Methodik

Zwei-Achsen-Modell

Politische Positionen werden auf zwei unabhängigen Achsen verortet:

• Ökonomisch (Links −10 bis Rechts +10): Umverteilung, Regulierung, Marktfreiheit
• Gesellschaftlich (Autoritär −10 bis Libertär +10): Überwachung, Bürgerrechte, staatliche Kontrolle

Eysenck (1954); Nolan (1971)

LLM-Codierung

Meinungstragende Aussagen aus Podcast-Transkripten werden automatisiert durch ein Large Language Model (Claude Haiku 4.5) auf beiden Achsen verortet. Pro Episode werden mindestens 5 Aussagen codiert. Der Episoden-Score ist der Durchschnitt aller codierten Aussagen.

Dieses Verfahren folgt der "Ask and Average"-Methode, die eine Korrelation von r > 0.90 mit menschlichen Experten-Codierern erreicht.

Le Mens et al. (2025) "Ask and Average"; Heseltine & Clemm von Hohenberg (2024)

Codebook

Das Coding Scheme ist operationalisiert mit Ankerbeispielen für verschiedene Positionen auf beiden Achsen. Besondere Aufmerksamkeit gilt der Ironie-Erkennung, da Tech-Podcasts häufig ironisch kommunizieren. Statements werden nur codiert wenn sie eine klare Meinung transportieren — reine Nachrichtenwiedergabe wird ignoriert.

Ornstein et al. (2025) Few-Shot-Prompting; Farjam et al. (2025) Codebook-LLM

Modellvalidierung

Ein kontrollierter Vergleich zwischen Claude Sonnet 4.6 und Claude Haiku 4.5 auf identischen Aussagen aus 3 Episoden zeigt:

• Beide Modelle stimmen in der Richtung überein (gleiche Vorzeichen)
• Haiku codiert systematisch extremer (höhere Absolutwerte)
• Haiku liefert zuverlässigeres JSON-Output und codiert mehr Statements pro Episode
• Der Extremitäts-Bias ist konsistent und verschiebt nur Absolutwerte, nicht relative Positionen

Eigener Modellvergleich, dokumentiert in docs/model_comparison.md

Datenquelle

Transkripte werden aus YouTube Auto-Captions via yt-dlp extrahiert (deutsch, ~90-95% Genauigkeit). Jede 20. Episode pro Podcast wird analysiert, um eine longitudinale Stichprobe über mehrere Jahre zu erhalten. Podcasts ohne YouTube-Kanal werden via Apple Podcasts oder Whisper transkribiert.

Einschränkungen

• Auto-Captions enthalten Transkriptionsfehler (~5-10%)
• LLM-Codierung ist nicht deterministisch — leichte Varianz bei wiederholter Codierung
• Der Extremitäts-Bias von Haiku 4.5 übertreibt Absolutwerte um ca. 20-30%
• Relative Positionen zwischen Podcasts sind aussagekräftiger als absolute Scores
• Stichprobe: jede 20. Episode, nicht vollständig