Jusletter IT

Justiz und digitale Öffentlichkeit

Aufbau und Analyse eines Twittercorpus zum Thema Justiz

  • Authors: Bettina Mielke / Christian Wolff
  • Category: Articles
  • Region: Germany
  • Field of law: E-Justice
  • Collection: Conference Proceedings IRIS 2015
  • Citation: Bettina Mielke / Christian Wolff, Justiz und digitale Öffentlichkeit, in: Jusletter IT 26 February 2015
In diesem Aufsatz wird eine Auswertung sämtlicher Tweets mit dem Hashtag #Justiz aus dem Jahr 2014 vorgestellt. Neben einer quantitativen Analyse, bei der u.a. Hashtags, Accounts und Links berücksichtigt werden, nehmen wir für einen Teilbereich des Corpus eine Inhaltsanalyse vor, die die Tweets hinsichtlich ihrer Aussagen und Bewertungen kategorisiert. Dazu wird ein Analysemodell entwickelt und anhand von Beispielen aus dem Corpus erörtert. Im Anschluss werden die Ergebnisse der Auswertung dargestellt. Das Corpus umfasst insgesamt über 1800 Tweets, von denen über 600 der Inhaltsanalyse unterzogen werden.

Inhaltsverzeichnis

  • 1. Einleitung
  • 2. Forschungsliteratur zu Twitter
  • 3. Corpusaufbau und Datenaufbereitung
  • 4. Entwicklung eines Kategorisierungsschemas
  • 4.1. Kategorien
  • 4.2. Beispiele zur Tweet-Kategorisierung
  • 5. Auswertung
  • 5.1. Quantitative Auswertungsergebnisse
  • 5.1.1. Die Nutzer
  • 5.1.2. Die enthaltenen Links
  • 5.1.3. Die verwendeten Hashtags
  • 5.1.4. Die häufigsten inhaltstragenden Begriffe (ohne Hashtags)
  • 5.2. Ergebnisse der qualitativen Inhaltsanalyse
  • 6. Zusammenfassung
  • 7. Literatur

1.

Einleitung ^

[1]
Bereits im vergangenen Jahr haben wir uns auf der IRIS 2014 mit der Berichterstattung über Gerichtsverfahren und die Justiz im Allgemeinen in den digitalen Medien auseinandergesetzt (Mielke & Wolff 2014). Diesen Beitrag wollen wir hier fortsetzen. Dazu bauen wir ein Twitter-Corpus zum Thema Justiz auf und analysieren es zum einen mit maschinellen Verfahren der Datenanalyse, wie sie sich seit einiger Zeit als Methodik für die Analyse großer digitaler Textcorpora etabliert haben und auch schon im juristischen Kontext untersucht worden sind (vgl. etwa Mielke & Wolff 2004). Zum anderen nehmen wir eine intellektuelle Auswertung vor und entwickeln dafür ein Kategorisierungsschema für Twitter-Nachrichten.

2.

Forschungsliteratur zu Twitter ^

[2]
Mittlerweile liegen zahlreiche Studien zu Twitter vor (siehe etwa Williams et al. 2013). Zur Einordnung sind verschiedene Thesen vorgebracht worden, z.B. die Annahme einer Verflachung des Diskurses durch Twitter (vgl. Han 2013, 34). Dagegen argumentieren andere, dass dies nicht zwangsläufig so sein müsse, wenn ein Teil der Zeichen dafür genutzt werde, auf umfangreichere Ausführungen außerhalb von Twitter zu verweisen (vgl. Jacob & Thomas 2014, 3). Letztlich betrifft dies auch die Frage nach der Einordnung von Twitter als sozialer Kommunikationsplattform bzw. als Medium zur Verteilung von Nachrichten, die ebenfalls in der Literatur bereits diskutiert worden ist (vgl. etwa Kwak et al. 2010).
[3]
Eine weitere These geht davon aus, dass die digitale Öffentlichkeit in Twitter in hoch personalisierte Wahrnehmungssphären zerfällt, da jeder Nutzer nur diejenigen Tweets regelmäßig sieht, deren Autoren er folgt. Im Anschluss an Parisers These von der filter bubble (Pariser 2011), die unseren Wahrnehmungshorizont einengt, beschreiben Jacob und Thomas atomistische Tendenzen des Internet hin zu «Privatöffentlichkeiten» (Jacob & Thomas 2014, 3 mit weiteren Nachweisen). Andererseits betonen Pentzold et al. 2014 sowie Maireder und Schlögl 2014 die Möglichkeit der Strukturierung von Öffentlichkeit über die Vergabe von Schlagworten mit dem vorangestellten Hashtag-Zeichen #, da sie Tweets über alle Benutzer hinweg verknüpfen, und beschreiben die Entstehung von ad hoc-Öffentlichkeiten u.a. am Beispiel der #aufschrei-Debatte. Hier hat ein Artikel über Sexismus-Erfahrungen einer jungen Journalistin dazu geführt, dass mehr als 8000 Twitter-Nutzer in über 24000 Tweets in der Nacht vom 24. auf den 25. Januar 2013 unter dem Hashtag Aufschrei dieses Thema kommentiert bzw. ihre persönlichen Erfahrungen mit Sexismus im Alltag mitgeteilt haben, was zu großer Resonanz in der medialen Berichterstattung und einer ausgiebigen öffentlichen Debatte geführt hat (Maireder & Schlögl 2014, 688, 691; Pentzold et al. 2014, 3).
[4]
Neben diesen Studien sind bereits vielfache Klassifikationsversuche von Twitter-Nachrichten vorgelegt worden, vgl. etwa Burghardt et al. 2013 zu Twitter-Nachrichten zu einer Tatort-Folge oder die von Humphreys et al. 2014 vorgelegte Analyse, wie viele persönliche Informationen in Twitter-Nachrichten enthalten sind. Auch die Tweets zur #aufschrei-Debatte wurden mit Hilfe automatischer Verfahren ausgewertet und zumindest in Teilen intellektuell analysiert (Maireder & Schlögl 2014, 691 ff.)

