Methoden II: Methoden der empirischen Kommunikations- und Medienforschung

Vorlesung im Modul Methoden der empirischen Kommunikations- und Medienforschung (A/B), Sommersemester 2025

Dozent

Prof. Dr. Marko Bachl

Tag und Uhrzeit

Montag, 14:15

Ort
HFB/D Hörsaal (Garystr. 35-37)

Zuletzt aktualisiert: 14. 07. 2025, 10:39 Uhr

Überblick

Die zweite Modulvorlesung vermittelt fortgeschrittene Verfahren der Datenanalyse. Nach einer Wiederholung zentraler Grundbegriffe der quantitativen Datenanalyse und der uni- und bivariaten Statistik besprechen wir ausgewählte strukturentdeckende und strukturprüfende Verfahren der multivariaten Statistik. Diese vertiefen wir anhand aktueller Daten und einschlägiger Beispielstudien aus der empirischen Kommunikations- und Medienforschung. Abschließend gibt es einen Überblick über qualitative Analyseverfahren.

Lernziele

  • Studierende können die Anwendung ausgewählter Analyseverfahren nachvollziehen sowie entsprechende Ergebnisse und Interpretationen in der Forschungsliteratur verstehen.
  • Studierende haben ein Basiswissen zur Anwendung ausgewählter Analyseverfahren, auf das sie in eigenen Analysen aufbauen können.
  • Studierende verfügen über die Kompetenz, Angemessenheit und Güte von methodischen Vorgehensweisen zu beurteilen.
  • (Bonus: Studierende finden Statistik und Datenanalyse weniger schlimm und langweilig.)

Voraussetzungen

  • Gute Kenntnisse der uni- und bivariaten Datenanalyse oder die Bereitschaft, sich diese spätestens bis zur Wiederholungssitzung anzueignen.
  • Grundsätzliches Verständnis der frequentistischen Inferenzstatistik oder die Bereitschaft, sich dieses spätestens bis zur Wiederholungssitzung anzueignen.
  • Bei großem Nachholbedarf: Bachelor-Vorlesung Methoden II: Einführung in die Wahrscheinlichkeitstheorie und Statistik; Montag, 10-12 Uhr, HFB/D.
  • Gutes Verständnis der Inhalte aus der Vorlesung “Methoden der empirischen Kommunikations- und Medienforschung I / Datenerhebung” (Joachim Trebbe). Insbesondere Verständnis für die Datenstrukturen, die sich durch die Erhebung mit den jeweiligen Methoden ergeben.
  • Bereitschaft, sich eigenständig mit den Grundlagen der Datenanalyse in R vertraut zu machen. Dies umfasst das Verstehen, Bearbeiten und Ausführen einfacher Befehle zur Datenanalyse und vor allem die Interpretation der Ausgaben. Es umfasst nicht Datenmanagement und Durchführen vollständiger Datenanalysen mit R. Dafür gibt es eine Methodenübung.

Leistungen

  • Vorlesung: Keine Anwesenheitspflicht für Studierende, aber auch keine Nachhilfepflicht für Lehrende
  • Aktive Teilnahme: Übungsaufgaben zur Datenanalyse (Vertrauensbasis, klausurrelevant)
  • Klausur (Gesamtmodulprüfung, E-Examination):
    • Hauptprüfung: 21.07.2025 um 9:00 Uhr
    • Nachprüfung: 22.09.2025 um 9:00 Uhr
    • Anmeldung bis zum 16. Juni: Blackboard (Keine Anmeldung, keine Teilnahme; Anmeldung in Campus Management reicht nicht aus!)
    • Ort: E-Examination Center 1 (151 Prüfungsplätze) Fabeckstraße 34-36 14195 Berlin (1. OG des Gebäude der anorganischen Chemie). https://www.openstreetmap.org/way/469554168
    • Infos vom E-Examinations-Team
    • Datenerhebung (VL I, Joachim Trebbe) und Datenanalyse (VL II, Marko Bachl)
    • Umfang: 120 Minuten (Auswahlfragen, numerische Antworten Textantworten, ggf. Analyse mit R)

Material

Material der Vorlesung

  • HTML-Folien werden hier bei der jeweiligen Sitzung verlinkt.
  • Weiteres Material vorläufig in Blackboard🔒
    • Folien als PDF, Code, Daten

Es gibt unzählige Lehrbücher und Online-Materialien zur Datenanalyse und zur Arbeit mit R. Es folgt eine subjektive Auswahl.

