Computational Social Science

• Algorithms in the public sector: Why context matters
  

(Prof Dr Anja Achtziger in Kooperation mit Georg Wenzelburger, Pascal D. König, Julia Felfeli) Algorithmen bestimmen zunehmend das Leben der Menschen, auch durch sich schnell verbreitende Anwendungen dieser Algorithmen im öffentlichen Sektor. Dieser Beitrag beleuchtet die Akzeptanz von Algorithmen im öffentlichen Sektor und betont, dass Algorithmen als Teile soziotechnischer Systeme immer in einen spezifischen sozialen Kontext eingebettet sind. Wir zeigen, dass die Akzeptanz eines Algorithmus durch die Bürger stark davon abhängt, wie sie Aspekte dieses Kontexts bewerten, und ihr Vertrauen in die Organisationen, die den Algorithmus einsetzen. Die objektive Leistungsfähigkeit der vorgestellten Algorithmen beeinflusst die Akzeptanz im Vergleich deutlich weniger. Diese Ergebnisse basieren auf einem Originaldatensatz aus einer Umfrage zu zwei realen Anwendungen, der prädiktiven Polizeiarbeit und Hautkrebsvorhersage, mit einer Stichprobe von 2661 Befragten aus einem repräsentativen deutschen Online-Panel. Die Ergebnisse haben wichtige Implikationen für die Bedingungen, unter denen Bürger Algorithmen im öffentlichen Sektor akzeptieren.

• Analyse von Wahlsystemreformelementen mit Hilfe von Simulationen
  

(Prof Dr Joachim Behnke) Seit nun länger als 20 Jahren wird über diverse Reformvorschläge und Reformmöglichkeiten bezüglich des Wahlsystems des deutschen Bundestags diskutiert und gestritten. Im Fokus der Diskussion stehen dabei Überhangmandate und die damit verbundene Vergrößerung des Bundestags wegen Ausgleichsmandaten. Um die Effekte verschiedener Reformvorschläge abschätzen und miteinander vergleichen zu können, sind Simulationen notwendig, die Schätzungen für die Effekte bestimmter Reformen liefern können und durch gezielte Modifikationen der Modellparameter die Sensibilität aufzeigen, mit der die Ergebnisgröße des Umfangs des Bundestags auf das Drehen an bestimmten institutionellen „Stellschrauben“ reagiert.

• Analyse von Prozessen des Parteienwettbewerbs und politischer Meinungsdynamiken mit Hilfe von agentenbasierten Modellen
  

(Leonie Geyer & Prof Dr Joachim Behnke) Der politische Wettbewerb zwischen Parteien wird häufig mit Hilfe sogenannter räumlicher Modelle beschrieben. Diese umfassen politische Issuedimensionen, auf denen sich sowohl Wähler als auch Parteien verorten lassen. Wähler sind in diesem Modell des ökonomischen Wettbewerbs zwischen Parteien die“Kunden“, um deren Stimmen sich die Parteien als Anbieter bemühen. Da Wähler ihre Wahl von der politischen Nähe ihrer Position zu der der Parteien abhängig machen, können Parteien die Wahl ihrer Position strategisch nutzen, um ihr Ergebnis zu maximieren. Da der Wähler bei seiner Wahl die Parteien auf mehreren Dimensionen miteinander vergleicht und der Effekt der Veränderung einer Parteienposition immer von den Positionen der anderen Parteien abhängt, die ihrerseits ihre Positionen anpassen können, kommt es zu sehr komplexen Interaktionsmustern, die sich analytisch oft kaum noch adäquat modellieren lassen, die aber in jedem Fall die kognitiven Analyseressourcen der beteiligten Akteure überfordern würden. Agentenbasierte Modelle sind eine Möglichkeit, die Ergebnisse komplexer analytischer Kalküle mit Hilfe simpler Adaptionsstrategien nachzubilden, die insofern „realistischer“ sind und daher unter Umständen wertvollen Aufschluss über die tatsächlich ablaufenden Prozesse geben.

