NaNaLe

Online-Diskurse in Social Media, Blogs und Bewertungsplattformen bilden heute zentrale Räume, in denen Verbraucherinnen und Verbraucher über Lebensmittel diskutieren, urteilen und Erfahrungen austauschen. Es fallen riesige Mengen an Textdaten an, die systematisch analysiert werden können, um so verlässliche Muster zu identifizieren und über längere Zeiträume hinweg zu verfolgen. Die Texte sind oft kurz, fragmentarisch und stark kontextabhängig; unterschiedliche Sprachen, Slang, Emojis und Hashtags erschweren die Verarbeitung und Auswertung. 

Trotz dieser Heterogenität liefern diese Daten wertvolle Einsichten in Einstellungen, Werte und Erwartungshaltungen rund um Nachhaltigkeitsthemen wie Bio, Tierwohl, Regionalität, Verpackung oder Vermeidung von Lebensmittelverlusten. Die Herausforderung besteht darin, Muster in großen Textmengen zu identifizieren, die eine systematische, theoriegeleitete Einordnung in Narrative ermöglichen ohne die feinen Bedeutungsnuancen zu verlieren.

Das Ziel ist es, aus dem umfangreichen Textmaterial dominante Themen zu identifizieren darzustellen, wie sich Einstellungen und Emotionslagen über Zeiträume hinweg verändern. Neben der bloßen Themenverteilung lassen sich Tonalität, Zielgruppenpositionen und Konfliktlinien analysieren: Wer argumentiert wofür (z. B. Preis versus Nachhaltigkeit), welche Rollen werden in Narrativen besetzt (Handel, Konsumentinnen, Landwirte) und welche Lösungsangebote werden vorgeschlagen. Netzwerkanalysen ermöglichen die Verknüpfung von Begriffen und Ideen. Die Ergebnisse der Analysen liefern Hinweise für die Wirkung von online-Kommunikationsstrategien zum Thema Nachhaltigkeit seitens des LEHs.

Das Vorgehen setzt auf eine mehrstufige Textanalyse, die moderne KI-gestützte Verfahren mit klassischen Textanalyse-Methoden verbindet. Zunächst erfolgt eine standardisierte Vorverarbeitung der Texte (Spracherkennung, Normalisierung, Lemmatisierung, Umgang mit Emojis/Hashtags). Zentraler Bestandteil ist eine KI-gestützte themenorientierte Auswertung und Clustering der vorhandenen Texte. Im Vergleich zu rein lexikalischen Ansätzen ermöglicht das Vorgehen eine kontextualisierte Themen- und Emotionsanalyse über Plattformen und Zeiträume hinweg, inklusive Frames (Problem, Ursache, Bewertung, Empfehlung) und narrativen Bausteinen (Rollen, Konflikte, Lösungsangebote).