Wie aus rohen Social-Media-Beiträgen die harmonisierten, vergleichbaren Messgrößen auf dieser Website werden.
Diese Seite fasst die Methodik zusammen, die in den beiden wissenschaftlichen Artikeln hinter diesem Projekt ausführlich beschrieben ist. Unter Publikationen finden Sie den Artikel zu PartySOME I (Jan und Sattelmayer 2025) und den Artikel zu PartySOME II (Jan und Sattelmayer 2026), unter Ressourcen die bestehenden Infrastrukturen (ParlGov, das Comparative Agendas Project und weitere), auf denen dieses Projekt aufbaut. Im Mittelpunkt steht die Frage, die uns am häufigsten gestellt wird: wie die Beiträge Themen zugeordnet werden.
Ausgangspunkt ist das Korpus von PartySOME I (Jan und Sattelmayer 2025), das die offiziellen Social-Media-Accounts aller Parteien erfasst, die zwischen 2005 und 2023 mindestens einen Parlamentssitz innehatten. Die Accounts wurden manuell ermittelt. Die Beiträge wurden anschließend mit plattformspezifischen Werkzeugen erhoben, die im Lauf des Projekts mit den sich ändernden API-Zugangsbedingungen wechselten: CrowdTangle oder Plattform-APIs wie die Meta Content Library. Der Datensatz enthält ausschließlich organische Beiträge der parteieigenen Accounts; auf X (Twitter) etwa sind Retweets nicht Teil des Datensatzes. Seitdem haben wir das Korpus um weitere Plattformen wie Bluesky und Telegram erweitert; die Datenerhebung für TikTok läuft noch. Das ursprüngliche Korpus von PartySOME I reichte bis Ende 2024. Diese Website zeigt eine erweiterte und aktualisierte Fassung des Korpus, die Beiträge bis September 2026 umfasst.
Eine umfangreiche politikwissenschaftliche Literatur untersucht, welchen Themen Parteien Aufmerksamkeit widmen und wie sich diese Aufmerksamkeit im Zeitverlauf verändert. Sie hat einen Standardrahmen zur Messung der Salienz von Themen hervorgebracht, den unser Projekt auf Social-Media-Beiträge anwendet. Wir messen die Themensalienz mit dem Kodierschema des Comparative Agendas Project (CAP) (Baumgartner, Breunig und Grossman 2019), einem standardisierten Rahmen, der die Aufmerksamkeit für Politikfelder über Länder und Quellen hinweg vergleichbar macht.
Dieses Schema wurde traditionell auf Wahlprogramme, Parlamentsdebatten oder Gesetzentwürfe angewandt. Seine Anwendung auf soziale Medien ist nicht trivial: Ein großer Teil der Parteibeiträge (Wahlkampfankündigungen, Veranstaltungshinweise, persönliche Inhalte) bezieht sich auf kein Politikfeld, und vortrainierte CAP-Klassifikatoren neigen dennoch dazu, ihnen ein Politikfeld zuzuweisen.
Unsere Klassifikationspipeline arbeitet daher in zwei Schritten, um den Besonderheiten von Social-Media-Texten Rechnung zu tragen und die Beiträge den Themenkategorien des CAP zuzuordnen.
Beiträge in Sprachen, die das Team nicht beherrscht, wurden vor der Annotation mit Open-Source-Modellen von Meta und Facebook Research maschinell ins Englische übersetzt (Fan et al. 2021; siehe auch Licht und Lind 2023). Das CAP-Modell hat jeden Beitrag einzeln klassifiziert. Hat eine Partei in einem Monat keinen thematischen Beitrag veröffentlicht, wurde ihre Salienz für jedes Thema auf null gesetzt.
Wie oben erwähnt, bezieht sich ein großer Teil der Social-Media-Beiträge von Parteien auf kein Politikfeld. Das ist ein Problem für vortrainierte CAP-Klassifikatoren, die dazu neigen, jedem Beitrag ein Politikfeld zuzuweisen. Zudem wurden sie auf Wahlprogrammen, Parlamentsdebatten und Gesetzentwürfen trainiert, also auf Texten, die sich in Stil und Inhalt stark von Social-Media-Beiträgen unterscheiden.
Wir haben vier mögliche Konfigurationen der Klassifikationspipeline betrachtet und sie an einer Stichprobe von 5.362 manuell kodierten Beiträgen evaluiert (Krippendorffs Alpha = 0,86 für eine Reliabilitätsteilstichprobe von 200 Beiträgen) . Alle vier Konfigurationen verwenden im zweiten Schritt denselben PolTextLab-Klassifikator, unterscheiden sich aber in zwei Punkten: ob zuvor der Filter für Politikbezug angewandt wird und ob das vortrainierte PolTextLab-Modell oder eine feinabgestimmte Version davon zum Einsatz kommt.
