TY - THES A1 - Reelfs, Jens Helge T1 - Content & user behavior in anonymous hyperlocal online platforms T1 - Inhalt & menschliches Verhalten auf anonymen hyperlokalen online Plattformen N2 - Nowadays day-to-day digital communication and social life has only fortified with the ongoing pandemic. People enjoy communication and information across various (direct) messaging platforms and accepted its ever-increasing impact on public discourse and society. While traditional platforms implement user profiles enabling social credit, the landscape also includes anonymity. Yet, a new type of application combining anonymity with a strong spatial focus, hyperlocality, emerged over recent years. To this point, platform implications of both uniquely combined design properties largely remain unknown. In this thesis, we provide a first data-driven holistic view on Jodel that combines both properties. We leverage unbiased complete ground truth information to dissect a plethora of communities across two different countries: Germany and the Kingdom of Saudi Arabia. This work follows a platform perspective identifying four major essentially important areas revolving around the individual. That is, we begin with a broad analysis of three User Adoption processes along three different applications. After discussing our measurements of the user base adoption of the German COVID-19 digital contact tracing application, we provide evidence of well-established platforms being re-purposed as a side channel to evade censorship in the ongoing Russo-Ukrainian hybrid war. We further showcase that the very same platform ingredients may yield vastly different outcomes on the messaging app Jodel. While any online platform builds upon User Interactions, we structurally characterize Jodel behavior across both countries. We discuss structural disparities and detail platform implications - solely induced by local user behavior. An in-depth look into the Saudi community landscape closes a research gap to platform usage in a different society, identifying differences. Further, we discuss User Content analyzing information diffusion. Taking content to the next level, we developed a multidimensional classification scheme for intents (why) and topics (what) of social media messages and provide details of a crowdsourced campaign for Saudi Arabian contents. With neural word embeddings as a tool for making text tangible and the prevalence of emoji in social media communication, we discuss quantitative and qualitative insights to word-emoji embeddings reflecting semantics. Additionally, we make such embeddings interpretable and provide evidence that our method is well in line with human judgement. In terms of User Management, we detail insights to distributed moderation processes and model the threat of abusive content. In the long term, platforms need to establish a sustainable, preferably growing, environment. That is, we next discuss user lifetime and possibly early churn factors, while modeling user lifetime from metadata. We finish with a blueprint of data-driven long-term quality of experience analyzes in a controlled massively multiplayer online game (MMOG) environment. N2 - Heutzutage hat sich die alltägliche Kommunikation im digitalen sozialen Leben durch die Pandemie nur noch verstärkt. Kommunikation und Informationen sind verfügbar über verschiedene (direkte) Nachrichtenplattformen. Der immer stärker werdende Einfluss auf den öffentlichen Diskurs und Gesellschaft wird weitläufig akzeptiert. Während die meisten Plattformen auf Nutzerprofile setzen und damit soziale Anerkennung ermöglichen, bleiben andere anonym. Eine neue Art von Anwendung kombiniert Anonymität mit einem starken räumlichen Fokus, der Hyperlokalität. Auswirkungen dieser einzigartigen Kombinationen auf die Plattform weitgehend unbekannt. In dieser Arbeit zeigen wir eine erste datengetriebene ganzheitliche Sicht auf die Jodel Plattform, die beide Eigenschaften kombiniert. Wir nutzen Ground-Truth-Informationen, um eine Fülle von Gemeinschaften in zwei verschiedenen Ländern zu analysieren: Deutschland und dem Königreich Saudi-Arabien. Das Werk folgt einer Plattform-Perspektive bestehend aus vier großen Bereichen rund um das Individuum. Wir beginnen