Auf der, insbesondere bei Mädchen und jungen Frauen beliebten, Social-Media Plattform Instagram werben immer mehr sogenannte Fitfluencer unter Hashtags wie #fitspiration für ihren „gesunden“ Lebensstil. Dabei idealisieren sie einen dünnen, durchtrainierten Körper und vermitteln zudem den Eindruck, dass eine solche Figur für jede*n durch Sport und die richtige Ernährung erreichbar sei. Verschiedene Studien belegen mögliche negative Folgen von Fitspiration-Inhalten auf das Körperbild und Selbstwertgefühl insbesondere weiblicher Instagram-Nutzerinnen (z.B. Prichard et al., 2020; Tiggemann & Zaccardo, 2015) und sehen teilweise sogar ein gesteigertes Risiko für die Entwicklung von Essstörungen (Holland et al., 2017). Auch innerhalb der Instagram-Community wächst das Bewusstsein für diese Problematik, was sich unter anderem an der zunehmenden Verbreitung verschiedener Gegenströmungen zeigt: So will etwa die BodyPositivity-Bewegung bewusst unrealistischen Körperidealen entgegengetreten und für die Akzeptanz aller Körpertypen sowie die Verbreitung eines weiter gefassten Begriffs von Schönheit werben (Cohen et al., 2021; Tylka, 2018). Studien zeigen zwar zum Teil positive Folgen von BodyPositivity-Inhalten auf Körperbild und -zufriedenheit (z.B. Cohen et al., 2019a), weisen zugleich aber daraufhin, dass auch innerhalb der BodyPositivity-Bewegung bestimmte Körpertypen unterrepräsentiert bleiben sowie teilweise für Diäten oder das Verfolgen klassischer Schönheitsideale geworben wird (z.B. Cohen et al., 2019b; Lazuka et al., 2020). Eine nähere Analyse der beiden Strömungen (Fitspiration vs. BodyPositivity) scheint daher sinnvoll und soll im Zuge eines Vergleichs der jeweils auf Instagram geposteten Beiträge erfolgen.
In der Abschlussarbeit soll untersucht werden, inwiefern sich Instagram-Posts zwischen den beiden beschriebenen Bewegungen unterscheiden. Der Fokus soll dabei auf einer vergleichenden Inhaltsanalyse der zu den jeweiligen Hashtags geposteten Bilder liegen. Dazu muss ein Teil der Bilder manuell hinsichtlich unterschiedlicher Kategorien (z.B. Körpertyp, sichtbare Körperteile, Kleidung/unbedeckte Hautpartien, Pose/Haltung/Aktivität) codiert werden. Ausgehend davon soll anschließend versucht werden, eine Methode zur automatischen Klassifikation der Bilder hinsichtlich der definierten Kategorien zu entwickeln. Dazu sollen verschiedene Verfahren des maschinellen Lernens (z.B. Support Vector Machines) sowie des Deep Learnings (z.B. Convolutional Neural Networks) erprobt und verglichen werden.