Als Grundlage für die Analyse dient der Open Discourse Datensatz (v.1.0.0) mit über 900.000 Redebeiträgen des deutschen Bundestages. Die Schritte bis zum Modell sind dabei wie folgt:

1. 1. Part-of-Speech Tagging, Lemmatisierung & Stemming

   Zuerst werden mittels eines Part-of-Speech Taggings nur die Substantive von Reden extrahiert. Diese werden dann auf ihre lexikalische Grundform zurückgeführt. Zusätzlich werden die Worte gestemmed . Somit werden Wörter normalisiert und damit besser vergleichbar gemacht.

2. 2. Entfernung seltener Worte

   Um die Anzahl der Wörter zu verringern werden Wörter entfernt, die weniger als 10-mal gesagt wurden. Dies sind bspw. Wörter wie Ellenbogenpolitik. Dieses Verfahren erlaubt es die Größe des “Wörterbuches” (die Anzahl der einzelnen Substantive im Korpus) zu reduzieren. Insgesamt wurden rund 519.000 dieser seltenen Wörter entfernt. Dies verbessert das Modell und die Trainingszeit. Die vollständige Liste seltener Begriffe ist hier zu finden.

3. 3. Iteratives Training des Topic Models

   Anschließend wird das Latent Dirichlet Allocation (LDA) Topic Model auf dem vorbereiteten Korpus trainiert. Dabei werden nur Reden berücksichtigt, die mindestens 10 Substantive enthalten. Dadurch fallen kurze organisatorische Redebeiträge wie bspw. die Moderation durch die Vorsitzenden der Sitzung weg, da diese in der Regel kein inhaltlicher Beitrag sind. Das Topic Model wurde auf 400 Themen trainiert. Wiederholt wurden nach dem Training dabei geprüft, welche Wörter in sehr vielen Themen vorkommen. Dies sind die spezifischen Stoppwörter des Bundestages, bspw. Gesetzesvorlage, Gegenstimmen oder Ausschuss. Dabei wurden etwa 4.500 solcher Wörter identifiziert und aus dem Korpus entfernt. Eine vollständige Liste dieser Worte kann hier eingesehen werden. Als Ergebnis aus diesem Schritt entsteht eine große Tabelle, die jeder Rede zu jedem der 400 Themen einen Wert zuweist. Dieser Wert beschreibt, wie stark ein Thema in dieser Rede abgedeckt wurde. Ein Thema wird stärker abgedeckt, wenn die identifizierten Wörter des Themas genutzt werden. Die Summe der 400 Themen addiert sich pro Rede auf 1.

4. 4. Zusammenführen der identifizierten Themen

   Nach dem Training gibt es die 400 Themen mit den automatisch zugewiesenen Wörtern. Nun kommt der einzige qualitative Teil dieses Modells zum Tragen: Für die Benennung der Themen haben wir uns an der Deutsch-Englische Version des internationalen CAP Codebook (Comparative Agenda Projektes )* orientiert. Eine Übersicht der relevanten Wörter pro Thema ist hier zu finden.

   *Quelle: Christian Breunig and Tinette Schnatterer. 2018. German Policy Agendas - Data Set and Descriptive Insights. Working paper - University of Konstanz.

Durch die Zusatzinformationen des Open Discourse Datensatzes können detaillierte Filter genutzt werden, um Teilgruppen des Bundestages zu vergleichen. Folgende Filter sind verfügbar:

Diese Filter können beliebig kombiniert werden. Ein Beispiel für komplexe Filter ist hier zu finden. Weitere Informationen zum beruflichen Hintergrund von Politiker:innen sind hier zu finden, Informationen zum Wahlbundesland sind hier zu finden.

Um die Visualisierungen zuverlässig auf dieser Website zu ermöglichen, mussten wir uns auf eine Teilmenge der über 4000 Politiker:innen im Open Discourse Datensatz beschränken. Dabei haben wir folgende Auswahl getroffen:

1. Alle Minister:innen und Kanzler:innen seit der 14. Legislaturperiode (26.10.1998)
2. Alle Oppositionsführer:innen seit 1949 basierend auf dieser Auflistung bei Wikipedia
3. Die zweihundert Politiker:innen mit den meisten Followern bei Twitter basierend auf dieser Twitter-Liste

Zusätzlich haben wir alle Politiker:innen aus dieser Liste entfernt, die unter 30 Reden gehalten haben. Als Ergebnis stehen nun 261 Politiker:innen zur Auswahl.

Automatisierte Textanalysen können gewisse Schwächen bergen:

• Die vorliegenden Daten geben keine Aussage darüber, ob eine Person oder eine Partei einem Thema zu- oder abgeneigt ist. Lediglich die Auseinandersetzung mit einem Thema kann aufgezeigt werden
• Die tatsächliche Relevanz kann über die Jahre stark schwanken und ist in diesem Modell mit einem mit einem dreijährigen Rolling Mean geglättet.
• Unreinheiten in der Datengrundlage können die Analyse verzerren.
• Die Benennung von Themen unterliegt einer händischen Bewertung. Zur Vorgehensweise siehe FAQ unter “Wie wurde dabei vorgegangen?” Punkt 4.
• Die Anzahl an Topics (400) die das LDA Topic Model identifiziert ist manuell gewählt.
• Spezifische Stopwords die dem Modell vorenthalten nehmen Einfluss auf die identifizierten Topics. Die vollständige Liste ist hier einsehbar.
• Das Modell analysiert Worthäufigkeiten und Zusammenhänge. Dabei wird die Satzstruktur jedoch nicht Modelliert, lediglich das Bag-of-Words .