Interview mit Felix Lennert

Institut für Politikwissenschaft, Professur für Methoden der Politikwissenschaft.

Quantitative sozialwissenschaftliche Methoden mit R – insbesondere auch „Data Wrangling“, was ja ein elementarer Bestandteil des Forschungsprozesses ist, aber oft übergangen wird.

Im Kurs „Big Data Analysis with R“ analysieren wir zwar nicht „Big Data“, jedoch sprechen wir darüber, inwiefern deren Potenzial für Sozialwissenschaftler genutzt werden kann. Außerdem bekommen die Studierenden eine kurze Einführung in Text Mining als Analysemethode. Hierbei wird auch auf weitere Möglichkeiten verwiesen (die dann in Richtung Machine Learning gehen) – das würde den Rahmen der Veranstaltung allerdings sprengen.

Da alle meine Studierenden aus dem sozialwissenschaftlichen Bereich kommen, ist das mit dem Vorwissen so eine Sache – manche haben bereits ein wenig Vorwissen in Bezug auf R und Statistik, andere können nicht mal eine Regressionstabelle interpretieren. Mein Ansatz hier ist ein angewandter: Ich versuche, die Studierenden so schnell wie möglich auf eigene Beine zu stellen, sodass sie alles selbst in R machen müssen. Die Probleme, auf die sie hier stoßen – und hoffentlich lösen – sind Teil des Lernprozesses und helfen, die Inhalte selbst zu durchdenken. Weiterhin evaluiere ich die Vorkenntnisse vor der ersten Sitzung, um zu wissen, wo ich sie quasi abholen muss.

Dieser selbständige Ansatz ist nicht zwangsläufig bei jedem erfolgreich – letztes Semester haben einige Studierende bereits früh aufgegeben, was wohl allerdings auch an den Bedingungen lag (COVID-19, Onlinelehre etc.) – aber die, die es geschafft haben, haben sehr viel gelernt. Und da waren auch Studierende ohne jegliches Vorwissen dabei.

Dieses Semester habe ich das Glück, dass ich in beiden Kursen eine recht ausgewogene Zahl an Studierenden mit und ohne R-Vorkenntnisse habe. Diese habe ich nun in gemischte Lerngruppen (mindestens ein*e Studierende mit Vorkenntnissen pro Gruppe), sodass die Aufgaben im Dialog gelöst werden – und auch um einer gewissen Vereinsamung diesen Winter vorzubeugen. Viele Studierende kennen sich untereinander gar nicht bzw. sind neu in der Stadt.

Einführung in R, Datenmanipulation mit dem tidyverse, Datenvisualisierung mit ggplot2 und Kommunikation von Ergebnissen mit RMarkdown in beiden Kursen. In einem Kurs darüber hinaus „functional programming“ mit R, grundlegendes Text Mining und grundlegende Netzwerkanalysen. Im anderen Kurs Umgang mit Survey Data, OLS Regression, Fixed Effects Regression und Difference in Difference Modelle.

Es ist die Zukunft.

Ich bin an der Linköping Universitet in Schweden in einem Projekt namens „Mining for Meaning“ tätig. Hier arbeite ich mit großen Text Korpora und bin momentan vorrangig für die Akquise („scraping“) der Daten verantwortlich…

…Weiterhin arbeite ich auch an einem Verfahren, wie man computergestützt relevante Postings (wir arbeiten mit Daten eines Online-Forums) identifizieren können. Hierbei setze ich auf Supervised Machine Learning.

Im Rahmen meines Bachelors habe ich eine Summer School besucht. Der Rest ist Selbststudium.

Nicht, seit ich mit R einen guten Zugang dazu gefunden habe – das ist auch genau der Zugang, den ich meinen Studierenden versuche zu vermitteln.

Als Sozialwissenschaftler arbeite ich mit relativ „einfachen“ Theorien über menschliches Verhalten. Es ist faszinierend, wie sich mit diesen „fancy“ Methoden Phänomene „hart“ validieren lassen, über welche man schon vorher eine fixe Idee hatte.

Nein.

Der computational turn sollte in jeder (empirischen) Disziplin vollzogen werden, auch bspw. in der Geschichte. Alle Fachbereiche können in irgendeiner Form davon profitieren.

Indem ich diesen Fragebogen ausfülle?

Nicht jetzt.



Herr Lennert, vielen Dank dass Sie sich Zeit genommen haben, uns diese Fragen zu beantworten. Wir wünschen Ihnen noch einen schönen Tag!