Integrating Social Network Analysis and Topic Modeling in Social Media Research: A Systematic Literature Review of Open-Access Scopus Studies (2016-2026)

Soziale Medien hinterlassen bei jedem Scrollen, Posten oder Teilen zwei verschiedene Arten von Fußabdrücken. Ein Fußabdruck ist der Inhalt selbst: die Worte, die wir tippen, die Meinungen, die wir äußern, und die Geschichten, die wir erzählen. Der andere ist die Verbindung: der Akt des Retweetens, Antwortens oder Folgens, der offenbart, wer wem zuhört und wie Ideen zwischen Menschen reisen. Jahrelang haben Forscher diese Fußabdrücke getrennt untersucht. Einige Teams kartierten die Verbindungen, um zu sehen, wie Gemeinschaften entstehen und wie Einfluss sich verbreitet, während andere den Text analysierten, um zu verstehen, was die Menschen tatsächlich sagen. Aber um die digitale Welt wirklich zu verstehen, muss man sowohl die Karte der Beziehungen als auch die Karte der Konversation gleichzeitig betrachten. Die Herausforderung bestand darin, herauszufinden, wie man diese zwei verschiedenen Karten miteinander verwebt, ohne die Details der jeweils anderen zu verlieren.

Eine aktuelle systematische Übersichtsarbeit von Dwi Jaya Saputra, einem Forscher an der Universität Brawijaya, wirft einen umfassenden Blick darauf, wie Wissenschaftler versucht haben, diese beiden Methoden im letzten Jahrzehnt zu kombinieren. Die Studie untersuchte 194 Open-Access-Forschungsartikel, die zwischen 2016 und 2026 veröffentlicht wurden und versuchten, die soziale Netzwerkanalyse mit der Themenmodellierung (Topic Modeling) zu verschmelzen. Das Ziel war nicht nur zu zählen, wie viele Studien existierten, sondern zu verstehen, wie sie aufgebaut waren, was sie fanden und wohin sich das Feld entwickelt. Die Übersicht offenbart ein Feld, das sich rasant entwickelt, aber oft an der Oberfläche stehen bleibt, wo Forscher lediglich zwei separate Analysen nebeneinander durchführen, anstatt sie zu einem einzigen, tieferen Verständnis zu verweben.

Die Übersicht begann mit der Suche in einer großen akademischen Datenbank nach Studien, die sowohl Netzwerkanalysen als auch Themenmodellierung auf Social-Media-Daten anwandten. Nach dem Filtern nach englischsprachigen Artikeln, die frei verfügbar waren, reduzierte die Forschungsgruppe eine Liste von 560 potenziellen Papieren auf 194, die strengen Kriterien entsprachen. Diese Studien deckten ein breites Spektrum an Themen ab, von Gesundheitsdiskussionen und politischen Debatten bis hin zu Geschäftstrends und Umweltfragen. Die Daten stammten von vielen Plattformen, wobei eine Plattform, X (ehemals Twitter), die Informationen für mehr als die Hälfte der Studien lieferte. Im Laufe der Zeit hat die Nutzung anderer Plattformen wie Reddit, YouTube und Weibo zugenommen, was auf eine Erweiterung der Forschungslandschaft über eine einzige Quelle hinaus hindeutet.

Als die Forscher untersuchten, wie diese Studien durchgeführt wurden, fanden sie ein klares Muster darin, wie die beiden Methoden kombiniert wurden. In der überwiegenden Mehrheit der Fälle, etwa 71 Prozent, verwendeten die Forscher einen „parallelen“ Ansatz. Das bedeutet, sie führten eine Themenanalyse durch, um zu sehen, worüber die Menschen sprachen, und eine Netzwerkanalyse, um zu sehen, wer mit wem verbunden war, und verglichen dann einfach die beiden Ergebnisse. Es ist, als würde man die Karte der Straßen einer Stadt und eine Liste ihrer beliebten Geschäfte getrennt betrachten und dann feststellen, dass sie sich scheinbar überschneiden, ohne jedoch tatsächlich nachzuverfolgen, wie die Straßen zu den Geschäften führen. Während diese Methode zwar verbreitet und nützlich ist, um einen allgemeinen Überblick zu gewinnen, stellte die Übersicht fest, dass sie selten testete, ob die Verbindungen zwischen den beiden real oder nur ein Zufall waren.