3.

Corpusaufbau und Datenaufbereitung ^

[5]

Um von konkreten Einzelentwicklungen abstrahieren zu können, haben wir uns für das Hashtag #Justiz als relativ allgemeines und neutrales Selektionskriterium entschieden. Mit Hilfe der Twitter-Suchfunktion wurden alle mit diesem Tag versehene Tweets des Jahres 2014 ausgewählt (insgesamt 1804 Tweets). Für die Kategorisierung und quantitative Auswertung wurden die Rohdaten (HTML-Abzug aus Twitter.com) zunächst bereinigt (data cleansing), d.h. Sonderzeichen und HTML-Code sowie inhaltlich nicht relevante Teile der Webseite wie Navigationshinweise und -links wurden entfernt. Zum Teil mussten auch Umformatierungen zur besseren automatischen Analyse vorgenommen werden (Entfernen von Stoppwörtern und Links). Für die quantitative Analyse und Visualisierung wurden die Voyant Tools (http://voyant-tools.org) herangezogen (vgl. Mielke & Wolff 2013, 378, 382).

4.

Entwicklung eines Kategorisierungsschemas ^

[6]
Nachdem zunächst geplant war, die Auswertung der Tweets mit Hilfe von sentiment analysis-Werkzeugen (vgl. etwa Pang & Lee 2008) durchzuführen, haben wir uns aufgrund entsprechender Vorerfahrungen in vergleichbaren Projekten (vgl. Glücker et al. 2014) für eine intellektuelle Auswertung entschieden. Dies liegt unter anderem daran, dass es derzeit keine guten für die deutsche Sprache entwickelten Sentiment- und Emotionslexika gibt, die im Bereich sozialer Medien mit ihren formalen und sprachlichen Besonderheiten einsetzbar wären. Es handelt sich dabei um ein Desideratum, das an anderer Stelle weiterverfolgt werden wird, für die vorliegende Analyse ging es uns aber weniger um die Toolentwicklung, sondern um eine verlässliche inhaltliche Analyse des Beispielcorpus.
[7]
Von den insgesamt 1804 vorliegenden Nachrichten wurde der Zeitraum September bis Dezember 2014 intellektuell klassifiziert, es handelt sich um etwas über 600 Tweets. Dabei sollten Aussagen zu der Art von Nachricht, dem inhaltlichen Charakter und dem Thema der Nachricht getroffen werden.
[8]
Nach einer ersten Sichtung des Materials zur Kategoriengewinnung (induktive Kategorienbildung der qualitativen Inhaltsanalyse, vgl. etwa Mayring, 2010, 83 ff.) und nach Betrachtung der einschlägigen Literatur haben wir uns für ein einfaches Kategorienmodell entschieden, das auf den propositionalen Gehalt der Nachrichten (Aussage / Zitat / Referenz und Kombinationen dieser Elemente) abstellt, dabei aber gleichzeitig festhält, inwieweit der Inhalt als neutral oder wertend eingestuft werden kann und ob die Wertung als sachlich oder unsachlich einzuschätzen ist.

4.1.

