DGNet Methodenschule 2026

Track P: Data Science Methoden für die Analyse Sozialer Netze

Im Track P werden wir die Programmiersprache Python und einige dazu gehörende Programmpakete nutzen, um Graphen („Netzwerke“) aus verschiedenartigen Quellen zu erstellen, zu analysieren und zu visualisieren. Python ist „die“ Programmiersprache für Arbeiten im Bereich Data Science, weshalb es sinnvoll erscheint, sie auch in der Netzwerkforschung einzusetzen (Prof. Dr. Norbert Luttenberger, Uni Kiel).

Kurs P-1 „Python Basics“ (Donnerstag). Jupyter Notebooks als Programmierumgebung. Python-Variable und zugehörige Datentypen. Arithmetische, relationale, boolesche Operatoren. IF – THEN – ELSE – ELIF. Lists und FOR-loops, loop comprehension. Dateien lesen und schreiben. Einfache Tastatureingaben. Funktionen, Klassen und Objekte. Einführung in das Programmpaket pandas zur Bearbeitung von Tabellen.

Kurs P-2 „Python for Graphs“ (Freitag). Dieser Kurs hat den Fokus auf der Verbindung von Graphentheorie und praktischer Programmierung anhand von drei beispielhaften Datensätzen. Im Einzelnen: Vertiefung im Programmpaket pandas. Datenbereinigung mit pandas. Einführung in das Programmpaket NetworkX. Elemente der Graphentheorie. Erzeugung eines Graphen aus einer Liste von Knoten und Kanten („GoT graph“). Bipartite Graphen und Projektion. Erzeugung von Graphen aus dem „Netflix Streaming Dataset“. Analyse und Visualisierung dieser Graphen. Elemente der Verarbeitung natürlicher Sprache: Lemmatisierung und Vektorisierung. Erzeugung von Graphen aus dem Korpus der Amtseinführungsreden der amerikanischen Präsidenten. Analyse und Visualisierung dieser Graphen (Prof. Dr. Norbert Luttenberger, Uni Kiel).

Track Q: Qualitative Netzwerkanalyse

Kurs Q-1: Best Practices-Workshop: Wie beginne ich mit der Datenerhebung? Wie gehe ich mit den ersten Hürden um? Wie verorte ich meine Datenbasis netzwerktheoretisch? Welche Analysen und Visualisierungen machen im Hinblick auf welche Fragestellung Sinn? – Getreu dem Motto, dass aus der Praxis die besten Lösungsvorschläge erwachsen, werden wir in diesem Modul Praxisbeispiel aus aktueller Forschung von der historischen Quellen über den Zeitungstexte bis hin zu fragebogengestützten Interviews und Social Media kennenlernen und deren detaillierte Erhebung, qualitative Analyse und finale Visualisierung diskutieren (Prof. Dr. Melanie Nagel, Uni Heidelberg/Uni Tübingen; Dr. Maria Rammelmeier, hwst; Universitätsarchivar Daniel Reupke, Uni Bayreuth; NN).

Kurs Q-2: Hands-on-Workshop: Gemeinsam mit Melanie Nagel wird die Datenerhebung aus Texten, deren Analyse mit dem Discourse Network Analyzer (DNA) und ihre Visualisierung mit Visone erlernt. Danach bauen wir mit Daniel Reupke niedrigschwellig eine Datenbasis aus historischen Quellen, analysieren und visualisieren diese mit Online-Applikationen.

Track R: Quantitative Analyse Netzwerkdaten:

Kurs R-1: Datenerhebung von egozentrischen und soziometrischen Netzwerkdaten: Dieses Modul vermittelt zentrale methodische Prinzipien und praktische Strategien der Datenerhebung in der empirischen Netzwerkforschung. Im Mittelpunkt stehen Feldforschungspraktiken zur Erhebung egozentrischer und soziometrischer Netzwerkdaten in unterschiedlichen sozialen Kontexten, etwa in Schulklassen, Organisationen oder lokalen Gemeinschaften. Behandelt werden unter anderem Fragen der Netzwerkspezifikation (boundary specification), die Formulierung von Namensgeneratoren und Namensinterpretatoren, Strategien zur Erhöhung von Teilnahmequoten in vollständigen Netzwerkerhebungen sowie typische Herausforderungen bei der Erhebung relationaler Daten. Ziel des Moduls ist es, Teilnehmenden eine fundierte Grundlage für die Planung und Durchführung eigener Netzwerkerhebungen zu vermitteln (Dr. Heike Krüger, RWTH Aachen & Universität zu Köln/Dr. Lydia Repke, GESIS – Leibniz Institute for the Social Sciences).

Kurs R-2: Exponential Random Graph Models (ERGMs): Ziel dieses Moduls ist es, eine praxisorientierte Einführung in Exponential Random Graph Models (ERGMs) zu bieten. In der ersten Sitzung des Moduls werden die Teilnehmer in die formale Notation vollständiger Netzwerke, die Berechnung grundlegender Netzwerkmetriken für Konzepte wie Zentralität und Segregation sowie die Erstellung und Speicherung von Netzwerkobjekten in statistischer Software eingeführt. Anschließend lernen die Teilnehmer die Modellarchitektur von ERGMs kennen (Sitzung 2) und sehen Anwendungsbeispiele für ERGMs in R für wissenschaftliche Kooperationsnetzwerke und Freundschaftsnetzwerke unter Jugendlichen (Sitzungen 3 & 4). (Prof. Dr. Mark Wittek, Central European University)