eine kritische Zusammenfassung der wesentlichen Ergebnisse der Arbeit sowie ein Ausblick auf zukünftige Forschungsbereiche werden in Kapitel 6 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1-2: Aufbau der Arbeit [eigene Darstellung]

2 Web 2.0

2.1 Einführung

Die Entstehung des Web 2.0 lässt sich auf zwei Kernentwicklungen zurückführen, eine quali- tative und eine quantitative, welche die Basis für neue Services, wie z.B. YouTube oder Google Maps, schafften. Als qualitative Voraussetzung kann die technische Entwicklung der Internetzugänge in den letzten Jahren angesehen werden. Durch zunehmende Übertra- gungsraten ist es Web-Entwicklern möglich, immer aufwendigere Applikationen zu konzipie- ren, welche die Nutzer nun auch adäquat einsetzen können [Gscheidle & Fisch 2007, S. 395].

Der zunehmende technische Fortschritt begleitet von einem stetigen Preisverfall bedingten einen starken Anstieg der Nutzerzahlen von Breitbandinternetzugängen. Diese quantitative Entwicklung spricht für die Akzeptanz des Internets [Gscheidle & Fisch 2007, S. 394]. Sowohl die qualitativen als auch quantitativen Entwicklungen sind Voraussetzungen für die Entwicklungen im Web 2.0.

Diese Voraussetzungen (Abbildung 2-1) führten zu einem Strukturwechsel im Web. Die klassischen statischen HTML-Seiten werden zunehmend durch dynamische Inhalte ergänzt oder ersetzt. Neue technologische Möglichkeiten (z.B. WIKIs, Blogs, Tauschbörsen, Foren) erlauben es den Nutzern, Inhalte selbst zu erstellen („user generated content“), zu bearbeiten und zu veröffentlichen. Es entstanden viele Communities und soziale Netzwerke mit Millionen von Usern, welche die Inhalten nutzen und bewerten [O'Reilly 2005].

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-1: Entwicklungsstufen der Benutzerintegration im Web 2.0

[eigene Darstellung]

Die in Abbildung 2-1 skizzierte Definition von Web 2.0 setzt den Schwerpunkt auf Benutzerintegration, stellt allerdings nur einen Teil des Gesamtkonzeptes Web 2.0 dar. Gleichwohl ist sie für den Rahmen dieser Arbeit vor dem Hintergrund der Analyse sozialer Netze und deren Beeinflussung bei der Meinungsbildung ausreichend.

2.2 Anwendung

Im Rahmen dieser Arbeit werden Internetforen im Web 2.0 betrachtet. Insbesondere Foren zum Thema „iPhone“. Ziel ist es, aus den Foren-Daten ein soziales Netzwerk der Nutzer abzuleiten und dessen Einfluss auf die Bildung von Meinungen zum iPhone zu analysieren. Folgende Foren wurden betrachtet:

- Apfeltalk-Forum: „Ewig fürs iPhone vor dem Apple Store stehen?“ [apfeltalk.de 2008] x iFUN-Forum: „IPhone jetzt schon technisch veraltet ?!“ [ifun.de 2008] x Macintosh-Forum: „iPhone“ [macintosh-forum.de 2008]
- Minidisc-Forum: „Eure Meinung..Würdet ihr das IPhone kaufen? [minidiscforum.de 2008] x netQuarter-Forum: „Apple iPhone - Meinungen?“ [netquarter.org 2008] x PCFreunde-Forum: „Was haltet ihr vom I Phone?“ [pcfreunde.de 2008] x SlashFM-Forum: „Was haltet ihr von denn iPhone von Apple ???“ [slashfm.net 2008] x SMS77-Forum: „Was haltet ihr vom iPhone?“ [sms77.de 2008]

Tabelle 2-1: Übersicht Foren-Daten

Abbildung in dieser Leseprobe nicht enthalten

[eigene Darstellung]

Tabelle 2-1 gibt einen Überblick über die Foren, die als Datenquelle für die anschließende soziale Netzwerkanalyse dienen. Neben der Anzahl der Nutzer und der Foreneinträge (engl. Posts) wird die Interaktivität in den Foren erfasst. Diese ist im Folgenden als

Û L 2KOPO¤0QPVAN definiert, wobei Û L s (Anzahl Posts = Anzahl Nutzer) keine Interaktivität bedeutet. Insgesamt wurden 153 Nutzer mit 370 Foreneinträgen erfasst. Daraus ergab sich eine durchschnittliche Interaktivität von Û L távt. Des Weiteren wird der betrachtete Zeitraum wiedergegeben.

