Debate Structures around COVID-19 on Twitter

COVID-19 ist in aller Munde. Sowohl Gefährlichkeit und Verbreitung der Krankheit, als auch der Sinn der Gegenmaßnahmen werden von einer kleinen Gruppe von Wissenschaftlern und Ärzten bezweifelt. Diese Wissenschaftler werden von Kritikern und „Querdenkern“ gerne zitiert. Auf Twitter gibt es rege Diskussionen zwischen Corona-Skeptikern und anderen Wissenschaftlern und Experten. Es scheint Muster zu geben, wie die Beteiligten an diesen Diskussionen zitieren, diskutieren, retweeten, auf Fehler eingehen. Konkrete Annahme: „Skeptiker“ interpretieren häufig Studien falsch, zitieren eher methodisch schwache Studien, äußern sich selbstbewusster, verwenden unehrliche Diskussionsmuster (z.B Übertreibungen). Auch bei den Followern von etablierten Experten (z.B. Prof. Drosten) und „Skeptikern“ (Prof. Homburg) scheint es strukturelle Unterschiede zu geben. So verwenden letztere seltener einen Klarnamen und sind häufiger Anhänger von Verschwörungstheorien.

Ziel der Arbeit ist, Unterschiede und Gemeinsamkeiten in Diskussionsmustern, Inhalten und Netzwerkstrukturen verschiedener Beteiligter an Corona-Diskussionen auf Twitter zu analyisieren. Klassifizierungsmöglichkeiten wären z.B.:

• gibt es klar abtrennbare Gruppen?
• gibt es Unterschiede bei den zitierten Quellen und Medien?
• verhalten sich Twitter-Nutzer unterschiedlich bzgl. Retweeting, Höflichkeit, Spamming, das-letzte-Wort-haben, …?
• kann man für beliebige Twitter-Accounts auf Basis ihrer Tweets/Follower/etc. sagen, wie glaubwürdig ihre Aussagen sind?
• verändert sich das Verhalten von Twitter-Nutzern durch Diskussionen, oder je länger sie einer bestimmten Gallionsfigur folgen? Radikalisieren sie sich?

Mögliche Methoden zur Untersuchung der Fragestellung sind:

• Befragung von Nutzern (Umfrage, Interview)
• qualitative Analyse von Tweets zum Thema
• Social Network Analysis
• Diskursanalyse (wer kommuniziert mit welchen Mustern mit wem?)
• Sentiment-Analyse von Tweets
• Entwicklung eines prädiktiven Modells, um die Glaubwürdigkeit der Argumente eines Nutzers zu bestimmen.

• Grundkenntnisse Twitter
• Python
• ideal: Vorkenntnisse Social Network Analysis oder Sentiment Analysis

Vorsicht: stark schwankende Qualität der Quellen.

• Brennen, J. S., Simon, F. M., & Nielsen, R. K. (2020). Beyond (Mis) Representation: Visuals in COVID-19 Misinformation. The International Journal of Press/Politics.
• Yang, K. C., Torres-Lugo, C., & Menczer, F. (2020). Prevalence of low-credibility information on twitter during the covid-19 outbreak. arXiv preprint arXiv:2004.14484.
• Pei, X., & Mehta, D. (2020). # Coronavirus or# Chinesevirus?!: Understanding the negative sentiment reflected in Tweets with racist hashtags across the development of COVID-19. arXiv preprint arXiv:2005.08224.
• Khanday, A. M. U. D., Khan, Q. R., & Rabani, S. T. (2020). Identifying propaganda from online social networks during COVID-19 using machine learning techniques. International Journal of Information Technology, 1-8.
• Agarwal, S., & Sureka, A. (2015). Using knn and svm based one-class classifier for detecting online radicalization on twitter. In International Conference on Distributed Computing and Internet Technology (pp. 431-442). Springer, Cham.