TU Darmstadt / ULB / TUbiblio

SocialML: EUD im Maschine Learning zur Analyse sozialer Medien

Scholl, Simon ; Reuter, Christian ; Ludwig, Thomas ; Kaufhold, Marc-André (2023)
SocialML: EUD im Maschine Learning zur Analyse sozialer Medien.
Mensch und Computer 2018. Dresden, Germany (02.-05.09.2018)
doi: 10.26083/tuprints-00022219
Conference or Workshop Item, Secondary publication, Publisher's Version

WarningThere is a more recent version of this item available.

Abstract

Die Analyse sozialer Medien hat eine enorme Bedeutung für die verschiedensten Bereiche, wie beispielsweise die Lagebeurteilung, journalistische Recherchen oder unternehmerische Analysen. Dabei sind die entsprechenden Analysten unterschiedlichen Kontextfaktoren unterworfen. Sei es durch ihren organisationalen Hintergrund, durch tätigkeitsbezogene Rollen oder den geografischen und zeitlichen Rahmen. Um den ständig im Wandel begriffenen Kontexten gerecht zu werden, ergeben sich permanent neue Herausforderungen für die Anpassbarkeit der Analyse. Dieser Beitrag untersucht, wie ein auf Machine Learning (ML) basierendes Tool zur Social Media Analyse (SMA) im Sinne des End-User Development (EUD) auf verschiedenen Komplexitäts- und Schrittebenen umgesetzt werden kann.

Item Type: Conference or Workshop Item
Erschienen: 2023
Creators: Scholl, Simon ; Reuter, Christian ; Ludwig, Thomas ; Kaufhold, Marc-André
Type of entry: Secondary publication
Title: SocialML: EUD im Maschine Learning zur Analyse sozialer Medien
Language: German
Date: 2023
Place of Publication: Darmstadt
Year of primary publication: 2018
Publisher: Gesellschaft für Informatik e.V.
Book Title: Mensch und Computer 2018 Tagungsband
Collation: 4 Seiten
Event Title: Mensch und Computer 2018
Event Location: Dresden, Germany
Event Dates: 02.-05.09.2018
DOI: 10.26083/tuprints-00022219
URL / URN: https://tuprints.ulb.tu-darmstadt.de/22219
Corresponding Links:
Origin: Secondary publication service
Abstract:

Die Analyse sozialer Medien hat eine enorme Bedeutung für die verschiedensten Bereiche, wie beispielsweise die Lagebeurteilung, journalistische Recherchen oder unternehmerische Analysen. Dabei sind die entsprechenden Analysten unterschiedlichen Kontextfaktoren unterworfen. Sei es durch ihren organisationalen Hintergrund, durch tätigkeitsbezogene Rollen oder den geografischen und zeitlichen Rahmen. Um den ständig im Wandel begriffenen Kontexten gerecht zu werden, ergeben sich permanent neue Herausforderungen für die Anpassbarkeit der Analyse. Dieser Beitrag untersucht, wie ein auf Machine Learning (ML) basierendes Tool zur Social Media Analyse (SMA) im Sinne des End-User Development (EUD) auf verschiedenen Komplexitäts- und Schrittebenen umgesetzt werden kann.

Uncontrolled Keywords: HCI, KontiKat, SMO
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-222191
Classification DDC: 000 Generalities, computers, information > 004 Computer science
300 Social sciences > 380 Commerce, communications, transportation
Divisions: 20 Department of Computer Science
20 Department of Computer Science > Science and Technology for Peace and Security (PEASEC)
Profile Areas
Profile Areas > Cybersecurity (CYSEC)
LOEWE
LOEWE > LOEWE-Zentren
LOEWE > LOEWE-Zentren > CRISP - Center for Research in Security and Privacy
Zentrale Einrichtungen
Zentrale Einrichtungen > Interdisziplinäre Arbeitsgruppe Naturwissenschaft, Technik und Sicherheit (IANUS)
Date Deposited: 19 Oct 2018 09:15
Last Modified: 01 Mar 2023 09:13
PPN:
Export:
Suche nach Titel in: TUfind oder in Google

Available Versions of this Item

Send an inquiry Send an inquiry

Options (only for editors)
Show editorial Details Show editorial Details