Immer mehr Bereiche unseres alltäglichen Lebens umfassen digitale Interaktionen und den Austausch digitaler Inhalte. Für die Kommunikationswissenschaft gehen damit neue Chancen und Herausforderungen einher, mit denen sich das Forschungsgebiet der Computational Communication Science (CCS) befasst.
Aufgrund der enormen Datenmengen und überaus hohen Komplexität, wendet die CCS interdisziplinäre Methoden wie das maschinelle Lernen an, um die bei digitalen Interaktionen entstehenden Daten zu analysieren. Da das maschinelle Lernen jedoch eine Vielzahl an Methoden umfasst, die sich in ihren Funktionsweisen, Anwendungsmöglichkeiten und der Eignung für wissenschaftliche Forschungen unterscheiden können, wird in dieser Forschungsarbeit eine Auswahl verschiedener Methoden untersucht.
Neben der theoretischen Auseinandersetzung erfolgt eine Evaluierung dieser Methoden am exemplarischen Beispiel der Vorhersage von Songpräferenzen durch Daten des Streamingdienstes Spotify. Es zeigt sich, dass sich mit allen der zu untersuchenden Methoden Modelle erstellen lassen, die zu sehr guten Ergebnissen führen können. Dennoch bestehen teilweise große Unterschiede zwischen den Ergebnissen der Methoden und vor allem zwischen den Ergebnissen der einzelnen Personen. Deutlich wird, dass sich mit komplexeren Methoden, die eine geringere Erklärbarkeit und intersubjektive Nachvollziehbarkeit ermöglichen, zwar die besten Ergebnisse erzielen lassen, die weniger komplexeren Methoden jedoch ebenfalls gute bis sehr gute Ergebnisse liefern können. Es bestätigt sich, dass neben den technischen Ergebnissen weitere Aspekte und der konkrete Anwendungsfall ausschlaggebend für die Auswahl der Methoden und Modelle sind.