Statistik und Datenanalyse:

  • Field et al. (2012) (Hoffentlich bald in 2. Auflage)
  • Bortz & Schuster (2010) (Klassiker zur Statistik)
  • McElreath (2020) (Vertiefend, Bayesianische Statistik)
  • Gehrau et al. (2022) (Einführend, zur Wiederholung)
  • Handl & Kuhlenkasper (2018) (Einführend, zur Wiederholung)
  • Material der JGU Mainz
  • Material der LMU München
  • Material der Uni Bremen

Qualitative Analyse:

  • Alejandro & Zhao (2024)
  • Brennen (2025)
  • Karpf et al. (2015)
  • Lindlof & Taylor (2017)

Arbeit mit R

R installieren und verwenden

  • Beste Variante: Installation von R und RStudio auf eigenem Computer (Anleitung).
  • Alternative 1: Nutzung der öffentlichen Computerräume (z.B. ZEDAT, Bibliothek, Zugang und Verfügbarkeit checken)
  • Alternative 2: Browser-basierte Version
  • Alternative 3: Nutzung eines kostenlosen Accounts auf Posit.Cloud

Vorlesungsplan

Vorläufiger Plan, kann sich je nach Vorkenntnissen und Fortschritt ändern.

(1) 14. 04.: Hallo

  • Inhalt: Vorstellung, Vorkenntnisse, Ablauf, …
  • Folien

Ostermontag

(2) 28. 04.: Wiederholung: Univariate & bivariate Beschreibung von Daten

  • Inhalt: Univariate Beschreibung, Bivariate Beschreibung, Übungsaufgaben
  • Studie: Van Erkel & Van Aelst (2021)
  • Folien

(3) 05. 05.: Wiederholung: Frequentistische Inferenzstatistik

  • Inhalt: Was ist (frequentistische) Inferenzstatistik?, Univariate Schätzung von Populationsparametern, Was sind Hypothesentests (Null-Hypothesen-Signifikanz-Tests, NHST)?, Wie funktioniert NHST und was bedeutet “statistisch signifikant”?, Bekannte (bivariate) NHST-Verfahren, Warum sind NHST problematisch und wie können wir mit den Problemen umgehen?, Übungsaufgaben
  • Studie: Van Erkel & Van Aelst (2021)
  • Folien

(4) 12. 05.: Multiple lineare Regression I

  • Inhalt: Grundlagen der multiplen Regression, Kategorielle Prädiktoren, “Große” Regressionsmodelle, Annahmen und ihre Überprüfung, Übungen
  • Studie: Van Erkel & Van Aelst (2021)
  • Folien

(5) 19. 05.: Multiple lineare Regression II

  • Inhalt: Annahmen und ihre Überprüfung (Zusammenfassung), Transformation von Variablen, Moderation & Interaktion, Übungen
  • Studien: Van Erkel & Van Aelst (2021), Vögele & Bachl (2017)
  • Folien

(6) 26. 05.: Kausale Annahmen für (Regressions) Modelle; Pfadmodelle & Mediation

  • Inhalt: Kausale Annahmen für (Regressions) Modelle, Mediation & Pfadmodelle, Ausblick (optional): Messmodelle in Strukturgleichungsmodellen, Übungen
  • Studie: Kubin et al. (2025)
  • Folien

(7) 02. 06.: Mehrebenenmodelle I

  • Inhalt: Einführung und Begriffe, Null-Modell und Varianzzerlegung, L1-Prädiktoren im Random-Intercept-Modell, L2-Prädiktoren im Random-Intercept-Modell, Random-Slope-Modell und Cross-Level-Interaktion, Übungen
  • Studie: Fähnrich et al. (2020)
  • Folien

Pfingstmontag & ICA

(8) 23. 06.: Mehrebenenmodelle II Verallgemeinerte lineare Modelle

  • Inhalt: Wiederholung, Random-Slope-Modell und Cross-Level-Interaktion, Übungen
  • Studie: Fähnrich et al. (2020)
  • Folien

(9) Freitag, 27. 06.: Wiederholung und Fragen

  • Ab 14:15 Uhr bis max. 15:45 Uhr
  • Online via Webex, Aufzeichnung in Blackboard
  • Inhalt: Fragen, Format der Klausurfragen, Wiederholung Übungen

