2.1 Computergestützte quantitative Methoden in der Klimaberichterstattung

[7]In der Forschung zur Klimaberichterstattung wird die qualitative Inhaltsanalyse traditionell hochgeschätzt, da sie tiefe Einblicke beispielsweise in die journalistische Rahmung und Bildsprache des Klimawandels[28] sowie in die Verbreitung von Klima-Fehlinformationen[29] bietet. Quantitative Studien, die auf computergestützten Methoden wie der Verarbeitung natürlicher Sprache (Natural Language Processing) basieren,[30] erfahren bei der Untersuchung der Klimakommunikation zunehmende Beliebtheit. Mit Blick auf die rasante Entwicklung von Deep-Learning-Algorithmen und anderen automatisierten, computergestützten Methoden zu Topic Modeling[31] und Sentiment-Analyse[32] fordern Forschende einen integrativen und reflexiven Ansatz,[33] um sinnvolle und konstruktive Beiträge zur Forschung über die Klimaberichterstattung zu leisten. Angesichts der Stärken und Schwächen von Algorithmen muss anspruchsvollen Forschungsfragen mit entsprechender Sorgfalt begegnet werden.

[8]Eine häufig gewählte Methode zur quantitativen Analyse der Klimaberichterstattung ist Topic Modeling mithilfe von Latent Dirichlet Allocation (LDA)[34], bei der Topics als eine Liste aus Topic-Termen gebildet werden. Mithilfe dieser Methode konnten bereits verschiedene Aspekte der Klimaberichterstattung beleuchtet werden.[35] Der Nutzen von moderneren LDA-Adaptionen, beispielsweise das Dynamic Topic Model (DTM)[36], wurde für diesen Forschungsbereich noch nicht näher untersucht. In anderen Gebieten wurden jedoch bereits vielversprechende Ergebnisse mit DTM erzielt. Beispielsweise wurden Reden des deutschen Bundestages zum Thema Energiegewinnung aus Kohle zwischen 1949 und 2019 untersucht und der allmähliche Wechsel hin zum Kohleausstieg und der Notwendigkeit von erneuerbaren Energien dargestellt.[37] Ebenso konnten durch die Analyse der britischen Hansard-Aufzeichnungen[38] des 19. Jahrhunderts bisher unbeachtete, aber historisch relevante Ereignisse hervorgehoben werden.[39] In Bezug auf den Klimawandel wurde DTM genutzt, um den Einfluss der Klimaforschung auf die zwischen 1990 und 2014 veröffentlichten IPCC Reports zu untersuchen.[40] Internationale Unterschiede in der Berichterstattung zur COVID-19-Pandemie wurden über das Dynamic Embedded Topic Model (DETM), einer Erweiterung des DTM, näher beleuchtet.[41] Allerdings sind für das DTM Forschungsfragen ebenso reflexiv zu erarbeiten, wie es für alle quantitativen Methoden notwendig ist,[42] und es ist zu beachten, dass durch die zeitliche Komponente eigene Herausforderungen entstehen.[43]

[9]Bei der Anwendung der Sentiment-Analyse für Untersuchungen der Klimaberichterstattung handelt es sich noch um ein neues Forschungsfeld, dessen Möglichkeiten erst erprobt werden. So haben sich bisherige Publikationen lediglich mit der Polarität und den ausgedrückten Emotionen amerikanischer[44], britischer[45] und malaysischer[46] Zeitungen befasst, während weitere Sprachen noch nicht näher betrachtet wurden und zumeist nur über Abgleiche mit Sentiment-Lexika gearbeitet wurde.

2.2 Unterschiede der Berichterstattung Klimawandel und Klimaschutz

[10]Die Berichterstattung in den Medien konzentriert sich neben den Auswirkungen des Klimawandels auch auf den Klimaschutz, also lösungsorientierte Berichterstattung, wie man den Klimawandel bekämpfen kann. Dabei zeigt sich, dass es eine Disparität in der Aufarbeitung des Klimawandels und des Klimaschutzes gibt und sich Artikel in der Regel eher mit dem einen oder dem anderen Thema beschäftigen. Um dies zu veranschaulichen, werden in Tabelle 1 verschiedene Korpusgrößen von Zeitungsartikeln basierend auf unterschiedlicher Schlagwortsuche in der Datenbank WISO – einer Online-Datenbank, die von GBI-Genios bereitgestellt wird – gezeigt. Die Datenbank enthält Volltexte ausgewählter Fachzeitschriften, Artikel der Wochen- und Tagespresse sowie eBooks. Daraus ergibt sich, dass bei einer Grundgesamtheit von 88.036 Artikel die Schnittmenge aus Klimaschutz und Klimawandel nur 9.196 Artikel (etwa 10 %) umfasst. Somit kommen im Korpus ›Klimaschutz‹ in 33.762 Artikeln die Schlagworte ›Klimawandel‹, ›globale Erwärmung‹, ›Erderwärmung‹ und ›Klimakrise‹ nicht vor. Folglich findet die Berichterstattung zum Thema Klimaschutz zu weiten Teilen getrennt von der Berichterstattung zum Klimawandel statt.

