• Topologische Datenanalyse

Wie bereits erwähnt, hilft die Netzwerkanalyse dabei, die Beschaffenheit des zugrunde liegenden Netzwerks zu verstehen und ist außerdem nützlich, um Einflussnehmer, wichtige Knotenpunkte und Gemeinschaften im Netzwerk zu identifizieren. Sie hilft auch dabei, die Beschaffenheit des sozialen Netzwerks zu verstehen, wie z. B. die Netzwerkdichte und den Grad der Kohäsion (wie weit die Benutzer voneinander getrennt sind oder wie nahe sie sich stehen). Das Crowdfunding-Netzwerk hatte 128.293 Knoten und 134.113 Kanten. Der durchschnittliche Kohäsionsgrad des Netzwerks wurde mit 1,045 berechnet, was bedeutet, dass jeder Nutzer mit mindestens einem anderen Nutzer im Netzwerk verbunden ist. Der niedrige Kohäsionsgrad kann auf das Vorhandensein vieler Benutzer mit einem sehr niedrigen Grad an Engagement zurückgeführt werden, was den von Borst et al. [37]festgestellten Bystander-Effekt unterstützt. Der Netzwerkdurchmesser, d. h. der größte Abstand zwischen zwei beliebigen Knoten im Netzwerk, wurde mit 25 berechnet. Die durchschnittliche Pfadlänge, die die durchschnittliche Entfernung zwischen zwei beliebigen Knoten, d. h. Benutzern, die Antworten erhalten haben, misst, wurde mit 7,795 berechnet. Der kleine Netzwerkdurchmesser und die große durchschnittliche Pfadlänge deuten auf das Vorhandensein leistungsfähiger Knotenpunkte hin, die verschiedene Benutzer im Netzwerk miteinander verbinden und so als Vermittler fungieren.

Abbildung 1 zeigt eine grafische Darstellung der Netzwerktopologie, die mithilfe des ForceAtlas-2-Algorithmus in Gephi erstellt wurde.  Jede Farbe im Graphen identifiziert eine andere Sub-Community im Netzwerk. Der Modularitätswert (0,892), der die Stärke eines Netzwerks misst, wenn es in Gemeinschaften oder Cluster unterteilt ist, zeigt an, dass die Interaktionen innerhalb der Gemeinschaften stärker sind als die Interaktionen zwischen den Gemeinschaften. Schließlich hat der Clustering-Koeffizient, der das Ausmaß misst, in dem Knoten dazu neigen, sich zu gruppieren, einen Durchschnittswert von 0,0052, was darauf hinweist, dass das Netzwerk spärlich ist. Dies stimmt mit dem durchschnittlichen Grad der Kohäsion überein.

Eine zusätzliche Analyse wurde durchgeführt, um die Netzwerktopologien der fünf größten Gemeinschaften zu untersuchen, die im Datensatz identifiziert wurden.   Diese sind in Abbildung 2 dargestellt, wobei jede Untergemeinschaft mit SC1 bis SC5 nach Größenordnung bezeichnet wird, wobei 1 die größte Untergemeinschaft ist.

Die Topologien für Sub-Communities variieren, wie in Abbildung 2 zu sehen ist. SC1 und SC5 haben Topologien, die den Einfluss eines Knotens im Netzwerk darstellen, der die Mehrheit der anderen Knoten anzieht. Phundee, eine Reward-Crowdfunding-Plattform für Unterhaltung und Kunst (@havephun), zieht beispielsweise 97 % der anderen Knoten in SC1 an und hat einen Out-Grad von 5836. Im Gegensatz dazu wird SC5 von @Agromaniacs dominiert, einem Projekt mit Science-Fiction-Bezug, das durch Crowdfunding unterstützt wird; @Agromaniacs zieht 75% der Nutzer (2311) in dieser Sub-Community.   Im Gegensatz dazu sind SC2 und SC4 Sub-Communities mit mehr als einem Influencer mit unterschiedlichem Stärkegrad, wie durch die Verteilung in den Topologien dargestellt.  Die topologische Analyse der zentralisierten Sub-Communities spiegelt nicht nur das Vorhandensein von zentralisierten und verteilten Sub-Communities wider, sondern legt auch nahe, dass diese Communities nach Akteurstyp oder Standort kategorisiert werden können.  Wie bereits erwähnt, ist SC1 um eine Plattform organisiert, SC5 um ein Projekt (@Agromaniacs) und SC2 um mehrere Projekte (@TheAutismMovie, @JenniferStratn, @QuipoProject und @KSPublishingSC). SC3 ist um eine andere Gruppe von Akteuren organisiert, die sich auf den Wissensaustausch und die Förderung von Projekten konzentrieren, z.B., @_Ayudos, @CrowdfunderUK, @StartupsMap und @CrowdfundingBro. SC4 ist regional auf Crowdfunding in Frankreich fokussiert; zu den Top-Influencern gehören @Eurosolidaire, @LendyFr, @Crowd2win, @Cultureuse und @Babyloan Auch hier ist SC1 um eine Plattform organisiert, SC3 um Wissensaustausch und es ist anzumerken, dass keine der Sub-Communities um Kapitalgeber organisiert ist.

