WI – RESEARCH NOTES

Informationssysteme für „Wicked Problems“

Forschung an der Schnittstelle von Social Media und CollectiveIntelligence

Mit unserem Forschungskommentar zeigen wir vielversprechende Forschungsrichtungenauf, die aus dem wechselseitigen Zusammenspiel von Social Media und CollectiveIntelligence hervorgehen. Wir konzentrieren uns auf sogenannte „Wicked Problems“ – eineKlasse von Problemen, „for which no single computational formulation of the problem issufficient, for which different stakeholders do not even agree on what the problem really is,and for which there are no right or wrong answers, only answers that are better or worsefrom different points of view“ (Introne et al. 2013, S. 45). Wir argumentieren, dassinsbesondere die Disziplin Wirtschaftsinformatik einen Beitrag zur Gestaltung geeigneterSysteme leisten kann und zwar aufgrund des Nutzens, der sich aus einer kombiniertenPerspektive von Social Media und Collective Intelligence ableitet.

DOI 10.1007/s11576-013-0395-x

Die Autoren

Prof. Dr. Detlef Schoder (�)Universität zu Köln50969 KölnDeutschlandschoder@wim.uni-koeln.de

Dr. Johannes PutzkeUniversität zu KölnKölnDeutschland

Prof. Panagiotis Takis Metaxas, PhDWellesley CollegeWellesleyUSAundHarvard UniversityCambridgeUSA

Prof. Dr. Peter A. GloorMIT Sloan School of ManagementCambridgeUSA

Prof. Dr. Kai FischbachUniversität BambergBambergDeutschland

Eingegangen: 2013-03-10Angenommen: 2013-09-22Angenommen nach zwei Überarbei-tungen durch die Herausgeber desSchwerpunktthemas.Online publiziert: 2014-01-28

This article is also available in Eng-lish via http://www.springerlink.comand http://www.bise-journal.org:Schoder D, Putzke J, Metaxas PT,Gloor PA, Fischbach K (2013) Infor-mation Systems for “Wicked Prob-lems”. Research at the Intersecti-on of Social Media and Collecti-ve Intelligence. Bus Inf Syst Eng.doi: 10.1007/s12599-013-0303-3.

© Springer Fachmedien Wiesbaden2014

1 Relevanz und Aktualität desThemas für dieWirtschaftsinformatik

Wicked Problems (z. B. Churchman1967, S. B141–B142; Rittel und Weber1973, S. 155–169) sind „problems forwhich no single computational formu-lation of the problem is sufficient, forwhich different stakeholders do not evenagree on what the problem really is, andfor which there are no right or wrong

answers, only answers that are betteror worse from different points of view“(Introne et al. 2013, S. 45). Viele Manage-mentprobleme – inklusive strategischerEntscheidungsfindung oder Produkt-design – sind in diesem Sinne ebenso„wicked“ wie (leider) auch die meis-ten sozialen und politischen Probleme,einschließlich der „großen Herausfor-derungen“ (Grand Challenges) in denBereichen Umwelt, Gesundheitsvorsor-ge, soziale Wohlfahrt, Erziehung undSicherheit (European Commission 2009;nA 2009; Mertens und Barbian 2013).Wir argumentieren, dass es einen Man-gel an geeigneten Informationssystemen(und Funktionalitäten) gibt, die dazubeitragen, solche Probleme erfolgreichanzugehen. Wünschenswert sind dem-nach flexible und funktionsreiche In-formationssysteme, die tausende, wennnicht hunderttausende Wissensarbei-ter dabei unterstützen, simultan und inenger, organisationsübergreifender Ko-operation an der Lösung von WickedProblems zu arbeiten. Ein Beispiel füreinen frühen Ansatz im kommerziel-len Umfeld ist IBMs Jam concept (Bjel-land und Wood 2008, S. 32), das aller-dings funktional hinter der hier formu-lierten Vision zurückbleibt. Informati-ve Grundlagen für diese Vision liefertdie breite Palette an Social-Computing-Technologien, die in den vergangenenDekaden entstanden ist. Sie umfasstnach Klein (2012, S. 449–473) E-Mail,Chat, Webforen, Wikis (z. B. Wiki-

WIRTSCHAFTSINFORMATIK 1|2014 3

WI – RESEARCH NOTES

pedia), Media-Sharing, Open-Source-Software-Entwicklung (z. B. Linux), Lö-sungswettbewerbe (wie z. B. Innocen-tive.com), Idea-Sharing-Systeme (z. B.ideastorm.com), Peer-Filtering-Sites(z.B. Slashdot), Gruppenentscheidungs-unterstützungssysteme (engl. „Group de-cision support systems“, GDSS) und wis-senschaftliche „collaboratories“ (Finholt2002, S. 73–107).

Die zentrale Behauptung dieses For-schungskommentars ist, dass Forschungan der Schnittstelle von Collective Intelli-gence und Social Media einen wichtigenBeitrag leisten kann, Informationssyste-me für Wicked Problems zu entwerfen.Diese Zuversicht erwächst aus der Beob-achtung, dass die Beiträge von MillionenMenschen in Social-Media-Umgebungeneinen Lösungsbeitrag für bisher schweroder nicht lösbare Probleme leisten kön-nen.

Social Media und Collective Intelli-gence sind zu Schlagworten in der For-schung geworden (vgl. z. B. Leimeis-ter 2010, S. 245–248). Ein Suche nach„Collective Intelligence“ in ThompsonReuters’ Web of Science in den Feldern„Titel“ (engl. „title“), „Schlüsselwör-tern“ (engl. „keywords“) und „Zusam-menfassung“ (engl. „abstract“) lieferte607 Suchergebnisse (am 1. Juli 2013).Eine ähnliche Suche nach „Social Me-dia“ ergab 2,796 Treffer. Ergebnisse vonGoogle Ngram zeigen das Ausmaß, indem Verweise auf diese beiden Begrif-fe in Büchern in den letzten Jahrenund – bemerkenswerter Weise – be-reits um 1900 und zwischen den 1920er-1950er-Jahren des letzten Jahrhunderts(http://books.google.com/ngrams/graph)zugenommen haben. Des Weiterenwurden den Thematiken „CollectiveIntelligence“ (z. B. Kapetanios undKoutrika 2010, S. 1–3) und „Soci-al Media“ (z. B. Boll et al. 2011;Chen und Yang 2011, S. 826–827; Cor-tizo et al. 2011, S. 5–7; Hiltz et al. 2011;Liang und Turban 2011, S. 5–13; Scho-der et al. 2013a, 2013b, S. 9–15) Son-derhefte akademischer Fachzeitschriftengewidmet.

Fortschritte bei den hier thematisier-ten Forschungsansätzen können auchzu dem langjährigen akademischen Dis-kurs hinsichtlich erforderlicher Maßnah-men zur Steigerung der Produktivitätvon Wissensarbeitern beitragen. Überdie Jahre gab es wiederholte Aufforde-rungen, Beiträge zu diesem Themen-feld und seinen Herausforderungen zu

leisten (Davenport et al. 1998, S. 43–57; Davenport und Prusak 1998; Alaviund Leidner 2001, S. 107–136). Insbe-sondere in der IS-Forschung wurde un-tersucht, wie Informationssysteme Wis-sensarbeiter bei Schaffung, Speicherung,Abruf, Transfer und Anwendung vonWissen unterstützen können (vgl. Ala-vi und Leidner, S. 107–136 für eine de-taillierte Darstellung dieser Punkte). DieForschung hat sich allerdings bisher vor-nehmlich auf die Untersuchung von Wis-sensmanagement innerhalb einer Unter-nehmung konzentriert. Nur selten wurdeanalysiert, wie Wissen in groß angelegtenund Unternehmensgrenzen überschrei-tenden Informationssystemen wirkt undwie Collective Intelligence entsteht oderbefördert werden könnte.