3.1 Korpuserstellung und Beschreibung

[11]Der zur Analyse verwendete Datensatz besteht aus 42.853 (Stand Mai 2022) mittels des Suchbegriffs ›klimaschutz*‹ ausgewählten Artikeln, die zwischen dem 1. Januar 2002 und dem 31. Dezember 2021 veröffentlicht wurden. Die Artikel wurden manuell in Blöcken von 50 Artikeln heruntergeladen. Um die Anzahl der Downloads auf ein handhabbares Maß zu beschränken, wurden neun österreichische Zeitungen ausgewählt, welche die politische Bandbreite der nationalen Medienlandschaft angemessen abdecken und sowohl Tageszeitungen als auch Wochenzeitungen umfassen. Die heruntergeladenen HTML-Dateien enthalten neben dem Volltext das Veröffentlichungsdatum und, falls vorhanden, den Titel und das Abstract des Artikels.

3.2 Pre-Processing

[12]Vor der Durchführung der Analyse wurde der Datensatz von Fehlern infolge der Optical Character Recognition (OCR) bereinigt und normalisiert, um den Text für die weitere Verarbeitung vorzubereiten. Um Eigennamen bei der Bereinigung gesondert behandeln zu können, wurden zunächst alle Wörter des Korpus, die Binnengroßbuchstaben oder Zahlen beinhalten, manuell überprüft. Resultierend daraus wurde eine Korrekturliste aus 241 Wörtern, bei denen es sich um tatsächliche Eigennamen und keine OCR-Fehler handelt, erstellt. Die Bereinigung wurde durch die folgenden Schritte, hauptsächlich mittels Regular Expressions, durchgeführt:

• Entfernung von Duplikaten: 3.771 Artikel der Datenbank waren entweder als exakte Duplikate vorhanden oder waren Duplikate, die OCR-Fehler in Form von Sonderzeichen im Fließtext enthielten.
• Normierung von Bezeichnungen mit unterschiedlichen Schreibweisen: Verschiedene Zeitungen und Verfassende verwenden unterschiedliche Schreibweisen von Eigennamen, z. B. ›FridaysForFuture‹ und ›Fridays4Future‹ zu ›Fridaysforfuture‹, welche anhand der Korrekturliste vereinheitlicht wurden.
• Vereinheitlichung von Wörtern mit Binnengroßbuchstaben: Alle Binnengroßstaben innerhalb eines Wortes in der Korrekturliste wurden klein gestellt, z. B. ›OceanCare‹ zu ›Oceancare‹.
• Trennung von Wörtern, die durch OCR-Fehler zusammengesetzt wurden: Durch OCR-Fehler wurden teilweise Leerzeichen zwischen aufeinanderfolgenden Wörtern oder auf Satzzeichen folgenden Wörtern entfernt. Daher wurden Leerzeichen zwischen Satzzeichen und darauffolgenden Buchstaben sowie zwischen auf Kleinbuchstaben folgenden Großbuchstaben eingefügt. Begriffe der Korrekturliste wurden übersprungen. Dieser Schritt war notwendig, da diese Fehler bei der Tokenisierung als zusammengesetzte Tokens gewertet werden würden, z. B. ›begrenzen.Derzeit‹ oder ›ohneVerzicht‹.
• Genderunspezifische Normalisierung: Normalisierung von geschlechtsneutralen Formulierungen auf die weibliche Form, da üblicherweise genutzte Lemmatisierer nicht auf geschlechtsneutrale Wortformen ausgelegt sind.
• Entfernung von Metadaten, die für die Inhaltsanalyse nicht relevant oder nicht vollständig vorhanden sind: Weblinks, E-Mail-Adressen, Anmerkungen, Bildbeschreibungen und Informationen zu Verfassenden, die nicht in jedem Artikel als Fließtext vorhanden waren, wurden aus dem Text entfernt, da sich die Analyse ausschließlich auf den Inhalt der Artikel beziehen sollte.
• Entfernung von Zahlen und Sonderzeichen: Wörter, die Zahlen enthielten und nicht in der Korrekturliste enthalten waren sowie alleinstehende Zahlen und Sonderzeichen wurden entfernt.
• Streichung besonders kurzer Artikel: Artikel mit weniger als 250 Wörtern wurden aus dem Korpus entfernt, da sehr kurze Texte zusätzliches Rauschen in der Topic-Analyse verursachen.[47]

