| Sitzung | Datum | Thema |
|---|---|---|
| 1 | 28.10.2025 | Einführung und Grundlagen |
| 2 | 04.11.2025 | Themenwahl und Forschungsfragen |
| 3 | 11.11.2025 | CCS: Datenerhebung |
| 4 | 18.11.2025 | Studiendesign und Stichprobe* |
| 5 | 25.11.2025 | Kategorien und Codierung* |
| 6 | 02.12.2025 | Codebuch-Finalisierung |
| 7 | 09.12.2025 | CCS: Inhaltsanalyse mit LLM* |
| 8 | 16.12.2025 | Reliabilitätstest |
| 9 | 06.01.2026 | Feldphase (keine Sitzung) |
| 10 | 13.01.2026 | Datenaufbereitung und -analyse* |
| 11 | 20.01.2026 | CCS: Zero-Shot Codierung I |
| 12 | 27.01.2026 | CCS: Zero-Shot Codierung II |
| 13 | 03.02.2026 | Visualisierung und Ergebnisaufbereitung |
| 14 | 10.02.2026 | Abschluss |
BA Inhaltsanalyse
Analyse öffentlicher Kommunikation
Beschreibung
Im Kurs werden eigene Inhaltsanalysen zu einem selbstgewählten Thema von der Entwicklung der Forschungsfrage bis hin zur Darstellung der Ergebnisse praktisch eingeübt.
Der Kurs ist als inverted classroom konzipiert, d.h. die Studierenden eignen sich allein oder in der Gruppe die Inhalte an, die Sitzungen dienen vornehmlich dem Austausch und der gemeinsamen Arbeit am Forschungsprojekt.
Seminarplan
* = 5-Minuten-Präsentation des Zwischenstands
Sitzung 1
Themen
- Einführung, Ablauf, Leistungsanforderungen, Formalia
- Definition und Grundlagen Inhaltsanalyse
- manuelle vs. LLM-basierte Codierung
Literatur
Sitzung 2
Themen
- Vorstellung von Themenideen
- Herleitung von Forschungsfragen und Hypothesen
- Begriffsarbeit (semantische und dimensionale Analyse)
Literatur
Rössler (2017, Kap. 3)
Aufgabe zur nächsten Sitzung
- Forschungsfragen und Hypothesen formulieren sowie zentrale Begriffe definieren
- Gruppen und Verantwortlichkeiten melden
- https://stats.ifp.uni-mainz.de/ba-ccs-track/ia-daten.html durcharbeiten
Sitzung 3
Themen
- Erhebung von Online-Inhalten in R
- Nutzung von CLI-Tools für Datenerhebung und -verarbeitung
Literatur
Haim (2023, Kap. 5 und 6)
Aufgabe zur nächsten Sitzung
Sitzung 4
Themen
- Vorstellung der Forschungsfragen und Hypothesen
- Studiendesign bei Inhaltsanalysen
- Stichproben und Untersuchungseinheiten
Literatur
Rössler (2017, Kap. 4)
Aufgabe zur nächsten Sitzung
- Studiendesign und Stichprobe planen
- Datenerhebung planen und ggf. bereits durchführen
Sitzung 5
Themen
- Codebuchentwicklung und Kategorienbildung
- Dateneingabe und Probecodierung
Literatur
Rössler (2017, Kap. 6-9)
Aufgabe zur nächsten Sitzung
- Finalisierung Design und Stichprobe
- erste Codebuch-Fassung
- Probecodierung
Sitzung 7
Themen
- Textcodierung mit Large Language Models
- Bildcodierung mit multimodalen Modellen
- Prompting-Strategien für Zero- und Few-Shot-Codierung
- praktische Tipps mit für die Batch-Codierung mit R und {tidyllm}
Literatur
Aufgabe zur nächsten Sitzung
- CCS-Hausaufgabe
- Codierung für den Reliabilitätstest
Sitzung 8
Themen
- Codebuchentwicklung
- Reliabilität und Validität
Literatur
Rössler (2017, Kap. 12)
Aufgabe zur nächsten Sitzung
- Finalisierung Codebuch
- Reliabilitätstest
- Datenerhebung
Sitzung 10
Themen
- Datenaufbereitung
- Datenanalyse
Literatur
Aufgabe zur nächsten Sitzung
- Finalisierung Codierung
- Aufbereitung der finalen Daten
- Erstellung Analyseplan und Auswertung
Sitzung 13
Themen
- Datenvisualisierung mit R
- Projektberichte
Aufgabe zur nächsten Sitzung
- Ergebnispräsentation vorbereiten (max. 10 min)
Sitzung 14
Themen
- Abschlusspräsentationen
Literatur
Benoit, K., Laver, M., & Mikhaylov, S. (2009). Treating Words as Data with Error: Uncertainty in Text Statements of Policy Positions. American Journal of Political Science, 53(2), 495–513. https://doi.org/10.1111/j.1540-5907.2009.00383.x
Haim, M. (2023). Computational Communication Science. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-40171-9
Rössler, P. (2017). Inhaltsanalyse, 3. Auflage. UTB. https://doi.org/10.36198/9783838547060
Törnberg, P. (2023). How to use LLMs for text analysis. https://arxiv.org/pdf/2307.13106
Weber, M., & Reichardt, M. (2024). Evaluation is all you need. Prompting generative large language models for annotation tasks in the social sciences. A primer using open models. https://arxiv.org/pdf/2401.00284