Geographische Migrationsforschung auf Basis von Fernerkundung und Social-Media-Daten

Kurzfassung

Menschliche Migration ist ein komplexes Phänomen das unsere Welt nachhaltig prägt. Es beschreibt die längerfristige Bewegung von Menschen von einem Ort zum anderen, oft auf der Suche nach besseren Lebensbedingungen oder aufgrund von Umweltveränderungen. Sowohl unsere Umwelt als auch die Gesellschaft interagieren permanent und nachhaltig mit den Bewegungen von Menschen. Städte spielen eine zentrale Rolle in diesem Prozess. Sie stellen nicht nur das Ziel der meisten Migrierten dar, auch die Menschheit als Ganzes befindet sich auf einer langfristigen Wanderung von vorwiegend ländlichen in vorwiegend urbane Regionen. Im Jahr 2025 sind die Ausmaße der Migration größer denn je, und insbesondere in Afrika schreitet das urbane Bevölkerungswachstum in großem Tempo voran. Für das Verständnis unserer Welt und ihres globalen Wandels ist es essenziell, diese wichtigen Prozesse zu ergründen. Die dafür notwendige geographische Forschung erfordert die großflächige und konsistente Erfassung von Migrationsfaktoren und -Effekten wie Umweltveränderungen, Naturgefahren, Städtewachstum, politischer Instabilität, Sicherheitsempfinden und wirtschaftlicher Leistungsfähigkeit. Fernerkundungsdaten von modernen satellitengestützten Erdbeobachtungssystemen können bereits viele physische Migrationsfaktoren oder -effekte in großem Stil und konsistent messen. Jedoch sind die gleichsam wichtigen soziokulturellen und individuellen Migrationsfaktoren nicht oder nur indirekt mit Bilddaten messbar. In dieser Hinsicht besteht eine Datenlücke, die u.a. durch Webdaten und speziell durch georeferenzierte Daten Sozialer Medien (GSM) reduziert werden könnte. Diese Daten sind größtenteils von Nutzenden auf öffentlichen Plattformen erstellte Textdaten, die mittels Geotags oder durch Geoparsing verortet und damit räumlich als Geodaten ausgewertet werden können. Eine gemeinsame Auswertung mit Fernerkundungsdaten im Kontext menschlicher Migrationsfaktoren ist daher vielversprechend, aber bislang noch nicht direkt erprobt. Vor diesem Hintergrund befasst sich diese Dissertation damit, den Beweis dafür zu erbringen, dass eine solche Integration der Datenquellen möglich und sinnvoll ist. Dabei werden Potenziale von GSM erörtert und kritisch in Bezug auf Abdeckung und Bias hinterfragt. Aufgrund der Dynamik des Forschungsgegenstandes und der interdisziplinären Natur der Migrationsforschung werden Methoden entwickelt, welche flexibel und modular sind. In dieser Hinsicht setzt sich die Dissertation von anderen Forschungssträngen ab, welche die Optimierung von Prozessketten für die Erfassung spezifischer Zielgrößen wie beispielsweise Bevölkerungsdichte oder Wirtschaftsleistung anstreben. Im Rahmen der Dissertation werden sechs Studien durchgeführt, welche sich drei thematischen Teilen zuweisen lassen: Teil A befasst sich mit der Verbindung von Fernerkundung und GSM im urbanen Raum. Studie A1 verbindet Baujahrkartierungen mit georeferenzierten Texten der Plattform Twitter. Dadurch kann belegt werden, dass in vielen Städten Afrikas eine bislang unbekannte digitale Disparität vorliegt, welche sich in einer höheren Dichte von Geotweets in älteren Stadtteilen äußert. Ferner kann belegt werden, dass diese Disparität im Zusammenhang mit dem Grad der Geplantheit und der Struktur der Siedlungen liegt, auch wenn die unterliegenden Kausalitäten in tiefergehenden Studien noch herausgearbeitet werden müssen. Für solch tiefergehende Studien im städtischen Raum leistet Studie A2 einen Beitrag, indem sie eine neuartige Methode zur Unterteilung von städtischem Raum in interpretierbare Zonen demonstriert. Durch Umwandlung von Text-Embeddings in ein Rasterformat können GSM gemeinsam mit Fernerkundungsdaten in räumlichen Clusterungs-Verfahren genutzt werden, um intra-urbane Raumeinheiten zu erstellen, welche sowohl physische als auch textinhaltliche Kohärenz aufweisen, und ähnlich wie Blocks, Nachbarschaften oder