[13]Nach der Bereinigung reduzierte sich das Korpus auf 22.109 Artikel, die mithilfe der stanza-Bibliothek[48] in einzelne Sätze und 13.015.801 Tokens aufgeteilt wurden. Für die Lemmatisierung, also die Rückführung eines Wortes auf seine Grundform, und das Part of Speech Tagging (POS-Tagging), die Zuordnung zu Wortarten, wurde die HanTA-Bibliothek[49] benutzt. Der lemmatisierte Text wurde anschließend mithilfe des Phrases-Modells der gensim-Bibliothek[50] auf Kollokationen untersucht.[51] Dabei wird der jeweilige Wert an Normalized Pointwise Mutual Information (NPMI)[52] aller möglichen Kollokationen berechnet. Dieser gibt an, wie sehr sich die Wahrscheinlichkeit, dass gewisse Wörter in einem Text direkt aufeinander folgen, davon unterscheidet, dass sie voneinander getrennt auftauchen. Für diese Untersuchung wurden nur Kollokationen mit einem NPMI über 0,35 verwendet.[53] Das Phrases-Modell erlaubt außerdem, eine Liste von Verbindungswörtern, z. B. ›von‹, ›mit‹, ›und‹, vorzugeben, die in der Berechnung des NPMI nicht berücksichtigt werden, wodurch auch längere Kollokationen wie z. B. ›Kluft zwischen Arm und Reich‹ oder ›Raubbau an der Natur‹ gefunden werden können.

[14]Für die Topic-Analyse von Zeitungsartikeln wird häufig nach POS-Tags gefiltert, um ausschließlich Wörter mit ausreichendem Informationsgehalt zu verwenden.[54] Nomen und Named Entities sind hierfür am besten geeignet,[55] wobei je nach Fragestellung und Anwendungsgebiet auch Adjektive und Verben sinnvoll sind.[56] In Bezug auf das hier verwendete Korpus führte die Verwendung von Nomen, Named Entities und Adjektiven zu den verständlichsten Topic-Repräsentationen. Lemmatisierung und POS-Tagging liefern überwiegend positive Ergebnisse und sind im Einklang mit den von Wartena erwähnten Limitationen.[57] Adjektive, die im Korpus als Nomen vorkommen, werden als Adjektive kategorisiert, wie es z. B. im Fall des Namens ›Sebastian Kurz‹ ersichtlich ist, da hier ›Kurz‹ als Adjektiv gewertet wird (vgl. Tabelle 3 und Anhang 2[58]). Im Rahmen der Topic-Analyse fallen diese einzelnen Fehlkategorisierungen nicht ins Gewicht, da sowohl Nomen als auch Adjektive in der Topic-Analyse genutzt werden und so durch die Fehlkategorisierung kein Wort entfernt wird. ›kurz‹ wird z. B. im Topic ›Innenpolitik‹ als relevanter Term gewertet, auch wenn nicht zwischen der tatsächlichen Verwendung als Nomen oder Adjektiv unterschieden werden kann. Die Kollokationsbestimmung ermöglichte die Bildung von relevanten Begriffen für das Topic Model, die sonst fragmentiert mehrere Positionen in den wahrscheinlichsten Begriffen belegt hätten, wie z. B. ›E Auto‹ oder ›Van der Bellen‹ (vgl. Tabelle 3 und Anhang 1 bis 16). Aufgrund der POS-Filterung wurde keine Stoppwortentfernung durchgeführt, wodurch Kollokationen wie ›in Brüssel‹, ›in Paris‹ oder ›um Prozent‹[59] extrahiert werden, die anhand ihrer Häufung in bestimmten Artikeln als relevante Topic-Terme gewichtet werden. In Tabelle 3 lässt sich Anhand der Kollokationen ›um Prozent‹ und ›in Österreich‹ auch eine Schwäche des Topic Modeling verdeutlichen. Da ›Prozent‹ und ›Österreich‹ ebenfalls als relevante Topic-Terme gewertet werden, liegt eine gewisse Redundanz in der Topic-Repräsentation vor. Grund dafür ist der rein statistische Ansatz, der ausschließlich Worthäufigkeiten beachtet.[60]

3.3 Dynamic Topic Model

[15]Für die quantitative Analyse der Texte wurden zwei Methoden des Natural Language Processing (NLP) verwendet: DTM und Sentiment-Analyse. DTM ist eine Erweiterung der LDA[61], der am häufigsten verwendeten Methode in der automatisierten Analyse zur Entdeckung und Untersuchung von latenten semantischen Strukturen, sogenannten Topics, in großen Textsammlungen.[62] Jedes Dokument wird als eine Wahrscheinlichkeitsverteilung der Topics beschrieben. Dabei wird das wahrscheinlichste Topic als Haupttopic bezeichnet, alle anderen als Nebentopics.[63] DTM fügt dem Ansatz von LDA eine zeitliche Komponente hinzu. Das zur Analyse verwendete Korpus wird daher nicht mehr als eine ungeordnete Sammlung von Dokumenten betrachtet, sondern durch die zeitliche Reihenfolge der Dokumente definiert. Dadurch entwickeln sich die Topics aufgrund der neu hinzugefügten Dokumente weiter und es können Veränderungen im geführten Diskurs dargestellt werden.[64]

[16]Für die Wahl der untersuchten Zeitabschnitte müssen sowohl technische als auch inhaltliche Aspekte beachtet werden, damit eine kontinuierliche Entwicklung der Topics gewährleistet wird. Die Zeitabschnitte wurden so gewählt, dass in jedem Abschnitt mindestens hundert Dokumente enthalten sind. Bei den Inhalten wurde darauf geachtet, saisonale und dynamische Effekte der Berichterstattung bestmöglich zu berücksichtigen. Im Falle des hier untersuchten Korpus, der monatliche Lücken und keine Saisonalität aufweist, wurden jährliche Zeitabschnitte gewählt. Vergleichen wir dazu Twitter-Diskussionen, so sind deren Dynamiken von täglichen beziehungsweise wöchentlichen Sprüngen geprägt und es bedarf kürzerer zeitlicher Einheiten.[65]

