Whatsapp Chat Vis

Dieses Projekt ist im Rahmen des Kurses “Grundlagen der Datenvisualisierung”, im Sommersemester 2020 bei Herrn Prof. Dr. Nagel, an der Hochschule Mannheim entstanden.

Abstract

Zurzeit befindet sich die Welt in einem Ausnahmezustand und wir alle müssen in unserem beruflichen, studentischen und privaten Leben nie dagewesene Herausforderungen bewältigen. Um die Verbreitung des Covid-19-Virus einzudämmen, muss ein jeder sich in seinen Freiheiten einschränken und Distanz zu seinen Mitmenschen wahren, was allgemein als “Social Distancing” bezeichnet wird. Für unser Semesterprojekt haben wir uns gefragt, wie zurzeit die Möglichkeiten digitaler Kommunikationsformen ausgeschöpft werden und ob sich, aufgrund des stark eingeschränkten physischen Kontaktes, die Nutzung von Messenger Diensten wie WhatsApp verändert hat. Daraus entstand der “WhatsApp Chat Visualisierer”, der es ermöglicht, das Chatverhalten ausgewählter Nutzer zu untersuchen.

Den im Laufe des Projektes entstandenen Prototypen haben wir öffentlich zugänglich gemacht. Aus datenschutztechnischen Gründen wurden die Namen der Benutzer anonymisiert.

Einführung

Die Auswirkungen des Social Distancing machen sich in vielen Bereichen unseres alltäglichen Lebens bemerkbar. Aufgrund des breit gefächerten Einflusses auf diverse Themengebiete, stießen wir in der Findungsphase unseres Projektes auf vielfältige Fragestellungen in den verschiedensten Bereichen, welche eine interessante Basis zur visuellen Aufbereitung und Analyse der damit verbundenen Datensätze boten. Diese reichten von der Änderung des Kaufverhaltens bei Videospielen, über das Nutzungsverhalten diverser Streamingangebote, bis hin zur Analyse der Feinstaubbelastung in großen Städten, bedingt durch den Rückgang des Pendlerverkehrs. Bei all diesen Ansätzen stießen wir jedoch durchweg auf den Mangel an frei zugänglichen Datensätzen, deren Existenz für das Gelingen dieses Projektes jedoch essenziell sind. Letztendlich fiel unsere Wahl auf die Analyse des Chatverhaltens, in Bezug auf den Messenger Dienst WhatsApp, da hier eine ausreichende und frei zugängliche Datengrundlage vorhanden war. Intuitiv entstand die Vermutung, dass aufgrund fehlender sozialer Kontakte im Alltag, sicherlich eine Änderung in der digitalen Kommunikation der Menschen untereinander stattgefunden haben musste.

Fragen und Hypothesen

Der Zweck einer jeden wissenschaftlichen Arbeit ist die Beantwortung einer oder mehrerer Fragen oder Hypothesen. Während der Findungsphase unseres Projekts kamen diverse Fragen und Vermutungen auf, weshalb sie im Folgenden die vier zentralen Fragestellungen und dazugehörige Hypothesen finden, welche von dort an als Basis für die Analysen genutzt wurden.

• Wie hat sich die Nachrichtenmenge nach dem Social Distancing verändert? Schnell war uns klar, dass wir deutlich machen wollen, wie sich die Kommunikation über WhatsApp verändert hat, sofern dies überhaupt der Fall sein sollte. Steigt sie an, weil die Menschen sich nicht mehr treffen können? Oder sinkt sie sogar, weil lieber per Videochat von Angesicht zu Angesicht kommuniziert wird?

• Wie sieht das Nutzungsverhalten von bestimmten Corona-Buzzwords aus? Diverse Medien berichteten in der vergangenen Zeit über spezifische Wörter und auch Wortgruppen, welche aufgrund der Corona-Pandemie verstärkt im Sprachgebrauch der deutschen Bevölkerung vertreten waren und dies auch immer noch sind. Uns kam daher der Gedanke, dieses Phänomen in Bezug auf das Chatverhalten zu analysieren.

• Lässt sich anhand der verwendeten Emojis eine Veränderung des Stimmungsbildes ableiten? Die Verwendung von Emojis spiegelt oft unsere Stimmung in einer Unterhaltung wider. Diese Tatsache bietet eine gute Basis, um das Stimmungsbild anhand der verwendeten Emojis zu analysieren.

