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. [Hand­out]

Online fires­torms pose a serious thre­at to com­pa­nies and cau­se spon­ta­neous infor­ma­ti­on asym­me­try bet­ween com­pa­nies and social media users, which is part of the prin­ci­pal-agent theo­ry. Cor­po­ra­te cri­sis manage­ment has alre­a­dy deve­lo­ped stra­te­gies to deal with fires­torms, but the­se stra­te­gies are more effec­ti­ve if the com­pa­ny iden­ti­fies a fires­torm at an ear­ly stage. The­r­e­fo­re, we first iden­ti­fy lite­ra­tu­re-based cha­rac­te­ristics of fires­torms and quan­ti­fy the­se using data-dri­ven fea­tures in a mul­ti­ple-case stu­dy approach based on Twit­ter data. Second­ly, we iden­ti­fy per case the begin­ning of the fires­torm and days with the least fluc­tua­ti­on in the num­ber of posts as refe­rence days. Final­ly, we compa­re the fea­tures bet­ween the start­ing points and the refe­rence days to deter­mi­ne which fea­tures are signi­fi­cant­ly dif­fe­rent. We could iden­ti­fy 24 fea­tures that chan­ge signi­fi­cant­ly at the begin­ning of a fires­torm. This enables us to deter­mi­ne which fea­tures a com­pa­ny must pay par­ti­cu­lar atten­ti­on to in order to detect a fires­torm at an ear­ly stage. Like­wi­se, we dis­cuss the­se fea­tures in the con­text of the prin­ci­pal-agent theo­ry with the use of social syn­chro­ny and crowd psy­cho­lo­gy to show how the­se fea­tures chan­ge infor­ma­ti­on dif­fu­si­on and con­tri­bu­te to infor­ma­ti­on asymmetry.