  • Zentralitätsanalyse

Die Zentralitätsanalyse zeigt auch, wer die Influencer sind (oder Konten, die eine hohe Anzahl an eingehenden Verbindungen, d. h. Antworten, anziehen). Influencer werden normalerweise anhand von zwei Metriken identifiziert: (i) in-degree, bereits oben definiert, und (ii) PageRank, der die Linkneigung eines Knotens (d. h. eines Benutzers) und seine Zentralität berücksichtigt [79]. Die topologische Analyse unterstützt das Vorhandensein von wichtigen Hubs auf der Aggregatsebene und innerhalb von Sub-Communities. Die Zentralitätsanalyse bestätigt diesen Befund weiter. Tabelle 1 enthält eine Liste der Top-10-Hubs und Top-10-Influencer zusammen mit dem entsprechenden BC- bzw. PageRank-Score für den Gesamtdatensatz. Die Top-Hubs und die Top-Influencer sind von unterschiedlicher Natur. Die Hubs werden von Accounts dominiert, die in der Crowdfunding-Wirtschaft tätig sind und Expertise, Tools oder Plattformen für Crowdfunding anbieten. Der Top-Hub bezieht sich auf eine spezialisierte Crowdfunding-Marketing-Plattform, Krowdster. Interessanterweise sind zwar sechs Plattformen in den Top-Hubs vertreten, aber die größten Crowdfunding-Plattformen fehlen, z. B. Kickstarter, IndieGoGo und GoFundme. Sieben Accounts beziehen sich auf Crowdfunding-Kampagnen. Im Gegensatz dazu weisen die Top-Influencer, gemessen am PageRank, eine breitere Mischung von Teilnehmern und vor allem Medien auf, z. B. VentureBeat.

Auf einer granulareren Ebene kann die Zentralitätsanalyse helfen, die thematische Ausrichtung einer Sub-Community zu erklären. Zum Beispiel ist in SC1 der Haupt-Influencer und Hub @phundee in Übereinstimmung mit der topologischen Datenanalyse; die sekundären Hubs bieten jedoch einen größeren Erklärungswert. @mygirlfilm (5918) und @FilmFestDoctor (5915) spiegeln die Filmförderungsorientierung dieser Community wider. Wiederum in Übereinstimmung mit der topologischen Datenanalyse spiegelt die SC2-Zentralitätsanalyse eine breitere Verteilung von Akteuren und Interessenten in der Crowdfunding-Wirtschaft wider. @BizLoanFinder ist der Top-Influencer in SC2 (PageRank: 0,00226), gefolgt von @YouTube (0,00191), @rustyrockets (0,00178), und @TheEllenShow (0,00158). SC2-Hubs liefern wiederum bessere Indikatoren für die thematische Ausrichtung der Sub-Community. Zum Beispiel @TheAutismMovie (BC: 868), @JenniferStratn (330) und @OuipuProject (261) sind die mächtigsten Hubs innerhalb von SC2 und beziehen sich weitgehend auf sozial orientierte Projekte. Die Influencer und Hubs, die sich aus der Analyse von SC3 ergeben, deuten auf eine allgemeinere Crowdfunding-Sub-Community mit vielen Crowdfunding-spezifischen Influencern hin, wie z. B. solche, die mit Plattformen verbunden sind, @IndieGoGo und @GoGoSlava, und andere Community-Seiten, z. B. @Crowdclan, die in den Top-Influencern auftauchen. In ähnlicher Weise sind die SC3-Hubs Accounts, die Plattformen, Informationsquellen etc. repräsentieren. Die Haupt-Hubs von SC3 spiegeln die Struktur der Community gut wider, da mehrere Accounts die Community beherrschen. Es überrascht nicht, dass SC4 geospezifisch ist und von französischen Influencern und Hubs dominiert wird. SC5 schließlich spiegelt die Interessen des Agroamaniacs-Projekts mit Influencern und Hubs wider, die mit Kunst, Comics und Science Fiction zu tun haben.