• Zu welcher Tageszeit wird WhatsApp am häufigsten verwendet? Zu dieser Frage ergaben sich zwei Überlegungen. Erstens wollten wir untersuchen, zu welcher Tageszeit WhatsApp meistens verwendet wird. Des Weiteren hielten wir es für interessant zu untersuchen, ob derzeit, da der Präsenzbetrieb an Hochschulen, Universitäten und Arbeitsplätzen eingestellt ist, sich die Nutzungszeit tendenziell eher nach hinten verschoben hat, da man nicht mehr gezwungen ist, morgens früh aufzustehen.

Als zentralen Ankerpunkt unserer Untersuchungen wählten wir den Tag der Ansprache durch die Bundeskanzlerin Angela Merkel (18.03.2020). Dieser Tag stellt unserer Auffassung nach, den Beginn des Lockdowns in Deutschland dar. Um dieses Ereignis herum wird im Folgenden der Zeitraum vom 01.02.2020 – 31.05.2020 betrachtet. Dies hat den Hintergrund, dass somit ausreichend Daten vor und nach besagtem Ereignis zur Verfügung stehen, um Aussagen über das Verhalten vor und nach dem Lockdown treffen zu können.

Datenbeschaffung und Aufbereitung

Aufgrund dessen, dass WhatsApp in Deutschland keine Möglichkeit mehr zum Export von Chatverläufen anbietet, mussten wir einen Workaround verwenden, welcher jedoch lediglich für IOS-Geräte funktioniert und darauf basiert ein unverschlüsseltes Backup der Chatverläufe zu erstellen und dieses anschließend mit einem Tool (bspw. IExplorer) in eine SQL-Lite Datenbank zu exportieren. Ein entsprechendes Pendant für Android Endgeräte, welches im zeitlichen Rahmen unseres Projekts umsetzbar gewesen wäre, konnten wir leider nicht finden. Daher beschränkten wir uns im Folgenden auf Backups von Mobilgeräten mit IOS Betriebssystem. Bei Interesse an der genauen Vorgehensweise zur Erstellung eines solchen Backups, kann unter dem folgenden Link eine detaillierte Anleitung nachgelesen werden: detaillierte Anleitung zum Export von WhatsApp Chatverläufen.

Nach einem erfolgreichen Export der SQL-Lite-Datei ist es nun möglich, die Daten bspw. mit “DB Browser for SQL-lite” einzusehen, sowie diese in andere Formate, wie z. B. JSON, zu konvertieren. Dies ermöglicht es, die gewonnenen Datensätze mit JavaScript weiterzuverarbeiten.

Im ersten Schritt begannen wir mit der Filterung der Daten nach den von uns benötigten Inhalten und Metainformationen. Aufgrund der zuvor getroffenen Entscheidung, einen begrenzten Zeitraum für unsere Untersuchungen heranzuziehen, war es uns möglich, die Datensätze stark in ihrem Umfang zu reduzieren. Ausgehend von den so gefilterten Daten wurden nun drei separate JSON-Dateien pro WhatsApp-Nutzer generiert, welche im Folgenden als Grundlage zur Auswertung und Analyse in unserem Prototypen dienen sollten.

Das Dashboard

Um die umfangreiche Datenbasis visuell aufzubereiten und so dem Nutzer übersichtlich zur Exploration zur Verfügung zu stellen, erwies sich die Konzeption eines Dashboards als eine praktikable Lösung.

Die ersten Prototypen

Die grundlegende Funktionalität dieses Dashboards besteht darin, dass der Nutzer die Möglichkeit hat, individuell Zeiträume auszuwählen und gegebenenfalls miteinander zu vergleichen. Dies soll ihm ermöglichen, gezielt Daten zu explorieren und zu analysieren. Darüber hinaus soll es eine Basis bieten, um die von uns aufgestellten Forschungsfragen beantworten zu können. Dieser Vorgang soll mithilfe von Detaildiagrammen, welche die Daten des aktuell ausgewählten Zeitraumes veranschaulichen, unterstützt werden.