2 Problembeschreibung undHerausforderungen für dieForschung

Social Media wird im Minimalkonsensals generischer Begriff für soziale Inter-aktionen verwendet, die aus einer Viel-zahl von digitalen Medien und Tech-nologien hervorgehen, die es dem Nut-zer erlauben, Inhalte zu erstellen, zuteilen und gemeinschaftlich zu han-deln.1 Prominente Beispiele für Unter-nehmen, die diese Art von Leistungenanbieten, sind sogenannte Online-SocialNetworking-Plattformen wie beispiels-weise Facebook, LinkedIn, und Google+,Micro-Blogging-Seiten wie Twitter, Si-na Weibo, und Tumblr sowie Plattfor-men zum Austausch visueller Medien wieYouTube und Flickr.

Während bereits mehr als 500 For-schungspapiere zum Thema CollectiveIntelligence (CI) veröffentlicht wurden,hat sich die Forschung bisher nicht aufeine gemeinsame Definition von CI ver-ständigt, sodass der Begriff unterschied-lich belegt ist. Woolley et al. (2010,S. 687) definieren CI beispielsweise als„the general ability of the group to per-form a variety of tasks. Empirically, col-lective intelligence is the inference onedraws when the ability of a group toperform one task is correlated with thatgroup’s ability to perform a wide ran-ge of other tasks.“ Vanderhaeghen et al.(2010, S. 17) definieren CI als „the factthat the locally controlled behavior of anumber of individuals leads to successful

problem solving“. Gregg (2009, S. 456)definiert CI als „intelligence that emergesfrom the collaboration and competitionof many individuals“. Hiltz et al. (1991,S. 92) definieren CI als „the ability of agroup to arrive at a solution that is betterthan any of the members achieved indivi-dually“. Leimeister (2010, S. 245–248) de-konstruiert „Collective Intelligence“ ety-mologisch und schließt mit einer Defi-nition von CI des MIT Center for Col-lective Intelligence, und zwar, „groupsof individuals doing things collectivelythat seem intelligent“. Schließlich definie-ren Luo et al. (2009, S. 204) Collecti-ve Intelligence menschlicher Gruppen als„the idea that a human group may ma-nifest higher capabilities of information-processing and problem-solving than anyindividual participant of that group does,especially when the participants dense-ly interact with each other through thecomputerized communication channelssuch as the Internet and the World WideWeb“.

Viele IS-Forscher (z. B. Kapetanios undKoutrika 2010, S. 1; Leimeister 2010,S. 246) zitieren als Hauptfrage der For-schung im Bereich CI folgende Formulie-rung, die von einer Gruppe um Tom Ma-lone am Massachusetts Institute of Tech-nology aufgestellt worden ist: „How canpeople and computers be connected sothat – collectively – they act more intel-ligently than any individuals, groups, orcomputers have ever done before“ (vgl.http://cci.mit.edu). Hier ist zu betonen,dass dieser Begriff von CI Menschen undComputer einschließt.

Unser Verständnis darüber, wie Infor-mationssysteme zur Lösung von WickedProblems beitragen können, steht nochin den Anfängen. Die Forschung hat ge-zeigt, dass sich Wicked Problems nichtdurch Rechenleistung allein lösen lassen.Diese ist effektiv bei der Lösung klardefinierter Probleme, die sich formali-sieren lassen. Wicked Problems hinge-gen sind schlecht definierbar und eini-ge Aspekte des relevanten Wissens zurLösung der Probleme sind implizit, un-strukturiert und weder einfach zu fas-sen noch zu kodifizieren. Die Komple-xität von Wicked Problems ist daraufzurückzuführen, dass sie durch sozialeInteraktionen entstehen, die sich stän-dig verändern und widersprüchliche In-teressen beinhalten. Die Lösung dieser

1Für andere Interpretationen des Begriffs Social Media vgl. Kaplan und Haenlein (2010, S. 59–68); Kietzmann et al. (2011, S. 241–251).

4 WIRTSCHAFTSINFORMATIK 1|2014

WI – RESEARCH NOTES

Probleme benötigt einen parallelen Dis-kurs, zahlreiche Iterationen, die Ände-rung von Überzeugungen und unvorher-sehbare Revisionen. Die Ergebnisse mö-gen emergent sein und von der Intensi-tät, Qualität und Wahrnehmung der Bei-träge über die Zeit abhängen; sie mögenauch niemals abgeschlossen oder „wahr“in einem absoluten, vereinbarten Sinnesein.

Aufgrund der inhärenten Komplexi-tät von Wicked Problems ist es wenigüberraschend, dass aktuelle Forschungs-strömungen wie „Human computation“,„Human sensing“, „The human grid“,„Citizen science“ (Cohn 2008; Bonneyet al. 2009) zu dem Ergebnis gelan-gen, dass Menschen für viele Aufga-ben besser geeignet sind als Computer(zu den bekannten Beispielen zählt etwaAmazon’s Mechanical Turk) (Brynjolfs-son und McAfee 2012, S. 53–60). Den-noch können Informationssysteme einenwichtigen Beitrag leisten: Nicht indem siedas Automatisierungsparadigma der ISverfolgen, sondern indem sie das Unter-stützungsparadigma erweitern, so wie esComputer Supported Cooperative Workveranschaulicht.

Beispiele für benötigte Funktionalitä-ten als Teil von Informationssystemen inBezug auf Wicked Problems umfassenfolgende Aspekte (Schoder et al. 2013b):� Die Unterstützung von Deliberation,

d. h. die Unterstützung des Prozes-ses, in welchem Gemeinschaften (engl.Communities) (1) mögliche Lösun-gen für ein Problem identifizieren und(2) diejenige(n) Lösung(en) auswäh-len, die am besten ihren Anforde-rungen gerecht werden (Klein 2012,S. 449);

� die Unterstützung der Wissensarbei-ter beim Navigieren in sozialen Net-zen (Vorhersage von Kanten, Identifi-zierung relevanter Individuen, Bestim-mung der Stärke von Kanten, Bestim-mung der Einbettung und Position vonIndividuen etc.);

� die Hervorhebung relevanter Doku-mente basierend auf ihrer Verarbei-tung durch soziale Interaktionen (Wernutzt oder arbeitet an Dokumenten,in welcher sozialen Position und inwelchem Kontext, und deutet dies aufRelevanz hin?);

� die Ausnutzung menschlicher Rechen-leistung;

� die Erschaffung individualisierter„Informations-Cockpits“, die themati-sche Schwerpunkte auf eine individuellangepasste Art und Weise überwachen

Tab. 1 Herausforderungen für die Forschung

Systementwurf groß angelegter CI-Anwendungen

Messbarkeit, etwa von Diskursen und CI

Big Data Management

Semantische Inhaltsanalyse

Human-Computer Interfacing

Kommerzialisierung von CI-Anwendungen und Anwendungsszenarien

(inklusive der Identifizierung zentralerThemen und prädiktiver Fähigkei-ten wie Dinge, Tagesordnungspunkte,Themen, Personen etc. sich entwickelnkönnten) und

� die Handhabung großer Mengen semi-strukturierter oder unstrukturierterDaten, technisch und semantisch.Die gewünschten Funktionalitäten und

das benötigte verbesserte Verständnis ge-eigneter Informationssysteme lassen sichin mindestens sechs Herausforderungenfür die Forschung ausdrücken (sieheTab. 1).