Kategorien ^

[9]
Bei der Auswertung der insgesamt 616 berücksichtigten Nachrichten wird erfasst, ob es sich um eine Aussage im Tweet selbst handelt (=Aussage), ob auf einen außerhalb der Nachricht liegenden Text verwiesen wird (=Referenz) oder ob die Aussage aus einem Zitat besteht (=Zitat). Dabei können die Kategorien auch gemeinsam auftreten, etwa AmR für Aussage mit Referenz auf einen außerhalb der Nachricht liegenden Text oder AR dafür, dass es sich um eine Aussage über die Referenz handelt bzw. die Aussage erst aus der Kombination aus Tweet und Referenz besteht. ZR steht dafür, dass es sich um ein Zitat aus dem Referenztext handelt. Hinsichtlich des Referenztextes wird zudem mit (Red) markiert, wenn es sich um eine Referenz auf einen redaktionell bearbeiteten Inhalt aus einem professionellen Medium handelt, im Wesentlichen also um Zeitungsartikel. Falls diese Markierung nicht gegeben ist, handelt es sich um eine Referenz auf einen Text in einem Forum, einem Blog oder etwa auch in Facebook. Schon bei dieser eher formalen Kategorisierung zeigen sich nicht unerhebliche Abgrenzungsschwierigkeiten, z.B. wurden Verweise auf Initiativen oder Aktionsbündnisse wie www.netz-gegen-nazis.de nicht der Kategorie (Red) zugeordnet. Außerdem ist die Klassifizierung durchaus aufwendig, da immer auch dem Link gefolgt und der referenzierte Text analysiert werden muss, um die Bewertung zuverlässig treffen zu können.
[10]
Des Weiteren wird erfasst, ob es sich um eine wertende Aussage handelt oder die Aussage ohne Wertung, also neutral ist. Im letzteren Fall wird die Kategorie oW verwendet, für den Fall einer wertenden Aussage ist vermerkt, ob die Wertung positiv (=p) oder negativ (=n) ist, außerdem erfolgte ein Vermerk danach, ob die Wertung sachlich (=s) oder unsachlich (=us) ist. Die Wertung wurde dabei immer auf den Bereich der Justiz bezogen, sodass negative Wertungen, die sich auf außerhalb der Justiz liegende Umstände beziehen, mit oW gekennzeichnet werden. Die Kategorisierung von Wertungen und vor allem die Bewertung als sachlich oder unsachlich ist dabei offenkundig besonders problematisch. Wir stellen dabei immer auf den Bezugspunkt Justiz ab, da die Nachrichten ja alle mit diesem Schlagwort versehen sind. Hinsichtlich der Beurteilung der Wertung in der Aussage des Tweets nehmen wir die Perspektive eines sachkundigen (hier: rechts-, insbesondere auch prozessrechtskundigen) Betrachters ein: Ziel ist es dabei nicht nur, irgendwie nachvollziehen zu können, wie in der Öffentlichkeit über Justiz kommuniziert wird, sondern auch, Diskrepanzen zwischen der tatsächlichen Rechtslage und der sachlich / unsachlich wertenden Kommentierung aufzuzeigen. Gleichzeitig wird deutlich, dass es eine Reihe von Fällen gibt, in denen eine eindeutige Zuordnung schwierig ist. Derartige Unschärfen werden zugunsten einer eindeutigen Zuordnung hingenommen. Die Kategorisierungen sind letztlich nur als eher negativ oder eher sachlich oder eher unsachlich zu verstehen.
[11]

Schließlich erfolgt eine Kennzeichnung danach, ob es sich um ein allgemeines Thema handelt oder auf ein bestimmtes Verfahren Bezug genommen wird (T für allgemeines Thema und V für Verfahren) und ob es um ein deutsches (D), österreichisches (AUT), schweizerisches (CH) oder sonstiges internationales (Int) Thema oder Verfahren geht.

Bereich Ausprägungen
Formale und mediale Struktur Aussage (A) / Referenz (R) bzw. zusätzlich (Red) / Zitat (Z)
Inhalt Bezug konkretes Verfahren (V) / allgemeiner Bezug (T)
Wertung ohne Wertung (oW) / positiv (p) / negativ (n)
Ausprägung der Wertung sachlich (s) / unsachlich (us)
Regionalität Deutsch (D) / Österreich (AUT) / Schweiz (CH) / andere Länder bzw. International (Int)

Tabelle 1: Übersicht Kodierungsschema

4.2.

Beispiele zur Tweet-Kategorisierung ^

[12]
Nachfolgend verdeutlichen Beispiele die jeweiligen Ausprägungen des Kategorisierungsschemas.
[13]
Der folgende Tweet enthält ein Zitat aus einer Referenz auf einen Zeitungsartikel, enthält keine Wertung und bezieht sich auf ein deutsches Verfahren, so dass er mit ZR (Red) oW V D kategorisiert wird:
#Justiz Höchste Richter sollen im Krabbenbrötchen-Fall urteilen Bundesarbeitsgericht (BAG) entscheidet http://mobil.abendblatt.de/ab/hamburg/article132082231/Hoechste-Richter-sollen-im-Krabbenbroetchen-Fall-urteilen.html?config=mobile… http://t.co/yHa6AWFhwH
[14]
Nachfolgend handelt es sich ebenfalls um ein Zitat aus einer Referenz, wobei der Tweet eine eher negative, aber nicht unsachliche Wertung enthält und ein allgemeines deutsches Justizthema betrifft (Kategorisierung: ZR n s T D):
Wie Richter und Staatsanwälte alljährlich Millionen fast ohne Kontrolle verteilen #Memnon #Justiz http://spendengerichte.correctiv.org/http://t.co/NWLNgn2BZV
[15]
Die folgende Nachricht enthält eine Aussage mit Referenz auf einen Zeitungsartikel ohne Wertung und bezieht sich auf ein deutsches Verfahren (Kategorisierung: AmR (Red) oW V D):
Causa #Wulff : Staatsanwaltschaft sucht nach Maulwurf: Ermittlungen auf Justizministerium ausgeweitet: http://www.noz.de/deutschland-welt/niedersachsen/artikel/507729/causa-wulff-maulwurf-suche-auch-im-ministerium … http://t.co/wyB9rTxUf6 
[16]
Der folgende Tweet enthält eine negativ unsachliche Aussage mit einer Referenz auf einen redaktionell aufbereiteten Inhalt des Bayerischen Fernsehens, das Thema der Aussage betrifft kein spezielles Verfahren, wenn sich auch der Link auf ein konkretes deutsches Verfahren bezieht (daher folgende Kategorisierung: AmR (Red) n us T D):
Ein Land, in dem wir Nazis aus #Justiz u #CSU Menschen vernichten dürfen:
http://www.br.de/fernsehen/bayerisches-
fernsehen/sendungen/kontrovers/kindeswohl-sorgerecht-entzug-100.html …
http://t.co/bmw2Fp1TuE @BVerfG @bundesgericht
[17]
Ähnlich auch der folgende Tweet, ebenfalls mit AmR (Red) n us T D gekennzeichnet:
Nirgendwo können wir Richter unsere Asozialität so schön zur Schau stellen, wie
im Gerichtssaal: http://www.tagesspiegel.de/politik/nsu-prozess-das-duenne-fell-
junger-woelfe-/8224130-2.html … http://t.co/MSvRhhpvKH #Mollath #Justiz
[18]
Für eine unsachlich negativ wertende Aussage ohne Referenz zu einem allgemeinen deutschen Justizthema mit der Kategorisierung A n us T D steht:
.@ArneFellner Die #Justiz ist ein rechtsfreier Raum. Auch Anwaltsrecht ist
Nazirecht! @BVerfG @bundesgericht #mollath
[19]
Ein Verfahren aus Österreich hat dieser Tweet zum Gegenstand, der in der Tendenz als eher negativ wertend, jedoch nicht unsachlich erscheint und daher die Kategorisierung AR (Red) n s V AUT erhält:

 

Geschehen noch Zeichen & Wunder? Anklage gegen #Grasser rückt angeblich!
näher #Justiz #Buwog
http://www.salzburg.com/nachrichten/oesterreich/wirtschaft/sn/artikel/anklage-
gegen-grasser-rueckt-angeblich-naeher-123151/ … http://t.co/Y30hGy3Vuc
pic.twitter.com/c1WaEjKVDM http://t.co/c1WaEjKVDM
[20]
Mit einem Schweizer Thema beschäftigt sich der folgende Tweet, der keine Wertung enthält und die Kategorisierung AmR (Red) oW T CH erhält:
Liechtensteiner müssen sich in der Schweiz nicht an Verkehrsregeln halten:
http://www.vaterland.li/liechtenstein/politik/Fuehrerausweise-zu-Unrecht-
entzogen;art169,65361 … http://t.co/l5h12zQWtH #Liechtenstein #Schweiz
#Verkehr #Justiz
[21]
Für eine positive Wertung eines Justizthemas steht folgender Tweet (Kategorie AmR (Red) p T AUT), wenn auch nicht ganz klar ist, ob nicht allein (d. h. ohne Wertung) auf eine positive Meldung verwiesen wird:
Umfrage: Mehrheit vertraut der #Justiz http://kurier.at/politik/inland/umfrage-
mehrheit-vertraut-der-justiz/97.582.353 … http://t.co/nrkKBpM7e3

5.

Auswertung ^

[22]
Nachfolgend gehen wir auf Aspekte der quantitativen Auswertung ein (Nutzer, Links, Hashtags etc.) und stellen dann die Ergebnisse der Auswertung der Inhaltsanalyse vor.

5.1.

Quantitative Auswertungsergebnisse ^

[23]
Insgesamt werden 1804 Tweets mit dem Hashtag #Justiz aus dem Jahr 2014 nach der Anzahl der verschiedenen Nutzer, der verwendeten Hashtags, der enthaltenen Links sowie der am häufigsten vorkommenden sinntragenden Wörtern ausgewertet.

5.1.1.

Die Nutzer ^

Account Anzahl Tweets im Corpus Anteil in % an den Tweets im Corpus Rang Anzahl Tweets insgesamt Anzahl Follower Follower pro Tweet insgesamt Anteil #Justiz in % an allen Tweets des Autors
@muschelschloss 139 7,71% 1 208000 5007 0,02 0,07
@giselamueller42 121 6,71% 2 1356 129 0,10 8,92
@sozialebewegung 91 5,04% 3 26500 3820 0,14 0,34
@brixnershirn 83 4,60% 4 6374 158 0,02 1,30
@piratenflotte 68 3,77% 5 11500 857 0,07 0,59
@netzgegennazis 46 2,55% 6 17800 13100 0,73 0,26
@ein5er 34 1,88% 7 105000 12200 0,11 0,03
@nordpirat 34 1,88% 8 14500 2502 0,17 0,23
@kurtykowa 31 1,72% 9 1470 105 0,07 2,10
@dirkfisser 30 1,66% 10 3523 772 0,22 0,85