Diesen Überlegungen zufolge fiel die Entscheidung vier unterschiedliche Diagramme zu verwenden, welche jeweils der Beantwortung einer der Forschungsfragen dienen sollen. Eines der Diagramme soll zudem als Control-Panel fungieren und es somit ermöglichen, per Drag and Drop Slidern, Zeiträume auszuwählen. Der Inhalt der restlichen Diagramme wäre somit abhängig von der durch den Nutzer getroffenen Auswahl.

Aus diesen Überlegungen heraus entstanden zunächst zwei unterschiedliche Prototypen. Der erste (s. Abb. 1) war an ein klassisches Dashboard angelehnt, wohingegen Prototyp zwei (s. Abb. 2) einen WhatsApp Chat nachstellen und in der Funktionalität der Kommunikation mit einem Chatbot ähneln sollte.

Aufgrund dessen, dass die Interaktion mit einem Chatbot auf dem Senden von Nachrichten basiert, würde der zweite Prototyp zu sehr von der ursprünglich angedachten Bedienungsweise unseres Dashboards abweichen. Wir entschieden uns daher für die erste Variante, da diese auf die grundlegenden Funktionen reduziert ist und im Gegensatz zum Figure 1: Der erste Prototyp. Dieser ist angelehnt an ein klassisches Dashboard. zweiten Prototyp keine spielerischen Aspekte oder ablenkenden Elemente enthält, welche zu einer Reizüberflutung führen und somit den Nutzer beim gezielten Explorieren und Analysieren der Daten behindern könnten.

Figure 2: Zweiter Prototyp, welcher einem WhatsApp Chatverlauf ähnelt.

Visualisierungstechniken

Im Laufe des Projektes haben wir verschiedene Visualisierungstechniken betrachtet und auf Grundlage unseren Hypothesen evaluiert, welche bestmöglich die Beantwortung der zu Beginn formulierten Fragestellungen unterstützen.

Nachrichtenmenge (Balkendiagramm)

Um den zeitlichen Verlauf einer Größe darzustellen, eignet sich das Visualisieren der Daten auf einem Zeitstrahl besonders gut. Das Nachrichtenmengen-Diagramm soll, in Form eines Balkendiagramms, zeigen, wie viele Nachrichten an den einzelnen Tagen durch den Nutzer geschrieben wurden. Um dem Nutzer das Erkennen von möglichen Trends zu erleichtern, führten wir zusätzlich eine Trendlinie (gleitender Mittelwert über 7 Tage) in das Balkendiagramm mit ein (s. Abb. 3).

Figure 3: Das Balkendiagramm zeigt die Nachrichtenmenge an den jeweiligen Tagen. Durch die hinzugefügte Trendlinie lassen sich Tendenzen in der Entwicklung der Nachrichtenmenge leichter erkennen.

Zum besseren Überblick über die gesamte Nachrichtenmenge findet sich neben dem Balkendiagramm ein Übersichtsbereich, welcher absolute Zahlen beinhaltet (s. Abb. 4). Zum einen wird hier dargestellt, wie viele Nachrichten, mit wie vielen Wörter und an wie vielen Tagen geschrieben worden sind. Darüber hinaus lassen sich, in der unteren Hälfte der Tabelle, die dazugehörigen Mittelwerte ablesen.

Figure 4: Der Übersichtsbereich gibt Auskunft über die absoluten Zahlen, sowohl des gesamten Zeitraumes als auch der aktuell ausgewählten Zeiträume.

Corona Buzzwords (normalisiertes Balkendiagramm)

Zu Beginn wollten wir lediglich untersuchen, welche Wörter am häufigsten im Sprachgebrauch der jeweiligen Nutzer vorkommen. Unsere Wahl fiel daher auf eine Wordmap (s. Abb. 5). Beim Evaluieren unserer Daten stellten wir jedoch fest, dass diese Visualisierungstechnik einige Probleme mit sich brachte. Beispielsweise war es teilweise vonnöten, den Kopf um 90° zu drehen, um einige Wörter lesen zu können. Auch stellte es sich als kompliziert heraus, anhand der Größenverhältnisse einzelner Wörter klar zu erkennen, welches beispielsweise das am häufigsten geschriebene worden war. Die Wordmap ließ es somit lediglich zu, einen groben Überblick darüber zu bekommen, welche der Wörter häufiger und welche weniger häufig verwendet worden waren.

