Eine textbasierte Vermessung des Populismus für die Analyse von Parteienwettbewerb und politischem Verhalten
Das Projekt "Eine textbasierte Vermessung des Populismus für die Analyse von Parteienwettbewerb und politischem Verhalten" will in konzeptioneller, methodologischer und analytischer Hinsicht einen wissenschaftlichen Beitrag zur Erforschung von Populismus, Parteienwettbewerb und politischem Verhalten leisten. Eine Quantifizierung des Populismus erleichtert sowohl die wissenschaftliche Untersuchung als auch die gesellschaftliche Diskussion über Populismus und seine Ursachen oder Folgen. Im Rahmen des Projekts werden anhand der gewonnenen Informationen über den Grad des Populismus von Politikern und politischen Parteien Forschungsfragen zu politischen Konkurrenzmustern zwischen populistischen und Mainstream-Parteien sowie zu den Auswirkungen auf das individuelle politische Verhalten beantwortet. Das Projekt wendet statistische Modelle zur Messung von Populismus in politischem Text (Parteiprogramme, politische Reden und (soziale) Medien) an, überschreitet dabei kontextuelle und sprachliche Barrieren und trägt so zur Analyse der Ursachen und Folgen von Populismus bei.
Im Jahr 2024 wurde in Zusammenarbeit mit internen Partnern am MZES (Projekt B1.2111) ein DFG-Antrag ausgearbeitet. Nach interner Begutachtung wird dieser bei der DFG eingereicht. Weitere vorbereitende Schritte im Zusammenhang mit dem Projekt umfassen die Migration des bestehenden Political Documents Archive (polidoc.net) zu einer nachhaltig verfügbaren Shiny App, die am MZES gehostet wird, so dass künftig Parteiprogramme als eine der Textdatenquellen des Projekts aufgenommen werden können. Ein Papier zum Thema „Measuring Populism from Party Manifestos with Multilingual Context-Sensitive BERT“ wurde zur Präsentation am Jahreskongress der Schweizerischen Vereinigung für Politikwissenschaft im Januar 2025 angenommen. Es umfasst die Kodierung populistischer Aussagen nach einem kürzlich entwickelten Annotationsschema sowie das Training und die Evaluation von kontext- und sprachsensitiven maschinellen Lernmodellen.