Systementwurf groß angelegter CI-Anwendungen Die erste Gruppe anHerausforderungen für die Forschungbetrifft die Systemgestaltung hinsichtlichFunktionalität, technischem Design undModellierungsaspekten: Welche Model-le, Methoden und Sprachen sind für dieGestaltung von Informationssystemenfür Wicked Problems am besten geeig-net? Auch wenn sich eine Vielzahl vonArtikeln mit der Systemgestaltung vonkleinen und mittelgroßen Kooperations-plattformen beschäftigt (etwa im Bereichvon Computer Supported Cooperati-ve Work), ist unser Verständnis überCI-Anwendungen, die dazu fähig sind,Interaktionen zwischen Tausenden Indi-viduen, die simultan und über Organisa-tionen hinweg an einem Thema arbeiten,zu unterstützen, noch nicht ausreichend.Forschung zu Prognosemärkten ist eineder wenigen Ausnahmen (z. B. Tzira-lis und Tatsiopoulos 2007, S. 75–91);Prognosemärkte versuchen, die CI einergroßen Anzahl von (unabhängig) han-delnden Agenten nutzbar zu machen.Neben einem Verständnis, wie sich dieCI großer Gruppen nutzen lässt, ist esallerdings gleichermaßen relevant zu ver-stehen, wie man der CI kleiner Gruppenhabhaft wird.

Messbarkeit, etwa von Diskursen und CIDie zweite Gruppe der Herausforderun-gen für die Forschung betrifft die Mess-barkeit. „The better we measure, the bet-ter we manage“, lautet ein englisches

Sprichwort. Es erscheint notwendig, zumessen, was sich während eines Dis-kurses bzgl. Wicked Problems ereignet.Auch wäre es sehr hilfreich, spezifischeMaßzahlen für Personen mit besonde-ren Kenntnissen oder Fähigkeit zu ha-ben, um das Wissen bestmöglich zu ko-ordinieren und zu verteilen; dies könn-te oder sollte Teil eines spezifischenDiskurses sein. Zum Beispiel könntenErkenntnisse darüber, wie CI gemes-sen werden kann, in klassischen Aufga-ben der Wissensarbeiter inklusive Team-bildung und einer effektiven Vertei-lung und Anpassung von Arbeitsaufga-ben helfen. Die Motivation zur Mes-sung von Collective Intelligence äh-nelt der Motivation zur Messung indi-vidueller Intelligenz (vgl. Deary 2000).Die Messung individueller Intelligenzist zweifelsohne eine der prominentes-ten Aufgaben der psychologischen For-schung. Nichtsdestotrotz wurden nurwenige Versuche unternommen, Grup-penintelligenz zu messen (Woolley etal. 2010, S. 686–688). Sozialpsycho-logen haben Gruppenintelligenz nochnicht auf dieselbe Art und Weise er-fasst, in der sie individuelle Intelligenzmessen (Woolley et al. 2010, S. 686–688).

Big Data Management Die dritte Grup-pe der Herausforderungen für die For-schung betrifft die Datenhandhabung:Wie können wir die (großen) MengenDiskurs-induzierter Daten in Bezug aufMenge, Fließeigenschaften und (meis-tens schwacher) Strukturierung hand-haben? Im Kontext von Social Mediaspiegelt sich die zunehmende Datenflutin verschiedenen Phänomenen wider.Zum Beispiel wuchs laut Statistiken, dievon Wikipedia publiziert wurden, dieAnzahl von Artikeln in der englisch-sprachigen Wikipedia von 3,8 Millionenim Januar 2012 auf 4,1 Millionen imJanuar 2013. Das entspricht etwa 800Artikeln pro Tag (http://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia).Die Micro-Blogging-Plattform Twitter

WIRTSCHAFTSINFORMATIK 1|2014 5

WI – RESEARCH NOTES

behauptet, dass jede Sekunde mehr als400 Tweets gesendet werden, und der chi-nesische Micro-Blogging-Anbieter SinaWeibo berichtet über mehr als 300 Mil-lionen registrierte Nutzer in nur dreiJahren (Schoder et al. 2013b, S. 9–15).Allerdings sind Techniken für die Analysederartiger Daten (z. B. Textmining, Web-mining, die Analyse sozialer Netzwerkeund Raum-/Zeit-Analysen) noch nichtgut in bestehende kooperative Arbeits-systeme integriert. Des Weiteren sindMethoden für die Analyse von Social-Media-Daten, die im „Web 3.0“ generiertwurden (d. h. Daten von Mobiltelefonen,Tablets und anderen Sensor-basiertenSystemen), noch weit von einer ausge-reiften Entwicklung entfernt (Chen et al.2012, S. 1165–1188).

Semantische Inhaltsanalyse Die vierteGruppe an Herausforderungen für dieForschung fokussiert auf die semantischeInhaltsanalyse. Die Inhaltsanalyse auf ei-ner semantischen Ebene hat viele Facet-ten, die alle auf ihre Art und Weise ver-schiedene Herausforderungen mit sichbringen. Bild- und Spracherkennung zie-len darauf ab, Inhalte und Kontexte zu er-kennen und zu analysieren. Sie könnenals Ausgangspunkt dazu dienen, nicht-textuelle, audio-visuelle Inhalte (wie et-wa Video oder Sprache) in Text zu über-setzen, der als Zwischenprodukt für wei-tere Analysen dient. Informationsgewin-nung (engl. Information extraction), dieVerarbeitung natürlicher Sprache (engl.Natural language processing) oder ver-wandte Teildisziplinen (wie etwa Opin-ion mining) bieten Forschungsfelder, indenen die Suche nach semantischer Be-deutung in Textinhalten in den Fokusgerückt wird. Hier werden Herausforde-rungen wie die Entdeckung von The-men oder von semantischen Orientie-rungen (Sentiment) oft als Textklassifika-tionsprobleme modelliert, die durch Al-gorithmen des maschinellen Lernens (Se-bastiani 2002, S. 1–47) wie etwa NaiveBayes oder Support-Vektor-Maschinen(Joachims 1998) angegangen werden.Sie operieren auf verschiedenen Ebe-nen der Überwachung (supervised, semi-supervised, unsupervised) und enthaltenRelevance Feedback Loops. Herausforde-rungen bei der Ableitung semantischerBedeutung treten auch auf verschiedenenGranularitätsebenen auf, wie etwa aufder Ebene einer ganzen Dokumenten-kollektion, eines Dokuments, eines Ab-schnitts oder auf der Ebene einer ein-zelnen Phrase. Forschungsfelder sind die

Entdeckung der Thematik/Topic (Brantset al. 2002, S. 211–218), des Genres (Kess-ler et al. 1997, S. 32–38) und der Subjekti-vität und/oder des Sentiments (Liu 2010,S. 627–666; Pang et al. 2002, S. 79–86;Turney 2002, S. 417–424). Viele Beson-derheiten für de Analyse bringt die Kom-plexität der menschlichen Sprache mitsich, wie etwa die Entdeckung von Ne-gierungen (Councill et al. 2010, D. 51–59), Sarkasmus und Ironie (Carvalho etal. 2009, S. 53–56) oder “Opinion Spam”(Jindal und Liu 2008, S. 219–230) unddie Erkennung/Behebung von Synony-men (Baroni und Bisi 2004) oder Ana-phora (Lappin und Leass 1994, S. 535–561) und Co-Referenzen (Soon et al.2001, S. 741–757).

Human-Computer Interfacing Die fünf-te Gruppe von Herausforderungen fürdie Forschung fokussiert darauf, Men-schen und Computer zu verbinden: Wiekönnen Menschen und Computer in Pro-blemlösungsnetzwerken kombiniert wer-den? Für diese Forschungsfrage gibt eseine doppelte Motivation: Auf der einenSeite nähern wir uns einem guten Ver-ständnis von menschlichen Netzwerken(z. B. Wasserman und Faust 1994) so-wie von Computernetzwerken an. Aufder anderen Seite wissen wir noch nichtviel über „bi-modale Netzwerke“, dieaus Menschen und Computern bestehen(von Ahn 2005).