Die folgende Tabelle zeigt die vier Konfigurationen und ihre Leistung auf der manuell kodierten Stichprobe. Wir berichten makro-gemittelte Precision, Recall und F1 (statt der Accuracy), um den 21 Themenkategorien trotz ihrer sehr ungleichen Häufigkeiten gleiches Gewicht zu geben. Unsere Ergebnisse zeigen, dass der Politikfilter vor allem das vortrainierte Modell verbessert (der Makro-F1 steigt von 0,67 auf 0,75). Eine zusätzliche Feinabstimmung des Klassifikators verbessert die Leistung dagegen nicht. Die Kombination aus Filter und vortrainiertem Modell erzielt insgesamt die besten Ergebnisse; sie verwenden wir für unsere Analysen.
| Konfiguration | Accuracy | Precision | Recall | F1 |
|---|---|---|---|---|
| PolTextLab, vortrainiert (off-the-shelf) | 0,56 | 0,65 | 0,82 | 0,67 |
| PolTextLab, feinabgestimmt | 0,82 | 0,71 | 0,72 | 0,71 |
| Politikfilter + PolTextLab, vortrainiert | 0,81 | 0,73 | 0,80 | 0,75 |
| Politikfilter + PolTextLab, feinabgestimmt | 0,83 | 0,72 | 0,70 | 0,70 |
Makro-gemittelte Kennzahlen über die 21 CAP-Themenkategorien. Der Politikfilter verbessert vor allem das vortrainierte Modell (der Makro-F1 steigt von 0,67 auf 0,75). Ist der Klassifikator selbst feinabgestimmt, bringt der Filter kaum noch etwas. Die Kombination aus Filter und vortrainiertem Modell erzielt insgesamt die besten Ergebnisse; sie verwenden wir für unsere Analysen.
Die Trainingsstichprobe von 19.000 Beiträgen für den Filter (mit oder ohne Politikbezug) wurde manuell nach einem festen Kriterienkatalog kodiert (Krippendorffs Alpha = 0,90 für eine doppelt kodierte Teilstichprobe) . Für die Annotation haben wir das folgende Kodierschema entwickelt, das festlegt, was einen thematischen Beitrag, der sich auf Politikfelder bezieht, von einem Beitrag ohne Politikbezug unterscheidet. Das Original ist auf Englisch verfasst; die folgenden Kriterien sind unsere Übersetzung.
Dieses Projekt ordnet die Beiträge 21 Hauptkategorien (major topics) des CAP zu. Hinzu kommt die Kategorie „Ohne Politikbezug“: Sie ist eine Eigenheit dieses Projekts, fasst die im ersten Schritt herausgefilterten Beiträge zusammen und ist selbst kein CAP-Thema. Diese Kategorien sind nur ein Teil des vollständigen CAP-Schemas, das innerhalb jeder Kategorie zudem Hunderte feinerer Unterthemen definiert – die vollständige Liste der Kategorien und ihrer Unterthemen finden Sie in der Tabelle weiter unten in diesem Abschnitt.
Die folgenden Bezeichnungen sind unsere Übersetzung der Kategorien des Master Codebooks des Comparative Agendas Project, die der CAP-Forschungsgemeinschaft gehören (Baumgartner, Breunig und Grossman 2019; Bevan 2019). Maßgeblich und am aktuellsten ist die Online-Fassung des Master Codebooks (auf Englisch).
| Kategorie | Unterthemen |
|---|---|
| Makroökonomie | Allgemeines, Zinsen, Arbeitslosenquote, Geldpolitik, Staatshaushalt, Steuerrecht, Industriepolitik, Preiskontrolle, Sonstiges |
| Bürgerrechte und Freiheiten | Allgemeines, Diskriminierung von Minderheiten, Geschlechterdiskriminierung, Altersdiskriminierung, Diskriminierung von Menschen mit Behinderung, Wahlrecht, Meinungsfreiheit, Schutz der Privatsphäre, Regierungsfeindliche Bewegungen, Sonstiges |
| Gesundheit | Allgemeines, Gesundheitsreform, Krankenversicherung, Pharmaindustrie, Medizinische Einrichtungen, Krankenversicherer, Arzthaftung, Gesundheitspersonal, Krankheitsprävention, Kindergesundheit, Psychische Gesundheit, Pflege, Arzneimittelversorgung und -kosten, Tabakkonsum, Drogen- und Alkoholmissbrauch, Forschung und Entwicklung, Sonstiges |
| Landwirtschaft | Allgemeines, Agrarhandel, Agrarsubventionen, Lebensmittelsicherheit, Lebensmittelvermarktung, Tier- und Pflanzenkrankheiten, Fischerei, Forschung und Entwicklung, Sonstiges |
Die maßgeblichen Definitionen, Unterthemen und Kodierregeln jeder Kategorie finden Sie im Master Codebook des Comparative Agendas Project.
