Computational Social Science (CSS) befindet sich an der Schnittstelle von Sozialwissenschaft und Informatik. Im Mittelpunkt unserer Forschung stehen dabei stets soziale Phänomene, wobei diese jedoch anhand einer Vielzahl von Datentypen analysiert werden. Diese unterscheiden sich teils von etablierten Datenquellen wie Panelbefragungen, häufig ergänzen sie diese aber auch. Unter anderem nutzen wir prozessgenerierte Daten wie wissenschaftliche Texte, Patente, Protokolle von Plenarsitzungen oder Nachrichten in Social-Media-Kanälen.
Die Vielfalt der Daten ermöglicht es uns eine Vielzahl von Methoden als analytische Strategien zu verwenden, z.B. setzen wir text-as-data (z. B. Erhard et al. 2025), statistische Modelle sozialer Netzwerke (z. B. Windzio & Heiberger 2024) oder agentenbasierte Modellierung (z. B. Kaffai & Heiberger 2021) ein, um soziale Phänomene wie Populismus, Mobbing oder die Ausbreitung von Krankheiten zu erklären.
Ein besonderer Schwerpunkt der Arbeit unserer Gruppe liegt auf der Kombination computerlinguistischer Methoden mit Umfragedaten (z. B. Erhard et al. 2021 oder Heiberger et al. 2021).
Die jüngsten Fortschritte bei Large Language Models (LLM) bieten zudem ein weiteres Forschungsfeld für Sowi VII, da wir die „sozialwissenschaftliche Eignung“ von LLMs untersuchen, d. h. wir sind bestrebt, die Validität und Zuverlässigkeit der Daten sowie die theoretische Anwendbarkeit der Methoden sicherzustellen.
Sowi VII ist für die Lehre von Statistik auf Bachelor-Ebene und von computer-basierten Methoden auf Master-Ebene verantwortlich. Unser Ziel ist es dabei, einen modernen Ansatz für das Erlernen der statistischen Modellierung anzubieten, der von grundlegenden Datenkenntnissen bis hin zu ersten Erfahrungen mit modernsten Methoden reicht. In all unseren Kursen legen wir dabei Wert auf praktische Erfahrungen, die eine "sozialwissenschaftliche Brille" auf state-of-the-art Techniken ermöglicht.
- Erhard, L., Hanke, S., Remer, U., Falenska, A., & Heiberger, R. H. (2024). PopBERT. Detecting Populism and Its Host Ideologies in the German Bundestag. Political Analysis. https://doi.org/10.1017/pan.2024.12
- Hanke, S., Sicakkan, H. G., Wolleghem, P. G. V., & Heiberger, R. H. (2024). Policy Actors’ Struggle for Attention: The Role of Peer Networks in the Migration Discourse on Twitter (X). Nonprofit Policy Forum. https://doi.org/doi:10.1515/npf-2023-0126
- Erhard, L., & Heiberger, R. (2023). Regression and Machine Learning. In J. Skopek (Hrsg.), Research Handbook on Digital Sociology (S. 129--144). Edward Elgar Publishing. https://www.e-elgar.com/shop/gbp/research-handbook-on-digital-sociology-9781789906752.html
- Unger, S., Erhard, L., Wieczorek, O., Koß, C., Riebling, J., & Heiberger, R. H. (2022). Benefits and detriments of interdisciplinarity on early career scientists’ performance. An author-level approach for U.S. physicists and psychologists. PLOS ONE, 17(6), Article 6. https://doi.org/10.1371/journal.pone.0269991
- Unger, S., Erhard, L., Wieczorek, O., Koß, C., Riebling, J., & Heiberger, R. H. (2022). Benefits and detriments of interdisciplinarity on early career scientists’ performance. An author-level approach for U.S. physicists and psychologists. PLOS ONE, 17(6), Article 6. https://doi.org/10.1371/journal.pone.0269991
- Heiberger, R. H. (2022). Applying Machine Learning in Sociology: How to Predict Gender and Reveal Research Preferences. KZfSS Kölner Zeitschrift für Soziologie und Sozialpsychologie. https://doi.org/10.1007/s11577-022-00839-2
- Sicakkan, H. G., & Heiberger, R. H. (2022). Between Europeanism and Nativism: Exploring a Cleavage Model of European Public Sphere in Social Media. Javnost - The Public, 0(0), Article 0. https://doi.org/10.1080/13183222.2022.2067724
- Wieczorek, O., Unger, S., Riebling, J., Erhard, L., Koß, C., & Heiberger, R. (2021). Mapping the field of psychology: Trends in research topics 1995–2015. Scientometrics. https://doi.org/10.1007/s11192-021-04069-9