Nur ein kleiner Bruchteil der Studien, etwa 9 Prozent, versuchte einen „gemeinsamen“ (joint) Ansatz, bei dem das Netzwerk und der Text in einem einzigen mathematischen Rahmen gemeinsam analysiert werden. Diese Studien sind komplexer, da sie versuchen, die Struktur der Gemeinschaft und den Inhalt der Konversation gleichzeitig zu schätzen. Eine andere Gruppe von Studien nutzte einen „Netzwerk-zu-Thema“-Ansatz, bei dem sie zuerst Gruppen von Menschen identifizierten und dann analysierten, was diese spezifischen Gruppen sagten. Eine seltene vierte Gruppe, die weniger als 5 Prozent ausmachte, nutzte einen „Thema-zu-Netzwerk“-Ansatz, indem sie die Verbindungen zwischen Menschen basierend auf der Ähnlichkeit der Themen aufbaute, die sie diskutierten. Die Übersicht legt nahe, dass sich das Feld zwar in Richtung anspruchsvollerer Methoden bewegt, der einfache parallele Ansatz jedoch der Standard für die meisten Forscher bleibt.

Auch die Werkzeuge zur Analyse des Textes haben sich weiterentwickelt. Lange Zeit war eine Methode namens Latent Dirichlet Allocation, oder LDA, der Standard für das Finden verborgener Themen in großen Textsammlungen. Sie tauchte in etwa einem Drittel der untersuchten Studien auf. Jedoch sind neuere Methoden, die fortgeschrittenes Sprachverständnis nutzen, wie etwa BERTopic, in den letzten Jahren häufiger aufgetaucht. Trotz dieses technologischen Wandels stellte die Übersicht eine signifikante Lücke in der Transparenz fest: Die Hälfte der Studien nannte den verwendeten Algorithmus nicht explizit in ihren Abstracts. Zudem gaben sehr wenige Studien eine klare Erklärung dazu ab, wie sie die Genauigkeit ihrer Ergebnisse überprüften. Die meisten Abstracts erwähnten nicht, ob die Forscher getestet hatten, ob sich ihre Ergebnisse ändern würden, wenn sie andere Einstellungen oder andere Werkzeuge verwendet hätten.

Die Forscher kamen zu dem Schluss, dass die Kombination dieser beiden Methoden zwar mittlerweile ein Routinebestandteil der Social-Media-Forschung ist, die Integration jedoch oft oberflächlich bleibt. Das Feld ist von nur einem Artikel im Jahr 2016 auf 36 Artikel im Jahr 2025 angewachsen, was ein deutliches Beschleunigung des Interesses zeigt. Dennoch ist die Art und Weise, wie diese Studien konzipiert sind, mit diesem Wachstum nicht Schritt gehalten. Die Übersicht schlägt ein neues Framework für die zukünftige Forschung vor, das Wissenschaftler dazu ermutigt, über das bloße Nebeneinanderstellen zweier separater Analysen hinauszugehen. Stattdessen sollten sie einen spezifischen Pfad wählen, wie das Netzwerk und der Text interagieren, sei es durch den Aufbau eines Netzwerks aus Themen oder durch die Analyse von Themen innerhalb spezifischer Gemeinschaften. Entscheidend ist, dass die Autoren argumentieren, dass Forscher ihre kombinierten Ergebnisse validieren müssen, indem sie testen, ob die Verbindung zwischen den Menschen und den Worten unter verschiedenen Bedingungen Bestand hat.

Mit Blick in die Zukunft skizziert die Übersicht eine Agenda für die nächste Dekade der Forschung. Sie fordert mehr Studien zu Plattformen jenseits von X, einschließlich videobasierter Seiten und Messaging-Apps, die derzeit unterrepräsentiert sind. Sie fordert die Forscher zudem auf, ihre Arbeit auf Sprachen und Regionen auszuweiten, die weitgehend ignoriert wurden, und sich damit über die Dominanz von Studien aus den USA und China hinaus zu bewegen. Schließlich legt die Übersicht nahe, dass der vielversprechendste Weg in der Entwicklung von Modellen liegt, die die Struktur des Netzwerks und den Inhalt der Konversation als ein einziges, miteinander vernetztes System behandeln. Auf diese Weise können Forscher von der bloßen Beschreibung dessen, was auf Social Media geschieht, zu einem echten Verständnis darüber gelangen, wie die Verbindungen zwischen Menschen die Ideen prägen, die sie teilen.