Kommerzialisierung von CI-Anwendun-gen und Anwendungsszenarien Diesechste Gruppe von Herausforderun-gen für die Forschung betrifft die Kom-merzialisierung (d. h. Geschäftsmodelle)von Anwendungen und Anwendungs-szenarien. Für den gegebenen Kontextliefern Zott et al. (2011, S. 1019–1042)einen ausführlichen Literaturüberblicküber die Geschäftsmodellforschung. Inihrem Gedankengebäude können IS For-scher insbesondere zur Forschung zu„E-business model archetypes“ beitra-gen. Sie hat ihren Ursprung in der E-Commerce-Forschung und lässt sich an-hand zweier sich ergänzender Denkschu-len strukturieren: Die eine zielt daraufab, Typologien zu liefern (und beschreibtgenerische e-Business-Modelle); die an-dere fokussiert auf die Komponenten derGeschäftsmodelle. Es ist offensichtlich,dass Social Media neue Geschäftsmodelleermöglichen. Zum Beispiel analysierenmehrere Forscher das Geschäftsmodellvon Facebook (z. B. Krombholz et al.2012, S. 175–212). Dennoch wissen wir

nur sehr wenig über Geschäftsmodelle,die darauf abstellen, Collective Intelli-gence mit Social Media nutzbar zu ma-chen, und so könnten wir die Schaffungvon Anreizen für wirtschaftliche Akteu-re, die eine Infrastruktur für WickedProblems hervorbringen, verpassen.

Im nächsten Kapitel weisen wir aufwissenschaftliche Methoden zur Bewäl-tigung der Herausforderungen für dieForschung hin.

3 Geeignete WissenschaftlicheMethoden

Betrachtet man die bereits beispielhaftgenannten Funktionalitäten von Infor-mationssystemen für Wicked Problems,so lässt sich feststellen, dass schon heutevielversprechende wissenschaftliche Me-thoden Einsatz finden.

Die Unterstützung der Wissensarbei-ter beim Navigieren in sozialen Graphenkann mithilfe der Methoden der Analy-se sozialer Netzwerke (z. B. Cross et al.2005) angegangen werden. Die Analysesozialer Netzwerke ist ein interdiszipli-näres Forschungsparadigma, das haupt-sächlich die Graphentheorie verwendet,um zu untersuchen, wie Leute verbun-den sind. Insbesondere fünf Forschungs-richtungen der Analyse sozialer Netzwer-ke sind an dieser Stelle von Interesse: Dieerste Forschungsrichtung umfasst Algo-rithmen für die Visualisierung von Netz-werken und die Berechnung von Netz-werkstatistiken (z. B. Borgatti et al. 2002;Brandes 2001, S. 163–177; De Nooy etal. 2005; Krempel 2005) Die zweite For-schungsrichtung beinhaltet Modelle, diedie Evolution von Netzwerken untersu-chen (z. B. Doreian und Stokman 1997;Robins et al. 2007, S. 192–215; Snij-ders et al. 2009, S. 44–60; Wassermanund Pattison 1996, S. 401–425). Die drit-te Forschungsrichtung umfasst Arbeiten,die skalenfreie Netzwerke und komple-xe Systeme als Betrachtungsgegenstandhaben (z. B. Barabasi und Albert 1999,p. 509; Newman 2006, p. 8577; Wattset al. 2007, S. 22–23; Watts und Stro-gatz 1998, S. 440–442). Die vierte, haupt-sächlich von IS Forschern eingenomme-ne Forschungsrichtung benutzt die Netz-werkanalyse zur Untersuchung elektroni-scher Kommunikationsnetzwerke (z. B.Ahuja und Carley 1999, S. 741–757; Ahu-ja et al. 2003, S. 21–38; Ashworth undCarley 2006, S. 43–75; Fischbach et al.2009, S. 1–8; Wasko et al. 2009, S. 254–265; Kane et al. im Druck). Die fünfte

6 WIRTSCHAFTSINFORMATIK 1|2014

WI – RESEARCH NOTES

Forschungsrichtung schließlich umfasstForschung in der Betriebswirtschaftsleh-re und Soziologie, die auf die Assoziati-on zwischen Netzwerkstruktur und derPerformanz der in ein Netzwerk einge-betteten Akteure fokussiert (vgl. Borgat-ti und Foster 2003, S. 991–1013; Brass etal. 2004, S. 795–817, für einen Überblicküber diese Arbeiten in der Organisations-forschung).

Die Hervorhebung relevanter Doku-mente basierend auf ihrer Verarbeitungdurch soziale Interaktionen kann mitMethoden des CSCW angegangen wer-den. Zum Beispiel untersuchten For-scher im Kontext von Groupware dieLeistungsfähigkeit verschiedener Tech-nologien zur Schaffung von Kontext-bewusstsein (engl. Context awareness)in Webbrowsern (Gutwin et al. 2011,S. 167–176). Diese Ergebnisse könnenuns helfen, die „super large-scale“ GDSS,die wir hier propagieren, mit Webtechno-logien zu entwickeln.

Die Einbindung von Menschen in re-chenintensive Aufgabenstellungen kannmit Methoden des „human computa-tion“, definiert als „a paradigm for util-izing human processing power to solveproblems that computers cannot yet sol-ve“ (von Ahn 2005, S. 3), angegan-gen werden. Die Lösungskraft von „hu-man computation“ rührt daher, dasses Elemente von Spielen dazu ein-setzt, Menschen, – oft ohne ihr expli-zites Zutun –, in eine Mitarbeit einzu-beziehen, was einen Hauptunterschiedzu den anderen oben genannten Me-thoden darstellt (Quinn und Beder-son 2011, S. 1403–1412; Kearns 2012,S. 58–67). Eine benachbarte Forschungs-richtung prüft den Einsatz von Men-schen, die als Sensoren fungieren. Dieswird als Human Sensing, Crowd DataSensing oder Public Data Sensing be-zeichnet (Austen 2013, S. 48–51). Contiet al. (2012, S. 2–21) prägen ein breite-res Bild in Bezug auf konvergente Cyber-physische Systeme. Sie postulieren dasPhänomen, dass eine Welle von (mensch-lichen) sozialen Netzwerken und Struk-turen als wichtiger Treiber für die Ent-wicklung neuer Kommunikations- undComputing-Paradigmen aufkommt.

Die Erschaffung individualisierterInformations-Cockpits, die themati-sche Schwerpunkte auf eine individu-ell bestimmte Art und Weise überwa-chen, kann mit Methoden des Data-mining angegangen werden, wie etwaAssoziationsregeln, Clustering, Entschei-dungsbäumen, dem k-nearest-neighbor-Algorithmus oder neuronalen Netzen

(vgl. Park et al. 2012, S. 10059–10072, füreinen Literaturüberblick).

Die Handhabung großer Mengen semi-strukturierter oder unstrukturierter Da-ten kann mit Methoden und Program-miermodellen wie MapReduce angegan-gen werden (z. B. Dean und Ghemawat2008, S. 107–113) (z. B. Apache Hadoop).Diese ermöglichen die Analyse großerDatenmengen, die oft mit Big Data be-zeichnet werden (vgl. Chen et al. 2012,S. 2265–1188, für einen Überblick überdiese Methoden). Es gibt einen großenKorpus an Forschung bzgl. der semanti-schen Handhabung von großen Kollek-tionen semi- oder unstrukturierter Da-ten (d. h. Text). Dieser umfasst Metho-den vom maschinellen Lernen (z. B. Bi-shop 2006), Datamining (z. B. Liu 2007),Textmining (Feldman und Sanger 2006)und Sentimentanalysen (Pang und Lee2008). Diese Methoden eröffnen uns bis-her nie dagewesene Möglichkeiten derAnalyse von Social Media und CollectiveIntelligence.