Tabelle 2: Die am häufigsten vertretenen Twitter-Accounts im Corpus

[24]
Die 1804 Tweets entfallen auf 517 verschiedene Twitter-Accounts, was einer mittleren Aktivität von 3,2 Tweets pro beteiligtem Account und Jahr zu diesem Thema entspricht. Alleine die ersten zehn Beitragenden sind für 37,51% der Tweets verantwortlich, die ersten fünf bringen es auf gemeinsam 27,81% der Tweets. Damit zeigt sich, dass relativ wenige verschiedene Nutzer für relativ viele Twitter-Beiträge verantwortlich sind. Soweit erkennbar, handelt es sich bei den aktivsten zehn Nutzern im Corpus um Einzelpersonen, es ist kein institutioneller Account (z.B. einer Zeitung oder Zeitschrift) darunter. Die relative Bedeutung der #Justiz-Tweets für die Autoren geht bis in den Bereich von fast 10% im Fall von @giselamueller42, bei der fast jeder zehnte Tweet das Hashtag #Justiz trägt. Auch das Verhältnis von Followern zur Anzahl der Tweets als Maß für den Einfluss eines Twitter-Autors fällt sehr unterschiedlich aus: Die Spanne reicht von 0,02 Followern pro Tweet bei @muschelschloss oder @brixnershirn bis zu 0,73 bei @netzgegennazis. Eine weitergehende Analyse unter Nutzung der intellektuellen Kategorisierung betrachtet die fünf aktivsten Twitter-Accounts:
[25]
So wird mit dem am häufigsten vertretenen Twitter-Account @Muschelschloss unter anderem auf eine eigene Textzusammenstellung zu Justizthemen verwiesen. Mittels Twitter wird mitgeteilt, dass diese Zusammenstellung aktualisiert, frisch gedruckt oder publiziert wird, wie in folgendem Tweet:
#Amigos in #Bayern (#Politik #Justiz #CSU ) wurde soeben publiziert!
http://paper.li/Muschelschloss/1402560255 … http://t.co/wOWS4wTGvt
[26]
Dabei weist die gleichzeitige Verwendung des Hashtags #Amigos darauf hin, dass es sich um eher kritische Beiträge handelt. Unter diesem Account wird neben dem Hinweis auf eigene Texte auf eine Vielzahl von anderen Themen und Gerichtsverfahren Bezug genommen, wobei die Palette von vermeintlichen Skandalen mit eher unsachlichen Wertungen bis zum wertungsfreien Hinweis dazu reichen, dass beim Landgericht Landshut ein elektronischer Briefkasten eingerichtet wird.
[27]

Bei dem Account @GiselaMueller42 geht es vor allem um den Aufruf, eine Petition zu unterschreiben, die zum Ziel hat, «die Strafbarkeit der Richter wegen Rechtsbeugung wiederherzustellen und in den Rechtsmittelinstanzen reine Bürgergerichte (Geschworenengerichte) als unabhängige und wirksame Kontrolle der Berufsrichter einzuführen» (Quelle: http://chn.ge/16IbpaQ). Der Link auf diese Online-Petition findet sich im Corpus 40-mal.

[28]
Mit dem Account @sozialebewegung werden v.a. Mitteilungen des Vereins Justiz-Opfer e.V. verbreitet, bei dem es nach eigener Auskunft um «Freiheit und Gerechtigkeit für Opfer der Politik, Justiz, Polizei, Gutachter und Psychiatrien und Hilfe für Opfer von Willkür durch Politik, Behörden, Justiz, Polizei, Gutachter und Psychiatrien mit Aufdeckung von Struktur- und Systemdefiziten in der Bundesrepublik Deutschland» geht (Quelle: http://www.justiz-opfer.info/).
[29]
Der Account @brixnershirn nimmt in seinem Namen Bezug auf den Namen eines Richters in einem sehr öffentlichkeitswirksamen Verfahren. Der Absender der Nachrichten spricht dabei häufig von «wir Richter», etwa wie folgt
Wir Richter/Staatsanwälte sind zwar ekelerregend, aber WIR HABEN RECHT! […]
[30]
oder
#Merkel ist wie wir Richter: hinter Rücken der Bürger kann man Amt besser
zu Straftaten mißbrauchen […]
[31]
Unter dem Account @piratenflotte (Displayname Holger Baumeister) werden Hinweise zu bestimmten Gerichtsentscheidungen gegeben und auf www.kostenlose-urteile.de verwiesen, wobei dies in der Regel wertungsfrei erfolgt.
[32]
Es lässt sich festhalten, dass von den fünf am häufigsten twitternden Accounts die ersten vier durch eine Vielzahl unsachlicher Tweets auffallen. Neben den aktiv tätigen Nutzern im Corpus wird berücksichtigt, inwiefern die Nachrichten andere Nutzer nennen. Dabei ergibt sich, dass in 485 Fällen in den Twitter-Nachrichten des ausgewählten Corpus andere Nutzer erwähnt werden, wobei es sich um 285 unterschiedliche Nutzer handelt.

5.1.2.

Die enthaltenen Links ^

[33]

In den Tweets erfolgten 1669 Links auf Domains, wobei es sich um 421 unterschiedliche Domains handelt (es wurde jeweils nur der Domainanteil der URLs berücksichtigt). Einen Überblick zu den in den Tweets am häufigsten enthaltenen Links (nur Domains) gibt die folgende Tabelle, wobei hier allerdings sowohl vollständige als auch durch URL shortener gekürzte Links enthalten sind. Auf den ersten beiden Plätzen finden sich ein generischer und ein auf Facebook bezogener URL shortener:

Domain Anzahl
bit.ly 129
on.fb.me 73
mobil.kostenlose-urteile.de 48
www.netz-gegen-nazis.de 46
www.sueddeutsche.de 46
paper.li 41
chn.ge 40
ow.ly 38
www.welt.de 38
goo.gl 37

Tabelle 3: Häufigste Domains der Links in den Tweets mit Frequenzen und Wortwolke

[34]

Bei den ungekürzten Domains handelt es sich häufig um Zusammenstellungen von Urteilen wie in mobil.kostenlose-urteile.de oder um politische Initiativen wie www.netz-gegen-nazis.de, aber auch um Websites der Online-Ausgaben überregional bekannter Publikumsmedien wie sueddeutsche.de und welt.de sowie auch regionaler Zeitungen wie der Neuen Osnabrücker Zeitung (www.noz.de).

