Methoden der empirischen Kommunikations- und Medienforschung

Modulvorlesungen in den Master-Studiengängen Medien und Politische Kommunikation und Publizistik- und Kommunikationswissenschaft

Dozent

Prof. Dr. Marko Bachl

Tag und Uhrzeit

Montag, 10:15

Ort
HFB/B Hörsaal (Garystr. 35-37)

Syllabus

Zuletzt aktualisiert: 05. 12. 2025, 11:05 Uhr

Überblick

Die beiden Vorlesungen des Moduls vermitteln fortgeschrittene Kenntnisse zu Methoden der empirischen Kommunikations- und Medienforschung. Nach einer Wiederholung zentraler Grundbegriffe der quantitativen Datenanalyse und der uni- und bivariaten Statistik besprechen wir moderne Verfahren der Datenerhebung, innovative Forschungsdesigns, Techniken der Computational Communication Science und ausgewählte multivariate Analyseverfahren. Die Inhalte vertiefen wir mit Beispielstudien aus der Kommunikations- und Medienforschung. Neben Konzepten und Interpretation behandeln wir auch die praktische Durchführung einiger Techniken und Analysen mit der Software R und RStudio.

Vorlesungsplan

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

Vorlesung I
Sitzung Inhalt
(1) 13. 10. Hallo
(2) 20. 10. Wiederholung: Univariate & bivariate Beschreibung von Daten, Intro in R
(3) 27. 10. Wiederholung: Bivariate Beschreibung, Frequentistische Inferenzstatistik
(4) 03. 11. Wiederholung: Frequentistische Inferenzstatistik
(5) 10. 11. Open Science
(6) 17. 11. Agent Based Simulation (Prof. Annie Waldherr)
(7) 24. 11. (Wiederholung:) Bivariate lineare Regression I
(8) 01. 12. (Wiederholung:) Bivariate lineare Regression II
(9) 08. 12. Multiple lineare Regression I
(10) 15. 12. Multiple lineare Regression II
(11) 05. 01. Digitale Verhaltensdaten und Webtracking
(12) 12. 01. Multiple lineare Regression III: Moderation
(13) 19. 01. Kausale Annahmen für (Regressions) Modelle; Estimand
(14) 26. 01. Pfadmodelle & Mediation
(15) 02. 02. Messmodelle in Strukturgleichungsmodellen
(16) 09. 02. Datenerhebung mit APIs
Sitzung Inhalt
1 Zero-Shot Inhaltsanalyse mit Large Language Models
2 Puffer und Abschluss Vorlesung I
3 Qualitative Methoden: Qualitative Inhaltsanalyse
4 Qualitative Methoden: (Reflexive) Thematic Analysis
5 Qualitative Methoden: Framing Analysis
6 Qualitative Methoden: Discourse Analysis
7 Mehrebenenmodelle I
8 Mehrebenenmodelle II
9 Experimental-Designs: Planung und Analyse
10 Experience Sampling ODER Meta-Analyse
11 Verallgemeinerte lineare Modelle I
12 Verallgemeinerte lineare Modelle II
13 Strukturentdeckende multivariate Verfahren: Latente-Klassen-Analyse
14 Topic Models
15 Wiederholung für die Klausur und Abschluss Vorlesung II

Lernziele

  • Studierende können die Gestaltung von ausgewählten Studiendesigns, Verfahren der Datenerhebung und Analyseverfahren nachvollziehen sowie entsprechende Ergebnisse und Interpretationen in der Forschungsliteratur verstehen.
  • Studierende können die Angemessenheit und Güte von methodischen Vorgehensweisen zu beurteilen.
  • Studierende haben ein Basiswissen zur Umsetzung ausgewählter Forschungsdesigns und Analyseverfahren, auf das sie in eigenen Analysen aufbauen können.

Voraussetzungen

  • Gute Kenntnisse der grundlegenden Verfahren der Datenerhebung (Befragung, Inhaltsanalyse, Beobachtung) und von Forschungsdesigns (Experimentalesigns, Querschnitts- und Längsschnittsstudien) oder die Bereitschaft, sich diese Kenntnisse anzueignen.
  • Gute Kenntnisse der uni- und bivariaten Datenanalyse, grundsätzliches Verständnis der frequentistischen Inferenzstatistik und gutes Verständnis der bivariaten linearen Regressionsanalyse, oder die Bereitschaft, sich diese Kenntnisse spätestens mit den Wiederholungssitzungen anzueignen.
  • 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 (Vertrauensbasis, klausurrelevant); Selbstauskunft in Blackboard
  • Klausur (Gesamtmodulprüfung, 120 Minuten, E-Examination) nach Vorlesung II im Sommersemester

Praktische Übungen

  • Immer wieder praktische Übungen, meist auf Basis einer publizierten Studie
  • Kurze Besprechung in der Vorlesung, meist mit einer exemplarischen Analyse
  • R-Code zum Replizieren der Analysen zu Hause oder während der Vorlesung
  • Lösungen werden veröffentlicht
  • Einstieg in die Anwendungskompetenz: Anpassung von bestehendem Code

Material

Material der Vorlesung

  • Work in Progress
  • Das meiste Material findet sich auf dieser Website
  • Die Vorlesung wird, vorbehaltlich der Zustimmung der Studierenden, aufgezeichnet. Die Aufzeichnungen werden in geeigneter Form verfügbar gemacht.
  • Weiteres Material in Blackboard🔒: u.a. nicht öffentlich teilbare Daten

Ergänzendes Material

  • Brosius et al. (2022): Überblick über wesentliche Erhebungsverfahren und Designs
  • Möhring & Schlütz (2025): Befragung
  • Rössler (2017): Inhaltsanalyse
  • Koch et al. (2019): Experiment
  • Averbeck-Lietz & Meyen (2016): Qualitative Methoden
  • Alejandro & Zhao (2024): Überblick über Verfahren der qualitativen Text-Analyse
  • [Wird ergänzt]

R installieren und verwenden

  • Beste Variante: Installation auf eigenem Computer (RStudio, R)
  • Alternative 1: Virtueller, Browser-basierter Zugang zu einer Workstation der Arbeitsstelle (Anleitung in Blackboard🔒)
  • Alternative 2: Nutzung der öffentlichen Computerräume (z.B. FUB-IT, Bibliothek)
  • Alternative 3: Nutzung eines kostenlosen Accounts auf Posit.Cloud
  • Alternative 4: Browser-basierte R-Version

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.

Es gibt zwei KI-Dienste, die Sie über Ihren FU-Account kostenfrei und datensicher nutzen können:

  • Chat AI: “Chat AI offers an easy and secure access to powerful generative AI. The intuitive interface allows users to chat directly with a selection of different AI models via message, audio recording or text file. With various internal and external language models (LLMs), a variety of options are available to answer questions and receive support for study, research and teaching.” — https://academiccloud.de/services/chatai/
  • KI.Assist@FU: “Mit KI.Assist@FU bietet die Freie Universität Berlin Lehrenden und Studierenden erstmals einen zentralen, datenschutzkonformen und chancengerechten Zugang zu generativer Künstlicher Intelligenz.” — https://www.ki.fu-berlin.de/ki-assist/index.html

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.