4 Beispiele fürForschungsbereiche undForschungsergebnisse

Unter den wissenschaftlichen Artikeln ander Schnittstelle zwischen Social Mediaund Collective Intelligence in Bezug aufIS Forschung für Wicked Problems ha-ben verschiedene Forschungsbereiche ei-ne besondere Aufmerksamkeit auf sichgezogen und mögen als Beispiele für ersteForschungsergebnisse dienen. Wir stellenhier vier Forschungsbereiche gesondertheraus:

(1) Der erste Forschungsbereich um-fasst Deliberation-Technologien. Klein(2012, S. 449–473) rezensiert eine großeBandbreite von Social-Computing-Technologien, die in den vergange-nen Dekaden aufgekommen sind.Um die Stärken und Schwächen vonDeliberation-Technologien besser zuverstehen, gruppiert er die Funktiona-litäten als „Zeit-zentriert“ (engl. „time-centric“) oder „Themen-zentriert“ (engl.„topic centric“). Offensichtlich gibt eseine große Menge an signifikanter For-schung zu Deliberation-Technologien.Nichtsdestotrotz brauchen wir mehr„Argument-zentrierte“ Ansätze (z. B.,Gürkan et al. 2010, S. 3686–3702), umdiese Forschung für groß angelegteArgumentationssysteme zu erweitern.

(2) Der zweite Forschungsbereich um-fasst Arbeiten, die Methoden und Ar-tefakte vorstellen, mit denen man sich

die Collective Intelligence von Wikis zuNutze macht. Zum Beispiel haben For-scher ein alternatives Such-Interface fürWikipedia vorgeschlagen (Hahn et al.2010, S. 1–11); andere haben den Ein-fluss der Anzahl der Editoren auf daskollektive Wissen, das in Wikipedia ge-schaffen wird, untersucht (Kittur et al.2009, S. 1495–1504). Wieder andere Au-toren haben Methoden des maschinellenLernens benutzt, um die Qualität einesUnternehmenswikis zu verbessern. Da-bei wurden Experten Wikiartikel zuge-wiesen, um diese zu begutachten undzu diesen beizutragen (Lykourentzou etal. 2010, S. 18–38). Des Weiteren unter-suchten Forscher Wiki-ähnliche Systemewie etwa ein CI-System für Verbrechens-berichte (Furtado et al. 2010, S. 4–17)und ein System für Echtzeitverkehrsin-formationen (Lee et al. 2010, S. 62–70).Schließlich präsentierten Passant undLaublet (2008, S. 58–69) ein „Wiki-farmsystem“, um Ontologie-basierte Datenzu produzieren, die für Menschen undComputer verständlich sind. Das führtzum dritten Forschungsbereich.

(3) Der dritte Forschungsbereich um-fasst Collective Intelligence und Daten-kategorisierung. Laut Levy (2010, S. 71–94), einem der bekanntesten Forscher zurCollective Intelligence, ist eine sinnvol-le Datenkategorisierung eine der wesent-lichsten Herausforderungen beim Man-agement der CI in Unternehmen. So be-trachtet auch eine Reihe von ForschernSocial Tagging und die daraus resultie-renden Folksonomies als eine der Haupt-forschungsfragen der Forschung zur Col-lective Intelligence (z. B. Floeck et al.2011, S. 75–91; Gregg 2010, S. 134–138; Gruber 2007, S. 1–11; Hsieh et al.2009, S. 9513–9523; Vanderhaeghen etal. 2010, S. 15–28). Social Tagging be-zeichnet den Prozess, in dem Nutzer –oft über das Internet durch Uniform-Resource-Locators (URLs) identifizier-bare – Objekte markieren (engl. to book-mark) und diese Objekte mit Metadaten,sogenannten Tags, annotieren. Die Men-ge der Tags, die aus den Annotationen al-ler Nutzer resultiert, bezeichnet man alsFolksonomy, einem Neologismus abge-leitet aus den englischen Worten ”Folk“(deutsch „Volk“ oder „Leute“) und „Ta-xonomy“ (vgl. Gruber 2007, S. 1–11, füreine Diskussion der Ontologie des Wor-tes „Folksonomy“). In der Literatur be-steht Uneinigkeit darüber, in welchemKontext Folksonomies für die Inhalts-klassifizierung und -kategorisierung bes-ser oder schlechter geeignet sind als vonExperten erschaffene Taxonomien (vgl.

WIRTSCHAFTSINFORMATIK 1|2014 7

WI – RESEARCH NOTES

z. B. Hsieh et al. 2009, S. 9513–9523,für einen Vergleich von Taxonomien undFolksonomien). Daher schlagen DesignScience Arbeiten Artefakte vor, die SocialTagging verwenden, um die CI in Unter-nehmen zu nutzen. Zum Beispiel zeigenVanderhaeghen et al. (2010, S. 15–28),wie Social Tagging im Prozessmanage-ment eingesetzt werden kann. Sie schla-gen eine Struktur, ein Modell und einenPrototypen vor und diskutieren diese.

(4) Der vierte Forschungsbereich um-fasst Arbeiten, die sich mit Prognose-märkten (engl. Prediction markets) be-schäftigen. Prognosemärkte werden vonvielen Forschern als Paradebeispiel dafürangeführt, wie man sich Collective Intel-ligence zu Nutzen machen kann (z. B.Bonabeau 2009; S. 45–52; Bothos et al.2009, S. 26–41; Malone et al. 2010, S. 21–31). Die Forschung zu Prognosemärktenist schon sehr weit fortgeschritten undein eigenes Forschungsfeld für sich. ZumBeispiel wurde 2007 „The Journal of Pre-diction Markets“ ins Leben gerufen. Da-her verweisen wir an dieser Stelle ledig-lich auf einen Literaturüberblick bei Tzi-ralis und Tatsiopoulos (2007, S. 75–91)sowie die Beiträge von Forsythe et al.(1992, S. 1142–1161), Spann und Skiera(2003, S. 1310–1326), Servan-Schreiberet al. (2004, S. 243–251) und Arrow et al.(2008, S. 877–878).

5 Fazit

Wicked Problems sind eine der schwie-rigsten Problemklassen, auf die man sto-ßen kann, und wir beginnen erst, sie inihrer ganzen Komplexität zu verstehen.Leider teilen die meisten großen Her-ausforderungen die Charakteristiken vonWicked Problems. Der Bedarf an geeig-neten Informationssystemen oder – spe-zifischer – nützlichen Funktionalitäten,um sich Phänomene der Collective In-telligence zu Nutze zu machen, ist un-umstritten und stellt einen relevantenForschungsbereich dar. Der Umfang unddie Reichweite der vorgeschlagenen For-schung fordern interdisziplinäre Ansätze.Es ist zu erwarten, dass die IS-Forschungund die Wirtschaftsinformatik von demakademischen Diskurs mit anderen Dis-ziplinen profitieren werden. Beispielhaft,aber nicht abschließend, seien hier dieInformatik, Soziologie, Psychologie, An-thropologie und Medienwissenschaftengenannt.

Die Informatik entwickelt die benö-tigten Methoden und Werkzeuge zur

Erfassung, Wiederherstellung, Speiche-rung, Suche, Transfer, Analyse und Vi-sualisierung von Daten. Die Soziologieleistet entscheidende Beiträge zum Ver-ständnis des Zusammenspiels von So-cial Media und Collective Intelligence.So nimmt die soziologische Netzwerk-analyse eine Schlüsselrolle bei der Unter-suchung und Erklärung ein, wie Men-schen (und Computer) verbunden wer-den müssen, um intelligenter zu handeln,als Individuen, Gruppen oder Computerdas je zuvor vermochten. Wie viele ande-re Theorien, die uns die sozialen Prozes-se, die zu Collective Intelligence führen,verstehen helfen, hat die Analyse sozialerNetzwerke ihre Wurzeln in der Soziolo-gie (z. B. Scott 2010, S. 21–26). Die Psy-chologie liefert uns Theorien zum Ver-ständnis der Motivation von Individuen.Von der Anthropologie lernen wir eth-nographische Ansätze und die Medien-wissenschaften bringen Agenda-Setting-Theorien, Inhaltsanalysen, Diskursana-lysen, Medienwirkungstheorien, Beein-flussungstheorien oder die Theorie derselektiven Zuwendung (engl. Uses andgratifications theory) ein.