5.1.3.

Die verwendeten Hashtags ^

[35]
Neben dem in allen ausgewählten Tweets vorhandenen Tag #Justiz werden weitere 3648 Hashtags verwendet, pro Tweet kommen also etwa zwei weitere Hashtags (aus insgesamt 1208 verschiedenen) vor, wobei jedes Hashtag etwa dreimal verwendet wird. Die häufigsten Hashtags zeigen die nachfolgende Tabelle sowie die dazugehörige Wortwolke.
Tag Anzahl
#mollath 154
#bayern 143
#recht 91
#csu 90
#rechtsstaat 80
#s21 80
#polizei 78
#politik 75
#rechtsbeugung 50
#richter 47

Tabelle 4: Häufigste Hashtags mit Frequenzen und Wortwolke

[36]
Das am häufigsten verwendete Tag stellt den Namen des Angeklagten in einem stark im Fokus der Öffentlichkeit stehenden bayerischen Verfahren dar, das vor allem 2013 und 2014 viel diskutiert wurde und erstinstanzlich im August 2014 abgeschlossen wurde. Aufgrund des bayerischen Bezugs könnten auch die weiteren Tags #bayern und #csu damit in Zusammenhang stehen. Das Tag #s21 bezieht sich auf das umstrittene Bahnprojekt Stuttgart 21. Da die Tweets alle mit dem Hashtag #justiz versehen sind, dürften hier vor allem die Gerichtsverfahren im Zusammenhang mit den Protesten gegen dieses Projekt im Vordergrund stehen. Interessant ist auch, dass an neunter Stelle das Schlagwort Rechtsbeugung verwendet wird, was einen Hinweis darauf gibt, dass die Tweets zum Thema Justiz doch in nicht unerheblichem Maß kritisch sein dürften.

5.1.4.

Die häufigsten inhaltstragenden Begriffe (ohne Hashtags) ^

Begriff Anzahl
richter 81
justizopfer 74
gericht 46
deutsche 38
kontrolle 28
skandal 27
deutschland 26
petition 25
prozess 24
strafbarkeit 24

Tabelle 5: Häufigste Begriffe in den Tweets (ohne Links und Hashtags) mit Frequenzen und Wortwolke

[37]
Die Tabelle zeigt die häufigsten sinn- bzw. inhaltstragenden Begriffe, wobei die mit einem Hashtag markierten Begriffe ausgesondert wurden (siehe dazu oben). Am zweit häufigsten kommt dabei das Wort Justizopfer vor und am fünft häufigsten das Wort Skandal. Auch dies gibt – wie bereits die Auszählung der Hashtags – einen Hinweise auf eine möglicherweise eher negative Haltung zu dem Thema Justiz in dem ausgewerteten Twittercorpus.

5.2.

Ergebnisse der qualitativen Inhaltsanalyse ^

[38]
Eine Auswertung der inhaltlichen Bezüge ergibt, dass sich die große Mehrheit (über 80%) der klassifizierten Twitter-Nachrichten mit #Justiz im ausgewählten Zeitraum auf Deutschland bezieht, nur 27 Nachrichten (4,38%) finden sich zu österreichischen und 13 Nachrichten (2,11%) zu schweizerischen Themen oder Verfahren. In insgesamt 60 Fällen (9,74%) ergibt sich ein Bezug zu internationalen Themen oder Verfahren bzw. Themen oder Verfahren in nicht deutschsprachigen Ländern. Einige wenige Tweets können nicht zugeordnet werden.
[39]
Knapp 45% der Nachrichten beziehen sich auf konkrete Verfahren und ca. 55% der Tweets auf allgemeine Themen. Hinzuweisen ist hier erneut darauf, dass die Bewertung, zu welcher Kategorie der jeweilige Tweet gehört, nach dem Gesamtzusammenhang der Nachricht einschließlich seiner Referenzobjekte erfolgt. Nicht entscheidend ist, ob ein bestimmtes Hashtag auf ein konkretes Verfahren hinweist.
[40]
Darüber hinaus erfolgt die Auszählung dem oben ausgeführten Kategorisierungsschema nachfolgend danach, ob die Nachricht auf umfangreicheren Inhalt außerhalb von Twitter Bezug nimmt. Dabei ergibt sich, dass dies bei der ganz überwiegenden Mehrheit der Nachrichten der Fall ist. Nur 49 Nachrichten enthalten keine Referenz (7,95%), sondern bestehen nur aus der Nachricht selbst. Diese Quote mag bei den mit dem Hashtag Justiz versehenen Nachrichten im Vergleich zu anderen Tweets besonders niedrig sein, weist aber aufgrund des so eindeutigen Verhältnisses doch darauf hin, dass sich das über Twitter Mitzuteilende nur eher selten auf 140 Zeichen beschränkt, sondern in vielen Fällen auf größere Informationseinheiten Bezug genommen wird. Die angeführten Referenzen führen dabei in 285 Fällen, also fast der Hälfte (über 46%) aller Tweets, auf redaktionelle Referenzobjekte im Sinne von Artikeln von online zur Verfügung stehenden Beiträgen in Zeitungen oder Magazinen. Die sonstigen Referenzobjekte bestehen aus Blogbeiträgen, Facebook-Einträgen, von durch Interessengruppen zusammengestellten Textkörpern oder Ähnlichem.
[41]
Im Hinblick auf die Verwendung der Referenz wird unterschieden, ob die im Tweet getroffene Aussage nur über die Referenz verständlich ist bzw. eine Aussage über die Referenz trifft oder ob der Tweet selbst eine Aussage trifft, die unabhängig von der Referenz besteht. Dabei zeigt sich ein in etwa ausgeglichenes Verhältnis von 225 zu 227 Tweets. Weitere 103 Tweets bestehen aus einem wörtlichen Zitat aus der verlinkten Quelle. Insgesamt ergibt sich also, dass die Referenz in der Mehrheit der ausgewerteten Tweets von entscheidender Bedeutung für die Aussage der Nachricht ist, sei es, dass die Nachricht selbst nur aus einem Zitat aus der angegebenen Referenz besteht oder die Nachricht nur in Zusammenhang mit der Referenz eine Aussage ergibt bzw. die Nachricht oder die Aussage in der Kommentierung der Referenz besteht.
[42]