Bezirke interpretiert werden. Durch Aggregierung von Daten auf Ebene dieser Raumeinheiten kann die Visualisierung von Daten und interaktive Anwendungen in Mixed-Method Studien unterstützt, und die Kommunikation von Inhalten und Ergebnissen verbessert werden. Teil B testet die Ableitung von Mobilitätscharakteristika aus GSM und demonstriert deren Anwendbarkeit im Zusammenhang mit Textinhalten. Zahlreiche Studien befassen sich mit der Ableitung von Mobilitätsinformationen aus digitalen Spuren von Internetnutzenden. Die gemeinsame Auswertung von Mobilitätsinformationen und Textinhalten lässt im Migrationskontext jedoch noch bislang unausgeschöpftes Potenzial. Daher erbringt Studie B1 den Beweis, dass aus GSM abgeleitete Mobilitätstypen von Nutzenden in Bezug zu den von ihnen produzierten Textinhalten gesetzt werden können. Für Twitter-Nutzende mit nigerianischem Hintergrund zeigt sich, dass insbesondere internationale Mobilität mit einem höheren Interesse an bestimmten Themen wie beispielsweise Unterhaltung und Technologie einhergeht. Ferner zeigt Studie B2, dass auch lexikalische Merkmale lokaler Sprache algorithmisch identifiziert und in Bezug zu Mobilitätsinformationen der GSM-Nutzenden gesetzt werden können. Hierbei zeigt sich insbesondere eine Tendenz, dass die Nutzung nigerianisch-lokaler lexikaler Elemente des Englischen bei Emigrierten seltener ist als bei Nigerianern in Nigeria. Sowohl Mobilität als auch Sprachvariation stehen in Verbindung mit den Themen des Textes. Diese Ergebnisse bieten neue Einblicke in die Beziehung zwischen Sprache, Mobilität und Kultur, welche künftig mit Methoden der Sprachwissenschaft und Kulturwissenschaften vertieft werden können. Teil C ergründet aufgrund der Verbreitung von Themen als Analysestruktur mögliche inhaltliche Verzerrungen, welchen GSM bei der Nutzung von Themen unterliegen. Die Tendenzen von Themen, geographische Referenzen zu enthalten, wird in Studie C1 ergründet. Über einen großen Web-Korpus von Twitter, Reddit, Nairaland, Stackexchange, Web-Nachrichten und amerikanischen Journalen hinweg kann belegt werden, dass das Thema der Texte einen Einfluss auf die Wahrscheinlichkeit der Texte hat, verortbare Ortserwähnungen zu enthalten. Studie C2 demonstriert ferner, dass die Einflüsse von Themen sich unterscheiden können, je nachdem ob Geotags oder Geoparsing-Ansätze zur Verortung der Textinhalte genutzt werden. Übergreifend zeigt sich, dass zahlreiche Methoden zur algorithmischen Auswertung von digitalen Inhalten auch im Migrationskontext eingesetzt werden können. Insbesondere moderne Methoden des maschinellen Lernens ermöglichen die algorithmische Auswertung von großen Mengen an Textinhalten. Die hierdurch erzeugten Ergebnisse können räumlich in Verbindung zu Mobilitätscharakteristika und zu Fernerkundungsdaten gesetzt werden, um einen Mehrwert für geographische Forschung zu generieren. Es ist jedoch wichtig, die Limitationen dieser Methoden und der Daten zu berücksichtigen. Die geographische Auswertung von Textinhalten ist, wie Studien C1 und C2 belegen, von spezifischen Verzerrungen geprägt, die zusätzlich zu den gut dokumentierten demographischen Verzerrungen sozialer Medien auftreten. Die Repräsentativität von GSM-Daten muss daher kritisch hinterfragt werden und stellt, zusammen mit Problemen des Datenzugangs die wesentliche Limitation der in der Dissertation ergründeten Ansätze dar. Aus diesen Gründen können traditionelle Methoden wie in-situ Umfragen, Zensusdaten und qualitative Evaluationen keineswegs durch die in dieser Dissertation demonstrierten Methoden ersetzt werden. Vielmehr kann durch das Zusammenspiel dieser Methoden eine ergänzende und damit umfassendere und vollständigere Erfassung von Migration und Migrationsfaktoren gelingen. Die Perspektiven von Fernerkundung und Sozialen Medien erweisen sich in dieser Hinsicht als hochgradig komplementär. Ihre Verbindung kann, trotz der Herausforderungen, wertvolle Beiträge zur Erforschung von globaler Migration und Urbanisierung leisten.