3 Diffusion von Innovationen

Die Diffusionstheorie beschäftigt sich mit der Verbreitung von Innovationen in einem sozialen Netz vor dem Hintergrund einer zeitlichen Dimension [vgl. Rogers 2003, S. 5]. DILLER (2001, S. 300) definiert Diffusion als „das aggregierte Ergebnis der individuellen Übernahmeentscheidungen (Adoptionen) der Mitglieder des sozialen Systems (Individuen, Gruppen, Organisationen)“ [Diller 2001, S. 300].

Nach ROGERS (2003, S. 11) können vier Komponenten der Innovationsdiffusion unterschie- den werden: „Diffusion is the process by which an innovation is communicated trough cer- tain channels over time among the members of a social system (vgl. hierzu Abbildung 3-1)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-1: Komponenten der Diffusion

3.1 Innovation

Unter Innovationen werden nach SCHENK et al. (1996, S. 21) Ideen, Praktiken oder Objekte verstanden, die von den relevanten Adaptionsinstanzen, im Folgenden auch Adopter ge- nannt, als neu wahrgenommen werden. Die Annahme bzw. Übernahme einer Innovation durch Individuen wird als Adaption bezeichnet. Wird eine Innovation abgelehnt, so spricht man von einer Rejektion. Im Rahmen dieser Arbeit wird als Innovation das iPhone der Firma Apple herangezogen.

ROGERS (2003, S 15f.) definiert fünf akzeptanzfördernde Faktoren, die die Adaptionsrate positiv beeinflussen. Zu diesen adaptionsrelevanten Eigenschaften zählen:

- Relativer Vorteil
- Hohe Kompatibilität
- Geringe Komplexität
- Hohe Erprobbarkeit
- Hohe Beobachtbarkeit

Der relative Vorteil einer Innovation muss im Zusammenhang mit deren Adaption betrachtet werden. Er gibt an, mit welchem Grad eine Idee besser wahrgenommen wird, als eine ältere Innovation. Dabei kommt es nicht nur auf den messbaren objektiven Vorteil an, sondern vor allem auch, ob ein Individuum in einer Innovation einen subjektiven Vorteil sieht. So kann beispielsweise die Entwicklung eines neuen Mobiltelefons einen messbaren objektiven Vor- teil gegenüber eines älteren Modell aufweisen (z.B. größerer Bildschirm), doch das Indivi- duum sieht eventuell keinen subjektiven Vorteil, solange Anwendungen auch auf einem älte- ren Mobiltelefon laufen. Der relative Vorteil korreliert positiv mit der Adaptionsrate einer Inno- vation. [Rogers 2003, S. 229ff.]

Kompatibilität ist das Ausmaß, in dem eine Innovation als konsistent, sowohl mit den bestehenden Werten als auch Erfahrungen aus der Vergangenheit sowie den Bedürfnissen potentieller Adopter, wahrgenommen wird. Eine Innovation, die mit den Werten und Normen eines sozialen Systems inkompatibel ist, wird nur langsam adoptiert und im schlechtesten Fall nicht angenommen. Zum Beispiel kann auf das iPhone nur mit der Software iTunes Musik überspielt werden. Der Zusammenhang zwischen der Kompatibilität und der Adaptionsrate ist positiv. [Rogers 2003, S. 240ff.]

Die Komplexität gibt wider, wie schwer eine Innovation in Relation zu anderen Ideen zu er- lernen und zu verstehen ist. Neue Ideen, die einfach zu verstehen sind, werden schneller angenommen, als Innovationen, die von den Adoptern erst durch die Entwicklung weitere Fähigkeiten verstanden werden können. Eine intuitive Bedienung eines Mobiltelefons erleich- tert demnach dessen Verbreitung: die Komplexität ist negativ mit der Adaptionsrate korreliert. [Rogers 2003, S. 257f.]

Die Erprobbarkeit ist ein Maß, das ausdrückt, in wie weit eine Innovation ausprobiert wer- den kann. Ideen, die teilbar sind, und somit Schritt für Schritt ausprobiert werden können, werden schneller angenommen, also atomare Ideen, die nur als ganze Einheit erlernt wer- den können. Die individuelle Erprobung einer Innovation führt zu einer Senkung des subjek- tiv wahrgenommenen Risikos und führt deshalb zu einer früheren Adaption der Innovation. Der Zusammenhang zwischen Erprobbarkeit und Adaptionsrate ist positiv. [Rogers 2003, S. 258]

Die Beobachtbarkeit gibt den Grad an, in dem das Ergebnis einer Innovation von Individuen als sichtbar wahrgenommen wird. Je einfacher Individuen das Ergebnis einer Innovation se- hen können, desto eher sind sie bereit diese zu adoptieren. Das Ergebnis von materiellen Innovationen ist beispielsweise einfacher wahrzunehmen, als das Resultat immaterieller Ideen. Der Zusammenhang zwischen Beobachtbarkeit und Adaptionsrate ist positiv. [Rogers 2003, S. 258f.]

