Vorwort	5
	Danksagung	6
	Inhaltsverzeichnis	7
	Autoren	12
	Notation	14
	Teil IEinführung, Konzept und Grundlagen	15
	Kapitel 1Einführung	16
	1.1 Motivation	16
	1.2 Daten und Studientypen	17
	1.3 Modelle und ihre Beurteilung	19
	1.4 Inhalt	20
	Literaturverzeichnis	21
	Kapitel 2 CRISP-DM - Ein Konzept für die journalistischeDatenanalyse?	22
	2.1 Motivation und Methodik	22
	2.2 Begriffsbildung	23
	2.2.1 Datenjournalismus	23
	2.2.2 Data Mining und KDD	24
	2.2.3 Qualität im Datenjournalismus	25
	2.3 Beschreibung der Arbeitsabläufe	26
	2.3.1 Data-Mining-Prozess CRISP-DM	26
	2.3.2 Typische datenjournalistische Arbeitsschritte	29
	2.4 Wie ähnlich sind datenjournalistischer Arbeitsprozess undCRISP-DM?	31
	2.4.1 Interviews als Informationsgrundlage	32
	2.4.2 Die Ergebnisse	33
	2.5 Kann CRISP-DM eine sinnvolle Leitlinie für denDatenjournalismus sein?	37
	2.6 Zusammenfassung und Fazit	39
	2.7 Diskussion	40
	Literaturverzeichnis	40
	Kapitel 3 Data Literacy	42
	3.1 Einleitung	42
	3.2 Was ist Data Literacy?	44
	3.3 Wertschöpfung aus Daten	46
	3.4 Daten und Unsicherheit	47
	3.5 Operationalisierung: das DaCoNet-Konzept	51
	3.6 Fazit: Data Literacy ist ein Prozess!	52
	3.7 Diskussion	53
	Literaturverzeichnis	53
	Kapitel 4Datengrafiken zwischen Nutzwert und Design	56
	4.1 Wozu wir Grafiken benötigen	56
	4.2 Grafiken nutzerzentriert denken und entwickeln	57
	4.3 Inhaltliche Qualität	59
	4.4 Hochwertige Gestaltung	63
	4.5 Angemessener Kontext	65
	4.6 Diskussion	67
	Literaturverzeichnis	67
	Kapitel 5 Algorithmen im Fokus	69
	5.1 Einführung	69
	5.2 Recherchen zu Algorithmen	70
	5.3 Wie Algorithmen arbeiten und dazulernen	71
	5.4 Die zentralen Fragen an Algorithmen	72
	5.5 Diskussion	75
	Literaturverzeichnis	76
	Teil IIFallstudien	78
	Kapitel 6(Bedingte) Verteilung und statistische Tests	79
	6.1 Fallstudie 1: Altersstruktur von Parlamenten	79
	6.2 Re-Analyse	80
	6.3 Zusammenfassung	88
	6.4 Diskussion	89
	Literaturverzeichnis	89
	Kapitel 7Zusammenhangsanalyse: Klassifikation	90
	7.1 Fallstudie 2: Abschneiden der AfD bei der Bundestagswahl2017	90
	7.2 Re-Analyse	91
	7.3 Zusammenfassung	99
	7.4 Diskussion	100
	Literaturverzeichnis	100
	Kapitel 8Zusammenhangsanalyse: Regression	101
	8.1 Fallstudie 3: Wählerstruktur bei der Bundestagswahl 2017	101
	8.2 Die Analyse von Zeit Online	102
	8.3 Re-Analyse	108
	8.4 Vergleich und Diskussion	113
	8.5 Zusammenfassung	114
	8.6 Diskussion	114
	Kapitel 9 Zeitreihenanalyse: Modellentwicklung über die Zeit	116
	9.1 Fallstudie 4: Corona (COVID-19) Pandemie	116
	9.2 Generelles Vorgehen	117
	9.3 Gesamtanzahl Infizierter: Obergrenze und Stagnation	121
	9.4 Anzahl Neuinfizierte	127
	9.5 Reproduktionszahl	133
	9.6 Zusammenfassung und Schlussfolgerung	138
	9.7 Nachher weiß man immer alles besser?	139
	9.8 Kommentar von Marie-Louise Timcke:Das Corona-Datenchaos: „Netflix & Bug fixing“	140
	Literaturverzeichnis	143
	Kapitel 10Gruppenbildung: Clusteranalyse	144
	10.1 Fallstudie 5: Buchbestsellerlisten	144
	10.2 Generelles Vorgehen	145
	10.3 Analyse von Hardcover Belletristik	148
	10.3.1 Längste und beste Karrieren	148
	10.3.2 Glättung	149
	10.3.3 Clusterbildung	150
	10.3.4 Interpretation der Cluster	150
	10.3.5 Einordnung von Buchtiteln in Cluster	154
	10.4 Analyse von Hardcover Sachbuch	156
	10.4.1 Längste und beste Karrieren	156
	10.4.2 Glättung	157
