Studies demonstrate displacement effects of digital media use on time spent on school-related obligations; yet, it remains unclear how these effects translate into academic performance. This study addresses this gap by employing data fusion to integrate the German Time-Use Survey (2012/13) and the National Educational Panel Study (NEPS, 2011). The Time-Use Survey provides detailed media activity data, whereas NEPS offers comprehensive performance data but not time-use information. Against the prerequisites of data fusion, this study explores how merging these datasets using multiple imputation techniques can be a cost-effective solution for investigating the effects of media time on academic performance. The findings highlight the necessity for compatibility in datasets, adequate sample sizes, and robust theoretical models to enhance data fusion accuracy. At the conference, we will suggest potential strategies for overcoming these challenges, providing insights for future research utilizing data fusion to explore the impacts of media use on academic performance.

Die Studie geht der Frage nach, wie sich Datenfusionen in einer wissenschaftlich nachvollziehbaren Weise nutzbar machen und in ihrer Gute prüfen lassen.

Dazu wird der Versuch unternommen, die Ergebnisse einer publizierten Allbus-Studie (Westle 2020) mit drei fusionierten Datensätzen zu replizieren. Datenbasis sind dabei zwei per Zufall gezogene Datenhälften des Allbus 2018. Als gemeinsame Variablen fungierten neun Variablen, die in der zweiten Allbushälfte belassen wurden, die Inhalte aller anderen Variablen wurden gelöscht und mit drei Imputationsverfahren mit Werten auf Basis der ersten Hälfte „aufgefüllt“.

Die Ergebnisse werden die Brauchbarkeit der Datenfusionsverfahren indizieren. Es soll diskutiert werden, inwieweit das vorgestellte Prüfverfahren zur Qualität von Datenfusionen die generelle Skepsis gegenüber Datenfusionen verändern kann. Denkbar ist, insbesondere nach weiteren replikationsbasierten Hypothesentests, zukünftig Regressionsmodelle auf Basis der gemeinsamen Variablen von zwei Datensätzen als Prognoseinstrument für die Wahrscheinlichkeit von „echten“ Prüfmöglichkeiten bei den spezifischen Variablen zu nutzen.

The recent closure of APIs by major social media platforms has severely impacted independent research in Computational Social Science (CSS) and Computational Communication Science (CCS).

To address this issue, we propose a multi-purpose network sampling framework that utilizes both web scraping and platform APIs to collect topical and actor-based data sets. Our framework consists of

connectors, network layers, parsing rules, and sampling strategies, which can be combined to suit different research questions. We demonstrate the process using an example involving Telegram and YouTube,

where we aim to investigate the spreading of YouTube videos by Telegram channels.

In umfragenbasierter sozialwissenschaftlicher Forschung gilt die Rekrutierung per Probability-Sampling als Goldstandard. Aufgrund praktischer Herausforderungen werden jedoch oft Abstriche gemacht, was die Güte der Stichproben variieren lässt. Dieses Forschungsprojekt untersucht die Auswirkungen verschiedener Rekrutierungsmethoden auf Forschungsergebnisse einer kommunikationswissenschaftlichen Untersuchung zu generativer KI für politische Informationen im Kontext der Europawahl 2024 in Deutschland. Teilnehmer aus zwei unterschiedlichen Panels, einem Non-Probability- und einem Probability-Panel, beantworten einen identischen Fragebogen. Ziel ist es, Unterschiede in den Antworten und deren Zusammenhang mit den Rekrutierungsmethoden zu analysieren. Die Ergebnisse dieser Work-in-Progress-Untersuchung sollen Rückschlüsse auf die Reliabilität und Validität unterschiedlicher Panelarten ermöglichen und helfen, die Effizienz der Studienplanung zu verbessern. Methodologische und praktische Implikationen werden diskutiert. Die Datenerhebung läuft bis 09.06.2024, erste Ergebnisse werden im Sommer erwartet