[17]Um DTM verwenden zu können, muss die Anzahl der Topics im Voraus bestimmt werden. Um die beste Anzahl von Topics zu finden, wurden mehrere LDA-Modelle[66] der gensim-Bibliothek auf einem Bereich von zwei bis fünfzig Topics für vier verschiedene Zeitabschnitte sowie das gesamte Korpus trainiert. Die Modelle wurden anhand des Kohärenzmaßes CV[67] bewertet. Die Grundidee ist, dass die CV-Werte eines LDA-Modells lokale Maximalwerte für die Topic-Anzahl erreichen, die informative Topic-Repräsentationen liefern.[68] Die Anzahl der Topics, die zu gemeinsamen oder nahe beieinander liegenden Maximalwerten der CV-Werte jedes Zeitabschnittes und des gesamten Korpus führen, sind ein Indikator für die Anzahl der Topics, für die das DTM informative Ergebnisse liefert. Für das betreffende Korpus wurden die besten Ergebnisse mit einer Anzahl von 25, 35 und 47 Topics erzielt. Für die drei Topic-Anzahlen wurde jeweils ein DTM trainiert und mit den anderen verglichen. Nach rigoroser manueller Überprüfung auf Redundanz und Überlappung der erstellten Topics, Verständlichkeit der Topic-Terme zwischen den drei Modellen sowie mehreren Diskussionsrunden wurde das Modell mit 35 Topics für die weitere Auswertung ausgewählt. Für die hier dargestellte Analyse wurde die DTM-Implementierung der gensim-Bibliothek genutzt.

3.4 Topic Labeling

[18]Die Interpretation der Topic-Wortlisten kann über die Zuweisung eines Oberbegriffs (Label) entsprechend vereinfacht werden.[69] Dabei ist es wichtig, dass für diesen manuellen Prozess ein tiefergehendes Verständnis des Korpus mit einfließt. Dazu wurden zu jedem Topic die 20 wahrscheinlichsten Wörter sowie die Titel von 100 Artikeln und gesamte Fließtexte von 20 Artikeln herangezogen. Im Rahmen der Volltextsichtung wurden auch die Formen der Berichterstattung (z. B. Nachrichtenartikel, Reportage, Kommentar, Leitartikel, Meinungsartikel, Kolumnen, Interviews, Porträts, Berichte, Analysen) untersucht. Bei den 20 ausgewählten Artikeln jedes Topics handelte es sich um jene, denen die höchste Wahrscheinlichkeit zugeordnet wurde, dem jeweiligen Topic anzugehören. Somit handelt es sich um die repräsentativsten Artikel der Topics. Dieser Prozess wurde von mehreren Diskussionen unter Berücksichtigung von Fachliteratur zu Themen und Dimensionen des Klimadiskurses begleitet. Das finale Labeling der Topics orientiert sich stark an den Topic Labels zu Klimawandel von Hase et al.,[70] weist jedoch auch einige Unterschiede auf, da der hier verwendete Datensatz zum Klimaschutz weit weniger Bezug zu Gefahren des Klimawandels (physikalische Dimension) hat, sondern vielmehr auf politische, wirtschaftliche und gesellschaftliche Dimensionen ausgerichtet ist. Entsprechend wurden die Topics zusätzlich in diese drei Kategorien eingeteilt. Auch hier wurde ein analoges Verfahren (Sichtung von 100 Titeln, 20 Fließtexten, 20 Topic-Termen sowie mehreren Diskussionsrunden) angewendet.[71] Generell ist bei Labeling-Verfahren zu beachten, dass thematische Grenzen immer verschwimmen können und daher diese manuelle Zuordnung auch nur einer Neigung bzw. Tendenz, aber keiner Ausschließlichkeit entspricht. Das Labeling von Topics wird mitunter kontrovers betrachtet. Während Shadrova[72] die inhärente Subjektivität kritisch anmerkt, trägt das Topic Labeling für Boyd-Graber et al.[73] im Vergleich zu unbenannten Wortlisten zum besseren Verständnis des analysierten Korpus bei. Dieser Beitrag orientiert sich daher an den Argumenten von Boyd-Graber et al., um die Ergebnisse überschaubar darzustellen.