• Evaluationen in internationalen Organisationen
  

(Prof Dr Steffen Eckhard in Kooperation mit Dr. Vytautas Jankauskas, Elena Leuschner & Ian Burton) Gefördert durch die Deutsche Forschungsgemeinschaft (DFG), Laufzeit 2017-2020/21-2023, (Projektnummer EC 506/1-1)

Während in der ersten Phase des Projekts (2017-2020) die politische Verwendung von Evaluationsergebnissen in Politikprozessen von Internationalen Organisationen (IOs) analysiert wurde, befasst sich die zweite Phase (2021-2023) mit den Evaluationsberichten selbst, wobei deren Inhalt und mögliche politische Voreingenommenheit untersucht werden. Einem Mixed-Methods-Forschungsansatz folgend hat das Forschungsteam Feldforschung mit über 70 Interviews bei 19 internationalen Organisationen durchgeführt und an Schulungen für professionelle Evaluatoren teilgenommen, um qualitative Einblicke in Evaluierungsprozesse zu gewinnen. Gleichzeitig ermöglichte die Erstellung einer Datenbank mit über 1.000 Evaluierungsberichten erstmals eine textbasierte Untersuchung des tatsächlichen Inhalts einer großen Anzahl an IO-Evaluierungsberichten.

• Transferprojekt zur computerbasierten Textanalyse von Evaluationsprojekten mit GIZ
  

(Prof Dr Steffen Eckhard in Kooperation mit Dr. Vytautas Jankauskas, Daniel Baumann & Rita Sevastjanowa) Das Forschungsteam kooperiert seit November 2022 mit der Gesellschaft für internationale Zusammenarbeit (GIZ), um deren Stabsstelle für Evaluation beim Aufbau der Infrastruktur und Methodologie für computerbasierte Textanalyse von Evaluationsberichten zu unterstützen. Die Organisation führt seit vielen Jahren Evaluationen ihrer Projekte durch und verfügt auch darüber hinaus über eine große Menge textbasierter Daten wie zum Beispiel Berichte. Diese bieten eine wertvolle Quelle für zukünftige Evaluationen, und sollen im Rahmen des Projekts für zukünftige Analysen verfügbar gemacht werden.

• Monte Carlo Analysis of Estimators in Multilevel Analysis
  

(Prof Dr Martin Elff) Mehrebenenanalyse wird oft in der vergleichenden Sozialforschung verwendet um den Einfluss des gesellschaftlichen und politischen Kontextes auf individuelles Verhalten nachzuzeichnen. Oft kommt dieses Verfahren auf die Daten multinationaler Umfragen (wie z.B. dem Eurobarometer oder dem European Social Survey) zum Einsatz, die sich zwar durch eine große Zahl von Untersuchungseinheiten auf individualer Ebene (Befragte) aber eine geringe Zahl von Einheiten auf höheren Aggregationsebenen (Staaten) gekennzeichnet sind. In wie weit unter diesen Umständen die Mehrebenenanalyse dennoch zuverlässige Ergebnisse liefern und in wie weit akkurate statistische Inferenz erzielt werden kann, gehört zu den Fragen, mit denen sich dieses Projekt beschäftigt.

• Party Competition and the Nature of Political Ideologies (PCNPI)
  

(Prof Dr Martin Elff) Für eine Vielzahl politikwissenschaftlicher Fragestellungen ist die Rekonstruktion der Positionen politischer Akteure essenziell. Für die Analyse der Bildung von Regierungskoalitionen ebenso wie für das Verständnis von Veränderungen in den Mustern des Wahlverhaltens ist es unerlässlich, die politischen Positionen von Parteien in Betracht zu ziehen. Allerdings erweist sich die Rekonstruktion dieser Positionen als alles andere als einfach. Hierfür gibt es zwei grundlegende Ansätze: einerseits Ratings durch Experten (d.h. Länderexperten ordnen den Parteien Positionen auf vorgegebenen Skalen zu), andererseits die quantitative Analyse von Wahlprogrammen der Parteien (d.h. auf der Grundlage der statistischen Analyse von aufbereiteten Texten und unter Zurhilfenahme von räumlichen Modellen werden die Positionen geschätzt). Das Forschungsprojekt folgt dem zweiten Ansatz. Im Rahmen des Projektes sollen einerseits bereits existierende Verfahren verbessert und in Hinblick auf ihre Zuverlässigkeit untersucht werden, andererseits sollen sie zum Einsatz kommen um eine umfassende Datenbank von Parteipositionen zu erstellen, mit der sich die Muster des Parteienwettbewerbs bestimmen lassen. Für die Unterstützung des Projektes wurde ein Förderantrag an die Deutsche Forschungsgemeinschaft (DFG) gestellt.

