Hatespeech auf Twitter in Reaktion auf Corona-Maßnahmen in Deutschland. Eine Analyse anhand von automatisierter Textklassifikation

Masterarbeit , 2022 , 88 Seiten , Note: 1,3

Informatik - Computerlinguistik

Die COVID-19-Pandemie hat weltweit zu intensiven Diskussionen und Reaktionen geführt, auch auf sozialen Medien wie Twitter. Dies schließt nicht nur vernünftige Diskurse ein, sondern auch einen Anstieg von Hatespeech. Diese Studie untersucht, inwiefern Hatespeech in den Antworten (Replies) auf Tweets zu deutschen COVID-19-Maßnahmen präsent ist und wie es sich im Laufe der Pandemie entwickelt hat.

Die Forschung nutzte zwei Zeiträume, Winter 2020 und Winter 2021, um Veränderungen in den Reaktionen im Laufe der Pandemie zu analysieren. Twitter-Korpora wurden erstellt, die Tweets von offiziellen Stellen wie Landesregierungen, Gesundheitsämtern, Ministern und dem Robert Koch-Institut umfassen. Die Replies auf diese Tweets wurden auf das Vorhandensein von Hatespeech mittels eines BERT-Modells untersucht, wobei ein weiteres Modell zur Klassifikation toxischer Kommentare als Vergleich diente.
Die Forschung konzentrierte sich auf mehrere Aspekte, darunter die Art des Accounts, die am häufigsten diskutierten Maßnahmen sowie zeitliche Entwicklungen. Die Ergebnisse dieser Studie bieten Einblicke in die Verbreitung und die Natur von Hatespeech in Bezug auf COVID-19-Maßnahmen in Deutschland und tragen dazu bei, die Hintergründe dieser hasserfüllten Reaktionen zu verstehen.

Diese Erkenntnisse sind nicht nur von akademischem Interesse, sondern haben auch praktische Relevanz für die Gestaltung von effektiven Kommunikationsstrategien und politischen Maßnahmen während der anhaltenden Pandemie.

• Hochschule: Universität Trier (Computerlinguistik und Digital Humanities)
• Note: 1,3
• Autor: Amelie Probst (Autor:in)
• Erscheinungsjahr: 2022
• Seiten: 88
• Katalognummer: V1414874
• ISBN (PDF): 9783346978530
• ISBN (Buch): 9783346978547
• Sprache: Deutsch
• Schlagworte: Hatespeech, Classification, Klassifizierung, BERT, Corona, Twitter, Sprachmodelle, NLP, Computerlinguistik, Toxic Comments, Natural Language Processing, DistilBERT