Eine weitere Auswertung zeigt, ob die Nachrichten neutral gehalten sind, dem Nachrichtengegenstand eher negativ oder positiv gegenüberstehen, und ob die Wertung eher sachlich oder eher unsachlich ausfällt. Dabei ergibt sich folgende Verteilung: Knapp die Hälfte der Nachrichten, nämlich 277 Tweets (entspricht fast 45%), können als eher neutral formuliert bezeichnet werden, die etwas größere Hälfte der ausgewerteten Nachrichten beinhaltet eine negative Wertung (331 Tweets, was einem Anteil von knapp 54% entspricht), wobei sich darunter die eher sachlichen (136 Tweets) und die eher unsachlichen (167 Tweets) in etwa die Waage halten mit einem Verhältnis von knapp 22% zu etwas über 27% (jeweils bezogen auf alle). Abschließend zeigt Tabelle 6 alle verwendeten Codes wie oben eingeführt, ihre absoluten Häufigkeiten sowie den prozentualen Anteil an allen bewerteten Tweets.

Kategorie Anzahl % Kategorie Anzahl %
(Red) 285 46,27% AUT 27 4,38%
A 49 7,95% CH 13 2,11%
AmR 225 36,53% D 509 82,63%
AR 227 36,85% Int 60 9,74%
Z bzw. ZR 103 16,72% oZ 3 0,49%
n 331 53,73% unklar 3 0,49%
n s 136 22,08%   615 99,84%
n us 167 27,11%      
oW 277 44,97% T 344 55,84%
p 11 1,79% V 277 44,97%

Tabelle 6: Häufigkeiten der Codes der qualitativen Inhaltsanalyse

6.

Zusammenfassung ^

[43]
Zusammenfassend lässt sich festhalten, dass insgesamt nur relativ wenige verschiedene Akteure für relativ viele Twitter-Nachrichten mit dem Hashtag Justiz verantwortlich sind, wobei vor allem Einzelpersonen und nicht institutionelle Twitter-Accounts besonders aktiv sind. Mit Ausnahme des deutschen Bundesverfassungsgerichts finden sich in diesem Corpus zum Schlagwort Justiz keine Gerichte oder Justizbehörden als Twitter-Autoren.
[44]
Weiterhin fällt die hohe Zahl an Nachrichten auf, die auf außerhalb von Twitter liegende umfangreichere Inhalte Bezug nehmen. Nur unter 10% der ausgewerteten Tweets enthalten keine Verweisung auf ein solches außerhalb von Twitter liegendes Referenzobjekt. Dies stützt die These, dass allein aufgrund der Beschränkung der Nachrichtenlänge nicht zwingend eine Verflachung des Diskurses einhergehen muss und dass Twitter häufig zum Austausch von Nachrichten verwendet wird. Die vielen Nennungen von anderen Nutzernamen in den Tweets weisen aber gleichzeitig auf den sozialen Aspekt der Nutzung von Twitter hin.
[45]
Die von den Nutzern abgegebenen Wertungen sind in mehr als der Hälfte der Tweets (eher) negativ, wobei der Anteil der eher sachlich negativ wertenden Tweets in etwa gleich hoch ist wie der Anteil der eher unsachlich negativ wertenden Tweets.
[46]
Hinsichtlich des methodischen Vorgehens kann festgestellt werden, dass das entwickelte Kategorisierungsschema trotz bestehender Abgrenzungsschwierigkeiten zur Auswertung gut geeignet ist, jedoch beträchtlichen Aufwand erfordert. Daher ist das Ineinandergreifen der quantitativen und semiautomatischen Verfahren einerseits und der (aufwendigen) qualitativen Inhaltsanalyse andererseits besonders wichtig und sinnvoll. So stützen beispielsweise die Ergebnisse der qualitativen Auswertung eines Teils des Corpus die mit Hilfe automatischer Verfahren gewonnenen Hinweise, etwa zur Verwendung von Links bzw. Referenzobjekten oder z.B. hinsichtlich des Umstands, dass ein erheblicher Teil der Tweets eher negative Wertungen zum Bezugsobjekt Justiz abgibt.

