Ziel dieser Arbeit ist es, die Eigenschaften des #crowdfunding-Netzwerks auf Twitter zu untersuchen, indem wir ermitteln, wer die Nutzer im #crowdfunding-Netzwerk sind, was sie teilen und wie sie miteinander verbunden sind. Unsere Analyse basiert auf einem Datensatz von 2.732.144 Tweets, die vom 1. Januar 2014 bis zum 31. Dezember 2014 von 386.461 Twitter-Screennamen (Accounts) gepostet wurden, die den Hashtag #crowdfunding enthalten. Der Datensatz wurde mit Datasift, einem kommerziellen Datenaggregator, erstellt. Für jeden Tweet wurden der Text der Nachricht, der Zeitstempel, der Benutzername, der geografische Standort, die URLs und die Angabe, ob es sich um einen Original-Tweet, einen Retweet oder eine Antwort handelt, erfasst. Der Datensatz enthielt 317.975 (11,6 %) Antworten. 2.430.006 (89 %) der Tweets enthielten eine URL und die Tweets enthielten 136.317 verschiedene Hashtags.

In Anbetracht der Neuartigkeit dieses Papiers wurde EDA als geeignete anfängliche Analysetechnik für datengesteuerte Entdeckung erachtet [69]. EDA hat sich als nützlich erwiesen, um Muster, Trends, Korrelationen oder Beziehungen zwischen den Daten zu identifizieren, um Erkenntnisse oder Hypothesen zu generieren [70]. Die Verwendung mehrerer Analyse- und Visualisierungsmethoden ist ein Schlüsselelement von EDA, um die Daten „für sich selbst sprechen zu lassen“ und intuitivere Erkenntnisse über „Modelle“ von Beziehungen zu liefern, die nicht erwartet werden. priori [71]. In dieser Arbeit wurde versucht, die Merkmale des #Crowdfunding-Publikums zu untersuchen, einschließlich der Grad der Verbundenheit und Bedeutung von Teilnetzwerken und Schlüsselmaklern innerhalb dieser Teilnetzwerke. Aufgrund ihrer Natur können Social-Networking-Sites durch die Linse der Netzwerktheorie untersucht werden. Twitter hat klare Knoten, d.h. Bildschirmnamen, und Kanten, in unserem Fall Antworten, um Verbindungen zwischen den Benutzern im Netzwerk herzustellen. Die Netzwerkanalyse ist nützlich, um einflussreiche Accounts, Communities und die wichtigsten Vermittler innerhalb von Communities, und speziell Twitter-Communities, zu entdecken [72-74]. Die Netzwerkanalyse wurde mit der offenen Graph-Visualisierungsplattform Gephi durchgeführt. Genauer gesagt wurde der ForceAtlas-2-Algorithmus verwendet, um eine grafische Darstellung der gesamten Netzwerktopologie zu erstellen. Der ForceAtlas-2-Algorithmus ist ein kräftegesteuerter Algorithmus, d. h. die Anordnung der Knoten wird durch die Kräfte bestimmt, die Eckpunkte zusammenziehen oder auseinanderdrücken. Anziehende Kräfte treten nur zwischen benachbarten Scheitelpunkten auf, während abstoßende Kräfte zwischen jedem Paar von Scheitelpunkten im Graphen auftreten [75]. Daher ist dieser Algorithmus geeignet, um ein soziales Netzwerk zu visualisieren. In dieser Arbeit wurde die Netzwerktopologie entworfen, indem alle Scheitelpunkte in Gemeinschaften gruppiert wurden, zu denen sie mit Hilfe des Algorithmus zur Gemeinschaftserkennung von Blondel et al. in Gephi [76]gehören.

Als Teil der Netzwerkanalyse wurde eine Zentralitätsanalyse durchgeführt, um die Betweenness-Zentralität und den In-Grad zu messen, Metriken, die üblicherweise verwendet werden, um die Hubs und Influencer in einem sozialen Netzwerk zu identifizieren. Die Betweenness-Zentralität (BC) ist ein Maß für die Zentralität in einem Graphen, das auf dem kürzesten Pfad basiert; je höher die Betweenness-Zentralität ist, desto häufiger liegt der Knoten zwischen anderen Knoten. In unserem Fall fungieren Benutzer mit hoher Betweenness-Zentralität als Knotenpunkte, die helfen, andere einflussreichsten Knoten im Netzwerk und fungieren so als Brücke zwischen den Benutzern. In dem aus dem Datensatz konstruierten sozialen Graphen haben die Knoten einen Inbound-Grad, d. h. die Anzahl der von einem bestimmten Benutzer empfangenen Antworten, und einen Outbound-Grad, d. h. die Anzahl der von einem bestimmten Benutzer gesendeten Antworten. Je höher der In-Grad eines Benutzers ist, desto höher ist der Einfluss. Um die Analyse der einflussreichen Benutzer zu ergänzen, wurden in Anlehnung an Cha et al. [77] die aktivsten und sichtbarsten Benutzer identifiziert. Die Aktivität (Sichtbarkeit) eines Nutzers wurde durch die Anzahl der Tweets (Antworten und Erwähnungen) bestimmt, die ein Nutzer beigesteuert (erhalten) hat. Um die #crowdfunding-Öffentlichkeit besser zu verstehen, haben wir mit Hilfe von Content Analytics und Peak Detection Analysis eine erste Analyse des Themendiskurses über ein Kalenderjahr durchgeführt. Die Inhaltsanalyse wurde durch Querverweise auf den Inhalt und strukturelle Merkmale durchgeführt, um Nutzungsmuster zu identifizieren. Items von Interesse wurden mit drei Peak-Detection-Algorithmen nach Healy et al. [78]identifiziert. Wortanalyse (n-Gramme) und Hashtag-Analyse wurden verwendet, um Intelligenz aus dem Datensatz zu extrahieren, während die räumliche Analyse verwendet wurde, um die geografische Verteilung der Benutzer im Netzwerk zu identifizieren.

Referenzen und Open Access Hinweis

This is an open access article distributed under the Creative Commons Attribution License which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited

Amanbek, Y.; Balgayev, I.; Batyrkhanov, K.; Tan, M. Adoption of e-Government in the Republic of Kazakhstan. J. Open Innov. Technol. Mark. Complex. 20206, 46. https://doi.org/10.3390/joitmc6030080