Figure 5: Die Wordmap stellt die Häufigkeit anhand der Größe des jeweiligen Wortes dar. Die Anordnung erfolgt dabei zufällig.

Auf der Suche nach Alternativen, welche unseren Ansprüchen eher gerecht wurden, standen das Windrose-Char und die Treemap in der engeren Auswahl. Das Windrose-Char (s. Abb. 6) bot hierbei den Vorteil, eine runde Form zu haben und sich somit gut in das Gesamtbild des unteren Bereiches unseres Dashboards einzufügen. Zudem kann, anhand der hierarchischen Gliederung der einzelnen Elemente nach ihrer Gewichtung, gut erkannt werden, welche Rangordnung in der Häufigkeit der Wörter herrscht.

Figure 6: Windrose Chart (links) und Treemap (rechts) als alternative Visualisierungstechniken zur Darstellung der Worthäufigkeiten.

Die in Abbildung 6 dargestellte Treemap bietet zwar ebenfalls die Möglichkeit zur Erkennung der am häufigsten geschriebenen Wörter, ist jedoch, aufgrund einer fehlenden Ordnung, weniger intuitiv lesbar als das Windrose-Chart. Aufgrund dessen, dass wir keine wirklich zufriedenstellende Lösung für unser Problem finden konnten, kamen wir letztendlich zu dem Schluss, unsere Forschungsfrage, deren Beantwortung wir mit diesem Diagramm unterstützen wollten, nochmals zu überdenken. Wir entschieden uns dazu, eine festgelegte Menge von 10 Corona-Buzzwords zu definieren. Für diese Auswahl wollten wir dem Nutzer unseres Dashboards nun ermöglichen, deren jeweilige Verwendung in den verschiedenen Zeiträumen zu analysieren. Diese Entscheidung hatte zudem zum Vorteil, dass unser Dashboard somit näher am eigentlichen Thema, dem Social Distancing während der Corona-Zeit, agierte. In der zuvor verwendeten Wordmap waren nämlich keinerlei Corona bezogene Wörter aufgetaucht, da diese, im Vergleich zu diversen Bindeworten der deutschen Sprache, eher selten genutzt werden. Um unsere Buzzwords auszuwählen, sammelten wir zunächst alle Wörter, welche unserer Meinung nach mit Corona in Verbindung stehen. Es entstand eine Liste, bestehend aus ca. 250 Einträgen, von denen wir letztendlich 10 auswählten. Wir priorisierten dabei anhand von Kriterien, welche auf uns als junge Studenten am ehesten zutreffend waren. Dies hatte den Hintergrund, dass die verwendeten Datensätze von Personen unseres Profils stammen. Da die Deadline des Projektes immer näher rückte und wir somit nicht mehr viel Zeit hatten, um weitere Diagramme evaluieren zu können, entschieden wir uns letztendlich für ein normalisiertes Balkendiagramm (s. Abb. 7). Der gesamte Balken repräsentiert dabei alle Vorkommnisse des jeweiligen Buzzwords im maximal verfügbaren Zeitraum. Wählt der Benutzer nun kleinere Zeiträume, wie im Beispiel der Abbildung 7, sieht er die jeweiligen Anteile an der Anzahl der gesamten Vorkommnisse und kann diese miteinander vergleichen.

Figure 7: Das normalisierte Balkendiagramm dient der Darstellung des Anteils ausgewählten Zeiträume an der Anzahl der gesamten Vorkommnisse eines spezifischen Buzzwords. Abgebildet ist sowohl die Einzelansicht (links) als auch die Vergleichsansicht (rechts).

Top 5 Emojis (Donut Chart)

Bei der Auswahl der Visualisierungstechnik für das Nutzungsverhalten der Emojis fiel unsere Wahl auf ein klassisches Donut Chart. Dies hatte den Hintergrund, dass eine derartige Visualisierung sehr gut geeignet ist, um die Anteile einzelner Elemente an einer Gesamtsumme zu veranschaulichen. Ein Pie Chart hätte die gleiche Funktionalität geboten, fiel jedoch aufgrund des im Vergleich eher mächtigen Erscheinungsbildes recht schnell aus dem Rennen. Der Hauptgrund für die Begrenzung auf die ersten fünf Emojis der Rangliste war, dass wir somit jederzeit eine gute Leserlichkeit des Diagramms gewährleisten können.

