Editorial Cuvillier

Publicaciones, tesis doctorales, capacitaciónes para acceder a una cátedra de universidad & prospectos.
Su editorial internacional especializado en ciencias y economia

Editorial Cuvillier

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

Impresion
EUR 99,90

E-Book
EUR 70,50

IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien (Volumen 112) (Tienda española)

Kevin Koch (Autor)

Previo

Lectura de prueba, PDF (170 KB)
Indice, PDF (110 KB)

ISBN-13 (Impresion) 9783736975682
ISBN-13 (E-Book) 9783736975682
Idioma Deutsch
Numero de paginas 414
Laminacion de la cubierta Brillante
Edicion 1.
Serie Göttinger Wirtschaftsinformatik
Volumen 112
Lugar de publicacion Göttingen
Lugar de la disertacion Göttingen
Fecha de publicacion 28.01.2022
Clasificacion simple Tesis doctoral
Area Economía
Teoría de la empresa
Informática
Palabras claves 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 para pagina web externa https://as.wiwi.uni-goettingen.de/
Descripcion

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.