Back to the Roots: Interpretierbares Machine Learning in der Kommunikationsforschung

Das Promotionsvorhaben untersucht, wie interpretierbares maschinelles Lernen die Kommunikationswissenschaft voranbringen kann – von der transparenten Identifikation protestbezogener Nachrichten über die Erkennung KI-generierter Bilder bis hin zur Analyse politischer TikTok-Kommunikation im Europawahlkampf 2024.

Maschinelles Lernen wird zunehmend auch in der Kommunikationswissenschaft eingesetzt, gerade für Aufgaben, die bisher nur von Menschen übernommen werden konnten. Oft handelt es sich dabei um Verfahren, die wegen ihrer komplexen Struktur und der damit verbundenen intransparenten Entscheidungsfindung als „Black Box“ bezeichnet werden, wie z.B. Large Language Models. Während derartige Verfahren in vielen Bereichen mit großem Nutzen eingesetzt werden können, bringen sie auch einige Nachteile mit sich, vom hohen Ressourcenverbrauch über schwer erkennbare Biases hin zu ungenutzten Möglichkeiten, über eine strukturierte Auswertung der Modellstruktur Erkenntnisse über den Forschungsgegenstand zu gewinnen.

Meine Dissertation mit dem Arbeitstitel „Methoden des interpretierbaren Maschinellen Lernens im empirischen Forschungsprozess“ soll diese Problematik ebenso wie verschiedene Alternativen anhand dreier Beispiele demonstrieren, die alle jeweils für sich genommen im Bereich der politischen Kommunikation von hoher Relevanz sind und zugleich verschiedene Modalitäten berücksichtigen. Im ersten Beispiel wird mit verschiedenen interpretierbaren Modellen eine binäre Text-Klassifikation von lokalen Nachrichtenartikeln durchgeführt, um protestbezogene Artikel zu identifizieren. Dies ist relevant als transparenter Ansatz, eine sonst sehr zeit- und kostenintensive Tätigkeit zu automatisieren und bietet die Gelegenheit, die Muster zu untersuchen, die ein Modell anhand gegebener binärer Labels konstruiert – und inwieweit sich darin theoretische Konzepte der Protest(-nachrichten-)forschung niederschlagen.

Im zweiten Teil wird ebenfalls eine binäre Klassifikation versucht, allerdings zur Erkennung von KI-generierten Bildern (AIGI). Dieses Problem stellt sich zunehmend sowohl in der Detektion von z.B. Deepfakes, aber auch für die Schaffung eines Werkzeugs, das allgemein in Forschungskontexten eingesetzt werden kann, die eine zuverlässige AIGI-Erkennung erfordern. Diese Aufgabe hat ihre eigenen Herausforderungen in der ohnehin schwierigen Interpretierbarkeit bildbezogener maschineller Klassifikationsentscheidungen und dem Umstand, dass automatisierte AIGI-Erkennung selbst mit Black-Box-Verfahren schwierig ist.

Im dritten Projekt werden anhand interpretierbarer ML-Methoden die TikTok-Videos von Kandidat:innen rechtspopulistischer und grüner Parteien aus Deutschland, Frankreich und Schweden im Wahlkampf zum Europäischen Parlament 2024 analysiert.