mit einem breit angelegten Diskurs zu drei User Adoption-Prozessen verschiedenerAnwendungen. Nachdem wir Messungen des zur Nutzerakzeptanz der deutschen Anwendung zur digitalen Ermittlung von Kontaktpersonen erörtert haben, zeigen wir auf, wie etablierte Plattformen als Seitenkanal zur Umgehung von Zensur im aktuellen russisch-ukrainischen Hybridkrieg genutzt werden. Ferner zeigen wir insbesondere, dass identische Plattformeigenschaften bei der Nachrichtenanwendung Jodel zu sehr unterschiedlicher Nutzung führen können.Da jede Online-Plattform auf User Interactions aufbaut, charakterisieren wir im Weiteren das Nutzerverhalten auf Jodel in beiden Ländern. Wir erörtern strukturelle und Nutzungsunterschiede, die ausschließlich auf das lokale Nutzerverhalten zurückzuführen sind. Mit einem detaillierten Blick in die saudische Gemeinschaftslandschaft schließen wir eine geografische und gesellschaftliche Forschungslücke zur Plattformnutzung. Darüber hinaus erörtern wir User Content und analysieren die Informationsverbreitung. Wir entwickeln ein mehrdimensionales Klassifizierungsschema für Intentionen (warum) und Themen (was) innerhalb sozialer Medien und stellen unseren Crowdsourced-Vergleich saudi-arabischer Inhalte vor. Mit neuronalen Worteinbettungen als Werkzeug diskutieren wir quantitative und qualitative Erkenntnisse zu Wort-Emoji-Einbettungen, die Semantik widerspiegeln. Ferner interpretieren wir diese Einbettungen algorithmisch und zeigen menschliche Akzeptanz. Im Hinblick auf User Management geben wir detaillierte Einblicke in verteilte Moderationsprozesse und modellieren die Bedrohung durch missbräuchliche Inhalte. Um plattformweit ein gesundes Klima zu erhalten, erörtern wir weiter die Nutzer-Lebensdauer und modellieren diese anhand von Metadaten. Wir schließen mit einem Entwurf für datengestützte QoE-Langzeitanalysen in kontrollierten Massively Multiplayer Online Game (MMOG)-Umgebungen. KW - Dissertation KW - Anonymity KW - Hyperlocality KW - Online social platforms KW - Human behavior KW - Anonymität KW - Hyperlokalität KW - Soziale Online-Plattformen KW - Menschliches Verhalten KW - Deutschland KW - Saudi-Arabien KW - Social Media KW - Kommunikation KW - Anonymität KW - Verhalten Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-63754 ER - TY - THES A1 - Bergmann, Max T1 - A machine learning approach for churn prediction within the social network Jodel T1 - Ein Machine-Learning-Ansatz zur Vorhersage der Abwanderung von Nutzern am Beispiel des Sozialen Netzwerkes Jodel N2 - Within the last decades, the number of social networks is growing fast. The competition of retaining the customers to grow their platform and increase their profitability is rising. That is why companies need to detect possible churners to retain these. The problem of predicting the users’ lifetime, churning users, and the reasons for churning can be tackled by using machine learning. The goal of this bachelor thesis is to build machine learning models to predict user churn and the user lifetime within the social network Jodel, a location-based anonymous messaging application for Android and iOS. To get the best possible prediction results, we have started with extensive literature research, whose approaches we have tested and added to a machine learning pipeline to build predictive models. With these models, we have investigated the performance after different observation time windows and have finally compared the strongest models to detect similarities and understand the insights to learn their behaviour. The results of this thesis are machine learning models for a selected representative set of communities varying in size within the Kingdom of Saudi Arabia and a country model leveraging all data. These models are used for a regression task by predicting the lifetime of a user and a multi-label classification of a user into six different churn classes. Additionally, we have also given models for a binary classification, where the model will predict if the user will churn within a given time or not. These models have shown general strong predictive power, which is shrinking when limiting the observation time window. Especially the binary classification yielded high accuracy of over 99%. The