Die Wirtschaftsinformatik als wissen-schaftliche Disziplin befindet sich in ei-ner sehr guten Ausgangslage, signifikantzu der vorgeschlagenen Forschung bei-zutragen: Sie hat eine Doppelperspek-tive, die insbesondere im Hinblick aufdie zahlreichen Forschungsfragen, diefast immer gleichzeitig „Mensch“- und„Maschine“-Aspekte sowie sozioökono-mische Dimensionen beinhalten, hilf-reich ist. Die Wirtschaftsinformatik leis-tet den schwierigen Spagat, behavioris-tische Forschungsansätze mit designori-entierten Forschungsansätzen zu verbin-den. Dabei bevorzugt sie weder den einennoch den anderen Forschungsansatz, wassie ansonsten besonders anfällig für Kri-tik aus beiden Forschungslagern machenwürde, da beide die gleiche Sprache be-nutzen, um unterschiedliche Phänomenezu beschreiben, und beide unterschiedli-che Vorstellungen davon haben, was rigo-rose und relevante Forschung auszeich-net (vgl. z. B. die Diskussion in Basker-ville et al. 2011, S. 11–15; Buhl et al.2012a, S. 307–315; Buhl et al. 2012b,S. 236–253; Junglas et al. 2011, S. 1–6; Ös-terle et al. 2010, S. 7–10). Um effektiveArtefakte zu verstehen und zu gestalten,sind jedoch beide Ansätze komplementärund notwendig.

Wir hoffen, dass insbesondere die Dop-pelperspektive der Wirtschaftsinformatikauf die Schnittfläche von Social Media

und Collective Intelligence ausgedehntwird und das Design von funktionsrei-chen Informationssystemen für WickedProblems anregt.

Danksagung

Die Autoren danken Marc Egger, TimMajchrzak, Martin Petzold, Frank Pillerund den drei anonymen Gutachtern fürihre Beiträge und hilfreiche Kommen-tare zu früheren Entwürfen dieses Ar-tikels. Prof. Metaxas’ Forschung wurdeteilweise unterstützt durch „NSF grantCNS-1117693“.

Literatur

Ahuja MK, Carley K (1999) Network struc-ture in virtual organizations. Organ Sci10(6):741–757

Ahuja MK, Galletta DF, Carley KM (2003) Indi-vidual centrality and performance in virtualR&D groups: an empirical study. Manag Sci49(1):21–38

Alavi M, Leidner DE (2001) Review: knowl-edge management and knowledge man-agement systems: conceptual foundationsand research issues. Manag Sci 25(1):107–136

Arrow KJ, Forsythe R, Gorham M, Hahn R, Han-son R, Ledyard JO, Levmore S, Litan R, Mil-grom P, Nelson FD, Neumann GR, OttavianiM, Schelling TC, Shiller RJ, Smith VL, Snow-berg E, Sunstein CR, Tetlock PC, TetlockPE, Varian HR, Wolfers J, Zitzewitz E (2008)Economics – the promise of predictionmarkets. Science 320(5878):877–878

Ashworth M, Carley K (2006) Who you knowvs. what you know: the impact of socialposition and knowledge on team perfor-mance. J Math Sociol 30(1):43–75

Austen K (2013) Out of the lab and onto thestreets. New Sci 218(2932):48–51

Barabasi A, Albert R (1999) Emergence ofscaling in random networks. Science286(5439):509

Baroni M, Bisi S (2004) Using cooccurrencestatistics and the web to discover syn-onyms in a technical language. In: Proceed-ings of LREC, Lisbon, S 1725–1728

Baskerville R, Lyytinen K, Sambamurthy V,Straub D (2011) A response to the design-oriented information systems researchmemorandum. Eur J Inf Syst 20(1):11–15

Bishop CM (2006) Pattern recognition andmachine learning, Bd 4. Springer, Heidel-berg

Bjelland OM, Wood RC 2008 An inside viewof IBM’s ‘innovation jam’. MIt Sloan Manag.Rev. Fall 50(1):32–40

Boll S, Jain R, Luo JB, Xu D (2011) Introductionto special issue on social media. ACM TransMultimed Comput 7(Supplement):25

Bonabeau E (2009) Decisions 2.0: the powerof collective intelligence. Sloan Manag Rev50(2):45–52

Bonney R, Cooper C, Dickinson J, KellingS, Phillips T, Rosenberg K, Shirk J (2009)Citizen science: a developing tool for ex-panding science knowledge and scientificliteracy. BioScience 59(11):977–984

8 WIRTSCHAFTSINFORMATIK 1|2014

WI – RESEARCH NOTES

Borgatti SP, Foster PC (2003) The networkparadigm in organizational research: a re-view and typology. J Manag 29(6):991–1013

Borgatti SP, Everett M, Freeman L (2002)Ucinet for Windows: software for social net-work analysis. Analytic Technologies, Har-vard

Bothos E, Apostolou D, Mentzas G (2009) Col-lective intelligence for idea managementwith Internet-based information aggrega-tion markets. Internet Res 19(1):26–41

Brandes U (2001) A faster algorithm forbetweenness centrality. J Math Sociol25(2):163–177

Brants T, Chen F, Tsochantaridis I (2002) Topic-based document segmentation with prob-abilistic latent semantic analysis. In: Procof 11th international conference on infor-mation and knowledge management, NewYork, S 211–218

Brass DJ, Galaskiewicz J, Greve HR, Tsai WP(2004) Taking stock of networks and or-ganizations: a multilevel perspective. AcadManag J 47(6):795–817

Brynjolfsson E, McAfee A (2012) Winning therace with ever-smarter machines. SloanManag Rev 53(2):53–60

Buhl HU, Fridgen G, Müller G, Röglinger M(2012a) On dinosaurs, measurement ide-ologists, separatists, and happy souls –proposing and justifying a way to make theglobal IS/BISE community happy. Bus InfSyst Eng 4(6):307–315

Buhl HU, Müller G, Fridgen G, Röglinger M(2012b) Business and information systemsengineering: a complementary approachto information systems – what we canlearn from the past and may conclude frompresent reflection on the future. J Assoc InfSyst 13(4):236–253

Carvalho P, Sarmento L, Silva MJ, De OliveiraE (2009) Clues for detecting irony in user-generated contents: oh...!! It’s “so easy” ;-). In: Proc of 1st international CIKM work-shop on topic-sentiment analysis for massopinion. ACM, New York, S 53–56

Chen HC, Yang CC (2011) Special issue onsocial media analytics: understanding thepulse of the society. IEEE Trans Syst ManCybern 41(5):826–827

Chen H, Chiang RHL, Storey VC (2012) Busi-ness intelligence and analytics: from bigdata to big impact. MIS Quart 36(4):1165–1188

Churchman CW (1967) Wicked problems.Manag Sci 14(4):B-141–B-142

Cohn JP (2008) Citizen science: can volunteersdo real research? BioScience 58(3):192–207

Conti M, Das SK, Bisdikian C, Kumar M, Ni LM,Passarella A, Roussos G, Tröster G, Tsudik G,Zambonelli F (2012) Looking ahead in per-vasive computing: challenges and oppor-tunities in the era of cyber-physical conver-gence. Pervasive Mob Comput 8(1):2–21

Cortizo JC, Carrero FM, Gomez JM (2011) In-troduction to the special issue: mining so-cial media. Int J Electron Commer 15(3):5–7