Die Wahrscheinlichkeit der Annahme einer Innovation steigt, wenn die erwähnten innovationsfördernden Faktoren erfüllt sind. „Innovations that are perceived by individuals as having greater relative advantage, compatibility, trialability, and observability and less complexity will be adopted more rapidly than other innovations.” [Rogers 2003, S.16]

3.2 Kommunikationskanal

Um den Begriff des Kommunikationskanals klären zu können, wird zunächst der Kommuni- kationsbegriff eingeführt. „Kommunikation bedeutet die Übermittlung von Informationen und Bedeutungsinhalten zum Zweck der Steuerung von Meinungen, Einstellungen, Erwar- tungen und Verhaltensweisen bestimmter Adressaten gemäß spezifischer Zielsetzungen.“ [Bruhn 2007, S. 1]

Diese Übermittlung der Informationen findet mittels sogenannter Kommunikationskanäle statt. ROGERS (2003, S. 18) definiert einen Kommunikationskanal folgendermaßen: “A communication channel is the means by which messages get from one individual to another.” Demnach ist der Kommunikationskanal das Mittel zur Übertragung von Informationen. Es lassen sich drei Arten von Kommunikationskanälen unterscheiden:

- Massenmedien
Interpersonelle Kanäle
Interaktive Kanäle

Unter Massenmedien werden audio-visuelle Systeme, die der Verbreitung von Informationen an ein breites, heterogenes Publikum dienen, zusammengefasst. Typische Massenmedien sind Radios, Fernsehgeräte oder Printmedien. Die große Reichweite dieser Medien hat den Vorteil, dass ein breites Publikum erreicht wird, allerdings geht damit eine hohe Streuung einher und es geht auf Kosten der Beziehungsstärke zwischen Kommunikator und Rezipien- ten. [Diller 2001, S. 1086]

Interpersonelle Beziehungen zeichnen sich durch den engen Kommunikationsaustausch auf persönlicher Ebene aus. Da die Beziehung zwischen Sender und Empfänger stark ausgep-

rägt ist, sind die Empfänger eher gewillt eine Innovation zu adaptieren. Allerdings geht dies mit dem Nachteil einher, dass die Reichweite der Informationen sehr gering ist. [Esch 2007, S. 275]

Interaktive Kanäle versuchen die Vorteile einer großen Reichweite und des interpersonellen Kontaktes zu kombinieren. Als Beispiel kann an dieser Stelle das Internet, insbesondere die Entwicklungen im Web 2.0, genannt werden. Online Communities bieten beispielsweise zum einen die Möglichkeit in einem breiten Netz viele Menschen zu erreichen und ermöglichen zum anderen die persönliche Kontaktaufnahme. [Rogers 2003, S.18]

Die verschiedenen Kommunikationskanäle spielen laut ROGERS (2003, S. 18) eine entschei- dende Rolle im Prozess der Meinungsbildung. Sie sollten nicht getrennt voneinander be- trachtet werden, sondern als sich ergänzende Instrumente. Nach der Two-Step-Flow- Hypothese von LAZARSFELD et al. (1948, S. 151) dienen Massenmedien auf einer ersten Stu- fe dem Erstkontakt zu neuen Ideen. Diese werden von Meinungsführern aufgenommen und auf einer zweiten Stufe an die Mitglieder ihrer sozialen Netzwerke kommuniziert. [Esch 2005,S. 641]

Ein weiteres Entscheidungskriterium, das die Adaption bzw. Rejektion einer Innovation oder Meinung beeinflusst, ist die Struktur der Kommunikationsteilnehmer. Es muss differenziert werden, ob die kommunizierenden Individuen homogene Eigenschaften, wie z.B. gleicher sozialer Status oder gleiches Bildungsniveau, aufweisen oder, ob die Kommunikationspartner heterogene Anlagen mit sich bringen. Der Adaptionsprozess bei der Diffusion von Innovationen verläuft wesentlich schneller, wenn die Kommunikation zwischen Individuen mit homogenem Hintergrund stattfindet. [Rogers 2003, S.19]

3.3 Zeitdimension

Der Faktor Zeit spielt beim Diffusionsprozess und der damit verbundenen Adaptionsrate einer Innovation eine wichtige Rolle. Die Adaptionsrate beschreibt die relative Geschwindigkeit, gemessen über einen bestimmten Zeitraum, mit der eine Innovation von den Mitgliedern eines sozialen Netzwerks adoptiert wird. [Rogers 2003, S. 221]

