The burst of Web 2.0 services during the early years of the 21 century generated along list of online social media platforms cultivating online participatory culture. In 2018 about 69% of adult Americans used at least one of the major online social media platforms. Online social media platforms gather and store different kinds of data, for example concerning the interaction of users with their platforms as well as the communication patterns among users. This renaissance of big data – a term that refers to the explosion of available data – is characterized by continuous production of high dimensional and unstructured data that is being collected at an unprecedented scale and with relatively low cost. This renaissance offers social scientists novel opportunities to study humans’ behavior out of the lab in massive scales. Analyzing this data, however,is highly challenging due to its high dimensionality, the large amount of noise, incidental endogeneity, and spurious correlations. To exhaust the potential opportunities and to discover complex patterns embodied in this data, it is therefore crucial for social scientists to be equipped with field knowledge in modern machine learning techniques,computer science, statistics, and mathematics. The focus of this dissertation lies on generating political knowledge from the huge amounts of data being generated on online social media platforms. The first part of the dissertation serves as a general introduction to Social Big Data, the opportunities for its political exploration, and the challenges that come with it. Additionally, a general framework to continuously store raw social media data on scalable distributed databases is introduced. In the second part, the theoretical basis for efficiently analyzing the data is described, on basis of which the proper quantitative tools for generating knowledge are developed. For the theoretical part of this thesis a wide range of algorithms are developed, all of which have the goal of filling the theoretical gap between the different aspects of social sciences and computational sciences. The main two papers constituting this dissertation are based on state-of-the-art network theory tools. In Estimating the Political Orientation of Twitter Users in Homophilic Networks by Shahrezaye et al. efficient algorithms based on metric learning and Harmonic functions are developed to efficiently estimate the political orientation of mass Twitter users using less than fifty training observations per class. Measuring the Ease of Communication in Bipartite Social Endorsement Networks by Shahrezaye et al. measures the overall efficiency of communication in social networks which have a positive-degree correlation between neighboring vertices, the so-called networks with assortative mixing. Additionally, a polarization index is derived/defined, which can be used to measure the the level of political polarization between the sub-clusters of online social networks. In Distorting political communication: The Effect of Hyperactive Users in Online Social Networks by Papakyriakopoulos et al. the hyperactive users are theoretically and mathematically defined. It is then shown that hyperactive users can turn to be opinion-leaders on online social platforms and that they can affect the political discourse on these platforms.     «

The burst of Web 2.0 services during the early years of the 21 century generated along list of online social media platforms cultivating online participatory culture. In 2018 about 69% of adult Americans used at least one of the major online social media platforms. Online social media platforms gather and store different kinds of data, for example concerning the interaction of users with their platforms as well as the communication patterns among users. This renaissance of big data – a term that...     »

Mit der rasanten Entwicklung von Web 2.0-Diensten in den frühen Jahren des 21. Jahrhunderts entstand eine große Anzahl von sozialen Netzwerken, die die Entstehung einer Online-Beteiligungskultur ermöglichten. So nutzten zum Beispiel schon circa 69\% der erwachsenen Amerikaner im Jahr 2018 mindestens eine der wichtigsten Social Media Plattformen im Internet. Diese sammeln und speichern dabei verschiedene Arten von Daten, zum Beispiel über die Interaktion der Nutzer mit den Plattformen sowie über deren Kommunikation untereinander. Diese Renaissance von Big Data - ein Begriff, der sich auf den explosionsartigen Anstieg verfügbaren Daten bezieht - ist gekennzeichnet durch die kontinuierliche Generation von hochdimensionalen und unstrukturierten Daten, die in einem beispiellosen Umfang und mit relativ geringen Kosten erhoben werden können. Diese Renaissance bietet Sozialwissenschaftlern neue Möglichkeiten, das Verhalten der Menschen in großem Maßstab zu untersuchen. Die Analyse dieser Daten ist jedoch aufgrund ihrer hohen Dimensionalität und Ungenauigkeit, der zufälligen Endogenität und auch wegen häufig auftauchenden, falschen Korrelationen sehr schwierig. Um die Potenziale vollständig zu erschließen und komplexe Muster in den Daten zu erkennen, ist es entscheidend, dass Sozialwissenschaftler mit den modernen Methoden des maschinellen Lernens ausgestattet sind und sich in der Informatik, Statistik sowie Mathematik auskennen. Der Schwerpunkt dieser Dissertation liegt auf der Generierung von politischem Wissen aus den riesigen Datenmengen, die auf Social Media Plattformen erzeugt werden. Der erste Teil der Dissertation dient hierbei als allgemeine Einführung in Social Big Data, die Möglichkeiten ihrer politischen Erforschung und den damit verbundenen Herausforderungen. Zusätzlich werden allgemeine Methoden zur kontinuierlichen Speicherung von Social Media-Rohdaten auf skalierbaren verteilten Datenbanken eingeführt. Der zweiten Teil beschreibt den theoretischen Rahmen für die effiziente Analyse der Daten, auf dessen Grundlage die quantitativen Werkzeuge zur Generierung von Wissen entwickelt werden. Für den theoretischen Teil dieser Arbeit wird eine breite Palette von Algorithmen entwickelt, mit dem Ziel, die theoretische Lücke zwischen den verschiedenen Aspekten der Sozial- und Informatikwissenschaften zu schließen. Die beiden Hauptveröffentlichungen dieser Dissertation basieren auf modernsten netzwerktheoretischen Methoden. In Estimating the Political Orientation of Twitter Users in Homophilic Networks von Shahrezaye et al. werden effiziente Algorithmen, basierend auf Methoden des metrischen Lernens und mit Hilfe harmonischer Funktionen, entwickelt, um die politische Orientierung von Twitter-Massenbenutzern mit weniger als fünfzig Trainingsbeobachtungen pro Klasse effizient einschätzen zu können. In Measuring the Ease of Communication in Bipartite Social Endorsement Networks, Shahrezaye et al. messen die gesamte Kommunikationseffizienz in sozialen Netzwerken, welche eine positive Korrelation zwischen benachbarten Knoten aufweisen, den sogenannten Netzwerken mit assortativer Mischung. Des Weiteren wird ein Polarisationsindex definiert, mit dem der Grad der politischen Polarisierung zwischen den Unterclustern von sozialen Online-Netzwerken gemessen werden kann. In The Effect of Hyperactive Users in Online Social Networks von Papakyriakopoulos et al. sind die sogenannten hyperactive users sowohl theoretisch als auch mathematisch definiert. Abschließend wird gezeigt, dass diese hyperactive users zu Meinungsbildern auf den sozialen Netzwerken werden und somit den politischen Diskurs beeinflussen können.     «

Mit der rasanten Entwicklung von Web 2.0-Diensten in den frühen Jahren des 21. Jahrhunderts entstand eine große Anzahl von sozialen Netzwerken, die die Entstehung einer Online-Beteiligungskultur ermöglichten. So nutzten zum Beispiel schon circa 69\% der erwachsenen Amerikaner im Jahr 2018 mindestens eine der wichtigsten Social Media Plattformen im Internet. Diese sammeln und speichern dabei verschiedene Arten von Daten, zum Beispiel über die Interaktion der Nutzer mit den Plattformen sowie über...     »