3.5 Sentiment-Analyse

[19]Die Sentiment-Analyse beschreibt verschiedene Methoden, die hauptsächlich dazu genutzt werden, die Polarität (positiv, neutral, negativ) eines Textsegments zu bestimmen. Zusätzlich kann darunter auch die detaillierte Aufgliederung eines Textes in verschiedene Grundemotionen verstanden werden.[74] Im Bereich der automatisierten Textanalyse wird die Sentiment-Analyse allgemein in zwei Anwendungsverfahren aufgeteilt: Eine Analyse mittels vorgefertigter Lexika oder Thesauri oder mittels Machine-Learning-Methoden.[75]

[20]In den meisten Fällen wird auf lexikonbasierte Verfahren zurückgegriffen, die jedoch generell eine deutlich niedrigere Genauigkeit aufweisen. Obwohl Machine-Learning-Methoden meist genauere Ergebnisse erzielen, werden sie seltener genutzt, da die dafür notwendigen Trainingsdatensätze für die meisten Sprachen spärlich ausgeprägt und, wenn vorhanden, stark domänenspezifisch sind.[76] In den letzten Jahren hat jedoch die Einbindung von Transformer-Modellen[77] in Machine-Learning-Architekturen zur Entwicklung großskaliger Sprachmodelle, wie z. B. Bidirectional Encoder Representations from Transformers (BERT)[78] beigetragen. Der große Vorteil dieser BERT-Modelle ist, dass sie auf mehreren Millionen Daten für allgemeine NLP-Aufgaben, wie Next Sentence Prediction, trainiert wurden. Dadurch können sowohl spezifische (d. h. kontextbezogene Ausdrücke) und allgemeine Sentence Embeddings[79] erzeugt werden, die sich anschließend mit weitaus kleineren Datensätzen auf fach- und themenspezifische NLP-Aufgaben und Domänen optimieren lassen. In diesem Beitrag wird daher das ›german-news-sentiment-bert‹-Modell[80] benutzt, um die Polarität der Artikel in Bezug auf Klimaschutz zu untersuchen. Um zu gewährleisten, dass die berechnete Polarität auch tatsächlich nur den Klimaschutzkontext abbildet, wurden nur Sätze, die die Zeichenfolge ›klimaschutz‹ enthalten sowie die beiden jeweils vorhergehenden und darauffolgenden Sätze untersucht. Da die meisten Artikel nicht ausschließlich Klimaschutz behandeln, würde die Bestimmung der Polarität ansonsten von diesen zusätzlich diskutierten Thematiken beeinflusst werden und keine Aussagekraft über die negative oder positive Darstellung des Klimaschutzes innerhalb der Artikel ermöglichen.

4.1 Topics und Kategorisierung

[22]Die aus dem bereinigten Korpus von 22.109 Artikeln ermittelte Liste aus 16 Topics ist in Tabelle 3 gezeigt, einschließlich der zehn wahrscheinlichsten Begriffe jedes Topics sowie der Gesamtzahl der einem bestimmten Topic zugeordneten Artikel. Ausführliche Wortlisten und Worthäufigkeiten der Topics sind in Anhang 1 bis 16 gegeben. Generell steht die Form der Berichterstattung (z. B. Reportage, Interview) in Zusammenhang mit der Bildung von Topics, was auch innerhalb dieser Untersuchung festgestellt werden konnte.

[23]Die drei größten Topics sind

• ›Soziale Werte‹, bestehend aus einer großen Anzahl an Meinungsartikeln über den gesellschaftlichen Umgang und Emotionen wie Klimaangst und Hoffnung,
• ›Innenpolitik‹, bestehend aus vielen tagesaktuellen Berichten und Analysen zu Aktivitäten der aktuellen Regierung, und
• ›Investitionen‹, welches verschiedene Artikelformate umfasst, wobei inhaltlich Klimaschutzaspekte oft nur in die Diskussion verschiedener Krisenmaßnahmen (z. B. Bekämpfung von Inflation, COVID, oder gesellschaftliche Verteilungsfragen) eingebettet sind.

[24]Einige interessante Aspekte zeigen sich in der Aufteilung und Ausrichtung der verschiedenen Topics. So ist die Unterteilung in Innen- und Außenpolitik nicht überraschend, allerdings konnten auch weitere Teilbereiche des überregionalen Diskurses, mit Fokus auf ›EU‹ und ›USA‹, identifiziert werden. Darüber hinaus wurde ein großes Topic zu allgemeinen ›Investitionen‹ im Klimaschutz ermittelt, daran angelehnte Aspekte des Diskurses kommen in ›Wohnbau‹ sowie kleineren Topics wie ›Nachhaltigkeit‹, ›Energie‹, ›Verkehr‹, ›Emissionen‹ und ›Landwirtschaft‹ zum Tragen. Dies zeigt eine Differenzierung des Diskurses zu Klimaschutzmaßnahmen. Lediglich eine kleine Anzahl von Artikeln hat das Thema ›Aktivismus‹ als Hauptthema, was auf die Tatsache zurückzuführen ist, dass Aktivismus in vielen Artikeln als Nebenthema integriert ist.