Abbildung 3-2 zeigt den typischen Verlauf einer Diffusionskurve. Sie beschreibt den „kumulierten Übernahmebestand einer Innovation innerhalb eines sozialen Systems zu verschiedenen Zeitpunkten“ [Schenk et al. 1996, S. 26]. Der idealtypische Verlauf der Kurve ist S- förmig. Zunächst adaptieren nur wenige Nutzer eine Innovation, danach verbreitet sich eine Innovation schneller. Wenn der Sättigungspunkt erreicht ist, dann nimmer schwächt die Diffusionskurve ab [Schenk et al. 1996, S. 26ff.]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-2: Diffusionskurve

[Quelle: Schenk et al. 1996, S. 26]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-3: Adaptionskurve [Schenk et al. 1996, S. 27]

Im Gegensatz zur Diffusionskurve zeigt die Adaptionskurve (Abbildung 3-3) die nichtkumulierten Adaptionen der einzelnen Individuen eines sozialen Netzes zu verschiedenen Zeitpunkten. An ihr kann die absolute Anzahl der Adaptionen zu verschiedenen Zeitpunkten abgelesen werden. Rogers (2003, S. 281) hat anhand des Mittelwertes und der Standardabweichung fünf idealtypische Adopterklassen identifiziert: Innovatoren, früher Übernehmer, frühe Mehrheit, späte Mehrheit und Nachzügler.

Der individuelle Innovations-Entscheidungsprozess wird von Rogers (2003, S. 170) als Stufenmodell („Model of Five Stages in the Innovation-Decision Process“) dargestellt:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-4: Innovations-Entscheidungsprozess

[Quelle: Schenk et al. 1996, S. 31 und Rogers 2003, S. 170]

Der Innovations-Entscheidungsprozess (Abbildung 3-4) beinhaltet als erste Stufe den Teilprozess Wissen. Auf dieser Stufe werden sowohl das Wissen um die Existenz einer Innovation als auch Kenntnisse über deren Anwendung subsummiert. In dieser Phase eignen sich vor allem Massenmedien als Kommunikationsmittel, da diese eine hohe Informationsreichweite aufweisen [Schenk et al. 1996, S. 32].

Auf der Stufe der Persuasion findet die Einstellungsbildung statt. Um die mit einer Adaption verbundenen Risiken zu verringern, suchen sich die Individuen in dieser Phase zusätzliche Informationen. Insbesondere spielen die adaptionsfördernden Faktoren „relativer Vorteil“, „Kompatibilität“, „Komplexität“, „Erprobbarkeit“ und „Beobachtbarkeit“ eine entscheidende Rolle, da diese zu einer Senkung des Risikos beitragen und somit eine potentielle Adaption begünstigen. Vor allem enge interpersonelle Beziehungen stärken in dieser Phase das Vertrauen im Informationsaustausch. Dadurch kann eine zusätzliche Minimierung des subjektiven Risikos erreicht werden [Schenk et al. 1996, S. 32].

Der Output der Entscheidungsphase ist eine Meinungsbildung auf kognitiver Ebene für (Adaption) oder gegen (Rejektion) eine Innovation [Rogers 2003, S. 175].

In der Implementierungsphase wird die entwickelte Einstellung bzw. Meinung umgesetzt. Die Individuen machen sich aktiv auf die Suche nach Informationen. Für eine Adaption müssen zu diesem Zeitpunkt die adaptionsfördernden Faktoren erfüllt sein [Schenk et al. 1996, S. 34].

In der abschließenden Bestätigungsphase suchen Individuen zusätzliche Informationen und Argumente, die ihre getroffene Entscheidung stützen. Dadurch möchten sie auftretende Selbstzweifel, so genannte kognitive Dissonanzen, verringern, um Gewissenskonflikte zu vermeiden [Schenk et al. 1996, S. 34].

3.4 Soziales System

Die sozialen Strukturen, die das Rahmenwerk für die Diffusion von Innovationen bilden, werden in diesem Kapitel nur rudimentär angesprochen, da im Kapitel 4 eine ausführliche soziale Netzwerkanalyse folgt.

ROGERS (2003, S. 23) definiert ein soziales System folgendermaßen: “A social system is defined as a set of interrelated units that are engaged in joint problem solving to accomplish a common goal. The members or units of a social system may be individuals, informal groups, organizations, and/or subsystems.”