• Buchprojekt „Data Management with R: A Guide for Social Scientists“
  

(Prof Dr Martin Elff) Die Datenanalysesoftware R ist einerseits eine umfassende Infrastruktur für Datenanalyse und Datenmanagement, andererseits ist sie eine Programmiersprache für Statistik und Graphik. Aufgrund dieses Doppelcharakters ist sie vielfältig einsatzfähig. Ihr Anwendungsgebiet reicht von der Analyse von Experimentaldaten, über die Analyse von Umfragedaten, bis zur Analyse massiver Datensätze von Verhaltensspuren. Jedoch sind die hierfür relevanten Datenstrukturen in den Sozialwissenschaften noch nicht sehr geläufig, andererseits ist die Unterstützung insbesondere für die Sozialforschung typischen Umfragedatensätze durch R-Pakete noch ausbaufähig. Das Buchprojekt soll die entsprechenden Brücken bauen: einerseits werden die gängigen Datenstrukturen vorgestellt und diskutiert, andererseits thematisiert es die für die Analyse von Umfragedaten relevanten Spezialpakete

• Don't miss out on NFTs?! A sentiment-based analysis of the early NFT market
  

(Prof. Jarko Fidrmuc und Florian Horky in Kooperation mit Lili Dubbick und Franziska Rhein) Diese Studie untersucht die Auswirkungen von Twitter-Sentiments auf den Non-Fungible Token (NFT)-Markt. Anhand eines Datensatzes von über 5 Millionen englischsprachigen Tweets zu NFTs berechnen wir einen täglichen Stimmungsindex und verknüpfen ihn mit dem NFT-Verkaufs- und Handelsvolumen. Mithilfe der Wavelet-Analyse und DCC-GJR-GARCH-Modellen analysieren wir den NFT-Markt, der durch mehrere Blasen und hohe Volatilität gekennzeichnet ist. Die Ergebnisse verdeutlichen die Bedeutung von Twitter als primäre Informationsquelle für ein breites Publikum. Basierend auf unseren Erkenntnissen empfehlen wir Händlern und politischen Entscheidungsträgern, Social-Media-Aktivitäten zur Beobachtung neuer digitaler Märkte zu nutzen.

• Fintech and Artificial Intelligence in Finance - Towards a Transparent Financial Industry
  

(Prof Dr Florentina Paraschiv) Gefördert durch die Europäische Union, EU Grant COST ACTIONS 2020 to 2025, Laufzeit 2020-2024

Der Finanzsektor ist der größte Nutzer digitaler Technologien und ein wesentlicher Treiber der digitalen Transformation der Wirtschaft. Weltweit wurden seit 2010 mehr als 100 Milliarden US-Dollar an Investitionen in FinTech-Unternehmen und künstliche Intelligenz (KI) getätigt, Tendenz steigend. Anfang 2018 stellte die Europäische Kommission (a) ihren Aktionsplan für einen wettbewerbsfähigeren und innovativeren Finanzmarkt und (b) eine Initiative zu KI vor, mit dem Ziel, die Chancen technologiegestützter Innovationen zu nutzen. Der Aktionsplan wird KI und Fintech aus drei verschiedenen Blickwinkeln untersuchen: (1) Transparenz bei FinTech, (2) transparente versus Black-Box-Entscheidungsunterstützungsmodelle in der Finanzbranche und (3) Transparenz bei der Leistung von Anlageprodukten für Kunden.

• Intratages-Volatilitätsmessung auf Aktienmärkten 

(Prof Dr Franziska Peter) Gefördert durch die Deutsche Forschungsgemeinschaft (DFG), Laufzeit 2018-2020, (Projektnummer 389577820)

Diese Projekt untersucht Volatilität im Zusammenhang mit Risikoprognosen und Risikomanagement auf Intratagesfrequenz. Die gegenwärtigen Finanzmarkt-Literatur zeigt, dass das Optionen-basierte Maß der implizite Volatilität Informationen in Bezug auf künftige Aktienmarktvolatilität enthält, die sich nicht aus historischen Aktienkursen ableiten lassen. Prominente Beispiele für solche implizite Volatilitätsmaße sind der VIX oder das deutsche Pendant, der VDAX. In diesem Forschungsprojekt wird ein implizites Volatilitätsmaß für Aktien einzelner Firmen entwickelt, das auf hochfrequenten Optionspreisen basiert. Dieses Maß wird für eine Stichprobe von europäischen und US amerikanischen Unternehmen berechnet und ermöglicht es, mehrere wichtige Aspekte die Bewertung des Aktienmarktrisiko betreffend zu untersuchen.