[25]Die Topic-Verteilung wurde nach Zeitungen aufgeschlüsselt, wie in Abbildung 1 für den Prozentsatz der Artikel über den gesamten Zeitraum dargestellt. Bei den Zeitungen Der Falter (39,5 %), Die Kronen Zeitung (33,1 %) und Profil (29,5 %) zeigt sich eine besonders intensive Berichterstattung zum Topic ›Soziale Werte‹. Diese Verteilung steht in Zusammenhang mit einer starken Ausrichtung auf Meinungsartikel und Kolumnen bei der Tageszeitung Die Kronen Zeitung sowie dem Fokus auf aufwändig recherchierte und investigative Reportagen der Wochenzeitungen Der Falter und Profil, da diese Artikelformate häufig diesem Topic zugeordnet wurden. Die anderen Zeitungen weisen ein ausgeglicheneres Verhältnis zwischen den größeren Topics auf, wobei bis auf zwei Ausnahmen auch hier ›Soziale Werte‹ an erster Stelle steht. Das wahrscheinlichste Topic der Wiener Zeitung ist ›Investitionen‹ (18,8 %) und der ÖO Nachrichten ist ›Wohnbau‹ (20,8 %).

Abb. 1: Topic-Anteil in verschiedenen Zeitungen: Prozentanteil der Artikelzahlen pro Topic für jede der untersuchten Zeitungen (alphabetisch geordnet). Hintergründe zu den Topic Labels vgl. Tabelle 2. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

[26]Die Einteilung in 16 Topics sowie die jahresbasierte Aufteilung der Artikel führen dazu, dass für kleine Topics teilweise nur eine geringe Anzahl an Artikel pro Jahr zur Verfügung steht. Daher ist es notwendig, die Topics zu Kategorien zu gruppieren, um eine sinnvolle Langzeitanalyse (vgl. Kapitel 4.4 zu Trend-Analysen) bezüglich der thematischen Ausrichtung der Zeitungen sowie deren Stimmungsbilder mittels Sentiment-Analyse zu ermöglichen. Die Einteilung der Topics in die drei Grundsäulen ›Politik‹, ›Wirtschaft‹ und ›Gesellschaft‹ spiegelt die thematische Tendenz der Topics wider, die bei der manuellen Überprüfung ihrer repräsentativsten Beiträge festgestellt wurde. Zwischen den Zeitungen gibt es deutliche Unterschiede in der Häufigkeit der Berichterstattung über die drei Kategorien, wie in Abbildung 2 dargestellt. Die Kategorie ›Gesellschaft‹ nimmt bei allen Zeitungen einen wesentlichen Anteil ein. Für Der Falter und Die Kronen Zeitung sind sogar mehr als die Hälfte aller Klimaschutzartikel dieser Kategorie zugeordnet. Bei einem Großteil der Zeitungen ist ein wesentlich ausgeglicheneres Verhältnis zwischen ›Gesellschaft‹ und ›Politik‹ zu sehen, wobei für die Zeitungen Die Presse, Der Standard, Profil und Wiener Zeitung sich die Reihenfolge umkehrt und Politik stärker vertreten ist. Der Anteil zu ›Wirtschaft‹ liegt bei allen Zeitungen bei 20 %, mit Schwankungen von -4 % bis +4.4 %.

Abb. 2: Dimensionen des Diskurses im Vergleich: Präsenz der Kategorien ›Gesellschaft‹, ›Politik‹ und ›Wirtschaft‹ auf Basis der 16 Topics und entsprechender Anzahl an Artikeln über den gesamten Zeitraum 2002–2021. Die Zeitungen sind alphabetisch geordnet. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

4.2 Stimmungsbilder zu Topics und Zeitungen

[27]Die Analyse der Stimmungsbilder der verschiedenen Topics (vgl. Abbildung 3) zeigt, dass die Polarität der meisten Topics negativ ist (Mittelwert: M = -0,05, Standardabweichung: SD = 0,16). Diese Tendenz ist besonders stark bei ›Betrachtungen‹ (M = -0,13, SD = 0,21) ausgeprägt, wobei hier ebenfalls die größte Streuung der Polarität gegeben ist. Hinsichtlich der Rolle der Polarität in der Berichterstattung über den Klimaschutz ist festzustellen, dass vier der fünf prominentesten Topics überdurchschnittlich negativ dargestellt werden:

• ›Soziale Werte‹: M = -0,07, SD = 0,19
• ›Innenpolitik‹: M = -0,07, SD = 0,18
• ›Investitionen‹: M = -0,06, SD = 0,15
• ›Außenpolitik‹: M = -0,06, SD = 0,13

• ›Landwirtschaft‹: M = -0,02, SD = 0,14
• ›Wohnbau‹: M = 0, SD = 0,15
• ›Nachhaltigkeit‹: M = 0, SD = 0,13

[28]Deren zugeordnete Artikel umfassen an vielen Stellen konkrete Klimaschutzmaßnahmen und sind entsprechend lösungsorientiert und konstruktiv ausgerichtet.

[29]Die Bandbreite der Stimmungsbilder einzelner Artikel liegt zwischen -0,75 bis +0,75 (Gesamtbereich [-1,1]). Da Zeitungen generell einen moderaten und wenig emotionalisierten Stil haben, gerade im Vergleich zu anderen Datenquellen wie sozialen Netzwerken, liegen die meisten Artikel in der Nähe neutraler Polaritätswerte.[81] Daher sind auch kleine Abweichungen und Unterschiede zu beachten, die bei einem ausgewogenen Berichtsstil bereits auffällig sind.