Da in einem sozialen System nicht alle Individuen in ihrem Verhalten und Charakter homo- gen sind, wird eine Struktur benötigt, um dem System Stabilität und Regelmäßigkeit zu ge- ben. Ein soziales System besteht aus zwei Dimensionen: die soziale Struktur und die Kom- munikationsstruktur. Unter der sozialen Struktur werden sozioökonomische Determinanten verstanden, die „von außen“ auf die Mitglieder eines sozialen Systems einwirken. Dies kön- nen unter anderem Normen oder gesetzliche Regularien sein. Neben der formalen Struktur existiert eine Kommunikationsstruktur zwischen den Individuen eines sozialen Netzwerks. Diese findet auf einer subjektiven Ebene statt und beschreibt den Umgang der Individuen untereinander. Entscheidend für die Kommunikationsstruktur sind die individuellen Charak- tereigenschaften. Je homogener diese sind, desto leichter bilden sich Kommunikationsstruk- turen und desto leichter verbreiten sich Innovationen. [Rogers 2003, S. 24]

3.5 Bedeutung für das Web 2.0

Aufgrund der Attraktivität des Web 2.0 für Unternehmen im Zusammenhang der immer stär- ker werdende Integration von Kunden erscheint es sinnvoll, die Dimensionen der Diffusions- theorie Innovation, Kommunikationskanal, Zeit und Soziales System näher zu untersuchen.

Bei Innovationen handelt es sich im Web 2.0 meist um immaterielle Dienstleistungen, die oft als (orchestrierte) Web-Services angeboten werden. Die Möglichkeit, verschiedene Web- Services zu kombinieren, setzt voraus, dass diese zum einen zueinander und zum anderen mit den Anforderungen der Nutzer kompatibel sind. Denn erst wenn der Nutzer einen Bedarf sieht (zum Beispiel Positionsortung auf dem iPhone via Satellitenaufnahmen) und eine kriti- sche Masse erreicht wird, hat die Innovation Aussicht auf Erfolg. Die subjektive Meinungsbil- dung findet statt, sobald der Nutzer von der Innovation erfahren hat. [Hass et al. 2007, S. 40]

Eine Besonderheit des Web 2.0 ist, dass die Kommunikation und somit die Meinungsver- breitung auf allen Kanälen (Massenkommunikation, interpersonelle und interaktive Kommu- nikation) gleichsam statt findet. Je nach Anwendungsrahmen und Situation kommt ein ande- rer Kommunikationskanal zum Einsatz. So eignen sich „One-to-Many“- Kommunikationsin- strumente, die der klassischen Massenkommunikation ähneln, besonders für die Distribution von Informationen eines Kommunikators an ein breites Publikum. Als Beispiel können an dieser Stelle Firmen-Websites genannt werden. Ein Kommunikator (eine Firma) bietet eigene Produkte vielen Rezipienten (potentielle Kunden) an. „One-to-One“-Beziehungen entspre- chen im Web 2.0 der interpersonellen Kommunikation. So sind beispielsweise der E-Mail- Verkehr oder Instant-Messaging-Tools typische „One-to-One“-Kommunikationsmittel. Eine Besonderheit des Web 2.0 sind die interaktiven Kommunikationsinstrumente. „One-to-Many“- und „One-to-One“-Kommunikation gab es auch schon im klassischen Internet. Ein Novum im Web 2.0 ist die Möglichkeit, dass viele Menschen gleichzeitig miteinander kommunizieren können, sei es mit Hilfe von Chat-Programmen, Internetforen oder Web-Communities. Bei der „Many-to-Many“- bzw. interaktiver Kommunikation kann aufgrund der Anonymität der Nutzer nur schwer auf homogene oder heterogene Kommunikationsstrukturen geschlossen werden. Vielmehr muss bei der Struktur der Kommunikation zwischen synchroner und asynchroner Kommunikation unterschieden werden. Synchrone Kommunikation bedeutet direkten Meinungsaustausch über beispielsweise Chat Programmen, unter asynchroner Kommunikation, z.B. mittels Foren, wird ein indirekter zeitversetzter Meinungsaustausch ver- standen [e-teaching.org 2008].

Im Hinblick auf die Zeitdimension der Diffusion kann der Adaptionsprozess und somit auch der Prozess der Meinungsbildung im Web 2.0 durch elektronische Wissensbereitstellung verkürzt werden. So wurde in der Vergangenheit empirisch belegt, dass Kunden es begrüßen, wenn ihnen produktbezogenes Wissen im Adaptions- bzw. Kaufprozess elektronisch zu Verfügung gestellt wird. Potentiellen Kunden kann in Phasen der Entscheidungsfindung durch zusätzlich angebotenes Wissen geholfen werden, auftretende kognitive Dissonanzen zu verringern. [Weinmann 2007, S. 39ff.]

Soziale Netzwerke können im Web 2.0 am Grad des Involvement der Nutzer sowie an der Interaktivität bzw. der Beziehungsstärke zwischen den Nutzern charakterisiert werden. Invol- vement gibt im Zusammenhang mit sozialen Netzwerken an, wie stark Personen in ein The- mengebiet involviert sind. [Moser 1993, S. 27ff.] Die Interaktivität gibt die Häufigkeit der Kommunikation zwischen den Nutzern wieder und ist somit auch ein Maß der Beziehungs- stärke zwischen Personen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-5: Soziale Netzwerke des Web 2.0

[Bodendorf 2007, S. 44 & Moser 1993, S. 27ff.]