• Intraday Volatility Forecasting with Neural Networks and Pattern Recognition  
  

(Prof Franziska Peter und Thomas Heil) Die Forschung in „Computational Sciences“ folgt zu einem Großteil aus der Verfügbarkeit von neuen Daten. Nicht nur außerordentlich große Datensätze („Big Data“) erfordern neue Analyse-Methoden benötigen neue statistische Verfahren für deren Analyse. Besonders High-Frequency Trader mit Augenmerk auf „Algorithmic Trading“ benötigen Input und Analysen auf sehr hoher Frequenz. Daher ist es von hoher Bedeutung die Volatilitätsstrukturen innerhalb eines Tages vorhersagen zu können. Darüber hinaus erlaubt uns dies gleichbleibende Strukturen („Pattern Recognition“) innerhalb eines Handelstages zu filtern und zu verstehen. Die Analyse dieser Strukturen und deren Vorhersage erfolgt durch Algorithmen aus dem Bereich des maschinellen Lernens. Diese neuen Erkenntnisse erlauben es neue statistische Modelle und Kennzahlen für intra-Tages Volatilitäten zu erstellen.

• Value at Risk/Expected Shortfall calculation from Neural Network Density Forecasts

(Prof. Franziska Peter und Thomas Heil) Die Berechnung des Value at Risk oder Expected Shortfall benötigt neben der Schätzung der erwarteten Rendite die Schätzung der zukünftigen Volatilität. Stark vereinfachende Annahmen über den latenten Prozess der Volatiliät führen allerdings oftmals zu ungenauen Berechnungen des Value at Risk und somit des Expected Shortfall. Grundsätzlich besteht mit klassischen statistischen Modellen die Möglichkeit der Vorhersage einer Dichtefunktion aus Rendite-Zeitreihen, allerdings unterliegen diese Modelle starken Restriktionen, was zu einer schlechten Vorhersage der nichtnegativen Dichten führt. Die Einsetzbarkeit von maschinellem Lernen (neuronale Netze, SVM) erweist sich als vielversprechend in der Vorhersage von Dichten, da sie als ultimative Funktions-approximatoren klassischen statistischen Modellen im Umgang mit nichtlinearen Daten überlegen sind. Basierend auf einer solchen Schätzung bzw. Vorhersage der Return-Dichten, kann eine direkte Berechnung des Value at Risk und des Expected Shortfall erfolgen. Darüber hinaus besteht die Möglichkeit die Frequenz der Beobachtungen zu erhöhen, um Muster in der Volatilitätsstruktur innerhalb eines Tages erkennen zu können. Die Vorhersage der Dichten erfolgt hierbei mit „Mixture-Density-Networks“.

• Are you a Zombie? A Supervised Learning Method to Classifiy Unviable Firms and Identify the Determinants

(Prof. Franziska Peter & Thomas Heil in Kooperation mit Angela De Martiis) Das Projekt untersucht empirisch die Firmen-spezifischen Charakteristika von sog. „Zombie“-Unternehmen im Gegensatz zu profitablen Firmen bzw. wirtschaftlich angeschlagenen Firmen. Dabei werden Methoden des Supervised Learning angewandt, um
datengetrieben relevante Variablen zu selektieren. Unter anderem liegt der Fokus auf Decision Trees und Support Vector Classifiers. Der analysierte Datensatz erfasst alle börsennotierten Unternehmen in Europa und den US (Compustat Global/ Compustat US) und ermöglicht so eine umfangreiche Analyse des Phänomens von Zombie Firmen. Somit sollen neue Erkenntnisse über die Determinanten von nicht profitablen Firmen erfasst werden, welche nicht nur akademisch, sondern auch politische Relevanz haben können.