Auf der Seite Themen lassen sich die Ergebnisse auch nach Parteifamilien gruppieren. In den meisten Fällen folgen diese Familien den Klassifikationen von ParlGov und des Chapel Hill Expert Survey. Wo beide Quellen voneinander abwichen, haben wir manuell entschieden; in einigen Fällen sind wir von beiden abgewichen. Die Klassifikation der Parteien der radikalen Rechten stützt sich weitgehend auf den Datensatz PopuList. Für Fragen oder Anmerkungen zur Einordnung einer bestimmten Partei nutzen Sie gerne das Kontaktformular.
Unser Artikel enthält mehrere Validitätstests der Daten. Die folgenden sind deskriptive Plausibilitätsprüfungen, keine formalen statistischen Tests. Sie stellen eine einfache Frage: Widmen Parteifamilien den Themen Aufmerksamkeit, die jahrzehntelange Forschung zu Issue Ownership erwarten lässt? Issue Ownership hat im Wesentlichen zwei Dimensionen: eine Kompetenz- und eine assoziative Dimension. Kompetenz-Ownership bedeutet, dass Wählerinnen und Wähler eine Partei für am besten geeignet halten, ein politisches Problem zu lösen; assoziative Ownership bedeutet, dass sie eine Partei spontan mit einem Thema verbinden, unabhängig davon, wie sie deren Kompetenz darin beurteilen (Petrocik 1996; Walgrave, Lefevere und Tresch 2012). Die Theorie der Issue Ownership erwartet daher, dass Parteien die Themen betonen, die sie in der einen oder anderen Dimension „besitzen“. Dieser Erwartung entsprechend widmet die Familie der radikalen Rechten von allen Parteifamilien den Themen „Migration“ sowie „Recht und Kriminalität“ die meiste Aufmerksamkeit. Grüne Parteien widmen der „Umwelt“ mit großem Abstand die meiste Aufmerksamkeit. Sozialdemokratische Parteien und Parteien der radikalen Linken widmen der „Makroökonomie“, den „Bürgerrechten und Freiheiten“ sowie „Arbeit und Beschäftigung“ mehr Aufmerksamkeit als die übrigen Familien (die Kategorie „Regierung und öffentliche Verwaltung“ ist aus den oben erläuterten Gründen von diesem Vergleich ausgenommen).
Momentaufnahme vom 29. September 2026, nicht bei jedem Besuch neu berechnet – siehe scripts/generate-family-cap-rankings.mjs zur Aktualisierung.
Eine zweite deskriptive Plausibilitätsprüfung untersucht, ob sich die Aufmerksamkeit für Themen um große Ereignisse herum so verändert, wie man es erwarten würde – Ereignisse, die mit diesem Datensatz oder seiner Erhebung nichts zu tun haben. Zwei illustrative Fälle werden hier betrachtet. Der erste ist der russische Einmarsch in die Ukraine im Februar 2022, nach dem man vernünftigerweise mit mehr Aufmerksamkeit für „Energie“, „Verteidigung“ und „Internationale Beziehungen“ rechnen kann.
Der zweite ist der Beginn der COVID-19-Pandemie Anfang 2020, nach dem ein starker Anstieg der Aufmerksamkeit für „Gesundheit“ zu erwarten ist, begleitet von einem Rückgang des Anteils der Beiträge ohne Politikbezug, da die Parteien ihre üblichen Wahlkampfinhalte zugunsten pandemiebezogener Kommunikation zurückstellten.
Die Abdeckung ist über die Zeit nicht gleichmäßig. In den frühen Jahren des Korpus, etwa von der Mitte oder dem Ende der 2000er-Jahre bis in die frühen 2010er-Jahre, nutzten vergleichsweise wenige Parteien soziale Medien, die Plattformen selbst bauten ihre Nutzerbasis noch aus, und die vorhandenen Parteien hatten die professionalisierten, geplanten Kommunikationsstrategien, die später aufkamen, noch nicht entwickelt. Für manche Parteien und Plattformen beruhen Monate aus dieser Zeit daher nur auf einer Handvoll Beiträge.