Durchschnittliche Tagesaktivität (Circular Area Chart)

Das Circular Area Chart ist eine häufig verwendete Visualisierungstechnik, wenn es um das Darstellen zeitlich bezogener Aktivitätsverhältnisse geht, da es ähnlich einer Uhr zu lesen ist. Aufgrund der etwas unüblichen Einteilung in 24 Stunden, statt der herkömmlichen 12 einer Uhr, kann dieses Diagramm auf den ersten Blick etwas schwer zu lesen sein. Um dem entgegenzuwirken, verwendeten wir zusätzlichen eine Markierung der Tagesabschnitte durch sowohl farbliche Halbkreise, welche eine Unterteilung in Tag und Nacht darstellen sollen, als auch eine numerische Skala am äußeren Rand des Diagramms. Wie in Abbildung 8 zu sehen, ist das Circular Area Chart hervorragend für den Vergleich zweier unterschiedlicher Zeiträume geeignet, da sich die jeweils farblich hervorgehobenen Flächen, anhand ihrer Größe und Position vergleichen lassen.

Figure 8: Die durchschnittliche Tagesaktivität wird in einem Circular Area Chart dargestellt, welches einer herkömmlichen Uhr ähnelt. In der Vergleichsansicht (rechts) liegen die beiden Aktivitätsbereiche übereinander und können somit optimal verglichen werden.

UI/UX - Detailentscheidungen

Farbschema

Angelehnt an die WhatsApp Farbpalette entschieden wir uns dafür, ebenfalls Grüntöne als Grundfarben für unser Dashboard zu wählen. Um den Unterschied zwischen den beiden Zeiträumen in der Vergleichsansicht visuell hervorzuheben, wählten wir Blautöne, in ähnlicher Abstufung. Zum Setzen von Akzenten kam zunächst ein kräftiger Rotton (s. Abb. 9) zum Einsatz, welcher jedoch letztendlich durch einen, zum restlichen Farbschema weniger komplementären, Gelbton, für das Markieren von Merkels Ansprache, und einer weißen Trendlinie ersetzt wurde (s. Abb.11).

Figure 9: Durch die rote Farbe hebt sich die Trendlinie vom Rest des Diagramms ab.

Das Layout

Abweichend von unseren ersten Prototypen, entschieden wir uns letztendlich dafür, das gesamte Dashboard horizontal in zwei Bereiche zu unterteilen. Im oberen Bereich befinden sich die Elemente, welche dem Nutzer zunächst einen Gesamtüberblick bieten sollen und zugleich zur Steuerung des Dashboards angedacht sind. Dazu gehören der quantitative Gesamtüberblick, über sowohl Nachrichtenmenge als auch Angaben über geschriebene Wörter, und das Nachrichtenmengen-Diagramm, in welchem die zentralen Steuerungselemente des Dashboards enthalten sind. In der unteren Hälfte sind die drei Detaildiagramme platziert, welche nicht individuell gesteuert werden können, sondern sich dynamisch den oben ausgewählten Zeiträumen anpassen. Somit sind alle Steuerungselemente in der oberen Hälfte zentralisiert, was eine erleichterte Bedienung für den Benutzer darstellt.

<figcaption >Figure 10: Das fertige Dashboard, hier in der Vergleichsansicht, besteht aus einem Übersichtsbereich (obere Hälfte) und einem Bereich mit Detaildiagrammen (untere Hälfte).

Zur Visualisierung des Emoji-Diagramms in der Vergleichsansicht entschieden wir uns, im Gegensatz zu den übrigen Diagrammen, für eine Trennung in zwei separate Donut Charts (s. Abb. 10). Dies hatte den Hintergrund, dass durch eine gemeinsame Darstellung beider Zeiträume in einem Diagramm, immer einer der beiden Ringe optisch kleiner gewesen wäre. Dies hätte unter Umständen zu einer Verfälschung bei der Interpretation der Größenverhältnisse geführt.