7.

Literatur ^

Burghardt, Manuel / Karsten, Heike / Pflamminger, Melanie / Wolff, Christian, Twitter als interaktive Erweiterung des Mediums Fernsehen: Inhaltliche Analyse von Tatort-Tweets. In: Beißwenger, Michael / Lüdeling, Anke / Storrer, Angelika (Hrsg.), Verarbeitung und Annotation von Sprachdaten aus Genres internetbasierter Kommunikation. Workshop im Rahmen der GSCL-Tagung 2013 in Darmstadt (23. September 2013), GSCL, Darmstadt (2013).

Glücker, Hartmut / Burghardt, Manuel / Wolff, Christian, Sentilyzer – A Mashup Application for the Sentiment Analysis of Facebook Pages. In: Ruppenhofer, Josef / Faaß, Gertrud (Hrsg.), Workshop proceedings of the 12th edition of the KONVENS conference, S. 58–61 (2014).

Han, Byung-Chul, Digitale Rationalität und das Ende des kommunikativen Handelns, Matthes & Seitz, Berlin (2013).

Humphreys, Lee / Gill, Phillipa / Krishnamurthy, Balachander, Twitter: a content analysis of personal information. In: Information Communication & Society 17, S. 843–857 (2014).

Jacob, Daniel / Thomas, Manuel, Das Internet als Heilsbringer, In: Aus Politik und Zeitgeschehen, 20. Mai 2014, online: http://www.bpb.de/apuz/184700/das-internet-als-heilsbringer-der-demokratie?p=all, Bundeszentrale für politische Bildung, Berlin, S. 1–4 (2014).

Kwak, Haewoon / Lee, Changhyun / Park, Hosung / Moon, Sue, What is Twitter, a social network or a news media? In: Proceedings of the 19th international conference on World wide web, ACM, Raleigh, North Carolina, USA, S. 591–600 (2010).

Maireder, Axel / Schlögl, Stephan, 24 hours of an #outcry: The networked publics of a socio-political debate. In: European Journal of Communication, Vol. 29, S. 687–702 (2014).

Mayring, Philipp, Qualitative Inhaltsanalyse. Grundlagen und Techniken, 11. aktualisierte und überarb. Aufl., Beltz, Weinheim (2010).

Mielke, Bettina / Wolff, Christian, Text Mining-Verfahren für die Erschließung juristischer Fachtexte. In: Schweighofer, Erich / Liebwald, Doris / Kreuzbauer, Günther / Menzel, Thomas (Hrsg.), Informationstechnik in der juristischen Realität, Aktuelle Fragen der Rechtsinformatik 2004, Verlag Österreich, Wien, S. 269–279 (2004).

Mielke, Bettina / Wolff, Christian, Österreichisch-Deutsche Rechtssprache kontrastiv. Eine corpuslinguistische Analyse. In: Schweighofer, Erich / Kummer, Franz / Hötzendorfer, Walter (Hrsg.), Abstraktion und Applikation, Tagungsband des 16. Internationalen Rechtsinformatik Symposions IRIS 2013, Österreichische Computer Gesellschaft, Wien, S. 377–384 (2013).

Mielke, Bettina / Wolff, Christian, Gerichtsverfahren und der Strukturwandel der Öffentlichkeit durch digitale Medien. In: Schweighofer, Erich / Kummer, Franz / Hötzendorfer, Walter (Hrsg.), Transparenz, Tagungsband des 17. Internationalen Rechtsinformatik Symposions IRIS 2014, Österreichische Computer Gesellschaft & Erich Schweighofer, Wien, S. 273–282 (2014).

Pang, Bo / Lee, Lillian, Opinion Mining and Sentiment Analysis. In: Foundations and Trends in Information Retrieval 2, S. 1–135 (2008).

Pariser, Eli, The filter bubble: What the Internet is hiding from you, Penguin Press, New York (2011).

Pentzold, Christian / Katzenbach, Christian / Fraas, Claudia, Digitale Plattformen und Öffentlichkeiten mediatisierter politischer Kommunikation. In: Aus Politik und Zeitgeschehen, 20. Mai 2014, online: http://www.bpb.de/apuz/184696/digitale-plattformen-und-oeffentlichkeiten-mediatisierter-politischer-kommunikation?p=all, Bundeszentrale für politische Bildung, Berlin, S. 1–5 (2014).

Williams, Shirley A. / Terras, Melissa M. / Warwick, Claire, What do people study when they study Twitter? Classifying Twitter related academic papers. In: Journal of Documentation 69, S. 384–410 (2013).


 

Bettina Mielke, Vorsitzende Richterin am Landgericht Regensburg, Lehrbeauftragte an der Universität Regensburg, Kumpfmühler Straße 4, 93047 Regensburg, DE, bettina.mielke@lg-r.bayern.de

 

Christian Wolff, Professor, Institut für Information und Medien, Sprache und Kultur, Lehrstuhl für Medieninformatik, Universität Regensburg, 93040 Regensburg, DE, christian.wolff@ur.de, http://mi.ur.de