Im Zusammenhang mit dem Web 2.0 sind einfache soziale Netzwerke beispielsweise Bewer- tungsplattformen (wie zum Beispiel www.ciao.de). Eine Interaktion zwischen den Nutzern findet auf diesen Plattformen nur bedingt statt. Blogs sind ein weiteres Beispiel für geringe Interaktivität. Typischerweise posten eine oder wenige Personen, die stark in eine Thematik involviert sind (z.B. tagebuchähnliche Blogeinträge während einer längeren Reise) Beiträge für eine anonyme Gruppe von interessierten Nutzern. Der Grad der Interaktivität steigt bei Nutzern von Foren. Diese müssen sich oftmals erst anmelden, um an der Konversation im Forum teilnehmen zu dürfen. Es kann davon ausgegangen werden, dass durch die Anmel- dung bei einem Forum eine Selbstselektion der Nutzer stattfindet, die zu einem hohen Invol- vement-Level führt. Chat-Rooms zeichnen sich dadurch aus, dass zwischen den Nutzern aufgrund des synchronen Kommunikationscharakters eine hohe Interaktivität herrscht. Ein hohes Level an Involvement und Interaktivität vereinen Online Communities (z.B. Facebook oder Xing). Nutzer melden sich an, um gezielt Networking zu betreiben.

Im Rahmen dieser Arbeit wird der Fokus primär auf die Betrachtung von Online-Foren ge- legt, da diese sowohl eine durchschnittliche Interaktion als auch ein durchschnittliches Invol- vement abbilden. Darüber hinaus lassen sich aufgrund des asynchronen Konversationscha- rakters sehr einfach Daten für eine soziale Netzwerkanalyse extrahieren. (Welser et al. 2007)

4 Soziale Netzwerkanalyse

4.1 Einführung

Die soziale Netzwerkanalyse (SNA) wird im Rahmen dieser Arbeit zur Analyse von Netzwer- ken in Internetforen des Web 2.0 eingesetzt. Ziel hierbei ist es, zum einen die sozialen Struk- turen in Foren abzubilden, um daraus Netzwerkkennzahlen zu errechnen. Zum anderen werden die Meinungen der Nutzer zum Thema „iPhone“ erfasst. Die ermittelten Netzwerk- kennzahlen und Meinungen werden im Kapitel 5 als Input-Daten für ein neuronales Netz genutzt, um daraus Meinungen von Foren-Nutzern zum iPhone zu prognostizieren.

MITCHELL (1969, S. 2) definiert, als einer der Begründer der SNA, ein soziales Netzwerk folgendermaßen: A social network is “(…) a specific set of linkages among a defined set of persons with the additional property that the characteristics of these linkages as a whole may be used to interpret the social behavior of the persons involved.“

Demnach besteht ein soziales Netz aus Individuen und deren Beziehungen zueinander. Mit Hilfe der SNA kann soziales Verhalten innerhalb des Netzes erklärt werden. Die SNA besteht nach KOCH & RICHTER (2007, S. 63) aus drei generischen Prozessschritten:

- Datenakquise: Sammeln von Informationen sowie Beschreibung der Knoten und de- ren Beziehungen im Netzwerk
- Quantitative Analyse: Auswertung der Daten und Berechnung von Netzwerkkenn- zahlen
- Visualisierung: Grafische Darstellung der Netzwerkdaten

Im Rahmen dieser Arbeit wird der Analyseprozess um einen weiteren Prozessschritt ergänzt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-1: Prozessschritte der sozialen Netzwerkanalyse [eigene Darstellung]

- Qualitative Analyse: Untersuchung der Aussagen und Meinungen von Knoten

Die Ergänzung des Analyseprozesses um den Prozessschritt „Qualitative Analyse“ ist inso- fern wichtig, da zur Prognose von Meinungen neben der Struktur des Netzwerks (quantitative

Analyse) auch die Auswertung der geäußerten Meinungen jedes Nutzers (qualitative Analyse) wichtig ist.

Der Prozess der SNA wird anhand des Beispiels „Meinungen zum iPhone“ auf zwei Analyseebenen betrachtet: der individuellen und der kollektiven Analyseebene. Im Rahmen der individuellen Analyseebene (Kapitel 4.3) stehen ein Akteur und dessen Handeln im Vordergrund. Bei der kollektiven Analyseebene (Kapitel 4.4) hingegen werden alle Akteure und deren Interaktionen gemeinsam betrachtet [Jansen 1999, S. 63ff.].

