Eignet sich Topic Modeling als sozialwissenschaftliche Methode? Ein Werkstattbericht zur Analyse der REF Impact Case Studies

Digitale Methoden der Textanalyse und speziell das Topic Modeling erleben angesichts von Big Data derzeit auch in den Sozialwissenschaften eine gewisse Konjunktur. So fallen in entsprechenden Studien häufig allein aufgrund der schieren Datenmenge herkömmliche sozialwissenschaftliche Methoden aus. Automatisierte Verfahren der Mustererkennung textueller Daten kommen deshalb z.B. als Heuristik zum Einsatz, um qualitative Analysen anzuschließen oder quantitative Inhaltsanalysen zu ersetzen. Die methodologischen Herausforderungen, den möglichen Mehrwert und die Grenzen digitaler Verfahren der Inhaltsanalyse wollen wir anhand eines Berichts aus einem wissenschaftssoziologischen Projekt reflektieren, in dem neben qualitativen Inhaltsanalysen auch Topic Modeling, genauer Latent Dirichlet Allocation (LDA), zum Einsatz kommt.

Der analysierte Textkorpus besteht aus nahezu 7.000 Impact Case Studies, die aus der jüngsten Evaluation des britischen Hochschulsystems, dem sogenannten Research Excellence Framework 2014 (REF), stammen. Die Analysen stehen unter der forschungsleitenden Frage, inwiefern das REF-Verfahren dem selbst gesteckten Ziel gerecht wird, die epistemische wie institutionelle Diversität der Wissenschaft adäquat zu erfassen. Der Vortrag formuliert am Beispiel der bisher vorliegenden Ergebnisse methodologische Fragen an Textmining und stellt diese zur Diskussion.

Referent*innen:

Dr. Martina Franzen, WZB, Forschungsgruppe Wissenschaftspolitik

Stefan Priester, WZB, Forschungsgruppe Wissenschaftspolitik

Projekt: Wissenschaft und Gesellschaft: „Research Impact“ als Governanceinstrument von Forschung

Kommentar: Dr. Stephan Bohn, FU Berlin, Management-Department, Fachbereich Wirtschaftswissenschaft