Councill IG, McDonald R, Velikovich L (2010)What’s great and what’s not: learning toclassify the scope of negation for improvedsentiment analysis. In: Proc of workshop onnegation and speculation in natural lan-guage processing, S 51–59. Association forComputational Linguistics

Cross R, Liedtka J, Weiss L (2005) A practi-cal guide to social networks. Harv Bus Rev83(3):124–132

Davenport TH, Prusak L (1998) Workingknowledge. Harvard Business School Press,Boston

Zusammenfassung / AbstractDetlef Schoder, Johannes Putzke, Panagiotis Takis Metaxas, Peter A. Gloor, Kai Fischbach

Informationssysteme für „Wicked Problems“

Forschung an der Schnittstelle von Social Media und Collective Intelligence

Mit unserem Forschungskommentar zeigen wir vielversprechende Forschungsrich-tungen auf, die aus dem wechselseitigen Zusammenspiel von Social Media und Col-lective Intelligence hervorgehen. Wir konzentrieren uns auf sogenannte „Wicked Pro-blems“ – eine Klasse von Problemen, „for which no single computational formulati-on of the problem is sufficient, for which different stakeholders do not even agreeon what the problem really is, and for which there are no right or wrong answers,only answers that are better or worse from different points of view“ (Introne et al.in Künstl. Intell. 27:45–52, 2013). Wir argumentieren, dass insbesondere die Diszi-plin Wirtschaftsinformatik einen Beitrag zur Gestaltung geeigneter Systeme leistenkann und zwar aufgrund des Nutzens, der sich aus einer kombinierten Perspektivevon Social Media und Collective Intelligence ableitet. Wir legen die Relevanz undAktualität von Social Media und Collective Intelligence für die Wirtschaftsinforma-tik dar, schlagen erforderliche Funktionalitäten von Informationssystemen für WickedProblems vor, beschreiben verwandte Themenfelder und Herausforderungen für dieForschung, identifizieren wissenschaftliche Methoden zu ihrer Lösung und führenkonkrete Beispiele für erste Forschungsergebnisse an.

Schlüsselwörter: Collective Intelligence, Wissensarbeit, Forschungsagenda, For-schungskommentar, Social Media, Wicked Problems

Information Systems for “Wicked Problems”

Research at the Intersection of Social Media and Collective Intelligence

The objective of this commentary is to propose fruitful research directions builtupon the reciprocal interplay of social media and collective intelligence. We focuson „wicked problems“ – a class of problems that Introne et al. (Künstl. Intell. 27:45–52,2013) call „problems for which no single computational formulation of the problemis sufficient, for which different stakeholders do not even agree on what the problemreally is, and for which there are no right or wrong answers, only answers that arebetter or worse from different points of view“. We argue that information systems re-search in particular can aid in designing appropriate systems due to benefits derivedfrom the combined perspectives of both social media and collective intelligence. Wedocument the relevance and timeliness of social media and collective intelligencefor business and information systems engineering, pinpoint needed functionality ofinformation systems for wicked problems, describe related research challenges, high-light prospective suitable methods to tackle those challenges, and review examplesof initial results.

Keywords: Collective intelligence, Knowledge work, Research agenda, Researchcommentary, Social media, Wicked problems

WIRTSCHAFTSINFORMATIK 1|2014 9

WI – RESEARCH NOTES

Davenport TH, De Long DW, Beers MC(1998) Successful knowledge managementprojects. Sloan Manag Rev 39(2):43–57

De Nooy W, Mrvar A, Batagelj V (2005) Ex-ploratory social network analysis with Pa-jek. Cambridge University Press, New York

Dean J, Ghemawat S (2008) MapReduce: sim-plified data processing on large clusters.Commun ACM 51(1):107–113

Deary IJ (2000) Looking down on humanintelligence – from psychometrics to thebrain. Oxford University Press, New York

Doreian P, Stokman FN (1997) Evolution of so-cial networks. Gordon and Breach, Amster-dam

European Commission (2009) The world in2025. http://ec.europa.eu/research/social-sciences/pdf/the-world-in-2025-report_en.pdf. Abruf am 2012-07-01

Feldman R, Sanger J (2006) The text min-ing handbook: advanced approaches inanalyzing unstructured data. CambridgeUniversity Press, New York

Finholt TA (2002) Collaboratories. Annu RevInf Sci Technol 36(1):73–107

Fischbach K, Gloor PA, Schoder D (2009)Analyse informeller Kommunikations-netzwerke am Beispiel einer Fallstudie.WIRTSCHAFTSINFORMATIK 51(2):164–174

Floeck F, Putzke J, Steinfels S, FischbachK, Schoder D (2011) Imitation and qual-ity of tags in social bookmarking systems– collective intelligence leading to folk-sonomies. In: Bastiaens T, Baumöl U, KrämerB (Hrsg) Advances in soft computing, oncollective intelligence, Bd 76. Heidelberg,Springer, S 75–91

Forsythe R, Nelson F, Neumann GR, Wright J(1992) Anatomy of an experimental politi-cal stock-market. Am Econ Rev 82(5):1142–1161

Furtado V, Ayres L, de Oliveira M, Vascon-celos E, Caminha C, D’Orleans J, BelchiorM (2010) Collective intelligence in law en-forcement – the WikiCrimes system. Inf Sci180(1):4–17

Gregg D (2009) Developing a collective intel-ligence application for special education.Decis Support Syst 47(4):455–465

Gregg D (2010) Designing for collective intel-ligence. Commun ACM 53(4):134–138

Gruber T (2007) Ontology of folksonomy:a mash-up of apples and oranges. Int JSemantic Web Inf Syst 3(1):1–11

Gürkan A, Iandoli L, Klein M, Zollo G (2010)Mediating debate through on-line large-scale argumentation: evidence from thefield. Inf Sci 180(19):3686–3702

Gutwin CA, Lippold M, Graham TCN (2011)Real-time groupware in the browser: test-ing the performance of web-based net-work. In: Proc of ACM 2011 conferenceon computer supported cooperative work(CSCW 2011), Hangzhou, S 167–176

Hahn R, Bizer C, Sahnwaldt C, Herta C, Robin-son S, Burgle M, Duwiger H, Scheel U (2010)Faceted Wikipedia search. Lect Notes BusInf 47:1–11

Hiltz SR, Johnson K, Turoff M (1991) Groupdecision support: the effects of designatedhuman leaders and statistical feedback incomputerized conferences. J Manag InfSyst 8(2):81–108

Hiltz SR, Diaz P, Mark G (2011) Introduc-tion: social media and collaborative sys-tems for crisis management. ACM TransComput-Hum Interact 18(4):18

Hsieh WT, Stu J, Chen YL, Chou SCT (2009)A collaborative desktop tagging sys-tem for group knowledge managementbased on concept space. Expert Syst Appl36(5):9513–9523

Introne J, Laubacher R, Olson G, Malone T(2013) Solving wicked social problems withsocio-computational systems. Künstl Intell27:45–52

Jindal N, Liu B (2008) Opinion spam and anal-ysis. In: Proc of international conference onweb search and web data mining. ACM,New York, S 219–230

Joachims T (1998) Text categorization withsupport vector machines: learning withmany relevant features. Lect Notes ComputSci 139:137–142

Junglas I, Niehaves B, Spiekermann S, StahlBC, Weitzel T, Winter R, Baskerville R (2011)The inflation of academic intellectual capi-tal: the case for design science research inEurope. Eur J Inf Syst 20(1):1–6

Kane GC, Alavi M, Labianca G, Borgatti SP (imDruck) What’s different about social me-dia networks? A framework and researchagenda. MIS Quarterly

Kapetanios E, Koutrika G (2010) Guest edito-rial: special issue on collective intelligence.Inf Sci 180(1):1–3

