Abteilung Computational Social Science

Leitung: Prof. Dr. Raphael Heiko Heiberger (SOWI VII)

CSS liegt an der Schnittstelle zwischen Sozial- und Computerwissenschaften. Soziale Phänomene stehen dabei im Mittelpunkt des Erkenntnisinteresses, diese werden allerdings mit bislang in den Sozialwissenschaften wenig genutzten Datentypen und Verfahren analysiert.

Konkret geht es z.B. um die Nutzung von prozessgenerierten Daten, also etwa Plenarprotokolle des Bundestags, wissenschaftliche Texte und Kollaborationen, oder Messages in Social Media Kanälen (etwa Tweets). Methodisch vereint CSS klassische Inferenzstatistik mit iterativen Rechenregeln (also Algorithmen) oder Bayesianischen Wahrscheinlichkeitsklassifikationen. Diese werden dann beispielsweise dazu genutzt um Themen in großen Mengen an Text zu erkennen, Wirtschaftswachstum zu prognostizieren oder soziale Beziehungen aufgrund basaler sozialer Attribute vorherzusagen.

Neben der Aufbereitung vielfältiger Datentypen und der Entwicklung innovativer Methoden ist in unserer Gruppe aber auch deren „sozialwissenschaftliche Passung“ ein wesentlicher Teil der Aufgabe. D.h. uns geht es auch darum die Validität und Reliabilität der Daten sowie die theoretische Anschlussfähigkeit der Analysemethoden sicherzustellen.

Latest Publications

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
Zum Seitenanfang