Automatisierte Inhaltsanalyse von Wahlberichterstattung – Perspektiven und Potenziale

Die Dissertation widmet sich der Frage, wie automatisierte Verfahren der Inhaltsanalyse, insbesondere Topic Modeling und Large Language Models (LLMs), zur systematischen Untersuchung journalistischer Wahlberichterstattung eingesetzt werden können. Ziel ist es, die Leistungsfähigkeit und Grenzen textbasierter, automatisierter Analysemethoden im Kontext klassischer Fragestellungen der politischen Kommunikation zu evaluieren. In der Rahmenschrift wird zunächst die Relevanz der Massenmedien imdemokratischen Meinungsbildungsprozess herausgearbeitet sowie die Inhaltsanalyse als zentrales methodisches Instrument der politischen Kommunikationsforschung verortet. Anschließend werden klassische und moderne Verfahren des Topic Modelings hinsichtlich ihrer methodischen Grundlagen, Anwendungslogiken und Validierungsherausforderungen diskutiert. Ein besonderer Fokus liegt dabei auf dem Konzept der Sichtbarkeit, speziell politischer Themen und Akteur:innen, welche die empirischen Beiträge der Dissertation anhand unterschiedlicher Mediengattungen (Print, Fernsehen), Medientypen (regional vs. überregional, öffentlich-rechtlich vs. privat) und Wahlkontexte (Europawahl, Bundestagswahl) untersuchen. Die Studien kombinieren dafür klassische Verfahren der Themenmodellierung mit innovativen LLM-basierten Ansätzen und reflektieren deren Validität, Reproduzierbarkeit und Potenziale für die skalierbare, kostengünstige und effiziente Analyse politischer Kommunikation. Der erste Aufsatz analysiert ein umfangreiches Korpus regionaler und überregionaler Zeitungsartikel zur Europawahl 2019 in Deutschland mittels Latent Dirichlet Allocation (LDA). Dabei werden Unterschiede in der thematischen Ausrichtung und Europäisierung der Berichterstattung identifiziert. Die Studie zeigt, dass regionale Medien europäische Politik in stärker lokalisierten Kontexten abbilden und somit zu einer vertikalen Europäisierung beitragen können. Der zweite Aufsatz wendet Topic Modeling auf audiovisuelle Inhalte an. Anhand automatisierter Transkripte von Fernsehnachrichten zur Bundestagswahl 2021 wird mithilfe eines Structural Topic Models (STM) untersucht, wie Themen und Spitzenkandidat:innen medial inszeniert und sichtbar gemacht werden. Die Studie verdeutlicht das Potenzial digitaler Spracherkennung und korpuslinguistischer Verfahren für die computergestützte Analyse klassischer Nachrichtensendungen. Der dritte Aufsatz kombiniert BERTopic mit LLMs und untersucht die Bundestagswahlberichterstattung der Tagesschau in einer Längsschnittanalyse über sieben Wahlperioden (1994-2017) hinweg. Ziel ist es, die Validität einer LLM-basierten Klassifikation im Vergleich zur manuellen Codierung zu evaluieren. Die Ergebnisse zeigen, dass LLMs unter bestimmten Bedingungen eine Alternative zur manuellen Codierung darstellen können, aktuell aber noch vor methodische Herausforderungen stehen. Insgesamt leisten die drei empirischen Studien einen Beitrag zur methodischen Integration von klassischer Inhaltsanalyse und automatisierten Verfahren. Die Dissertation argumentiert, dass der größte Mehrwert nicht in der vollständigen Automatisierung, sondern in der reflektierten Kombination verschiedener Ansätze liegt. Topic Modeling fungiert dabei als Brücke zwischen explorativer Mustererkennung und konzeptbasierter Klassifikation, wobei LLMs zunehmend als unterstützende Werkzeuge zur Vorbereitung, Ergänzung und Validierung manueller und automatisierter Verfahren eingesetzt werden können.