(10) 30. 06.: Verallgemeinerte lineare Modelle Strukturentdeckende multivariate Verfahren (z.B. Clusteranalyse, Latente-Klassen-Analyse)

  • Inhalt: Warum verallgemeinerte lineare Modelle?, Logistische Regression, Ausblick: Regression für Zählvariablen, Übungen
  • Studie: Van Erkel & Van Aelst (2021)
  • Folien

(11) 07. 07.: Qualitative Methods I

  • Dozentin: Jo-Ju [Ru] Kao, englisch
  • Inhalt: Framing Analysis, Discourse Analysis
  • Folien in Blackboard

(12) 14. 07.: Qualitative Methods II

  • Dozentin: Jo-Ju [Ru] Kao, englisch
  • Inhalt: Thematic Analysis, Qualitative Content Analysis
  • Folien in Blackboard

Rahmenbedingungen

Werkzeuge, die auf großen, generativen Sprachmodellen (sog. generative künstliche Intelligenz) beruhen, stellen akademisches Lernen und Lehren vor große Herausforderungen. Grundsätzlich rate ich zu einem offenen, aber kritischen Umgang mit diesen Werkzeugen. Sie können Ihnen helfen, akademische Arbeiten zu erledigen. Sie können Ihnen auch beim Lernen helfen. Allerdings sind die Werkzeuge fehleranfällig und sie scheitern häufig unbemerkt: Sie liefern sinnvoll anmutende, aber faktisch falsche Antworten. Am wichtigsten ist jedoch, dass das Verwenden solcher Werkzeuge Lernerfolge verringert oder ganz verhindert, wenn es zu früh, zu häufig oder falsch erfolgt.

Wenn Sie sich allgemein mit KI-Werkzeugen im Kontext des (universitären) Lernens auseinander setzen wollen, empfehle ich den Kurs Modern-Day Oracles or Bullshit Machines? How to thrive in a ChatGPT world.

In dieser Vorlesung können Ihnen KI-Werkzeuge vor allem bei den Übungsaufgaben helfen. Gerade, wenn Sie keine großen Erfahrungen mit Programmiersprachen wie R haben, kann es verlockend sein, Code von einem KI-Werkzeug generieren zu lassen, diesen in den Editor einzufügen und auszuführen. Wenn er funktioniert, ist das Ziel erreicht. Die Ausgabe können Sie dann wieder in das Werkzeug kopieren und sich eine Verbalisierung der Ergebnisse erstellen lassen. Während dieses Vorgehen sicherlich geeignet ist, die Übungsaufgaben zu erledigen, wird es nicht dazu führen, dass Sie etwas lernen. Daher rate ich Ihnen, alle Übungsaufgaben zuerst ohne KI-Werkzeuge anzugehen. Wenn Sie an bestimmten Stellen nicht weiter kommen oder wenn Sie Ihre selbst erarbeiteten Ergebnisse mit einer anderen Lösung vergleichen wollen, können Sie KI-Werkzeuge heranziehen. So können Sie von der Zusammenarbeit mit dem KI-Werkzeug profitieren und Ihren Lernerfolg steigern.

Wenn dieser idealistische Ansatz nicht zur Motivation ausreicht, können Sie es pragmatisch betrachten: Die Übungsaufgaben sind nicht benotet und werden auch nicht kontrolliert. Ihre Leistung wird in der E-Klausur gemessen. Dort haben Sie keinen Zugriff auf KI-Werkzeuge und müssen alleine mit Analysewerkzeugen und -ergebnissen umgehen können.

Mein Ziel ist es, dass sich alle Studierenden willkommen fühlen und aktiv an diesem Kurs teilnehmen können. Ich bemühe mich, durch die Kursplanung und meine Sprache sicherzustellen, dass niemand diskriminiert oder ausgeschlossen wird. Ebenso erwarte ich von allen Teilnehmenden ein respektvolles und wertschätzendes Verhalten, das die Meinungen und Erfahrungen anderer Studierender anerkennt. Gleichzeitig ist klar, dass weder ich noch die Studierenden dieser Erwartung immer vollständig gerecht werden können. Daher bitte ich Sie, mich oder Ihre Mitstudierenden zu informieren, wenn Sie sich unwohl fühlen oder diskriminierendes Verhalten beobachten. Falls Sie dies nicht selbst tun möchten, können Sie eine Vertrauensperson damit beauftragen.