Typografie

Für den Dashboard-Titel, die Benutzerauswahl und die Überschriften entschieden wir uns für eine sehr plakative Schriftart, welche bei Google-Fonts unter dem Namen Anton zu finden ist. Für das restliche Dashboard wählten wir die feine, serifenlose und gut leserliche Schrift Roboto(ebenfalls von Google-Fonts) aus, welche aufgrund dessen nicht zu sehr ins Auge sticht und somit eine möglichst geringe Ablenkung von den eigentlichen Diagrammen darstellt.

Interaktionen

Die Hauptinteraktion, welche zwischen dem Nutzer und unserem Dashboard entstehen soll, ist das individuelle Auswählen von Zeiträumen. Dies geschieht durch Drag and Drop Schieberegler, welche auf der Zeitachse des zentralen Steuerungsdiagramms lokalisiert sind und es dem Nutzer ermöglichen, Zeiträume zwischen 2 und 121 Tagen auszuwählen.

Figure 11: Die Schieberegler unterhalb des Nachrichtenmengen-Diagramms bieten dem Nutzer die Möglichkeit individuell Zeiträume auszuwählen.

Durch das Wechseln in die Vergleichsansicht (s. Abb. 11) besteht darüber hinaus die Möglichkeit, mit zwei Schieberegler-Paaren sowohl gleich lange als auch unterschiedliche Zeiträume miteinander zu vergleichen. Um das Auswählen von Zeiträumen gleicher Länge zu erleichtern, findet sich im Bereich des Gesamtüberblickes (s. Abb. 4) eine Angabe über die Anzahl der aktuell ausgewählten Tage. Darüber hinaus bietet das Dashboard an vielen Stellen die Möglichkeit über Elemente einzelner Diagramme zu hovern. Beispielhaft hierfür ist in Abbildung 12 das Hovern über einen einzelnen Tag im Nachrichtenmengen-Diagramm abgebildet. Diese Interaktion bietet dem Nutzer die Möglichkeit, sich die Nachrichtenmenge als absolute Zahl anzeigen zu lassen. Ein Dropdown-Menü am rechten oberen Bildschirmrand (s. Abb. 10) ermöglicht es dem Nutzer zudem, zwischen den Datensätzen der verschiedenen Nutzer zu wechseln.

Figure 12: Beim Hovern über einen Balken wird ein Dialog sichtbar, welcher die Anzahl der Nachrichten des jeweiligen Tages anzeigt.

Implementierung

Innerhalb unserer Gruppe ergab sich recht schnell der allgemeine Konsens, dass wir eine Desktop optimierte Webanwendung entwickeln möchten. Das grundlegende Gerüst wurde mit HTML und CSS entwickelt. Darauf aufbauend kam das JavaScript Framework D3 zu Einsatz, welches eines der bekanntesten Visualisierungs-Frameworks ist und sich in unserem Entscheidungsprozess, aufgrund seiner Vielfältigkeit und guten Lernkurve, schnell gegen Alternativen wie Google Charts und Toast UI Charts durchgesetzt hat. Zur Umsetzung der Drag and Drop Funktionalität kam darüber hinaus die Library JQuery UI zum Einsatz. Wir entschieden uns bewusst dafür, kein zusätzliches serverseitiges Framework zu verwenden und die Datenaufbereitung innerhalb des Dashboards, komplett clientseitig, in D3 abzuwickeln. Mit ein Grund für diese Entscheidung war, dass sich unser Dashboard bei jeder Änderung der ausgewählten Zeiträume komplett aktualisieren muss. Da dieser Vorgang, bei einer wie von uns angedachten Nutzung sehr häufig vorkommt, wollten wir so vermeiden, dass die Webseite jedes Mal neu geladen werden muss und so ein flüssiger Workflow des Benutzers behindert würde.

Erkenntnisse

Im Folgenden wird auf jede der vier Fragestellungen einzeln eingegangen und erläutert, welche Erkenntnisse mithilfe unseres Dashboards zu erlangen sind. Als Anhaltspunkt für den Vergleich wählten wir das Datum der Ansprache der Bundeskanzlerin vom 18.03.2020. Die hier aufgeführten Erkenntnisse und die darauf aufbauenden Schlussfolgerungen basieren lediglich auf den drei Datensätzen, welche von Mitgliedern unserer Gruppe und deren Bekannten stammen. Somit sind sie keinesfalls repräsentativ für das Chatverhalten größerer Bevölkerungsgruppen.

