Gender Aspekte der Data Science

Sitzung 3b: Arbeiten mit Wikipedia API | Arbeit an Team-Projekten

Daria Tisch

🔎 Forschungsfrage für diese Sitzung

Unterscheidet sich die Länge von Wikipedia-Artikeln deutscher Politikerinnen vs. Politiker?

Sample: Politikerinnen und Politiker des 21. Bundestages

🔎 Forschungsfrage

Unterscheidet sich die Länge von Wikipedia-Artikeln deutscher Politikerinnen vs. Politiker?

Vorgehen:

  1. Ăśber Wikidata alle Abgeordnete finden
  2. Artikel Länge der deutschen Wikipedia Einträge finden
  3. Analyse

🛠️ Werkzeuge

Für die Analyse mit R nutzen wir zwei Hauptzugänge:

  1. Wikidata (SPARQL): FĂĽr strukturierte Daten (Infos zu Abgeordneten des 21. Bundestages). Paket: WikidataR.
  2. Wikipedia (API): Für unstrukturierte Textdaten (Artikellänge, Edits). Paket: WikipediR

Wikidata: Strukturierte Daten

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

Wichtige IDs:

  • P39: öffentliches Amt oder Stellung
  • Q1939555: Mitglied des Deutschen Bundestages
  • P2937: Wahlperiode
  • Q124661964: 21. Deutscher Bundestag

Wikidata Page: Rebecca Lenhard

Rebecca Lenhard

Query: Welchen Beruf hat Rebecca?

Link to query

Query: Abgeordnete des 21. Deutschen Bundestages

Link to query

📦 Setup

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

Abgeordneten Query in R

sparql_query = '
SELECT DISTINCT ?person ?personLabel ?gender ?genderLabel ?article WHERE {
  ?person p:P39 ?positionStatement .
  
  ?positionStatement ps:P39 wd:Q1939555 .   # Mitglied des Deutschen Bundestages
  
  ?positionStatement pq:P2937 wd:Q124661964 . # 21. Deutscher Bundestag (Q-ID einsetzen)
  
  ?person wdt:P21 ?gender.
  
  ?article schema:about ?person;
           schema:isPartOf <https://de.wikipedia.org/>.
  SERVICE wikibase:label { bd:serviceParam wikibase:language "de,en". }
}
ORDER BY ?personLabel
'

🚀 Anfrage an Wikidata API

df_raw = query_wikidata(sparql_query, format = c("tibble"))
df_raw
# A tibble: 634 Ă— 5
   person     personLabel       gender   genderLabel article          
   <chr>      <chr>             <chr>    <chr>       <chr>            
 1 Q132733585 Q132733585        Q6581097 männlich    Raimond_Scheirich
 2 Q132733606 Aaron Valent      Q6581097 männlich    Aaron_Valent     
 3 Q132733543 Achim Köhler      Q6581097 männlich    Achim_K%C3%B6hler
 4 Q132733484 Adam Balten       Q6581097 männlich    Adam_Balten      
 5 Q96096131  Adis Ahmetovic    Q6581097 männlich    Adis_Ahmetovic   
 6 Q27065428  Adrian Grasse     Q6581097 männlich    Adrian_Grasse    
 7 Q132733506 Agnes Conrad      Q6581072 weiblich    Agnes_Conrad     
 8 Q109309    Agnieszka Brugger Q6581072 weiblich    Agnieszka_Brugger
 9 Q122308264 Alaa Alhamwi      Q6581097 männlich    Alaa_Alhamwi     
10 Q1738272   Albert Rupprecht  Q6581097 männlich    Albert_Rupprecht 
# â„ą 624 more rows

Datenaufbereitung

names(df_raw)
[1] "person"      "personLabel" "gender"      "genderLabel" "article"    
df = df_raw %>%
  mutate(female = ifelse(genderLabel == "weiblich", 1, 
                         ifelse(genderLabel == "männlich", 0, 99)))
  
table(df$female)

  0   1  99 
427 206   1

Datenaufbereitung

urls <- df$article

get_title <- function(url) {
  url |> 
    str_remove("https?://de.wikipedia.org/wiki/") |> 
    URLdecode()
}

titles <- map_chr(urls, get_title)

Wikipedia Seitenlänge extrahieren

# Hilfsfunktion, um die Seitengröße zu extrahieren
get_wiki_size <- function(title) {
  # Wir fragen die Info fĂĽr die deutsche Wikipedia ab
  info <- page_info("de", "wikipedia", page = title, clean_response = TRUE)
  
  # Extrahiere die Länge in Bytes (standardmäßig im Feld 'length' enthalten)
  if (!is.null(info[[1]]$length)) {
    return(info[[1]]$length)
  } else {
    return(NA)
  }
}

# Anwendung auf die Liste von Titeln
df <- df %>%
  mutate(article_length = map_dbl(titles, get_wiki_size))

Datenanalyse: Durchschnittswerte

plot_data <- df %>%
  filter(female %in% c(0, 1)) %>% # Nur männlich (0) und weiblich (1)
  mutate(Geschlecht = ifelse(female == 1, "Weiblich", "Männlich")) %>%
  group_by(Geschlecht) %>%
  summarise(
    avg_length = mean(article_length, na.rm = TRUE),
    sd_length = sd(article_length, na.rm = TRUE),
    avg_backl = mean(article_backl, na.rm = TRUE),
    sd_backl = sd(article_backl, na.rm = TRUE),
    n = n()
  )

plot_data
# A tibble: 2 Ă— 6
  Geschlecht avg_length sd_length avg_backl sd_backl     n
  <chr>           <dbl>     <dbl>     <dbl>    <dbl> <int>
1 Männlich       13363.    19130.      57.3     83.9   427
2 Weiblich       13274.    15295.      63.8     81.8   206

Datenanalyse: t-Test Artikellänge

df = df %>%
  filter(female <2)
t_test_result <- t.test(article_length ~ female, data = df)
t_test_result

    Welch Two Sample t-test

data:  article_length by female
t = 0.06283, df = 495.4, p-value = 0.9499
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 -2684.799  2862.183
sample estimates:
mean in group 0 mean in group 1 
       13363.12        13274.43

Visualisierung: Artikellänge

g_length = ggplot(plot_data, aes(x = Geschlecht, y = avg_length, fill = Geschlecht)) +
  geom_bar(stat = "identity", width = 0.6, show.legend = FALSE) +
  scale_fill_manual(values = c("Männlich" = "#3498db", "Weiblich" = "#e67e22")) +
  # Beschriftungen
  labs(
    title = "Durchschnittliche Wikipedia-Artikellänge nach Geschlecht",
    subtitle = "Abgeordnete des 21. Deutschen Bundestages",
    x = "Geschlecht",
    y = "Durchschnittliche Länge (Bytes)",
    caption = paste("Quelle: Wikidata & Wikipedia API | n =", sum(plot_data$n))
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold"),
    panel.grid.major.x = element_blank()
  )

Visualisierung: Artikellänge

The end