best models have been used for predicting user churn within other communities to detect communities with possible similar behaviour. These similarities then have been determined by features’ importance, where the most important features have got fed back into empirics. This has shown statistically significant differences between user groups with a different active time but as of today no clear trends were visible that had led us to define the communities’ behaviours. Since the competition of social networks is still growing, the retaining of users will stay a core marketing strategy, which will need to be tackled by machine learning and artificial intelligence. The created models could be useful for predicting churning users within the platform Jodel to detect these customers that will churn within a given time. Researches did not focus much on anonymous and location-based messaging. That is why the results of this thesis on the anonymous messaging application Jodel opens a variety of possible tasks for the future in this context. N2 - In den letzten Jahrzehnten ist die Zahl der sozialen Netzwerke schnell gewachsen. Der Wettbewerb um die Bindung der Kunden, um die Plattform zu vergrößern und die Rentabilität zu steigern, nimmt zu. Aus diesem Grund müssen Unternehmen mögliche Abwanderer erkennen, um diese zu binden. Das Problem der Vorhersage der Nutzerlebensdauer, der abwandernden Nutzer und der Gründe für die Abwanderung kann mit Hilfe von maschinellem Lernen angegangen werden. Ziel dieser Bachelorarbeit ist es, maschinelle Lernmodelle zur Vorhersage der Nutzerabwanderung und der Nutzerlebensdauer innerhalb des sozialen Netzwerks Jodel, einer ortsbezogenen anonymen Messaging-Anwendung für Android und iOS, zu erstellen. Um die bestmöglichen Vorhersageergebnisse zu erhalten, haben wir mit einer umfangreichen Literaturrecherche begonnen, deren Ansätze wir getestet und zu einer maschinellen Lernpipeline hinzugefügt haben, um Vorhersagemodelle zu erstellen. Mit diesen Modellen haben wir die Leistung nach verschiedenen Beobachtungszeitfenstern untersucht und schließlich die stärksten Modelle verglichen. Die Ergebnisse dieser Arbeit sind maschinelle Lernmodelle für eine ausgewählte repräsentative Gruppe von Gemeinden unterschiedlicher Größe im Königreich Saudi-Arabien und ein Ländermodell, das alle Daten nutzt. Diese Modelle werden für eine Regressionsaufgabe verwendet, bei der die Lebensdauer eines Benutzers vorhergesagt wird, sowie für eine Multi-Label-Klassifizierung eines Benutzers in sechs verschiedene Abwanderungsklassen. Darüber hinaus haben wir auch Modelle für eine binäre Klassifizierung erstellt, bei der das Modell vorhersagt, ob der Nutzer innerhalb einer bestimmten Zeit abwandert oder nicht. Diese Modelle haben eine allgemein starke Vorhersagekraft gezeigt, die mit der Einschränkung des Beobachtungszeitfensters abnimmt. Insbesondere die binäre Klassifizierung ergab eine hohe Genauigkeit von über 99 %. Die besten Modelle wurden für die Vorhersage der Nutzerabwanderung in anderen Gemeinschaften verwendet, um Gemeinschaften mit möglicherweise ähnlichem Verhalten zu ermitteln. Diese Ähnlichkeiten wurden dann anhand der Wichtigkeit der Merkmale bestimmt, wobei die wichtigsten Merkmale in die Empirie zurückgeführt wurden. Dies hat statistisch signifikante Unterschiede zwischen Nutzergruppen mit unterschiedlicher Aktivitätszeit gezeigt, jedoch ohne klare Trends zur Definition von Verhaltensweisen der Gemeinschaften. Da die Konkurrenz unter den sozialen Netzwerken weiterwächst, wird die Bindung von Nutzern eine zentrale Marketingstrategie bleiben, die durch maschinelles Lernen und künstliche Intelligenz angegangen werden muss. Die erstellten Modelle könnten für die Vorhersage von abwandernden Nutzern innerhalb der Plattform Jodel nützlich sein, um die Kunden zu erkennen, die innerhalb einer bestimmten Zeit abwandern werden. KW - Machine learning KW - Churn prediction KW - Neural networks KW - Python KW - Feature engineering KW - Maschinelles Lernen KW - Online-Community KW - Prognose KW - Maschinelles Lernen KW - Abwanderungsvorhersage KW - Neuronale Netze KW - Klassifizierungsbäume KW - Regressionsbäume Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-60878 ER -