Motivanalyse zählt die Anzahl von wiederkehrenden Mustern (auch Motive genannt) in einem Graphen und setzt diese statistischen Zahlen mit der intrinsischen Semantik des Graphen in Verbindung. In dieser Arbeit werden wir das Potenzial von Motivanalyse in Textdaten aufzeigen und neue Konzepte vorstellen, die konventionelle Motive erweitern. Insbesondere werden wir uns auf drei Hauptforschungsfragen konzentrieren:

1. Können Graphen-Motive zur Beurteilung von Textqualität verwendet werden?

Basierend auf der freien Online-Enzyklopädie Wikipedia transformieren wir Artikel verschiedener Qualitätsstufen in Graphstrukturen. Dort finden wir Motive, die auf hohe oder niedrige Artikelqualität hinweisen, und bringen diese Motive mit linguistischen Mustern in Verbindung. Anhand einer qualitativen Analyse der relevantesten Muster demonstrieren wir, dass Motive neue Erkenntnisse für unser Verständnis von Qualität liefern können. Dann betrachten wir Qualität aus einem ganz anderen Blickwinkel und analysieren Motive in der Interaktion von Autoren in kollaborativen Schreibprozessen. Diese Interaktionsmotive ermöglichen es uns, die Gesamtleistung einzelner Online-Gemeinschaften zu bewerten, gemessen an einer Kombination aus inhaltlichem Wachstum und Nutzeraktivität. Dabei zeigen bestimmte Kombinationen von Benutzergruppen konsistente positive oder negative Auswirkungen auf den Erfolg der Gemeinschaft.

2. Wie verändern sich Motive im Laufe der Zeit?

Nachdem wir gezeigt haben, dass Motivanalyse die Qualität von Text auf verschiedenen Ebenen erkennen kann, konzentrieren wir uns nun auf die Veränderung von Motiven in dynamischen Graphen. Wir werfen dafür einen weiteren Blick auf Wikipedia-Artikel, insbesondere auf lokale Textänderungen in Artikelrevisionen. Zur Erkennung von Motiven in diesen Textrevisionen führen wir Metamotive - Motive von Motiven - ein. Zusätzlich definieren wir ein neuartiges Merkmal von Motiven, genannt Motivstabilität. Motive hoher Stabilität bleiben in dynamischen Graphen meist bestehen, während sich Motive niedriger Stabilität eher in andere Motive verwandeln. Dieses Merkmal ermöglicht es uns, starke Zusammenhänge zwischen bestimmten strukturellen Eigenschaften von Motiven, und ihrer Erwünschtheit in Bezug auf Textqualität herzustellen.

3. Sind Metamotive (Motive von Motiven) eine Verbesserung gegenüber einfachen Motiven und Methoden?

Zum Abschluss dieser Arbeit bestätigen wir die Mächtigkeit von Metamotiven und messen ihre Vorhersagekraft in einem Klassifikations-Experiment von politischen Reden. Anstatt Motive direkt im Text zu betrachten, verwenden wir semantische Rahmen (semantic frames) als Abstraktionsebene. So kombinieren wir semantische Rahmen und Metamotiv-Analysen, um Texte von US-Präsidentschafts-Kandidaten und Debatten des deutschen Bundestags zu analysieren. Durch verschiedene maschinelle Lern-Experimente bestätigen wir, dass Metamotive eine höhere Trennschärfe besitzen als traditionelle Motive und einfachere Ansätze.