Historical Memes For German Teens

Dieses Projekt ist im Rahmen des Hackathons Coding Precarity entstanden und wurde von der Jury in der Kategorie „Most Innovative“ ausgezeichnet.

Bei „Historical Memes For German Teens“ wird das Format des Memes genutzt, um wirtschafts- und sozialpolitische Fragen des späten 19. und frühen 20. Jahrhunderts für eine junge und internetaffine Generation aufzubereiten. Dabei wurde Natural Language Processing (NLP) eingesetzt, um passende Texte aus dem Datenset „Sozialismus und Liberalismus“ auszuwählen, die in die Bildvorlage eingefügt wurden.

Warum Memes?

Memes sind im Internet verbreitete kleine Bilder, oft aus dem Kontext gerissene Filmszenen, bei denen durch Hinzufügung von neuen Texten immer neue Inhalte kommuniziert werden können. Es kann sich dabei um harmlose Witze handeln, aber auch um Satire und Gesellschaftskritik.

Da die Herstellung und Verbreitung von Memes extrem einfach ist und sich vor allem junge Menschen davon besonders angesprochen fühlen, werden Memes inzwischen auch im Online-Marketing verwendet. Im Fall von politischen Inhalten haben Memes den Vorteil, auch ein unpolitisches Publikum zu erreichen, und können durch die humoristische Darstellung vormals radikal erscheinende Ideen normalisieren.

Das von uns verwendete Meme ist 2011 viral geworden und zeigt eine Szene aus dem japanischen Trickfilm von Katori Yutaro, Taiyou no Yuusha Fighbird (Brave of the Sun Fighbird). Die Pointe liegt darin, dass der Junge den Schmetterling für einen Vogel hält und damit so offensichtlich falsch liegt, dass es fast absurd erscheint.

Wie kommt der Text aufs Bild?

Um Texte aus dem Datenset auszuwählen, wurden Methoden des Natural Language Processing (NLP) verwendet, nämlich Topic Modelling und Named-Entity Recognition (NER).

Im ersten Schritt werden mithilfe von Latent Semantic Indexing (LSI) die Topics, also im Datenset vorkommende Themen, berechnet. Ein Topic ist dabei eine Sammlung von Wörtern, z.B. „Wohnungsfrage, Wohnungspolitik, Miete, Gebäude, Grundriss, Gemeinde“. Im zweiten Schritt werden Named-Entities, also Eigennamen, berechnet. Diese können Organisationen, Personen, Orte oder sonstiges sein, wie z.B. Berliner Beamtenwohnungsverein, Ira Stewart, Königs-Wusterhausen. Im dritten Schritt werden Eigennamen zu Topics zugeordnet, wenn ein Wort aus einem Topic in einem Eigennamen vorkommt.

Der letzte Schritt ist der eigentliche Meme-Generator: per Zufall wird ein Topic gewählt und mit drei der dem Topic zugeordneten Eigennamen kombiniert, welche auf die Bildvorlage gesetzt werden. Gerade die Zufälligkeit sorgt für seltsame und lustige Ergebnisse!

Links

Präsentation zum Projekt

Jupyter Notebook