• Wie hat sich die Nachrichtenmenge nach dem Social Distancing verändert? Entgegen unseres intuitiven Verdachts, dass aufgrund des Social Distancing die Kommunikation über Messenger Dienste wie WhatsApp zunehmen müsse, konnten wir bei zwei unserer drei Datensätze feststellen, dass die Nachrichtenmenge pro Tag tendenziell eher rückläufig war. In Zahlen ausgedrückt belief sich besagter Rückgang, im Vergleich zum Zeitraum vor Merkels Ansprache, auf 25 - 30 %. Lediglich bei einem der drei Nutzer ließ sich ein leichter, jedoch kaum merkbarer, Zuwachs von ca. 2 % in der Menge der gesendeten Nachrichten verzeichnen.

• Wie sieht das Nutzungsverhalten von bestimmten Corona-Buzzwords aus? Hier ließ sich vor allem in Bezug auf die beiden Begriffe “Virus” und “Corona” eine interessante Entwicklung beobachten. Bei allen drei Nutzern, deren Daten uns zur Verfügung standen, stellte sich heraus, dass der Begriff “Virus” fast ausschließlich im Zeitraum vor Merkels Ansprache und hingegen der Begriff “Corona” fast ausschließlich im danach verwendet wurde. An dieser Stelle stellten wir die Vermutung auf, dass, zu Beginn der Pandemie, im täglichen Sprachgebrauch größtenteils “vom unbekannten Virus” gesprochen wurde und sich die Bezeichnung Corona erst im Laufe der Zeit durchsetzte und „den Virus“ ablöste.

• Lässt sich anhand der verwendeten Emojis eine Veränderung des Stimmungsbildes ableiten? Leider ließ der Umfang unserer Daten keine zufriedenstellende Analyse einer möglichen Änderung im Stimmungsbild zu. Dies lag unter anderem daran, dass diese durchweg sehr einseitig durch das Herz-Emoji dominiert wurden. Wir vermuten jedoch, dass bei einer deutlich höheren Anzahl an Datensätzen eine solche Auswertung durchaus sinnvoll wäre und interessante Ergebnisse liefern könnte.

• Zu welcher Tageszeit wird WhatsApp am häufigsten verwendet? Insgesamt verteilt sich die Chat-Aktivität unserer Nutzer auf einen Zeitraum von 05:00 bis 24:00 Uhr, wobei sich die Ballungspunkte eher im Bereich zwischen 8:00 und 22:00 Uhr befinden. Bei zwei der drei Datensätze lässt sich ein leichter Rückgang der Aktivität innerhalb der späten Abendstunden erkennen. Darüber hinaus ist die generelle Verteilung recht konstant geblieben.

Fazit

Wenngleich wir nicht alle der von uns formulierten Fragestellungen zu unserer vollsten Zufriedenheit beantworten konnten, sind wir mit dem letztendlichen Ergebnis unseres Projektes sehr zufrieden. Unser Prototyp ermöglichte es uns, unsere Forschungsfragen detailliert zu untersuchen und bietet darüber hinaus sicherlich noch reichlich Erkenntnisse, deren Entdeckung bisher noch offengeblieben ist. Wir laden Sie als Leser daher recht herzlich ein, die von uns gesammelten Daten selbst zu explorieren und gegebenenfalls eigene Nachforschungen anzustellen.

Ausblick

Sollte diese Arbeit weitergeführt werden, wäre es aus unserem Standpunkt durchaus sinnvoll, dies mit einer deutlich höheren Anzahl an Datensätzen zu tun. Dies hätte zur Folge, dass die darauf basierenden Analysen sowohl an Repräsentativität gewinnen würden als auch detailreichere Erkenntnisse bieten sollten. Darauf aufbauend wäre es ratsam, Durchschnittsdatensätze zu bilden und so die einzelnen Nutzer nicht mehr isoliert zu betrachten, was bei einer deutlich erhöhten Anzahl zudem nicht mehr praktikabel wäre. Diese ließen sich auch in verschiedene Altersgruppen und oder nach Geschlecht unterteilen, was weitere Analyseansätze herbeiführen würde.