Kaplan AM, Haenlein M (2010) Users of theworld, unite! The challenges and opportu-nities of social media. Bus Horiz 53(1):59–68

Kearns M (2012) Experiments in social com-putation. Commun ACM 55(10):58–67

Kessler B, Numberg G, Schütze H (1997) Au-tomatic detection of text genre. In: Proc of35th annual meeting of the association forcomputational linguistics and eighth con-ference of the European chapter of theassociation for computational linguistics,S 32–38. Association for ComputationalLinguistics

Kietzmann JH, Hermkens K, McCarthy IP, Sil-vestre BS (2011) Social media? Get seri-ous! Understanding the functional buildingblocks of social media. Bus Horiz 54(3):241–251

Kittur A, Lee B, Kraut RE (2009) Coordina-tion in collective intelligence: the role ofteam structure and task interdependence.In: Proceedings of the 27th annual chi con-ference on human factors in computingsystems (Chi2009), Boston, S 1495–1504

Klein M (2012) Enabling large-scale delib-eration using attention-mediation metrics.Comput Support Coop Work 21:449–473

Krempel L (2005) Visualisierung komplexerStrukturen: Grundlagen der Darstellungmehrdimensionaler Netzwerke. Campus,Frankfurt

Krombholz K, Merkl D, Weippl E (2012) Fakeidentities in social media: a case study onthe sustainability of the Facebook businessmodel. J Serv Sci Res 4(2):175–212

Lappin S, Leass HJ (1994) An algorithm forpronominal anaphora resolution. ComputLinguist 20(4):535–561

Lee WH, Tseng SS, Shieh WY (2010) Collab-orative real-time traffic information gen-eration and sharing framework for theintelligent transportation system. Inf Sci180(1):62–70

Leimeister JM (2010) Collective intelligence.Bus Inf Syst Eng 2(4):245–248

Levy P (2010) From social computing to re-flexive collective intelligence: the IEML re-search program. Inf Sci 180(1):71–94

Liang TP, Turban E (2011) Introduction tothe special issue social commerce: a re-search framework for social commerce. IntJ Electron Commer 16(2):5–13

Liu B (2007) Web data mining: exploring hy-perlinks, contents, and usage data. Heidel-berg, Springer

Liu B (2010) Sentiment analysis and subjec-tivity. In: Indurkhya N, Damerau F (eds)

Handbook of natural language processing,2. Aufl. CRC, London, S 627–666

Luo SL, Xia HX, Yoshida T, Wang ZT (2009) To-ward collective intelligence of online com-munities: a primitive conceptual model. JSyst Sci Syst Eng 18(2):203–221

Lykourentzou I, Papadaki K, Vergados DJ,Polemi D, Loumos V (2010) CorpWiki: aself-regulating wiki to promote corporatecollective intelligence through expert peermatching. Inf Sci 180(1):18–38

Mertens P, Barbian D (2013) Forschung über„Grand Challenges“ – Eine „Grand Chal-lenge“. Arbeitspapier Nr 1/2013, UniversitätErlangen-Nürnberg

Malone TW, Laubacher R, Dellarocas C (2010)The collective intelligence genome. SloanManag Rev 51(3):21–31

nA (2009) The lund decleration – Europemust focus on the grand challenges ofour time. http://www.vr.se/download/18.7dac901212646d84fd38000336/1264064126033/Lund_Declaration.pdf. Abruf am2012-07-01

Newman M (2006) Modularity and commu-nity structure in networks. Proc Natl AcadSci USA 103(23):8577

Österle H, Becker J, Frank U, Hess T, Karagian-nis D, Krcmar H, Loos P, Mertens P, OberweisA, Sinz EJ (2010) Memorandum on design-oriented information systems research. EurJ Inf Syst 20(1):7–10

Pang B, Lee L (2008) Opinion mining andsentiment analysis. Now Pub, Hannover

Pang B, Lee L, Vaithyanathan S (2002) Thumbsup? Sentiment classification using machinelearning techniques. In: Proc of EMNLP2002, Philadelphia, S 79–86

Park DH, Kim HK, Choi IY, Kim JK (2012) A lit-erature review and classification of recom-mender systems research. Expert Syst Appl39(11):10059–10072

Passant A, Laublet P (2008) Combining struc-ture and semantics for ontology-based cor-porate wikis. Lect Notes Bus Inf 7:58–69

Robins G, Snijders T, Wang P, Handcock M,Pattison P (2007) Recent developments inexponential random graph (p∗) models forsocial networks. Soc Netw 29(2):192–215

Quinn A, Bederson B (2011) Human computa-tion: a survey and taxonomy of a growingfield. In: CHI 2007, Vancouver, S 1403–1412

Rittel HWJ, Weber MM (1973) Dilemmas ina general theory of planning. Policy Sci4(2):155–169

Schoder D, Gloor P, Metaxas PT (2013a) Spe-cial issue on social media (editorial). KünstlIntell 27(1):5–8

Schoder D, Gloor P, Metaxas PT (2013b) So-cial media and collective intelligence – on-going and future research streams. KünstlIntell 27(1):9–15

Scott J (2010) Social network anylsis – a hand-book, 2nd ed. Sage Publications, ThousandOaks.

Sebastiani F (2002) Machine learning in au-tomated text categorization. ACM ComputSurv 34(1):1–47

10 WIRTSCHAFTSINFORMATIK 1|2014

WI – RESEARCH NOTES

Servan-Schreiber E, Wolfers J, Pennock DM,Galebach B (2004) Prediction markets: doesmoney matter? Electron Mark 14(3):243–251

Snijders TAB, van de Bunt GG, Steglich CEG(2009) Introduction to stochastic actor-based models for network dynamics. SocNetw 32(1):44–60

Soon WM, Ng HT, Lim DCY (2001) A machinelearning approach to coreference resolu-tion of noun phrases. Comput Linguist27(4):521–544

Spann M, Skiera B (2003) Internet-based vir-tual stock markets for business forecasting.Manag Sci 49(10):1310–1326

Turney PD (2002) Thumbs up or thumbsdown? Semantic orientation applied to un-supervised classification of reviews. In: Procof 40th annual meeting on associationfor computational linguistics, S 417–424.Association for Computational Linguistics

Tziralis G, Tatsiopoulos I (2007) Predictionmarkets: an extended literature review. JPredict Mark 1(1):75–91

Vanderhaeghen D, Fettke P, Loos P (2010)Organizational and technological optionsfor business process management from theperspective of web 2.0 results of a de-sign oriented research approach with par-ticular consideration of self-organizationand collective intelligence. Bus Inf Syst Eng2(1):15–28

von Ahn L (2005) Human computation. PhDthesis, Carnegie Mellon University

Wasko M, Teigland R, Faraj S (2009) The provi-sion of online public goods: examining so-cial structure in an electronic network ofpractice. Decis Support Syst 47(3):254–265

Wasserman S, Faust K (1994) Social networkanalysis: methods and applications. Cam-bridge University Press, Cambridge

Wasserman S, Pattison P (1996) Logit modelsand logistic regressions for social networks.I. An introduction to Markov graphs and p∗ .Psychometrika 61(3):401–425

Watts D, Peretti J, Frumin M (2007) Viral mar-keting for the real world. Harv Bus Rev85(5):22–23

Watts D, Strogatz S (1998) Collective dy-namics of ‘small-world’ networks. Nature393(6684):440–442

Woolley AW, Chabris CF, Pentland A, HashmiN, Malone TW (2010) Evidence for a collec-tive intelligence factor in the performanceof human groups. Science 330(6004):686–688

Zott C, Amit R, Massa L (2011) The businessmodel: recent developments and futureresearch. J Manag 37(4):1019–1042

WIRTSCHAFTSINFORMATIK 1|2014 11