Ein Studium ist anspruchsvoll und bringt als Zeit des Übergangs viele Herausforderungen mit sich, sowohl innerhalb als auch außerhalb der akademischen Arbeit. Wenn Sie sich überfordert fühlen, nutzen Sie bitte Unterstützungsangebote wie einen Mental Wellbeing support.point oder die Psychologische Beratung. Sie können mich gerne direkt oder über eine Vertrauensperson kontaktieren, wenn Ihre persönliche Situation mit den Kursanforderungen in Konflikt gerät.

Kontakt

Prof. Dr. Marko Bachl

Arbeitsstelle Digitale Forschungsmethoden

E-Mail: marko.bachl@fu-berlin.de

Telefon: +49-30-838-61565

Webex: Virtuelles Büro

Büro: Garystr. 55, Raum 274

Sprechstunde: Dienstag, 11:00-13:00, bitte einen Termin buchen.

Danksagungen

Das in dieser Vorlesung präsentierte Material habe ich teilweise aus den Methoden-Veranstaltungen des Instituts für Publizistik der JGU Mainz übernommen und angepasst. Vielen Dank an alle Kolleg:innen, insbesondere an Prof. Michael Scharkow, die dieses Material unter einer offenen Lizenz veröffentlicht haben: IfP Stats Methodenveranstaltungen am Institut für Publizistik. Weiteres Material stammt aus meiner Methodenlehre am Institut für Kommunikationswissenschaft der Universität Hohenheim. An der Erstellung und Überarbeitung des Materials waren über die Jahre viele Personen beteiligt, unter anderem Gerrit Hummel, Michael Scharkow, Rosa Seitz, Astrid Jansen, Sarah Eberhard-Bölz, Hanna Gölz-Weis, Agatha Maisch, Julia Niemann-Lenz, Ann-Kathrin Lindemann, Fabian Prochazka, Claudia Thoms.

Literatur

Alejandro, A., & Zhao, L. (2024). Multi-method qualitative text and discourse analysis: A methodological framework. Qualitative Inquiry, 30(6), 461–473. https://doi.org/g8qrp7
Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Aufl.). Springer. https://doi.org/10.1007/978-3-642-12770-0
Brennen, B. S. (2025). Qualitative Research Methods for Media Studies (4. Aufl.). Routledge. https://doi.org/10.4324/9781003457411
Fähnrich, B., Vogelgesang, J., & Scharkow, M. (2020). Evaluating universities’ strategic online communication: how do Shanghai Ranking’s top 50 universities grow stakeholder engagement with Facebook posts? Journal of Communication Management, 24(3), 265–283. https://doi.org/gmjs23
Field, A. P., Miles, J., & Field, Z. (2012). Discovering statistics using R. Sage.
Gehrau, V., Maubach, K., & Fujarski, S. (2022). Einfache Datenauswertung mit R: eine Einführung in uni- und bivariate Statistik sowie Datendarstellung mit RStudio und R Markdown. Springer VS. https://doi.org/10.1007/978-3-658-34285-2
Handl, A., & Kuhlenkasper, T. (2018). Einführung in die Statistik: Theorie und Praxis mit R. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-56440-0
Karpf, D., Kreiss, D., Nielsen, R. K., & Powers, M. (2015). Qualitative Political Communication: The Role of Qualitative Methods in Political Communication Research: Past, Present, and Future. International Journal of Communication, 9, 1888–1906. https://ijoc.org/index.php/ijoc/article/view/4153
Kubin, E., Sikorski, C. von, & Gray, K. (2025). Political censorship feels acceptable when ideas seem harmful and false. Political Psychology, 46(2), 279–299. https://doi.org/g9fgdz
Lindlof, T. R., & Taylor, B. C. (2017). Qualitative Communication Research Methods. Sage Publications.
McElreath, R. (2020). Statistical rethinking: a Bayesian course with examples in R and Stan (2. Aufl.). Taylor & Francis, CRC Press.
Van Erkel, P. F. A., & Van Aelst, P. (2021). Why don’t we learn from social media? Studying effects of and mechanisms behind social media news use on general surveillance political knowledge. Political Communication, 38(4), 407–425. https://doi.org/ghk94s
Vögele, C., & Bachl, M. (2017). Der Einfluss des Dialekts auf die Bewertung von Politikern. SCM Studies in Communication and Media, 6(2), 196–215. https://doi.org/ghhzhd