Cuvillier Verlag
| Fachbereiche | |
|---|---|
| Buchreihen (90) |
1263
|
| Geisteswissenschaften |
2249
|
| Medienwissenschaften | 15 |
| Theologie | 49 |
| Philosophie | 84 |
| Rechtswissenschaft | 394 |
| Wirtschaftswissenschaften | 825 |
| Sozialwissenschaften | 400 |
| Sportwissenschaften | 48 |
| Psychologie | 228 |
| Pädagogik | 183 |
| Geschichtswissenschaften | 173 |
| Kunstwissenschaften | 104 |
| Kulturwissenschaften | 155 |
| Literaturwissenschaften | 114 |
| Sprachwissenschaften | 83 |
| Naturwissenschaften |
5309
|
| Ingenieurwissenschaften |
1714
|
| Allgemein |
91
|
|
Leitlinien Unfallchirurgie
5. Auflage bestellen |
|
Erweiterte Suche
Printausgabe
EUR 119,88
E-Book
EUR 84,60
IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien (Band 112)
Kevin Koch (Autor)Vorschau
Leseprobe, PDF (170 KB)
Inhaltsverzeichnis, PDF (110 KB)
| ISBN-13 (Printausgabe) | 9783736975682 |
| ISBN-13 (E-Book) | 9783736975682 |
| Sprache | Deutsch |
| Seitenanzahl | 414 |
| Umschlagkaschierung | glänzend |
| Auflage | 1. |
| Buchreihe | Göttinger Wirtschaftsinformatik |
| Band | 112 |
| Erscheinungsort | Göttingen |
| Promotionsort | Göttingen |
| Erscheinungsdatum | 28.01.2022 |
| Allgemeine Einordnung | Dissertation |
| Fachbereiche |
Wirtschaftswissenschaften
Betriebswirtschaftslehre Informatik |
| Schlagwörter | Social Media Monitoring, Social Media Analyse, Krise, Krisenphasen, Informationsdiffusion, Prinzipal-Agent-Theorie, Design Science Research, Empörungswelle, Shitstorm, soziale Medien, Empörungswellenmerkmale, maschinelles Lernen, Random Forest, Gradient Boosting Tree, neuronales Netz, Support Vektor Maschine, Imputation, Matthews Korrelationskoeffizient, Tree-Structured Parzen Estimator, bayes`scher Optimierung, Vorkrise, Signalerkennung, Vorbereitung, Prävention, Akzeptanz, Bewältigung, Nachkrise, Reflektion, Evaluation, Literaturanalyse, Marktanalyse, Fallstudienanalyse, Mehrfalldesign, Anforderungsanalyse, Konzeption, Implementation, Prototyping, Experteninterviews, gestaltungsorientierte Wirtschaftsinformatik, Designprinzip, Komponentenmodell, Implementationsprinzip, KNIME, H2O, Twitter, Stimmungsanalyse, Emotionsanalyse, Schlüsselwortextraktion, Sprachgebrauchsanalyse, Serwas, Shitstromerkennungs- und warnsystem, Widget, social media monitoring, social media analysis, crisis, crisis phases, information diffusion, principal-agent theory, design science research, online firestorm, social media crisis, collaborative brand attack, social media, features of firestorms, machine learning, random forest, gradient boosting tree, neural network, support vector machine, imputation, matthews correlation coefficient, tree-structured parzen estimator, bayesian optimisation, pre-crisis, signal detection, preparation, prevention, recognition, containment, post-crisis, reflection, evaluation, literature analysis, market analysis, case study analysis, multi-case design, requirements analysis, conception, implementation, prototyping, expert interviews, design principle, component model, implementation principle, Sentiment analysis, emotion analysis, keyword extraction, language use analysis, firestorm detection and warning system |
| URL zu externer Homepage | https://as.wiwi.uni-goettingen.de/ |
Beschreibung
Die Dissertation befasst sich mit der Fragestellung, wie Daten aus sozialen Medien erhoben, vorverarbeitet und vorbereitet werden müssen, um diese zum Trainieren von maschinellen Lernmodellen zu nutzen und somit Empörungswellen frühzeitig zu erkennen. Empörungswellen (ugs. Shitstorms) stellen Situationen dar, die im Unternehmenskontext Krisen auslösen können, bei denen spontan, aber zeitlich begrenzt eine überdurchschnittlich hohe Anzahl negativer, medialer Beiträge gegenüber einem Betroffenen verfasst werden. Für das Vorhaben werden Twitterdaten vergangener Empörungswellen erhoben und hieraus Empörungswellenmerkmale für das Training maschineller Lernmodelle abgeleitet. Die Modelle werden anschließend in einem Softwareartefakt genutzt, um einerseits Empörungswellen IT gestützt zu erkennen und involvierte Unternehmen sowie Agenturen zu warnen und um andererseits die zugrunde liegenden Daten für Experten sozialer Medien inhaltlich interpretierbar aufzubereiten. Schlussendlich werden Experteninterviews zur Eignung und zum Nutzen des Artefakts durchgeführt und Designprinzipien für das Erkennen von und Warnen vor Empörungswellen sowie zum Aufbereiten der zugrunde liegenden Daten abgeleitet, um die Ergebnisse für soziale Medien, die auf Beiträgen in Textform basieren, zu verallgemeinern.
