Gender Aspekte der Data Science

Sitzung 2b: Themensuche | Daten extrahieren | Forschungsdatenmanagement

Daria Tisch

Forschungsdatenmanagement

Was ist Forschungsdatenmanagement?

• “Gesundheitsvorsorge” für Daten
• Schützt die Daten vor Schaden
• Macht Daten funktional, nutzbar und auffindbar
• Alle Strategien, Prozesse und Maßnahmen zum Sammeln, Organisieren, Strukturieren, Speichern, Analysieren, Veröffentlichen, Weitergeben und Archivieren von Informationen, die im Rahmen eines Forschungsprojekts verwendet oder erzeugt werden
• Behandelt auch rechtliche und ethische Fragen (z. B. Einwilligungserklärungen, Eigentum, Lizenzierung)

Übersicht: Forschungsdatenmanagement

Warum Forschungsdatenmanagement?

• Verbessert Arbeitsabläufe
• Minimiert das Risiko von Datenverlusten
• Gute wissenschaftliche Praxis
• Erhält Datenqualität
• Spart Ressourcen

Konkrete Anwendung

• Teamprojekt mit Skript und Git
  
• Gute Praktiken der Dateiverwaltung & -benennung
• Gute Dokumentation des Codes

Organisation ist alles - Ordnerstruktur

• data/: Trennung von raw und processed data
• R/: Falls R Skripte
• quarto/: Modularisierte Arbeit (01_intro, 02_methods, etc.).
• output/: Ergebnisse, Visualisierungen

Quarto und R

Was ist Quarto?

• ist ein neues, quelloffenes, wissenschaftliches und technisches Publikationssystem

• Das Ziel von Quarto ist es, den Prozess der Erstellung und Zusammenarbeit an wissenschaftlichen und technischen Dokumenten deutlich zu verbessern

Warum Quarto?

• Code und Ergbenisdokument in einem Zuge erstellen
• Kein lästiges hin und herkopieren
• Konsistente Implementierung praktischer Funktionen für alle Ausgaben: Tabsets, Code-Folding, Syntax-Highlighting, etc.
• Zugänglichere Standardeinstellungen
• Visual editor
• Leitplanken, besonders hilfreich für neue Lernende: YAML-Vervollständigung, informative Syntaxfehler, etc.

YAML

Dokument metadata

title: "Hello, Penguins!"
format: html
editor: visual

YAML ausführlicher

Dokument metadata

format:
  live-revealjs:
    theme: default
    slideNumber: true
title: "1. Übung"
subtitle: "Fortgeschrittene quantitative Methoden <br> Wintersemester 2024-2025"
author: "Daria Tisch"
editor: visual

Text

Markdown kann mit jedem Editor bearbeitet werden, auch mit den Quelltext- oder visuellen Editoren von RStudio.

Code

Code kann auch mit den Quelltext- oder visuellen Editoren von RStudio bearbeitet werden

Quarto Output Dokumente

• Folien / Präsentation (HTML, PDF, PowerPoint)
• Manuskripte (Word Dokument, PDF, HTML)
• Websites (HTML)

Nun zu Gender Data Gaps auf Wikidata

🔎 Forschungsfrage für diese Sitzung

Wie groß ist der Gender Gap bei deutschen Menschen auf Wikidata?

Ziel: Wir untersuchen einen Gender Data Gap in einer der größten freien Wissensdatenbanken der Welt, Wikidata.

🛠️ Werkzeuge

Für die Analyse mit R nutzen wir zwei Hauptzugänge:

1. Wikidata (SPARQL): Für strukturierte Daten (Geburtsdaten, Berufe, Geschlecht). Paket: WikidataR.
2. Wikipedia (API): Für unstrukturierte Textdaten (Artikellänge, Edits). Paket: WikipediR oder pageviews.