  1. Aktivität und Sichtbarkeit

Cha et al. [77] weisen darauf hin, dass die aktivsten und sichtbarsten Nutzer Einfluss auf Twitter anzeigen können. Die aktivsten Nutzer in diesem Datensatz werden von Accounts dominiert, die Dienstleistungen in der Crowdfunding-Wirtschaft (CE) anbieten. Der von diesen Konten gepostete Inhalt umfasst Werbung für Dienstleistungen und spezifische Kampagnen. Tabelle 2 fasst die Aktivität und Sichtbarkeit der 10 aktivsten Nutzer im Datensatz zusammen.

Eine Analyse der Top 10 der aktivsten Konten deutet darauf hin, dass diese Konten die Eigenschaften von Konten widerspiegeln, die von automatisierten Softwareprogrammen betrieben werden, die gemeinhin als Bots bekannt sind. Ferrara et al. [80] legen nahe, dass Bots auf Twitter mehr retweeten als Menschen, längere Benutzernamen haben und generell weniger Tweets, Antworten und Erwähnungen produzieren. Während sich solche Bots als gutartig erwiesen haben, z. B. um Nachrichten oder Updates zu teilen [81], werden sie häufig für Spamming und/oder manipulatives Marketing eingesetzt [82,83]. Die vorhandene Literatur deutet darauf hin, dass zwischen 10,5 % und 16 % der Twitter-Accounts einen hohen Grad an Automatisierung aufweisen [81,84]. Um dieses Phänomen weiter zu untersuchen, wurden die 200 aktivsten Accounts im Datensatz daraufhin untersucht, ob (a) Twitter den Account gesperrt hat und (b) ob diese Accounts das Verhalten von Bots widerspiegeln. Normalerweise sperrt Twitter Konten Gründe – Spam, Sicherheitsrisiken oder missbräuchliche Inhalte. Im Mai 2017 wurden 36,5 % der Top 200 (50 % der Top 100) sichtbarsten Accounts von Twitter gesperrt. Der Bot or Not? Classifier (auch bekannt als „Botometer“) wurde verwendet, um das Vorhandensein von Bots unter den 200 sichtbarsten Konten zu bewerten. Nach Ausschluss der gesperrten Konten hatten weitere neun Konten einen Bot-oder-Nicht-Score von 80 % oder höher, was auf eine hohe Wahrscheinlichkeit der Automatisierung oder Verwendung von Bots hinweist, und weitere 41 Konten hatten einen Score zwischen 60 % und 79 %.

Bei den 10 sichtbarsten Accounts handelt es sich dagegen um führende Crowdfunding-Plattformen, darunter Indiegogo und Kickstarter, sowie um Medien-Accounts. Eine Reihe von sehr sichtbaren Accounts bezog sich auf „Experten“ für Crowdfunding, die typischerweise Bücher veröffentlicht haben, Veranstaltungen durchführen oder in den Medien kommentieren. Im Einklang mit ähnlichen Studien in anderen Domänen lässt sich aus den Tabellen 2 und 3 ablesen, dass die aktivsten Nutzer nicht die sichtbarsten Nutzer sind und umgekehrt [85,86]. Ebenso ist die Sichtbarkeit eher ein besserer Prädiktor für den Einfluss.

  • Räumliche Analyse

Die räumliche Analyse wurde für die Teilstichprobe der Tweets durchgeführt, für die der geografische Standort verfügbar war. Obwohl diese Teilmenge nur ein Prozent der Gesamtstichprobe darstellt, ist sie dennoch groß genug (27.321 Tweets), um einigermaßen verallgemeinerbare Ergebnisse zu liefern. Über 137 Länder und 3972 Orte (Städte, Orte und andere granulare Geolocations) können im gesamten Datensatz identifiziert werden, was eine Mindestanzahl darstellt. Tabelle 4 enthält eine Liste der 20 Länder mit dem größten Volumen an Tweets, während Tabelle 5 einen Überblick über die Anzahl der Länder und Orte gibt, die in den fünf größten Sub-Communities erkannt wurden. Die Vereinigten Staaten (US) wurden als das aktivste Land mit 48,66 % der gesamten Tweets (17.402 Tweets) ermittelt, gefolgt von Großbritannien (11,04 %), Frankreich (7,09 %) und Spanien (6,28 %). Obwohl die Ergebnisse dieser Analyse teilweise durch die Tatsache getrieben sein können, dass unser Datensatz nur englischsprachige Tweets enthält oder durch die Bevölkerungsverteilung über verschiedene Länder, ist es erwähnenswert, dass die aktivsten Länder in Bezug auf das Volumen der Tweets auch diejenigen mit dem größten Marktanteil in Bezug auf das Crowdfunding-Volumen sind [87].

