5. Daten analysieren
Durch eine Kategorisierung der Daten und der Studienteilnehmer:innen kann dann bezüglich der konkreten Studienfrage bzw. Hypothese die Analyse der Daten stattfinden. Aufgrund der Unterschiedlichkeit der Hypothesen sollte die Kategorisierung angepasst werden.
1. Kategorisierung der Daten
Zuerst sollten die Daten bezüglich ihrer Relevanz bezüglich des Studienziels kategorisiert werden (eine Werbung einer Partei hat hohe Relevanz, eine Werbung für Rasierklingen sicher nicht). Irrelevante Werbungen sollten entfernt werden. Die Kategorisierung sollte per Hand erfolgen, um nicht aus Versehen gut versteckte politische Werbeinhalte zu entfernen. Danach kann eine feinere Kategorisierung jeder Werbung erfolgen. Kategorien könnten sein (a) Eigenwerbung oder Bewerbung einer anderen Gruppe/Person, (b) Thema der Werbung, (c) Werbung für einzelnen Politiker oder für eine politische Gruppierung, (d) Werbung faktisch richtig oder nachweisbar gelogen, (e) welche Gruppierung oder Person wirbt, (f) Stimmung bzw. Umgangston in der Werbung (rational, agressiv, visionär,…).
2. Vergleich der Daten
Im nächsten Schritt kann man starten die Werbungen einzelner Gruppen (Altersgruppen, Geschlecht,…) bezüglich ihrer Kategorisierung zu vergleichen. Interessante Werbungen sind dann die, welche in den Kategorien für verschiedene Gruppen sehr unterschiedlich ausfallen. Sind die Unterschiede sehr groß, dann eignen sich diese Werbungen vielleicht für härtere Beweise, sind sie eher klein, dann kann man solche Werbungen als mögliche Indizien für ein Mikrotargeting notieren. Wichtig ist auch die Bestimmung der Häufigkeit einer Werbung über die verschiedenen Gruppen. Wurde bestimmten Gruppen bevorzugt eine oder mehrere bestimmte Werbungen gesendet? Es ist möglich, dass es Gruppen gibt, die von den Studienbetreiber:innen nicht identifiziert wurden, weil diese Personen etwas gemeinsam haben, was den Studienbetreiber:innen entgangen ist. In diesem Fall könnten den Studienbetreiber:innen auch eine spezielle Häufigkeit von Werbungen für diese Gruppe entgehen.
3. Mögliche Fehler beim Auswerten
Bei der Auswertung von Gruppen bzw. allen Teilnehmer:innen können sogenannte Vermengungs- oder Kofundierungseffekte auftreten. Dieser Effekt ist auch unter dem Namen Simpson Paradoxon bekannt. Es könnten beispielsweise für zwei verschiedene Bundesländer die Gesamtergebnisse für alle Teilnehmer verglichen werden und das erste Bundesland hat das höhere Ergebnis. Untersucht man jedoch alle Untergruppen in jedem Bundesland so schneidet das zweite Bundesland in jeder Untergruppe mit einem höheren Ergebnis ab. Das kann dann passieren, wenn die Größe einer Untergruppe im ersten Bundesland viel größer ist als die anderen Untergruppen. Der richtige Ansatz für das Problem kann nur bezüglich der Fragestellung gefunden werden. Möchte ich etwas über das gesamte Bundesland wissen oder brauche ich Informationen über die Untergruppen? Es sollte auch klar sein, dass das Gesamtergebnis der Bundesländer eben keine Rückschlüsse auf Untergruppen zulässt und umgekehrt. Beide Analysen müssten dann getrennt durchgeführt werden.