Jaidka et al. (2020) haben in einer Studie einen Algorithmus entwickelt, mit dem sich nahezu in Echtzeit das Wohlbefinden via Twitter erkunden lässt. Für diese Studie wurden zehn Milliarden Tweets in den USA untersucht, aus denen man Sprachmuster extrahierte. Zwar ist Twitter nicht repräsentativ für die gesamte Bevölkerung, doch können die Daten Einblicke in den Lebensalltag ermöglichen. Jene Sprache, die hohes Einkommen und hohe Ausbildungsquote signalisiert, ist auch ein Indiz für das erhöhte Wohlbefinden in der Bevölkerung. Das sieht man dabei in jenen Gebieten des Landes, die sehr arm sind, wo die Menschen nicht so gesund sind und die ein niedriges Ausbildungsniveau aufweisen, denn dort ist das psychologische Wohlbefinden relativ niedrig. Auch gibt die Wortwahl in den Tweets Hinweise auf Einkommensverhältnisse, denn so hat man herausgefunden, dass Internet-Akronyme wie LOL (aushing out loudly) und Worte wie love oder well häufig in Gebieten mit geringem Einkommen benutzt werden. Sie signalisieren eher ein schlechteres Wohlbefinden, und Worte, die man eher als negativ verortet wie „Steuern“ oder „Hausaufgaben“ werden eher von Gruppen mit höherer Bildung und höherem Einkommen benutzt.
Bei der Analyse der Corona-Pandemie auf Twitter stellte man einen großen Unterschied zwischen Land- und Stadtbevölkerung fest, denn in urbanen Teilen des Landes mit einer hohen Bevölkerungsdichte begannen die Menschen relativ schnell über den Quaratäne-Lifestyle zu sprechen. Dabei nahm die ländliche Bevölkerung Corona weit weniger ernst als Menschen in den Ballungszentren. Vor allem bei der Landbevölkerung, die überwiegend Trump gewählt haben, las man Sätze wie ‚Corona ist genauso wie die Grippe‘.
Mit dieser neuen Messmethode will man nun erforschen, wie sich die soziale Distanzierung etwa im Falle der Corona-Pandemie auf das menschliche Wohlbefinden auswirkt, also auf die Häufigkeit von Depressionen und Ängsten. Schon vorher wurde nachgewiesen, dass sich der psychische Gesundheitszustand der Nutzer, wie Depressionen und Angstzustände, aus der Sprache der sozialen Medien vorhersagen lässt. Es gibt aber immer noch eine Lücke im wissenschaftlichen Verständnis darüber, wie psychischer Stress in sozialen Medien ausgedrückt wird. Stress ist bekanntlich eine der Hauptursachen und es gibt Zusammenhänge von chronischen körperlichen Erkrankungen und psychischen Gesundheitszuständen. Guntuku et al. (2019) haben daher die Sprache des psychologischen Stresses anhand eines Datensatzes von 601 Social-Media-Benutzern, die den Fragebogen zur Perceived Stress Scale beantwortet und die sich auch bereit erklärt hatten, ihre Facebook- und Twitter-Daten zu teilen, analysiert. Zunächst stellte man fest, dass gestresste Nutzer über Erschöpfung, Kontrollverlust, erhöhte Selbstfokussierung und körperliche Schmerzen posten, und zwar verglichen mit Postings über Frühstück, Familienzeit und Reisen von Nutzern, die nicht gestresst sind. Zweitens stellte man fest, dass der Sprachgebrauch in Facebook den Stress besser vorhersagen kann als der Sprachgebrauch in Twitter. Allerdings können die dabei entwickelten sprachbasierten Modelle angepasst und skaliert werden, um Trends auf regionaler Ebene zu messen. Da die Sprache auf regionaler Ebene über Twitter und die Streaming leichter verfügbar ist, untersuchte man verschiedene Algorithmen zur Anpassung von Facebook-Modellen auf Benutzerebene an die Twitter-Sprache. Man stellte dabei fest, dass domänenangepasste und skalierte, auf sozialen Medien basierende Messungen von Stress die soziodemografischen Variablen wie Alter, Geschlecht, Rasse, Bildung und Einkommen übertreffen, wenn man diese mit den Stressmessungen vergleicht, die sowohl auf Benutzer- als auch auf regionaler Ebene in der Twitter-Sprache mit höheren Stresswerten durchgeführt wurden.
Literatur
Guntuku, S. C., Preotiuc-Pietro, D., Eichstaedt, J. C. & Ungar, L. H. (2019). What Twitter Profile and Posted Images Reveal about Depression and Anxiety. In Thirteenth International AAAI Conference on Web and Social Media (ICWSM).
WWW: https://static1.squarespace.com/static/53d29678e4b04e06965e9423/t/5cf5986dd6e7e90001ea45c2/1559599216509/imagesDepression.pdf (20-05-12)
Jaidka, J., Giorgi, S. Schwartz, H. A., Kern, M. L., Ungar, L. H., Eichstaedt, J. C. (2020). Estimating geographic subjective well-being from Twitter: a comparison of dictionary and data-driven language methods. Proceedings of the National Academy of Sciences.
https://www.br.de/nachrichten/netzwelt/how-are-you-usa-algorithmus-untersucht-wohlbefinden-der-buerger,RyeFDY9 (20-05-12)
http://map.wwbp.org/ (20-05-12)