Abbildung 3 zeigt eine räumliche Visualisierung der Aktivitäten in Bezug auf die Anzahl der Tweets, die rund um Crowdfunding generiert wurden. Die Daten basieren auf den Geocodes, die als Ergänzungen zu den Tweets mit einer gültigen geografischen Beschreibung verfügbar sind.

Die Anzahl der Länder und Orte variiert auf Ebene der Sub-Communitys. Trotz der geringen Anzahl von Tweets mit verfügbarem geografischem Standort liefert die Analyse der Top-20-Orte pro Sub-Community einige interessante Einblicke, insbesondere in Kombination mit der früheren topologischen Datenanalyse. Zwei Sub-Communitys, SC2 und SC4, weisen eine Konzentration von geografischen Orten auf. 85 % der Tweets der Top-20-Orte, die in SC2 identifiziert wurden, wurden von einem Account in Wisconsin generiert; daher ist dies nicht sehr verallgemeinerbar, während 97 % der Tweets der Top-20-Nutzer in SC4 aus französischen Ballungsräumen gepostet wurden, dominiert von Paris (63 %), mit einer breiteren Verteilung der Nutzer.

  • Text Mining – Inhaltsanalyse

Bei der Inhaltsanalyse geht es vor allem darum, die im Text verborgenen Muster aufzudecken. Konkret haben wir eine Wort- und Hashtag-Analyse der Tweets durchgeführt, die von den einflussreichsten Benutzern generiert wurden, da diese die Fähigkeit haben, Diskussionen zu führen und die Meinung anderer Benutzer zu beeinflussen [56,77,88]. Folglich liefert die Analyse ihrer Tweets ein genaues Bild über die relevantesten Themen, die im Netzwerk diskutiert werden, und über die Einstellung der Benutzer.

Die in Tabelle 6 dargestellten Ergebnisse zeigen auch, dass „Crowdfunding-Kampagne“ und „Equity-Crowdfunding“ die am häufigsten vorkommenden Wörter mit einer Häufigkeit von 3903 bzw. 3322 waren. Die häufigsten Wörter und Hashtags (Tabelle 7) lassen sich in eine kleine Anzahl von Kategorien einteilen, darunter allgemeine Crowdfunding-bezogene Begriffe (z. B. Investor, Projekt, Eigenkapital), Marketing und Wissensaustausch (z. B. Marketing, Experten usw.), Plattformen (Kickstarter und IndieGoGo) und Unterstützungsseiten (z. B. LinkedIn, Crowdclan). Aus der Perspektive des Investitionsfokus wird nur ein bestimmtes Projektthema hervorgehoben, nämlich Film (z. B. #indiefilm und #cf4filmmakers).

  1. Analyse der Spitzenwert-Erkennung

Die Peak-Erkennungsanalyse wurde für den gesamten Datensatz durchgeführt, um zu ermitteln, ob bestimmte Themen oder Ereignisse ein abnormales Interesse der Twitter-Crowdfunding-Community (und Aktivität in ihr) auslösen. Für die Genauigkeit wurden drei Peak-Erkennungsalgorithmen nach Healy et al. [78]verwendet. Der Continuous-Wavelet-Transform-Algorithmus (CWT) von Du et al. [89] identifizierte 11 echte Peaks. Palshikar’s [90] Peak Erkennungsalgorithmus (S1) identifizierte 13 echte Peaks, von denen zehn mit den von CWT identifizierten gemeinsam waren. Der Algorithmus von Lehmann et al. [91] (Lehmann) schließlich identifizierte keinen einzigen echten Peak. Abbildung 4 zeigt eine visuelle Zusammenfassung der Peaks im Analysezeitraum zusammen mit Details für jeden der Peaks, einschließlich des Zeitstempels des Peaks und der Anzahl der Tweets, die den Peak bildeten.

Die in jedem dieser Peaks enthaltenen Tweets wurden manuell untersucht, um die Trending Topics zu identifizieren. Die in Tabelle 8 dargestellten Ergebnisse zeigen, dass die Spitzen hauptsächlich mit dem Erfolg von Crowdfunding-Kampagnen, der Änderung von Regierungsrichtlinien in Bezug auf Crowdfunding oder dem Start neuer Crowdfunding-Plattformen zusammenhängen, mit sehr wenigen Hinweisen auf Spamming. Es gibt zwei Spitzen, die mit Spamming in Verbindung stehen, was die früheren Beweise aus der Analyse der gut sichtbaren Konten bestätigt.

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