Abb. 3: Stimmungsbilder verschiedener Topics: Ergebnisse der Sentiment-Analyse (Boxplot inkl. Mittelwert (kurze Linie) und Median (einfache Linie) sowie der Gesamtmittelwert (gestrichelte Linie) und die Nulllinie (durchgehende Linie)) der Artikel aufgeteilt nach Topics und sortiert nach Polarität. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

[30]Bei der Bewertung der Stimmungsbilder zwischen den Zeitungen zeigen sich deutliche Unterschiede (vgl. Abbildung 4). Im Mittel berichtet keine der Zeitungen positiv über Klimaschutz, wobei die Zeitung Der Falter (M=-0,09, SD = 0,16) das negativste Stimmungsbild verbreitet. Die auflagenstärkste Zeitung Die Kronen Zeitung (M=-0,05, SD=0,20) liegt in den Top 3 der am wenigsten negativen Berichterstattungen, zeigt jedoch auch die größte Schwankungsbreite. Bei den Zeitungen Der Standard (M=-0,06, SD=0,15) und Die Presse (M=-0,06, SD=0,16) liegen Mittelwert und Standardabweichung in der Polarität eng beieinander.

Abb. 4: Stimmungsbilder verschiedener Zeitungen: Ergebnisse der Sentiment-Analyse (Boxplot inkl. Mittelwert (kurze Linie) und Median (einfache Linie) sowie der Gesamtmittelwert (gestrichelte Linie) und die Nulllinie (durchgehende Linie)) der Artikel aufgeteilt nach Zeitungen und sortiert nach Polarität. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

4.3 Zunahme und Abnahme der Medienaufmerksamkeit zum Klimaschutz

[31]Der relative Anteil der jährlichen Artikelanzahl pro Topic ist in Abbildung 5 gezeigt. Dabei gibt diese Darstellung an, in welchen Jahren der prozentuale Anteil an Artikeln eines Topics besonders hoch war, um so langfristige Trends innerhalb jedes Topics analysieren zu können. Topics mit Spitzenwerten in länger zurückliegenden Jahren sind ›Außenpolitik‹ (2009: 14 %) und ›Verkehr‹ (2007: 18 %). Ebenfalls verzeichnen ›EU‹, ›Emissionen‹ und ›Förderungen‹ einen markanten Anstieg über 10 %, für andere Topics findet sich ein kleiner oder kein signifikanter Anstieg in diesem Zeitraum. Die meisten Topics sind insbesondere seit 2016 gewachsen, wobei im letzten Jahr des Analysezeitraums Spitzenwerte bei diesen Topics gefunden wurden:

• Emissionen 2021: 13,4 %
• Energie 2021: 19,6 %
• Förderungen 2021: 24,1 %
• Klimawandel 2021: 16,4 %
• Landwirtschaft 2021: 20,9 %
• Betrachtungen 2021: 28,4 %
• Nachhaltigkeit 2021: 29,1 %
• USA 2021: 19,9 %
• Investitionen 2021: 20,6 %
• Wohnbau 2021: 16,1 %

[32]Die Berichterstattung zu ›Aktivismus‹ zeigt einen prominenten Spitzenwert (2019: 31,8 %) der in Korrelation mit der Zunahme der Topic-Term-Häufigkeit der schwedischen Klimaschutzaktivistin Greta Thunberg steht. ›Innenpolitik‹ (2019: 29,1 %) und ›Betrachtungen‹ (2019: 12,8 %) haben ihren Spitzenwert in Zusammenhang mit der Regierungsbildung der Schwarz-Grünen Bundesregierung unter dem damaligen Bundeskanzler Sebastian Kurz.

Abb. 5: Anteile der Topics im zeitlichen Verlauf: Anteil aller Artikel eines Topics, die diesem in einem bestimmten Jahr zugeordnet werden (alphabetisch geordnet). Hintergründe zu den Topic Labels siehe Tabelle 2. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

[33]Die Medienaufmerksamkeit (vgl. Mittelwerte über den Gesamtzeitraum in Tabelle 2) variiert besonders in zwei Zeitabschnitten: 2007 bis 2009 gibt es eine temporäre Erhöhung sowie seit 2016, mit einem zusätzlich verstärkten Anstieg während der Corona-Krise in 2021, (vgl. Abbildung 6). Die stärksten Anstiege zu diesen beiden Zeitabschnitten verzeichnet die Zeitung Profil (2007: 0,56 %, 2021: 3,0 %), gefolgt von Der Standard (2007: 0,71 %, 2021: 2 %) und der Wiener Zeitung (2007: 0,41 %, 2021: 2,5 %). Bei Die Kronen Zeitung (2007: 0,08 %, 2021: 0,19 %) sind die schwächsten Anstiege zu erkennen, was auch in Zusammenhang mit dem allgemein niedrigen Anteil an Klimaschutzartikeln dieser Zeitung (vgl. Tabelle 2) steht.

