Cookies help us deliver our services. By using our services, you agree to our use of cookies.

Cuvillier Verlag

Publications, Dissertations, Habilitations & Brochures.
International Specialist Publishing House for Science and Economy

Cuvillier Verlag

De En Es
IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien

Hard Copy
EUR 99.90

E-book
EUR 70.50

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.