Customer Support/Contact

Departments
Book Series (90)	1258
Humanities	2244
Medienwissenschaften	15
Theology	49
Philosophy	84
Law	392
Economics	823
Social sciences	399
Sports science	48
Psychology	228
Educational science	183
History	173
Art	104
Cultural studies	155
Literary studies	114
Linguistics	83
Natural Sciences	5308
Engineering	1710
Common	91
Leitlinien Unfallchirurgie 5. Auflage bestellen

Advanced Search

IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien

Hard Copy
EUR 119.88

E-book
EUR 84.60

IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien (Volume 112) (English shop)

Kevin Koch (Author)

Preview

Extract, PDF (170 KB)
Table of Contents, PDF (110 KB)

ISBN-13 (Hard Copy)	9783736975682
ISBN-13 (eBook)	9783736975682
Language	Alemán
Page Number	414
Lamination of Cover	glossy
Edition	1.
Book Series	Göttinger Wirtschaftsinformatik
Volume	112
Publication Place	Göttingen
Place of Dissertation	Göttingen
Publication Date	2022-01-28
General Categorization	Dissertation
Departments	Economics Business economics Informatics
Keywords	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 to External Homepage	https://as.wiwi.uni-goettingen.de/

Description

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.