Wikidata: Strukturierte Daten

Wikidata speichert Informationen in Triplen (Subjekt - Prädikat - Objekt). Um diese abzufragen, nutzen wir SPARQL.

Wichtige IDs:

• P21: Geschlecht (Property)
• Q6581072: Weiblich (Item)
• Q6581097: Männlich (Item)
• P31: “Ist ein(e)” (z.B. Q5 - Mensch)

Wikidata Page: Caroline Criado-Perez

Caroline Criado-Perez

Queries

Wikidata Query Service

Query: Welchen Beruf hat Caroline?

Link to query

Query: Welche Staatsbürgerschaft hat Caroline und wo wurde sie geboren?

Link to query

Query: Gender Gap bei Deutschen auf Wikidata

Link to query

📦 Setup

library(WikidataR)
library(WikipediR)
library(pageviews)
library(dplyr)
library(tidyr)
library(ggplot2)
library(stringr)
library(purrr)
library(httr)
library(jsonlite)

Gender Gap Query in R

sparql_query = '
SELECT ?genderLabel ?count
WHERE {
  {
    SELECT ?gender (COUNT(?person) AS ?count) WHERE {
      ?person wdt:P31 wd:Q5 .
      ?person wdt:P27 wd:Q183 .
      ?person wdt:P21 ?gender .
    }
    GROUP BY ?gender
  }
  SERVICE wikibase:label { bd:serviceParam wikibase:language "de,en". }
}
ORDER BY DESC(?count)
'

🚀 Anfrage an Wikidata API

df_raw = query_wikidata(sparql_query, format = c("tibble"))
df_raw

# A tibble: 46 × 2
   genderLabel             count 
   <chr>                   <chr> 
 1 männlich                246365
 2 weiblich                78703 
 3 nichtbinär              46    
 4 Transfrau               41    
 5 Transmann               10    
 6 neutrales Geschlecht    4     
 7 Intergeschlechtlichkeit 3     
 8 Agender                 3     
 9 Cisfrau                 2     
10 Transfeminin            2     
# ℹ 36 more rows

Datenaufbereitung

names(df_raw)

[1] "genderLabel" "count"      

df = df_raw %>%
  mutate(
    gender = genderLabel,
    count = as.numeric(count) 
    )%>%
        filter(count > 50)
  
df

# A tibble: 2 × 3
  genderLabel  count gender  
  <chr>        <dbl> <chr>   
1 männlich    246365 männlich
2 weiblich     78703 weiblich

Datenvisualisierung

plot_wikidata = ggplot(df, aes(x = reorder(gender, count), y = count, fill = gender)) +
  geom_col(width = 0.7, show.legend = FALSE) +
  coord_flip() +
  
  # Farbpalette
  scale_fill_brewer(palette = "Set2") +
  
  # Labels
  labs(
    title = "Geschlechterverteilung deutscher Personen in Wikidata",
    subtitle = "Datenquelle: Wikidata Query Service",
    x = "Geschlecht",
    y = "Anzahl"
  ) +
  
  # Minimaler, moderner Theme-Stil
  theme_minimal(base_size = 14) +
  
  theme(
    plot.title = element_text(face = "bold", size = 18),
    plot.subtitle = element_text(size = 12, color = "gray40"),
    axis.title = element_text(face = "bold"),
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank(),
    plot.margin = margin(10, 15, 10, 15)
  )

Datenvisualisierung

Gender Data Gap

df_gap = df  %>%
  select(-genderLabel) %>%
  pivot_wider(names_from = gender, values_from = count) %>%
  rename(male = männlich,
         female =weiblich) %>%
  mutate(
    absolute_gap = male - female,
    ratio_male_female = male / female,
    female_share = female / (male + female)
  )

df_gap

# A tibble: 1 × 5
    male female absolute_gap ratio_male_female female_share
   <dbl>  <dbl>        <dbl>             <dbl>        <dbl>
1 246365  78703       167662              3.13        0.242

The end