Das ist ein spezifisches Problem für die Analyse der Themenaufmerksamkeit, die über Anteile gemessen wird. Ein Anteil der Beiträge, also die monatliche Aufmerksamkeit einer Partei für ein bestimmtes Thema, ist ein Quotient, und ein Quotient mit kleinem Nenner ist verrauscht. Ein Beitrag zum „Außenhandel“ bei insgesamt drei Beiträgen in einem Monat ergibt etwa einen Anteil von 33 % – nicht weil die Partei die Handelspolitik plötzlich zur Priorität gemacht hätte, sondern weil es überhaupt nur drei Beiträge gab. Absolute Zahlen sind davon nicht in gleicher Weise betroffen, doch jede prozentuale Darstellung auf dieser Website kann in dünn besetzten Zeiträumen dadurch verzerrt werden.
Daraus folgen zwei Entscheidungen für die Grafiken der Website. Erstens beginnt jede Zeitraumauswahl standardmäßig 2012 statt am Anfang des Korpus, da die Aktivität ab dann für die erfassten Parteien insgesamt repräsentativ wird. Der gesamte Zeitraum, einschließlich der dünner besetzten frühen Jahre, ist jederzeit mit einem Klick erreichbar. Zweitens hat jede Grafik, die einen Anteil im Zeitverlauf darstellt, eine Einstellung zur Zuverlässigkeit. Die Option mit einer Mindestzahl blendet einfach jeden Zeitraum aus, dessen Zahl an Beiträgen unter einer von Ihnen gewählten Schwelle liegt (standardmäßig 10), statt einen aus zu wenigen Beiträgen berechneten Anteil zu zeigen; die Seite Themen bietet zusätzlich eine Schrumpfungsoption, die dünn besetzte Zeiträume zum Anteil derselben Reihe über den gesamten gewählten Zeitraum hin zieht, statt sie zu entfernen. Keine dieser Einstellungen verändert die zugrunde liegenden Daten: Es handelt sich ausschließlich um Darstellungsentscheidungen, damit Rauschen nicht für ein Signal gehalten wird.
Um die Nutzungsbedingungen der Plattformen einzuhalten, werden der Rohtext der Beiträge und ihre einzelnen Klassifikationen nicht veröffentlicht. Die öffentliche Fassung enthält aggregierte monatliche Maße der Themensalienz pro Partei sowie die manuell annotierten Trainings- und Validierungsdaten, mit denen die Klassifikatoren entwickelt und evaluiert wurden, sodass die Pipeline selbst überprüft, repliziert oder verbessert werden kann.
Alle Einzelheiten, darunter das CAP-Codebook, die vollständige Parteienliste und die genauen Modellkonfigurationen, finden sich im Online-Anhang (Supplementary Material) des Artikels zu PartySOME II (siehe Publikationen); die Daten selbst sind auf GitHub verfügbar.
Baumgartner, F. R., Breunig, C., & Grossman, E. (Eds.). (2019). Comparative Policy Agendas: Theory, Tools, Data. Oxford University Press.
Bevan, S. (2019). Gone fishing, the creation of the Comparative Agendas Project master codebook. In F. R. Baumgartner, C. Breunig, & E. Grossman (Eds.), Comparative Policy Agendas: Theory, Tools, Data (pp. 17 to 34). Oxford University Press.
Fan, A., Bhosale, S., Schwenk, H., Ma, Z., El-Kishky, A., Goyal, S., Baines, M., et al. (2021). Beyond English-centric multilingual machine translation. Journal of Machine Learning Research, 22(107), 1 to 48.
Jan, M., & Sattelmayer, L. (2025). PartySOME, a comprehensive dataset on political parties' social media activity. Party Politics. Vollständige Angabe und BibTeX unter Publikationen.
Licht, H., & Lind, F. (2023). Going cross-lingual, a guide to multilingual text analysis. Computational Communication Research, 5(2), 1.
Petrocik, J. R. (1996). Issue ownership in presidential elections, with a 1980 case study. American Journal of Political Science, 825 to 850.
Sebők, M., Máté, Á., Ring, O., Kovács, V., & Lehoczki, R. (2025). Leveraging open large language models for multilingual policy topic classification, the Babel Machine approach. Social Science Computer Review, 43(2), 295 to 317.
Walgrave, S., Lefevere, J., & Tresch, A. (2012). The associative dimension of issue ownership. Public Opinion Quarterly, 76(4), 771 to 782.