Social Media

Stimmungsanalyse im Netz: Wie Algorithmen unsere Emotionen auswerten

photo of author of the article

Was denkt die Bevölkerung über die SVP? Wie gut kommt das neue Smartphone an? Mit raffinierten Computerprogrammen lassen sich solche Fragen beantworten.

Es ist Thanksgiving, die Amerikaner geniessen ihr verlängertes Wochenende und strömen in Scharen in die Kinos. Sie wollen den letzten Teil der Vampir-Saga «Twilight: Breaking Dawn» sehen. Doch der Film kommt beim Publikum nicht besonders gut an. Das zumindest legt eine Analyse der Tweets nahe, die zu «Twilight» abgesetzt wurden: Vor dem Start am Mittwochabend waren 90 Prozent der Äusserungen auf dem sozialen Netzwerk positiv, am Samstag nur noch 75 Prozent.

Beliebter waren andere Filme: «James Bond: Skyfall» wies auch nach dem Startwochenende noch eine Quote von 90 Prozent positiven Tweets auf, bei «Life of Pi» waren es 91 Prozent und bei «Rise oft he Guardians» sogar 99 Prozent.

Der Welt den Puls fühlen

Wer wissen will, was die Bevölkerung über einen Film, ein Produkt oder eine politische Kampagne denkt, muss ihr nur zuhören. Auf dem Internet äussern sich Nutzer ständig zu allem Erdenklichen: wie ihnen «Twilight» gefallen hat, was sie von der SVP halten und ob sie mit dem Galaxy S 4 zufrieden sind. Soziale Medien, Blogs und Foren sind ein riesiges Sammelbecken der Gefühle, Stimmungen und Meinungen. Wem es gelingt, eine Maschine zu entwickeln, die diesen Datenfundus in Sekundenschnelle nach bestimmten Themen durchforstet und dabei zuverlässig negative von positiven Äusserungen zu unterscheiden weiss, kann der Welt in Echtzeit den Puls fühlen. Teils funktioniert das bereits – dank leistungsstarken Computern und raffinierten Algorithmen.

«Die Analyse von sozialen Medien wird in den nächsten Jahren einen grossen Einfluss auf Marketingmodelle haben», sagt Stefan Stieglitz, Wirtschaftsinformatik-Professor an der Universität Münster. Er leitet das interdisziplinäre Forschungsprojekt «Analyse von Diskursen in Social Media», bei dem es unter anderem darum geht, emotionale Stimmungen auf sozialen Medien zu erfassen und zu analysieren. Social Sentiment Analysis nennt sich das im Fachjargon.

Landtagswahlen vorhersagen

Dazu nutzen Stieglitz und seine Kollegen eine linguistische Datenbank, die möglichst alle emotional aufgeladenen Ausdrücke zum Thema verzeichnet. Mithilfe dieser Datenbank können dann Algorithmen einen Textkorpus untersuchen – also etwa alle Tweets, die zur Affäre Wulff verfasst wurden. «Neben den emotional aufgeladenen Ausdrücken werden auch die grammatikalischen Strukturen der Sätze berücksichtigt», sagt Stieglitz. Denn ob eine Äusserung positive oder negative Gefühle ausdrückt, ändert sich teils durch die grammatikalische Konstruktion eines Satzes. Das wird klar, wenn man die beiden Sätze «Toni Brunner war noch nie sympathisch» und «Toni Brunner war noch nie so sympathisch» vergleicht. Das an und für sich neutrale Wörtchen «so» ändert den Sinn des Satzes komplett.

«Mit unserer Analysemethode konnten wir die Resultate von Landtagswahlen zumindest in ihrer Tendenz richtig voraussagen», sagt Stieglitz. Parteien, die auf sozialen Medien positiv wegkamen, haben später bei den Wahlen in der Regel auch positiv abgeschnitten. Dabei sei jedoch eine gewisse Linkstendenz der Social-Media-Nutzer zu erkennen. Je mehr man aber über solche Abweichungsmuster wisse, desto besser kann man sie in die Analyse einbeziehen – im konkreten Fall also positive Äusserungen für konservative Parteien stärker gewichten.