Abb. 6: Medienrelevanz in verschiedenen Zeitungen über die Zeit: Jährlicher Prozentsatz aller veröffentlichten Artikel, die sich im Korpus ›Klimaschutz‹ befinden, aufgeteilt nach Zeitungen. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

4.4 Trend-Analyse der Kategorien

[34]Eine Analyse der langfristigen Entwicklung der Kategorien pro Zeitung ist in Abbildung 7 gezeigt. Die Analyse von Langzeittrends dient dazu, mögliche Wechsel zwischen den Kategorien auszumachen. Es zeigt sich, dass die beiden Steigerungen der Medienrelevanz von 2007 sowie ab 2016 besonders stark an die beiden Kategorien ›Gesellschaft‹ und ›Politik‹ gekoppelt sind. Darüber hinaus ist zu erkennen, dass der leichte Rückgang im Jahr 2020 bei vielen Zeitungen ebenfalls deutlich stärker mit diesen beiden Kategorien verknüpft ist, während der Medientrend in ›Wirtschaft‹ bei sieben von neun Zeitungen in diesem Jahr stagniert oder sogar weiter ansteigt. Im Abschnitt vor 2007 ist bei acht von neun Zeitungen kein signifikanter Trend zu erkennen und die Medienrelevanz generell gering. Die Kronen Zeitung zeigt als einzige Zeitung eine konstante Dominanz der Kategorie ›Gesellschaft‹.

Abb. 7: Trend der veröffentlichten Artikel verschiedener Zeitungen: Ergebnisse der Trend-Analyse der drei Kategorien (farbige Linien) und des Gesamttrends (schwarz strichlierte Linie). Für die OÖ Nachrichten existiert vor 2008 wegen fehlender Daten zwischen 2004 und 2007 kein Trend. Die Berechnung erfolgte anhand der Saison-Trend-Zerlegung mittels LOESS (locally estimated scatterplot smoothing). [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]

4.5 Trend-Analyse der vier auflagenstärksten Zeitungen im Korpus

[35]Abbildung 8 zeigt die zeitliche Entwicklung der Sentiment-Analyse (Polarität) für das Korpus ›Klimaschutz‹ sowie der vier größten Zeitungen. Das Stimmungsbild des Korpus liegt im Mittel bei -0,05 (vgl. Abbildung 4) und zeigt einen Einbruch in den Jahren 2007 und 2016 der gesteigerten Medienrelevanz. In den Folgejahren wird dieser Einbruch durch einen positiven Trend kompensiert. Die auflagenstärkste Zeitung Die Kronen Zeitung fällt mit starken Schwankungen im Stimmungsbild auf, die sich über gewisse Zeiträume aufbauen und dann wieder ins Gegenteil kippen. Die Polarität der anderen Zeitungen ist weitaus moderater, mit jeweils einer Ausnahme, mit Extremwerten der negativen Berichterstattung (Der Kurier 2007, Die Presse 2005, Der Standard 2013). Der Kurier hat von allen Zeitungen die größte Übereinstimmung mit dem mittleren Verlauf. Die beiden Zeitungen Die Presse und Der Standard zeigen in vielen Phasen gegenläufige Trends: So ist im Zeitraum 2003 bis 2005 die Polarität von Der Standard deutlich höher, was sich in 2006 umkehrt. Mitte 2008 bis Mitte 2011 ist Der Standard wiederum deutlich weniger negativ, was sich erneut bis 2016 umkehrt.

[36]Neben den Unterschieden der Polarität in den einzelnen Zeitungen gibt es auch zwei Phasen, in denen sich die Stimmungsbilder auffällig angleichen. Diese sind mit den Zunahmen der Medienrelevanz im Jahre 2007 und 2016 gekoppelt. Dabei sehen wir, dass die Trends der Zeitungen weit weniger Abweichungen zueinander zeigen und sich auch an den Gesamttrend angleichen. Da die Datenmenge für diese Zeiträume erheblich zugenommen hat, ist dies entsprechend zu erwarten. Ein ähnliches Verhalten zeigt sich ebenfalls im Trend der Standardabweichung. Seit 2016 hat sich auch diese für fast alle Zeitungen an den Gesamttrend angepasst, nur Die Kronen Zeitung weist eine größere Variabilität auf. Schwankungen innerhalb der einzelnen Standardabweichungen sind für diesen Zeitraum ebenfalls geringer geworden. Es ist daher festzuhalten, dass diese Kohärenz insbesondere mit der Abbildung einer höheren Ausgewogenheit der Meinungsvielfalt der Klimaschutzberichterstattung zusammenhängt.

Abb. 8: Trend der mittleren Polarität (oben) und der Standardabweichung (unten) von verschiedenen Zeitungen: Ergebnisse der Trend-Analyse der Standardabweichung und des Mittelwerts der Polarität der vier größten Zeitungen im Korpus (farbige Kurven) und der Summe aller Zeitungen (schwarz strichlierte Kurve) sowie der Mittelwert über den gesamten Zeitraum (schwarz strichlierte Linie) und Nulllinie (schwarze Linie). Die Berechnung erfolgte anhand der Saison-Trend-Zerlegung mittels LOESS. [Raven Adam / Marie Lisa Kogler / Martina Scholger 2023]