
Datenschutzorientierte, experimentelle Implementierung eines soziologischen Frameworks für plattformübergreifende Positionsanalyse.
Multi-Platform Observational & Sociodynamic Analysis of Individual Configurations
Dieses Repository ist ein Proof of Concept. MOSAIC ist ein soziologisches Framework für plattformübergreifende Verhaltensanalyse, das zuerst in Papers und erst danach im Code entstand. Was Sie hier finden, ist seine erste Testumgebung: der Ort, an dem die Theorie auf reale Daten trifft und an dem sie scheitern darf.

Betrachten wir einen veranschaulichenden Fall. Dieselbe Person nimmt an verschiedenen digitalen Umgebungen teil. Auf GitHub wirken ihre Beiträge methodisch und kollaborativ. Auf Reddit sind ihre Wortwechsel konfrontativer. In YouTube-Kommentaren sind sie kürzer und abweisender.
Die meisten Werkzeuge würden fragen, welche Beschreibung die Person am besten erfasst. MOSAIC stellt eine andere Frage: Was erklärt die Variation zwischen den Kontexten, und was lässt sich daraus legitim ableiten?
Nicht wer jemand ist. Wo jemand steht.
Die zentrale Hypothese des Frameworks:
Digitale Spuren sollten nicht als stabile Verhaltenssignale interpretiert werden, sondern als strukturierte positionale Varianz über soziotechnische Umgebungen hinweg.
Die Varianz zwischen Plattformen ist kein Rauschen, das herausgefiltert werden muss. Sie ist das Signal. Das Framework schlägt vor, sie über drei Komponenten zu lesen:
Dies sind analytische Kategorien, keine Entdeckungen. „Was entgleitet" offenbart kein verborgenes „wahres Selbst" hinter der öffentlichen Darstellung; es markiert den Punkt, an dem die ersten beiden Lesarten aufhören, die Daten zu erklären. Die drei werden als Struktur gelesen und nie zu einem Score zusammengefasst.
Dies ist ein konzeptionelles Framework. Seine Hypothesen sind noch nicht empirisch validiert, und der aktuelle Code belegt sie nicht.
Diese Unterscheidungen sind methodologische Verpflichtungen, keine Garantien. Die theoretische Absicht allein bestimmt nicht, was ein System tut: die Daten, die es erhebt, die Ausgaben, die es erzeugt, und die Nutzungen, die es ermöglicht, zählen ebenso viel.
| Nicht dafür konzipiert | Dafür konzipiert |
|---|---|
| Persönlichkeit zu inferieren | Zu analysieren, wie sich Ausdruck über Kontexte hinweg verändert |
| Verhalten vorherzusagen | Die Züge zu beschreiben, die eine Position plausibel machen |
| Psychologisch zu profilieren | Eine Position innerhalb eines Feldes zu kartieren |
| Zu überwachen | Eine Lesart zu einem gegebenen Zeitpunkt zu erzeugen, zeitlich indexiert |
Jede Verpflichtung gilt nur, wenn die Praxis ihr folgt. „Plausibel" bleibt eine Inferenz, keine validierte Vorhersage. Eine Position zu beschreiben ist an sich kein psychologisches Profil, kann aber in eines abgleiten, wenn sie einer Person stabile Eigenschaften zuschreibt. Eine zeitlich indexierte Lesart ist an sich keine Überwachung, kann ihr aber dienen, wenn Erhebung, Einwilligung, Aufbewahrung und Nutzung nicht derselben Verpflichtung folgen.
Der Großmeister muss den Spieler nicht kennen. Die Position genügt.
| Status | |
|---|---|
| Theorie: dreistufige Architektur, Signalzerlegung, positionelles Kapital, erkenntnistheoretische Verpflichtungen | Paper I — Working Paper, nicht peer-reviewed |
| Methode: Protokolle für jede Komponente, Grammatik analytischer Entscheidungen, Validierung | Paper II — in Vorbereitung |
| Code: plattformübergreifende Erhebung, Strukturierung, LLM-gestützte Lesart | Alpha-PoC — dieses Repo |
Der Code bleibt bewusst hinter der Theorie zurück. Er erhebt, strukturiert und kann LLM-gestützte Ausgaben erzeugen. Diese Ausgaben sind noch keine vollständige oder reproduzierbare Anwendung der Protokolle des Frameworks, die in Paper II spezifiziert werden. Die aktuellen Prompt-Vorlagen stammen aus der Zeit vor dem Framework und werden neu geschrieben, um ihm zu folgen.
MOSAIC bietet eine Grammatik für die Analyse, kein validiertes Analyseverfahren. Der aktuelle Code kann LLM-gestützte Ausgaben erzeugen, aber die Analystin oder der Analyst bleibt für deren Interpretation verantwortlich.

git clone https://github.com/Or1un/MOSAIC.git && cd MOSAIC
pip install -r requirements.txt
cp modules/config.yaml.example modules/config.yaml # optional: YouTube, Telegram keys
python3 mosaic.py
Lokale LLM-Analyse (empfohlen):
pip install -r requirements_llm.txt
curl -fsSL https://ollama.com/install.sh | sh # Windows: https://ollama.com/download
ollama serve &
ollama pull mistral:7b-instruct
Quellen: GitHub, Stack Overflow · Reddit, Telegram, Mastodon, Bluesky · YouTube, Medium
Privacy-first, in der Praxis
Privacy-first bedeutet lokal als Standard – für die Analystin und für die analysierte Person.
results/ (von Git ignoriert).results/, wenn eine Analyse abgeschlossen ist.Privacy-first ist eine Design-Voreinstellung, keine Garantie: Sie gilt nur, solange die Analystin sich daran hält.
Für wen es gedacht ist
Selbstanalyse, soziodynamische Forschung und Analysen mit freiwilligen Proband:innen. Zu wissen, dass eine Analyse existiert, ist nicht dasselbe wie ihr zuzustimmen, und Zustimmung allein klärt weder Verhältnismäßigkeit noch Datenminimierung oder die Wiederverwendung von Ergebnissen. Für Analysen mit Freiwilligen werden die Bedingungen für Einwilligung und Widerruf mit dem Aufruf zur Teilnahme von Paper II festgelegt.
Nicht für Überwachung, Stalking, Belästigung, Profiling einer Person ohne deren Wissen oder massenhafte automatisierte Analyse.
Compliance. Du bist verantwortlich für die DSGVO und lokales Recht. MOSAIC macht eine Nutzung nicht konform; dieses README beschreibt das Tool, keine rechtliche Garantie.
Das Ziel ist nicht, die Theorie zu bestätigen, sondern zu sehen, welche Teile den Kontakt mit echten Daten überstehen. Stelle die Annahmen, die Methode, die Ethik infrage. Zeige auf, wo es scheitert.
Issues und Discussions auf GitHub · [email protected]
Entdecken Sie die meistgenutzten Tools unserer Community.
Noch keine Beliebtheitsdaten.