Social media provides rapidly growing content in the form of texts and multimedia files, which are rich data sources for many research disciplines. With regard to processing these sources, there is a substantial evolution of data science related disciplines, such as, machine learning (ML), natural language processing (NLP), et cetera. However, the integration of these innovations into the workflow of domain experts to manually analyze social media big data in application domains is understudied. For instance, in qualitative research, data analyses, such as, content studies, are still carried out entirely manually on small amounts of thoughtfully selected data. Thereby, the level of detail provided by domain experts is still unmet by computer algorithms. Thus, a professional, handcrafted analysis is the gold standard for precise explanations and theories about individuals and their comments on the world as they perceive it. However, qualitative studies are carried out on small datasets, which are condemned to be incomplete and biased. For example, a specific data source, e.g., a domain-specific online forum about a particular topic, might be frequented by individuals with a predetermined mindset, which is commonly known as filter bubble. This can be imposed by many factors, among other, culture, language, community guidelines, and so on. Consequently, it is desirable to investigate as much data from as various data sources as possible to be able to discover all possible discussed themes and expressed opinions of a domain in a more representative manner. Luckily, social media provides manifold sources from all sorts of interest groups and mindsets. At the same time, the recent advances in NLP and deep learning provide computational methods with unforeseen performance with regard to semantic coherence and accuracy. More than ever before, computer algorithms offer a highly connected and contextualized understanding of unstructured amounts of texts, leading to improved summarization of big social media data. Tailoring that technology for the end user throws the spotlight on the person who uses the methods in order to gain insight from social media data, which is the so-called text miner or domain expert. State-of-the-art methods need to add value to the tasks carried out by text miner to improve understanding of the investigated data domain and to enable better research. This thesis aims at leveraging state-of-the-art (SOTA) NLP methods to support a domain expert in the big data opinion mining process. It is dedicated to the exploration of an extended range of discussed themes as well as to providing representative quantitative statistics from social media texts. We show the potential to improve domain exploration by providing tools and methods unveiling the big picture of social media, i.e., by displaying opinions about as many topics and aspects as possible at multiple languages at a time. Further, our studies demonstrate how to complement or replace cross-cultural representative surveys by using opinion mining technology. Last but not least, we improve the SOTA of existing NLP to transfer explanations, theories, and structured knowledge provided by domain experts from limited data to big data using predictive ML models.     «

Social media provides rapidly growing content in the form of texts and multimedia files, which are rich data sources for many research disciplines. With regard to processing these sources, there is a substantial evolution of data science related disciplines, such as, machine learning (ML), natural language processing (NLP), et cetera. However, the integration of these innovations into the workflow of domain experts to manually analyze social media big data in application domains is understudie...     »

Soziale Medien stellen rapide wachsende Inhalte in Form von Texten und Multimediadateien zur Verfügung, die für viele Forschungsdisziplinen reichhaltige Datenquellen darstellen. Im Hinblick auf die Verarbeitung dieser Quellen gibt es eine starke Entwicklung der mit den Datenwissenschaften verbundenen Disziplinen, wie z.B. maschinelles Lernen, Computerlinguistik, Text Mining, und so weiter. Die Integration dieser Innovationen in den Arbeitsablauf von Fachleuten zur manuellen Analyse von Big Data sozialen Medien in Anwendungsbereichen ist jedoch noch nicht ausreichend untersucht worden. In der qualitativen Forschung beispielsweise wird die Datenanalyse immer noch vollständig manuell an nicht repräsentativen Datenstichproben durchgeführt. Gleichzeitig wird der Detaillierungsgrad eines erfahrenen Domänenexperten von Computeralgorithmen noch nicht erreicht. Eine professionelle, handwerkliche Analyse ist der Goldstandard für präzise Erklärungen und Theorien darüber, wie Menschen zu ihren Schlussfolgerungen und Meinungen über die Welt, die sie umgibt, kommen. Erkenntnisse, die aus nicht repräsentativen, kleinen Daten gewonnen werden, sind jedoch dazu verurteilt, unvollständig und verzerrt zu sein. So mag eine bestimmte Datenquelle, z. B. ein spezifisches Online-Forum zu einem bestimmten Thema, primär von Personen mit einer bestimmten Denkweise frequentiert werden, die gemeinhin als Filterblase bezeichnet wird. Dies kann durch viele Faktoren bedingt sein, unter anderem durch Kultur, Sprache, Gemeinschaftsrichtlinien und so fort. Daher ist es wünschenswert, möglichst viele Daten aus verschiedenen Datenquellen zu untersuchen, um alle möglichen diskutierten Themen und geäußerten Meinungen eines Bereichs repräsentativ zu erfassen. Glücklicherweise bieten die sozialen Medien vielfältige Quellen aus allen möglichen Interessengruppen. Gleichzeitig bieten die jüngsten Fortschritte in den Bereichen \gls{nlp} und Deep Learning Computermethoden mit ungeahnten Leistungen in Bezug auf semantische Kohärenz und Genauigkeit. Mehr als je zuvor bieten Computeralgorithmen ein hochgradig vernetztes und kontextualisiertes Verständnis von unstrukturierten Textmengen, was zu einer verbesserten Zusammenfassung großer Datenmengen in sozialen Medien führt. Die Anpassung dieser Technologie an den Endnutzer rückt die Person in den Mittelpunkt, die die Methoden anwendet, um Erkenntnisse aus Social-Media-Daten zu gewinnen, d. h. den so genannten Text Miner oder Domänenexperten. Moderne Methoden müssen einen Mehrwert für die von Text Minern durchgeführten Aufgaben bieten, um das Verständnis der untersuchten Datendomäne zu verbessern und eine bessere Forschung zu ermöglichen. Diese Arbeit zielt darauf ab, Computerlinguistik-Methoden auf dem Stand der Technik zu nutzen, um einen Domänenexperten im Big Data Opinion Mining-Prozess zu unterstützen. Sie widmet sich der Erkundung eines erweiterten Spektrums an diskutierten Themen sowie der Bereitstellung repräsentativer quantitativer Statistiken aus Social Media Texten. Wir zeigen das Potenzial, die Domänenexploration zu verbessern, indem wir Werkzeuge und Methoden bereitstellen, die das Gesamtbild der sozialen Medien enthüllen, d. h. indem wir Meinungen zu möglichst vielen Themen und Aspekten in mehreren Sprachen gleichzeitig anzeigen. Darüber hinaus zeigen unsere Studien, wie kulturübergreifende repräsentative Umfragen durch den Einsatz von Opinion-Mining-Technologie ergänzt oder ersetzt werden können. Nicht zuletzt verbessern wir den Stand der Technik, um Erklärungen, Theorien und strukturiertes Wissen von Domänenexperten von begrenzten Daten auf Big Data unter Verwendung prädiktiver Modelle des maschinellen Lernens zu übertragen.     «

Soziale Medien stellen rapide wachsende Inhalte in Form von Texten und Multimediadateien zur Verfügung, die für viele Forschungsdisziplinen reichhaltige Datenquellen darstellen. Im Hinblick auf die Verarbeitung dieser Quellen gibt es eine starke Entwicklung der mit den Datenwissenschaften verbundenen Disziplinen, wie z.B. maschinelles Lernen, Computerlinguistik, Text Mining, und so weiter. Die Integration dieser Innovationen in den Arbeitsablauf von Fachleuten zur manuellen Analyse von Big Dat...     »