GESIS Leibniz-Institut für Sozialwissenschaften: Homepage aufrufen

Survey Guidelines

Data Linking - Die Verknüpfung von Umfragedaten mit Geo-, Social-Media- und Sensorendaten


Wenngleich Umfragedaten in den quantitativen Sozialwissenschaften nach wie vor den am häufigsten verwendeten Datentyp darstellen, kann nicht alles, was für Sozialwissenschaftler*innen von Interesse ist, über Umfragen gemessen werden. Selbstauskünfte haben bestimmte Einschränkungen, wie z.B. Verzerrung durch Erinnerung oder soziale Erwünschtheit. Aus diesem Grund werden in den Sozialwissenschaften zunehmend andere Arten von Daten verwendet, die nicht speziell für die Forschung generiert wurden. Diese Daten werden oft als "Found Data" oder "Non-Designed Data" bezeichnet und umfassen eine Vielzahl verschiedener Datentypen, wie z. B. Geodaten, digitale Spurdaten oder andere Arten von Transaktionsdaten. Natürlich haben auch diese Daten gewisse Limitationen. Eine Möglichkeit, die spezifischen Stärken von Umfragedaten und anderen Datentypen zu kombinieren sowie den jeweiligen Einschränkungen zu begegnen, ist ihre Verknüpfung. Diese Survey Guideline beschreibt die Vorteile der Verknüpfung von Umfragedaten mit anderen Datentypen sowie die Herausforderungen in diesem Prozess und wie man mit ihnen umgehen kann, wobei der Schwerpunkt auf drei Datentypen liegt, die in den Sozialwissenschaften zusehends häufiger genutzt werden: Geodaten, Social-Media-Daten und Sensordaten.

Beuthner, Christoph, Johannes Breuer, and Jünger, Stefan (2021). Data Linking - Linking survey data with
geospatial, social media, and sensor data. Mannheim, GESIS - Leibniz Institute for the Social Sciences
(GESIS Survey Guidelines). DOI: 10.15465/gesis-sg_en_039

Bensmann, Felix, Lars Heling, Stefan Jünger, Loren Mucha, Maribel Acosta, Jan Goebel, Gotthard Meinel, Sujit Sikder, York Sure-Vetter, und Benjamin Zapilko. 2020. „An Infrastructure for Spatial Linking of Survey Data“. Data Science Journal 19 (1): 27. https://doi.org/10.5334/dsj-2020-027.

Breuer, Johannes, Tarek A. Baghal, Luke Sloan, Libby Bishop, Dimitra Kondyli, and Apostolos Linardis. 2021 (Forthcoming). "Informed consent for linking survey and social media data: Differences between platforms and data types." IASSIST Quarterly.

Breuer, Johannes, Libby Bishop, and Katharina E. Kinder-Kurlanda. 2020. "The practical and ethical challenges in acquiring and sharing digital trace data: negotiating public-private partnerships." New Media & Society 22 (11): 2058-2080. doi: http://dx.doi.org/10.1177/1461444820924622

Jünger, Stefan. 2019. Using Georeferenced Data in Social Science Survey Research. The Method of Spatial Linking and Its Application with the German General Social Survey and the GESIS Panel. GESIS-Schriftenreihe 24. Köln: GESIS - Leibniz-Institut für Sozialwissenschaften. https://doi.org/10.21241/ssoar.63688.

Jünger, Stefan, Kerrin Borschewski, und Wolfgang Zenk-Möltgen. 2019. „Documenting Georeferenced Social Science Survey Data:  Limits of Metadata Standards and Possible Solutions“. Journal of Map & Geography Libraries 15 (1): 68–95. https://doi.org/10.1080/15420353.2019.1659903

Müller, Stefan. 2019. „Räumliche Verknüpfung georeferenzierter Umfragedaten mit Geodaten: Chancen, Herausforderungen und praktische Empfehlungen“. In Forschungsdatenmanagement sozialwissenschaftlicher Umfragedaten. Grundlagen und praktische Lösungen für den Umgang mit quantitativen Forschungsdaten, herausgegeben von Uwe Jensen, Sebastian Netscher, und Katrin Weller, 211–29. Opladen, Berlin, Toronto: Verlag Barbara Budrich. https://doi.org/10.2307/j.ctvbkk1p8.15.

Stier, Sebastian, Johannes Breuer, Pascal Siegers, and Kjerstin Thorson. 2020. "Integrating survey data and digital trace data: Key issues in developing an emerging field." Social Science Computer Review 38 (5): 503-516. doi: http://dx.doi.org/10.1177/0894439319843669

Silber, Henning; Breuer, Johannes: Beuthner, Christoph; Gummer, Tobias; Keusch, Florian; Siegers, Pascal; Stier, Sebastian; Weiß, Bernd. 2021. “Linking surveys and digital trace data: Insights from two studies on determinants of data sharing behavior.” SocArXiv. https://doi.org/10.31235/osf.io/dz93u