Negative Campaigning in deutschen Wahlkämpfen: Messung, Dynamik und Determinanten

• Antragstellerinnen / Antragsteller: Professor Dr. Jürgen Maier; Professorin Dr. Corinna Oschatz; Professor Dr. Sebastian Stier
• Fachliche Zuordnung: Politikwissenschaft ; Publizistik und Kommunikationswissenschaft
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 441574527

Negative Campaigning (NC) - also verbale Angriffe auf den politischen Gegner - hat in den vergangenen Jahren erheblich an Bedeutung gewonnen. Wirkungsstudien legen nahe, dass NC dysfunktionale Konsequenzen für die Demokratie haben kann (z.B. Polarisierung, Rückgang Vertrauen in die Politik). Dies gilt insbesondere für NC, bei dem der Gegner persönlich oder auf unzivilisierte Weise attackiert wird. Ursachen und Wirkungen von NC wurden außerhalb der USA bislang aber nur selten analysiert. Das vorliegende Projekt untersucht die Determinanten des Einsatzes von NC in deutschen Wahlkämpfen auf Bundes- und Landesebene. Ziel ist es, ein integriertes Modell negativer Kampagnenkommunikation (IMNCC) zu überprüfen, das Einflussfaktoren auf der Mikroebene (Politiker, die NC einsetzen) und Makrofaktoren (Rahmenbedingungen der Wahlkampfführung) umfasst. Neben der Überprüfung der klassischen Annahme, dass NC das Ergebnis von rationalen Kosten-Nutzen-Überlegungen ist, wird im Rahmen des IMNCC auch die Tragfähigkeit anderer Erklärungen untersucht (z.B. die Rolle von Werten, Einstellungen gegenüber NC, Persönlichkeit, Image Management). Zu diesem Zweck werden zunächst mittels Kandidatenstudien Selbstberichte zum Einsatz und zur Bewertung von NC analysiert. Wir greifen auf die im Rahmen der German Longitudinal Election Study (GLES) durchgeführten Kandidatenstudien für die Bundestagswahlen 2013, 2017 und 2021 zurück. Darüber hinaus erfordert der Test unseres umfassenden theoretischen Modells die Operationalisierung neuer Variablen. Daher befragen wir alle Kandidaten der relevanten politischen Parteien, die 2021 bei den Landtagwahlen in Baden-Württemberg, Mecklenburg-Vorpommern, Rheinland-Pfalz und Sachsen-Anhalt antreten (N~2.400), im Rahmen einer postalischen und einer Online-Befragung. Um den tatsächlichen Einsatz von NC zu messen, erheben wir die gesamte Twitter-Kommunikation der Kandidaten in den oben genannten Wahlen und entwickeln auf Basis qualitativ hochwertig kodierter Tweets ein Machine Learning-Verfahren zur automatisierten Klassifikation von NC. Im Unterschied zu etablierten Quellen wie Wahlprogrammen sind Twitter-Daten in einer höheren Auflösung (auf Ebene des einzelnen Kandidaten) und in größerer Zahl (hunderttausende Einträge während des Wahlkampfs, in standardisierter Form über Parteien hinweg) verfügbar. Dies ermöglicht es, zahlreiche Einflussfaktoren auf der Mikro- und Makroebene simultan in integrierten Modellen zu untersuchen. Beide Datenquellen werden auf Kandidatenebene miteinander verknüpft und schließlich regressionsanalytisch ausgewertet. Auf Basis der empirischen Befunde wird schließlich das integrierte Modell negativer Kampagnenkommunikation überarbeitet. Das Projekt leistet somit einen wesentlichen theoretischen und empirischen Beitrag zu einem verbesserten Verständnis der Determinanten von NC (1) über Zeit, (2) auf verschiedenen politischen Ebenen und (3) in Abhängigkeit von unterschiedlichen individuellen Merkmalen von Politikern.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Niederlande