Politikern eröffnen solche Analyse-Werkzeuge neue Möglichkeiten. Sie wissen fast unmittelbar nach einer Rede, wie diese beim Publikum angekommen ist. Zeitaufwendige Bevölkerungsbefragungen könnten dadurch überflüssig werden. Das zeigt eine Social-Sentiment-Analyse der Softwarefirma SAP nach den TV-Duellen der US-Präsidentschaftswahl. Für Obama ergab die Analyse 2 Millionen positive Äusserungen gegenüber 1,6 Millionen negativen. Bei Mitt Romney standen 1,9 Millionen positive Kommentare 2,3 Millionen negativen gegenüber. Ähnlich im Vorteil lag der demokratische Präsident auch bei den traditionellen Meinungsumfragen von CNN.

Wenn Algorithmen selber lernen

An solchen Analyse-Werkzeugen arbeitet auch IBM. «Mittlerweile können wir nicht nur analysieren, ob die Leute von einem bestimmten Smartphone eine positive oder negative Meinung haben, sondern zusätzlich, ob sie etwa mit der Kamera des Geräts oder der Batterieleistung zufrieden sind», sagt Prem Melville vom IBM T. J. Watson Research Center in New York. Hier wurde das Computersystem Watson entwickelt, das natürliche Sprache verarbeiten kann und in der amerikanischen Quizshow «Jeopardy!» 2011 gegen die besten menschlichen Spieler antrat und gewann. Nun tüfteln im IBM-Labor in New York Informatiker an raffinierten Algorithmen, mit denen die Stimmung in sozialen Netzwerken erfasst werden kann. «Das ist eine sehr schwierige Herausforderung, doch wir werden immer besser darin», sagt Rick Lawrence, der Chef der Gruppe.

Die Informatiker verfahren dabei nach dem Ansatz des maschinellen Lernens. Der Computer bringt sich dabei quasi die Analyseprinzipien selber bei. Das funktioniert grob gesagt nach dem folgenden Vorgehen: Die Forscher lassen den Computer «Trainingstexte» analysieren, die zuvor schon von Menschen hinsichtlich derselben Zielvorgaben analysiert worden sind. Danach werden die unterschiedlichen Ergebnisse verglichen und der Computer passt seine Algorithmen so lange an, bis er auf das gleiche Ergebnis wie die Menschen kommt. «Erst wenn wir den Algorithmus ausreichend trainiert haben, lassen wir ihn die zu untersuchenden Tweets und Blogs analysieren», erklärt Melville.

Filme, Tennis und Verkehrsprobleme

Mit einem solchen Programm haben die Forscher etwa untersucht, welche Tennisspieler während des Australienopens am beliebtesten waren und wie zufrieden die Bürger verschiedener europäischer Grossstädte mit dem öffentlichen Verkehrssystem sind (vgl. Grafik). «Bei trainierten Algorithmen können wir eine Genauigkeit von etwa 85 Prozent erreichen», sagt Lawrence. Das klingt erst einmal eher ernüchternd. Doch zu beachten ist, dass auch Menschen Schwierigkeit haben, die Meinung oder Emotionen eines schriftlichen Statements akkurat zu erkennen. Das liegt in der Natur der Sache selber.

Anders als in Meinungsumfragen, die meistens nach dem Multiple-Choice-Prinzip funktionieren, drücken sich Twitter-Nutzer und Blog-Schreiber frei aus. Dabei ist oft nicht ganz klar, auf was genau sich jetzt ihre Zufriedenheit oder Unzufriedenheit bezieht. Bei der eingangs erwähnten Analyse zu der Beliebtheit der Filme hat sich denn auch gezeigt, dass einige Zuschauer nicht generell mit «Twilight: Breaking Down» unzufrieden waren, sondern sich enttäuscht zeigten, weil die Serie mit diesem Film ein Ende genommen hat.

Das harte Problem der KI: die Ironie

Ein anderes Problem stellen ironische Äusserungen dar. Hier scheitern Algorithmen regelmässig. Um Ironie zweifelsfrei zu identifizieren, braucht man ein Wissen über den Kontext, in dem die Äusserung steht. Den Wortlaut zu verstehen reicht nicht aus. «Die Sache mit der Ironie ist ein sogenanntes hartes Problem der künstlichen Intelligenz. Das bedeutet, wenn wir es vollständig lösen, können wir Computer entwickeln, die sich hinsichtlich ihrer Intelligenz kaum mehr von Menschen unterscheiden», sagt Melville. Und fügt an: «Davon sind wir aber noch weit entfernt.»

Für Sie empfohlen

Melden Sie sich an und erhalten Sie hier Ihre individuellen Leseempfehlungen.

Aktuelle Nachrichten