	10.4.3 Clusterbildung	158
	10.4.4 Interpretation der Cluster	158
	10.4.5 Einordnung von Buchtiteln in Cluster	161
	10.5 Vergleich von Belletristik und Sachbuch	162
	10.6 Diskussion	164
	Kapitel 11 Sequentielle Daten: Analyse vonRadverkehrsnetzen	167
	11.1 Fallstudie 6: Radwege in Berlin	167
	11.2 GPS-Koordinaten	168
	11.3 Nutzung des Radnetzes	173
	11.4 Identifikation der Lücken im Radnetz	176
	11.5 Zusammenfassung	179
	11.6 Kommentar von Hendrik Lehmann	179
	Literaturverzeichnis	181
	Kapitel 12Datenerhebung: Verwendung von Vorwissen	182
	12.1 Datenerhebung	182
	12.2 Verwendung von Vorwissen	183
	12.3 Fallstudie 7: Professorenumfrage	184
	12.4 Die E-Mail-Umfrage	184
	12.4.1 Gesamtarbeitszeit	185
	12.4.2 Summe von Teilarbeitszeiten	185
	12.4.3 Ausschluss-Kriterien	187
	12.5 Statistische Methoden	189
	12.5.1 Prognoseintervalle frequentistisch	189
	12.5.2 Relevantes Vorwissen	190
	12.5.3 A-priori Verteilungen	192
	12.5.4 A-posteriori Verteilungen	193
	12.5.5 Prognoseintervalle Bayesianisch	193
	12.5.6 Empirische Bayes-Methode am Beispiel	194
	12.6 Ergebnisse	196
	12.6.1 Gesamtschätzung der wöchentlichen Arbeitszeit	196
	12.6.2 Summierter wöchentlicher Zeitaufwand	197
	12.7 Weitere Ergebnisse	199
	12.8 Zusammenfassung	199
	12.9 Kommentar von Holger Wormer	200
	Literaturverzeichnis	201
	Kapitel 13Geplante Studien	202
	13.1 Motivation und Zielsetzung	202
	13.2 Geplante Studien in der Wirtschaftsjournalistik:Wirkungunterschiedlicher Medien	202
	13.3 Statistische Versuchsplanung	204
	13.4 Fallstudie 8: Art der Präsentation	207
	13.5 Diskussion	211
	Literaturverzeichnis	212
	Teil IIIQualitätsstandards	213
	Kapitel 14Datenethik im Journalismus	214
	14.1 Berührungspunkte von Datenethik, Datenwissenschaftenund Journalismus	214
	14.2 Die Sonderrolle von Zahlen und Fakten	216
	14.3 Für datenbezogenen Journalismus relevante Ziffern desPressekodex	217
	14.4 Fazit	225
	14.4 Fazit	225
	14.5 Diskussion	225
	Literaturverzeichnis	226
	Kapitel 15Qualitätsstandards: Checklisten als Hilfsmittel	228
	15.1 Einleitung: Studien und Experten - eine Wissenschaft fürsich?	228
	15.2 Nicht nur für Investigativjournalisten: Arbeitstechnikender strukturierten journalistischen Recherche	229
	15.3 Experten-Checkliste: Wenn man Daten nicht bewertenkann, dann wenigstens den Datenproduzenten	231
	15.4 Studien-Checkliste: Daten und Publikationen nachformalen Kriterien prüfen	235
	15.5 Fazit: Was Journalisten und was Datenjournalisten vonDaten, Studien undWissenschaft mindestens wissen sollten	240
	15.6 Diskussion	241
	Literaturverzeichnis	243
	Anhang ADaten und R-Programme	245
	A.6 Kapitel 6: Fallstudie 1: Altersstruktur von Parlamenten	246
	A.6.1 Daten	246
	A.6.2 R-Programm	248
	A.7 Kapitel 7: Fallstudie 2: Abschneiden der AfD bei derBundestagswahl 2017	254
	A.7.1 Daten	254
	A.7.2 R-Programm	259
	A.8 Kapitel 8: Fallstudie 3: Wählerstruktur bei derBundestagswahl 2017	261
	A.8.1 Daten	261
	A.8.2 R-Programm	262
	A.9 Kapitel 9: Fallstudie 4: Corona (COVID-19) Pandemie	263
	A.9.1 Daten	263
	A.9.2 R-Programm	264
	A.10 Kapitel 10: Fallstudie 5: Buchbestsellerlisten	270
	A.10.1 Daten	270
	A.10.2 R-Programm	288
	A.11 Kapitel 11: Fallstudie 6: Radwege in Berlin	293
	A.11.1 Daten	293
	A.11.2 R-Programm	310
	A.12 Kapitel 12: Fallstudie 7: Professorenumfrage	319
	A.12.1 Daten	319
	A.12.2 R-Programm	321
	Sachverzeichnis	327