Abstract
Die Publikation enthält kein eigenes Abstract; die folgende Kurzfassung fasst Ziele, Methodik und zentrale Ergebnisse zusammen. Analysiert werden Instagram-Posts dreier deutscher Nachrichtenportale mit Fokus auf Textgestaltung im Bild. Eine Pipeline aus Scraping, OCR-basierter Textextraktion, Farb- und Layoutmerkmalen sowie Sentimentanalyse und Hashtag-Clustering identifiziert portaltypische Muster: Textfarben werden typischerweise an die Helligkeit des Hintergrunds angepasst, während Tonalität und thematische Abdeckung trotz unterschiedlicher redaktioneller Ausrichtung ähnliche Schwerpunkte zeigen.
Ausgangslage und Forschungsfrage
Visuelle Plattformen wie Instagram sind längst kein reiner Entertainment-Kanal mehr, sondern ein zentraler Ort für Nachrichtenkonsum. Damit verschiebt sich auch die Form der Nachrichtenpräsentation: Statt langer Texte dominieren Bildkacheln, auf denen Typografie, Kontrast und Layout unmittelbar über Lesbarkeit und Aufmerksamkeit entscheiden.
In der Cultural Analytics wird bei der Analyse visueller Daten oft das Bild als primäres Objekt betrachtet; Text im Bild gilt dabei häufig als Störfaktor. Für News-Posts ist Text jedoch ein integraler Bestandteil des Artefakts: Schriftfarbe, Größe, Position und Transparenz wirken mit dem Motiv zusammen und können Wahrnehmung, Einordnung und emotionale Reaktion mitprägen.
Die Arbeit untersucht zwei Forschungsfragen: (1) Welche Rolle spielt der Bildhintergrund für die Textgestaltung in News-Posts? (2) Lässt sich ein Zusammenhang zwischen typografischen Entscheidungen, Textinhalt und dessen affektiver Wirkung erkennen? Der Fokus liegt auf dem Zusammenspiel aus visuellen Merkmalen (Farben, Kontrast) und inhaltlichen Signalen (extrahierter Text, Sentiment, Themen).
Als Vergleichsrahmen dient dabei auch Forschung zu journalistischen Praktiken auf Instagram, die zeigt, wie Nachrichtenorganisationen ihre visuelle Gestaltung an plattformspezifische Ă„sthetiken und Genres anpassen.
Aus praktischer Perspektive liefert die Analyse Hinweise darauf, wie Gestaltungsentscheidungen systematisch aus dem Bildkontext abgeleitet werden können und wo automatisierte Auswertungen an ihre Grenzen kommen. Das ist relevant für Design-Reviews, Content-Produktion und die Qualitätssicherung von Social-Media-Grafiken.
Methodisches Vorgehen
Die Datengrundlage besteht aus mehreren Tausend Instagram-Posts dreier deutscher Nachrichtenportale. Pro Beitrag wird das erste Bild betrachtet, da es typischerweise den größten Einfluss auf den ersten Eindruck hat. Ergänzend werden Metadaten wie Hashtags verarbeitet, um Themenfelder der Postings grob zu strukturieren.
Die Pipeline kombiniert mehrere Schritte: Ein Scraper sammelt Posts und persistiert Bilder und Metadaten. Für die Texterkennung wird OCR eingesetzt, um den eingebetteten Text samt Bounding-Boxen zu extrahieren. Darauf aufbauend werden bildnahe Merkmale berechnet, unter anderem dominante Hintergrundfarben sowie Textfarben und einfache Größen-/Positionsindikatoren.
FĂĽr die affektive Einordnung des extrahierten Textes werden zwei Sentimentverfahren gegenĂĽbergestellt: ein lexikonbasiertes Verfahren fĂĽr kurze Social-Media-Texte sowie ein lokal betriebenes LLM, das den Text in Klassen wie positiv, negativ oder neutral einordnet. Parallel dazu werden Hashtags normalisiert und in einem zweistufigen Clustering zu Themen-Gruppen zusammengefasst, um Verteilungen und zeitliche Muster ĂĽber Portale hinweg zu vergleichen.
Die Auswertung erfolgt ĂĽber interaktive Visualisierungen, die Verteilungen, Korrelationen und Clusterbildungen sichtbar machen. Wo automatisierte Schritte Fehlerquellen einbringen (z.B. OCR-Rauschen, Komprimierungsartefakte), werden die Ergebnisse als Musteranalyse interpretiert und nicht als exakte Messung einzelner Posts.