Unser Absolvent und ehemaliger studentischer Mitarbeiter Lucas Schwarz hat den BVM/VMÖ/SWISS INSIGHTS Preis des Berufsverbands Deutscher Markt- und Sozialforscher e.V. gewonnen. Wir gratulieren Lucas ganz herzlich und freuen uns mit ihm über diesen Erfolg!

Dies möchten wir zum Anlass nehmen, Lucas und seine Arbeit näher vorzustellen:

Betreuung: Univ.-Prof. Dr. Kai Arzheimer

Über den Autor
Lucas Schwarz ist Alumnus des Instituts für Politikwissenschaft der Johannes Gutenberg-Universität Mainz (JGU) und arbeitet heute als Product Owner für AI & Data Products. Zuvor absolvierte er am Institut sein Bachelorstudium in Politikwissenschaft (2019-2022) sowie den Masterstudiengang Empirische Demokratieforschung (2022-2025). Während seines Studiums war er von 2021 bis 2024 als wissenschaftliche Hilfskraft am Bereich Innenpolitik bei Univ.-Prof. Dr. Kai Arzheimer sowie als wissenschaftliche Hilfskraft für EDV für das gesamte Institut tätig.
Seine politikwissenschaftlichen Schwerpunkte im Studium lagen in der politischen Kommunikation und der politischen Soziologie. Dabei legte er einen besonderen Fokus auf computergestützte und statistische Methoden, Natural Language Processing (NLP) sowie die Nutzung von Machine-Learning-Ansätzen wie Large Language Models (LLMs) für sozialwissenschaftliche Anwendungen. Diese methodische Expertise bringt er nun bei dem Mainzer Start-up Predict42 ein, das auf die automatisierte Auswertung von öffentlichem und unternehmensinternem Kundenfeedback spezialisiert ist.
Der Politikwissenschaft bleibt er auch nach seinem Abschluss eng verbunden: Aktuell arbeitet er als Co-Autor an zwei wissenschaftlichen Publikationen mit, die in Teilen auf den Methoden und Erkenntnissen seiner Masterarbeit aufbauen.

Zusammenfassung der Arbeit
Die Masterarbeit untersucht, inwiefern die Plattformlogik sozialer Medien die politische Wahlkampfkommunikation strukturell verändert. Im Zentrum steht die These, dass politische Akteur:innen im digitalen Raum primär der „Logic of Virality“ folgen und ihre Strategien – insbesondere das Negative Campaigning – dynamisch an algorithmische Anreize und das messbare Nutzerfeedback anpassen.
Für die empirische Analyse von über 250.000 Tweets aller Kandidierenden zur Bundestagswahl 2021 verbindet die Arbeit zwei methodische Innovationen: Die theoriegeleitete, automatisierte Textklassifikation durch Large Language Models (mittels des vom Autor entwickelten Open-Source-Frameworks „zeroshot-engine“) und eine dynamische Inferenzstatistik, die den Lerneffekt der Kandidierenden über eine zeitlich hochauflösende Incentive-Variable in Mehrebenen-Modellen isoliert.

Die zentralen Ergebnisse zeigen:
• „Vicious Cycle“ des Feedbacks: Ein Negativity Bias der Nutzerschaft belohnt inhaltliche Angriffe systematisch mit mehr Reichweite. Kandidierende reagieren darauf rational: Wurde Negativität in der jüngsten Vergangenheit belohnt, steigt die Wahrscheinlichkeit für weitere Angriffe signifikant an.
• Permanent Campaigning: Das hohe Niveau an Negativität blieb über das Wahljahr konstant und entkoppelte sich von klassischen Kontextfaktoren wie Umfragewerten oder der Nähe zum Wahltag.
• Asymmetrische Polarisierung: Die AfD trat als isolierter Aggressor auf, bei dem Negative Campaigning (ca. 66 % der Tweets) ein systemisches Dauer-Feature zur Mobilisierung darstellte.

Fazit: Die Verrohung des digitalen Diskurses ist nicht monokausal auf individuelle politische Strategien zurückzuführen. Sie resultiert vielmehr aus dem komplexen Zusammenspiel von algorithmischen Kuratierungslogiken, reaktivem Nutzerverhalten und der rationalen Anpassung der Politik an diese Aufmerksamkeitsökonomie.