Ziel der SNA ist die Berechnung von individuellen und kollektiven Netzwerkkennzahlen sowie die Erfassung von Meinungen auf Basis der aus Internetforen erhobenen Daten. Die individuellen und kollektiven Kennzahlen sollen jeweils als Input-Daten für ein neuronales Netz zur Prognose der Meinung eines jeden Individuums sowie für ein neuronales Netz zur Prognose der Meinung eines gesamten Forums dienen.

4.2 Forschungsdesign

4.2.1 Vorgehensweise

Die Ermittlung der Netzwerkkennzahlen richtet sich im Allgemeinen nach dem in Kapitel 4.1 skizzierten Analyseprozess. Zunächst wurden relevante Foren im Internet gesucht, die die Thematik „Meinung zum iPhone“ tangierten. Daraufhin wurden die Nutzer der Foren extrahiert und deren Beziehungen untereinander untersucht. Danach wurde die Meinung der einzelnen Nutzer analysiert. Die ermittelten Daten wurden als Input-Daten für die SNA genutzt, wobei die Auswertung und Visualisierung der Daten mit Hilfe der Netzwerkanalysesoftware Pajek (Version 1.2.3) erfolgte [Batagelj & Mrvar 2008].

4.2.2 Datenakquisition

Als Datenquellen dienten die in Kapitel 2.2 beschriebenen Internetforen. Insgesamt wurden für die SNA 154 Nutzer mit 370 Posts herangezogen. Diese Daten wurden einer quantitativen und einer qualitativen Analyse unterzogen.

In einem ersten Schritt wurden die Nutzer und deren Beziehungen operationalisiert. Jeder Teilnehmer eines Forums wurde erfasst und entsprechend des Eintrittszeitpunkts in das Forum durchnummeriert. Die Daten der Nutzer wurden in einer Soziomatrix (vgl. Abbildung 4-5) festgehalten. Sobald eine Beziehung zwischen zwei Nutzern realisiert wurde, wurde dies in der Soziomatrix mit einer „1“ notiert. Wenn keine Beziehung zwischen zwei Nutzern vorhanden war, so wurde eine „0“ gesetzt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-2: Quantitative und qualitative Datenerhebung

Da die Daten aus den Posts der Nutzer entnommen wurden, musste der Text vorerst mit Hilfe der qualitativen Inhaltsanalyse ausgewertet werden, um daraus die quantitativen Daten ableiten zu können. Hat beispielsweise Nutzer 22 einen Beitrag von Nutzer 15 zitiert oder ist explizit auf sein Posting eingegangen, so wurde dies als Beziehung zwischen den beiden gewertet und mit „1“ kodiert [Mayring 1993, S. 16]. Diese Daten wurden in das Syntaxschema der Softwareumgebung Pajek formatiert [Batagelj & Mrvar 2008]. Mit Hilfe von Pajek wurden die jeweiligen sozialen Netze der einzelnen Foren aufgespannt.

Im zweiten Schritt - der qualitativen Analyse - wurden die Posts der einzelnen Nutzer analy- siert, um daraus deren Meinung abzuleiten. Die Meinung der Nutzer wurde zu zwei Zeitpunk- ten t1 und t2 erfasst, wobei t1 die Meinung eines Nutzers zu seinem Eintrittszeitpunkt in das Forum und t2 die zuletzt abgegebene Meinung wiederspiegelt. Die Analyse erfolgte mit Hilfe der Text-Mining-Software JavaTec (Version 1.1.0). Diese wurde im Rahmen der Text-Mining- Forschung am Lehrstuhl Wirtschaftsinformatik II an der Friedrich-Alexander Universität ent- wickelt. Das Tool basiert auf frei verfügbaren Java-Bibliotheken und verwendet modifizierte Versionen der Algorithmen Naiver Bayes und Support Vector Machine, um Texte nach Mei- nungen zu klassifizieren (vgl. Abbildung 4-3) [Kröckel 2008]. „Grün“ steht hierbei für „positive Meinung“ (Klasse 1), „rot“ für „negative Meinung“ (Klasse 2) und „gelb“ für „keine Meinung“ (Klasse 0).

Bei dieser Auswertung wurden die Daten wurde wie folgt aggregiert:

- äußerte ein Nutzer in keinem seiner Posts eine Meinung über das iPhone, so wurde seine Endmeinung („Ergebnis“ in Abbildung 4-3) auf „keine Meinung“ gesetzt.

