Big Data in der Forschung! Big Data in der Lehre? Ein Vorschlag zur Erweiterung der bestehenden Methodenausbildung

Inhaltsverzeichnis

Bibliographische Infos

Cover der Ausgabe: ZPol Zeitschrift für Politikwissenschaft Jahrgang 24 (2014), Heft 1-2
Vollzugriff

Journal of Political Science

Jahrgang 24 (2014), Heft 1-2

Autor:innen:
Verlag
Nomos, Baden-Baden
Erscheinungsjahr
2014
ISSN-Online
1430-6387
ISSN-Print
1430-6387

Kapitelinformationen

Vollzugriff

Jahrgang 24 (2014), Heft 1-2

Big Data in der Forschung! Big Data in der Lehre? Ein Vorschlag zur Erweiterung der bestehenden Methodenausbildung

Autor:innen:
ISSN-Print
1430-6387
ISSN-Online
1430-6387
Kapitelvorschau:

Literaturverzeichnis

  1. Barberá, Pablo, im Erscheinen: Birds of the Same Feather Tweet Together. Bayesian Ideal Point Estimation Using Twitter Data, in: Political Analysis. Google Scholar öffnen
  2. Blätte, Andreas, 2014: Das parlamentarische Diskursverhalten von Abgeordneten und die Kohäsion der Bundestagsfraktion 1996-2013: Plenarprotokollkorpora als Grundlage von Wordscore und Wordfish. Vortrag bei der Jahrestagung der Sektion Methoden der Politikwissenschaft am 24. Mai an der Universität Duisburg-Essen. Google Scholar öffnen
  3. Bonica, Adam, 2013: Mapping the Ideological Marketplace, in: American Journal of Political Science 58 (2), 367-386. Google Scholar öffnen
  4. Chen, Xi/Nordhaus, William D., 2011: Using luminosity data as a proxy for economic statistics, in: Proceedings of the National Academy of Sciences 108 (21), 8589-8594. Google Scholar öffnen
  5. Döring, Holger/Regel, Sven, 2014: Data collection 2.0: Ein moderner Parteien-Almanach. Vortrag bei der Jahrestagung der Sektion Methoden der Politikwissenschaft am 24. Mai an der Universität Duisburg-Essen. Google Scholar öffnen
  6. Grimmer, Justin, 2010: A Bayesian Hierarchical Topic Model for Political Texts: Measuring Expressed Agendas in Senate Press Releases, in: Political Analysis 18 (1), 1-35. Google Scholar öffnen
  7. Grimmer, Justin/Stewart, Brandon M., 2013: Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts, in: Political Analysis 21 (3), 267-297. Google Scholar öffnen
  8. Henderson, Vernon/Storeygard, Adam/Weil, David N., 2011: A Bright Idea for Measuring Economic Growth, in: The American Economic Review 101 (3), 194-199. Google Scholar öffnen
  9. Hopkins, Daniel/King, Gary, 2010: A Method of Automated Nonparametric Content Analysis for Social Science, in: American Journal of Political Science 54 (1), 229-247. Google Scholar öffnen
  10. King, Gary, 2011: Ensuring the Data-Rich Future of the Social Sciences, in: Science 331 (11), 719-721. Google Scholar öffnen
  11. King, Gary/Pan, Jennifer/Roberts, Margaret E., 2013: How censorship in China allows government criticism but silences collective expression, in: American Political Science Review 107 (2), 326-343. Google Scholar öffnen
  12. King, Gary, 2014: Restructuring the Social Sciences: Reflections from Harvard’s Institute for Quantitative Social Science, in: PS: Political Science & Politics 47 (1), 165-172. Google Scholar öffnen
  13. Kuhn, Patrick M./Weidmann, Nils B., im Erscheinen: Unequal We Fight: Between- And Within-Group Inequality And Ethnic Civil War, in: Political Science Research and Methods. Google Scholar öffnen
  14. Laney, Doug, 2001: 3D management: Controlling data volume, velocity, and variety, in: Application Delivery Strategies, META Group, Inc., 6. Februar. Google Scholar öffnen
  15. Laver, Michael/Benoit, Kenneth/Garry, John, 2003: Extracting Policy Positions from Political Texts Using Words as Data, in: American Political Science Review 97 (2), 311-331. Google Scholar öffnen
  16. Linzer, Drew A., 2013: Dynamic Bayesian Forecasting of Presidential Elections in the States, in: Journal of the American Statistical Association 108 (501), 124-134. Google Scholar öffnen
  17. Mellon, Jonathan, 2013: Where and When Can We Use Google Trends to Measure Issue Salience?, in: PS: Political Science & Politics 46 (2), 280-290. Google Scholar öffnen
  18. Monroe, Burt L., 2013: The Five Vs of Big Data Political Science, in: Political Analysis, Virtual Issue on Big Data in Political Science, 1-9. Google Scholar öffnen
  19. Munzert, Simon/Rubba, Christian/Meißner, Peter/Nyhuis, Dominic, im Erscheinen: Automated Data Collection with R. A Practical Guide to Web Scraping and Text Mining. Hoboken, NJ. Google Scholar öffnen
  20. Norvig, Peter, 2001: Teach Yourself Programming in Ten Years, http://norvig.com/21-days.html (Stand: 05.08.14). Google Scholar öffnen
  21. Nyhuis, Dominic/Faas, Thorsten, 2014: Capturing real-time political evaluations using Twitter. Vortrag bei der Jahrestagung der Sektion Methoden der Politikwissenschaft am 23. Mai an der Universität Duisburg-Essen. Google Scholar öffnen
  22. Shaw, Aaron/Hill, Benjamin M., 2014: Laboratories of Oligarchy? How the Iron Law Extends to Peer Production, in: Journal of Communication 64 (2), 215-238. Google Scholar öffnen
  23. Silver, Nate, 2012: Special Coverage: The 2012 Presidential Election. FiveThirtyEight, http://fivethirtyeight.blogs.nytimes.com/2012/11/06/live-blog-the-2012-presidential-election/ (Stand: 25.07.14). Google Scholar öffnen
  24. Slapin, Jonathan B./ Proksch, Sven-Oliver, 2008: A Scaling Model for Estimating Time-Series Party Positions from Texts, in: American Journal of Political Science 52 (3), 705-722. Google Scholar öffnen
  25. Squire, Peverill, 1988: Why the 1936 Literary Digest Poll Failed, in: Public Opinion Quarterly 52 (1), 125-133. Google Scholar öffnen

Zitation

Download RIS Download BibTex

Downloads

Download Kapitel (PDF)

Per E-Mail teilen

Medien