Neue Abteilung am Institut für Sozialwissenschaften

Wie der Name schon sagt verortet sich CSS an der Schnittstelle zwischen Sozial- und Computerwissenschaften. Soziale Phänomene stehen also im Mittelpunkt des Erkenntnisinteresses, diese werden allerdings mit bislang in den Sozialwissenschaften wenig genutzten Datentypen und Verfahren analysiert. Darunter fallen z.B. die Nutzung von prozessgenerierten Daten wie etwa Plenarprotokolle des Bundestags oder Messages in prominenten Social Media Kanälen (etwa Tweets). Methodisch vertieft CSS den Umgang mit iterativen Rechenregeln (also Algorithmen) oder Bayesianischen Wahrscheinlichkeitsklassifikationen (Stichwort "Naive Bayes Classifier"). Diese werden dann beispielsweise genutzt um Themen in großen Mengen an Text zu erkennen und über relativ lange Zeiträume zu analysieren [1], Wirtschaftswachstum zu prognostizieren [2] oder soziale Beziehungen aufgrund basaler sozialer Attribute zu modellieren [3]. Die Referenzen finden Sie bei Interesse weiter unten.

Obwohl dieses Semester noch kein eigenes CSS-Modul angeboten werden kann, wird sich unser Forschungsprogramm natürlich auch in der Lehre widerspiegeln:
Das Seminar Data Science für SozialwissenschaftlerInnen (https://campus.uni-stuttgart.de/cusonline/wbLv.wbShowLVDetail?pStpSpNr=240222) ist eine anwendungsorientierte Einführung in R zu Datenaufbereitung, -visualisierung und -analyse. Komplementär wird ein inhaltlich orientiertes Seminar in die thematischen wie methodischen Forschungsfragen der CSS einführen (https://campus.uni-stuttgart.de/cusonline/wbLv.wbShowLVDetail?pStpSpNr=240223).
Darauf aufbauend werden wir in den nächsten Semester(n) vertiefte Veranstaltungen zu Sozialer Netzwerkanalyse, Natural Language Processing, Machine Learning, Web Crawling und weiteren verwandten Themen anbieten.

Dabei darf ich mich glücklich schätzen auf ein tolles Team um Uwe Remer-Bollow, Marius Kaffai, Chris Koß, Said Unger und Carsten Schwemmer zurückgreifen zu können. Wir freuen uns alle sehr darauf mit Ihnen zusammen zu arbeiten und mit- wie voneinander zu lernen.

Beste Grüße,
Raphael Heiberger

_{[1] Munoz-Najar Galvez, S., Raphael H. Heiberger, and Daniel A. McFarland (2019): Paradigm Revisited: A Cartography of Graduate Research in the Field of Education (1980–2010). American Educational Research Journal. DOI:10.3102/0002831219860511
[2] Heiberger, Raphael H. (2018): Predicting Economic Growth with Stock Networks. Physica A: Statistical Mechanics and its Applications 489. DOI:10.1016/j.physa.2017.07.022
[3] Kibanov, Mark, Raphael H. Heiberger, Simone Rödder, Martin Atzmueller and Gerd Stumme (2019): Social Studies of Scholarly Live with Sensor-based Ethnographic Observations. Scientometrics 119, S. 1387 - 1428. DOI: 10.1007/s11192-019-03097-w}