- ansonsten wurde die jeweils letzte abgegebene Meinung bzgl. des iPhones übernommen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-3: Meinungsanalyse mit JavaTec

Die Visualisierung des Netzwerkes erfolgte wiederum mit Hilfe der Softwareumgebung Pa- jek. Abbildung 4-4 zeigt beispielhaft das Macintosh-Netzwerk nach dem Operationalisieren der quantitativen und qualitativen Daten: Beziehungen und Größe der Knoten, welche die Ausprägung der jeweils betrachteten Kennzahl visualisiert, wurden mit der quantitativen Ana- lyse ermittelt. Die Farben der Knoten spiegeln die Meinung der Nutzer bezüglich des iPho- nes wieder. Diese wurden mit Hilfe der Software JavaTec erhoben und mit Pajek ausgewer- tet (vgl. Abbildung 4-3 und Abbildung 4-4). Die Visualisierungen aller Foren sind im Anhang C festgehalten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-4: Beispielnetz des Macintosh-Forums [Pajak 2008]

4.2.3 Annahmen

Sobald sich ein Nutzer an einer Diskussion in einem Forum beteiligt, ist er Teil dieses Netz- werks. Er geht eine Kommunikationsbeziehung zu mindestens einem der teilnehmenden Diskussionspartner ein. Diese Tatsache ist für die Berechnung einiger Netzwerkkennzahlen wichtig, da hierfür ein vollständig verbundenes Netz, d.h. jeder Knoten im Netz muss er- reichbar sein, benötigt wird [Jansen 1999, S. 127]. Allerdings ergibt sich bei der Betrachtung von Internetforen das Problem, dass Kommunikationsbeziehungen nicht immer eindeutig zuzuordnen sind. Es bleibt die Frage offen, ob ein neuer Diskussionsteilnehmer, wenn er andere Teilnehmer nicht explizit anspricht, dem Beitrag des ersten Nutzers oder dem des letzten Nutzers antwortet. Mit Hilfe der qualitativen Inhaltsanalyse [Mayring 1993, S. 16] konnte festgestellt werden, dass Nutzer zu Beginn einer neuen Diskussion dem ersten Nut- zer antworten, im Verlauf der Diskussion allerdings mehr und mehr auf den vorhergehenden Nutzers eingehen. Im Rahmen dieser Arbeit wird die Annahme getroffen, dass Nutzer, die neu in ein Forum eintreten, mindestens die zuletzt gepostete Nachricht lesen. Aufgrund die- ser Annahme werden Kennzahlen nur minimal verfälscht, da jeder Knoten zusätzlich eine ein- und eine ausgehende Verbindung hat.

4.3 Individuelle Analyseebene

Auf der Ebene der individuellen Analyse werden sowohl Kennzahlen betrachtet, die sich auf den Nutzer selbst beziehen, als auch Kennzahlen, die sein individuelles Netzwerk, das Ego- Netzwerk, charakterisieren. Auf Basis dieser Kennzahlen werden im Anwendungsteil Hypo- thesen aufgestellt.

4.3.1 Zentralitäts-Kennzahlen

4.3.1.1 Grundlagen

Zentralität beschreibt die Position eines Individuums in einem sozialen Netzwerk. Dadurch können wichtige Akteure in einem sozialen Netz identifiziert werden. Die hier besprochenen Zentralitätskonzepte basieren auf der mathematischen Graphentheorie. Als extremste For- men der Zentralität gelten Stern- und Kreisstrukturen. Bei einer Sternstruktur weist der Ak- teur in der Mitte des Sterns eine maximale Zentralität auf. Dagegen ist der Zentralitätsgrad bei allen Akteuren in einer Kreisstruktur gleich groß und somit minimal (Abbildung 4-5)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-5: Stern- und Kreis-Soziogramme mit Soziomatrizen

[Wassermann & Faust 1999, S. 171]

In einer Soziomatrix wird dargestellt, ob eine Beziehung zwischen zwei Akteuren realisiert wird (1) oder nicht (0) [Jansen 1999, S. 124].

FREEMAN (1979, S. 220ff.) definiert drei Zentralitätskennzahlen (Abbildung 4-6):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4-6: Zentralitätskennzahlen der individuellen Analyseebene [eigene Darstellung]

Bei der Degree-Zentralität handelt es sich um die einfachste Maßzahl für Zentralität. Sie beschreibt den aktivsten und damit zentralsten Akteur als denjenigen, der die meisten direkten Verbindungen zu anderen Akteuren aufweist [Wassermann & Faust 1999, S. 178]. Die Closeness-Kennzahl basiert auf Nähe bzw. Distanz zu anderen Akteuren. In diesem Fall ist das Individuum am zentralsten, dass die kürzesten Verbindungen zu anderen Akteuren hat. Bei der Betweenness-Zentralität werden die kürzesten Verbindungstrecken, die sogenannten geodesic, zwischen kommunizierenden Pärchen betrachtet. Zentral ist der Akteur, der am häufigsten auf diesen Verbindungen liegt. Diesem obliegt die Informationskontrolle zwischen zwei interagierenden Akteuren [Wassermann & Faust 1999, S. 188].

[...]