Migration, culture, and inequalities in algorithmically-mediated societies

Abstract

The widespread use of online platforms has transformed how people interact, express opinions, and access information. As a byproduct of these digital interactions, users continuously generate large-scale digital trace data, opening up unprecedented opportunities for social science research. In this thesis, digital trace data from Facebook, Twitter (now X), TikTok, and Wikipedia are used to address key questions ranging from cross-country cultural similarity to large-scale human migration, patterns of gender and social inequalities, and online behavior on algorithmically mediated platforms. Across six studies, it demonstrates how digital trace data can complement or overcome the limitations of traditional data sources, which are often slow, costly, or unavailable. The first two chapters link culture and migration by introducing a novel measure of cross-national cultural similarity based on Facebook users’ interests and showing that this measure improves predictions of international migration flows beyond standard economic and geographic factors. The third chapter proposes a novel use of Wikipedia page view data to detect information-seeking behavior during crises, showing that readership patterns can serve as a near real-time proxy for forced migration, as demonstrated during the 2022 Ukrainian refugee crisis. Addressing global inequality, the fourth chapter uses Facebook data to examine gender balance among users interested in Science, Technology, Engineering, and Mathematics (STEM) fields worldwide and provides a detailed analysis of gender disparities across age and education groups in Brazil. The fifth chapter investigates social vulnerability by analyzing Twitter data to characterize missing children in Guatemala, offering insights that complement scarce and delayed official statistics. Finally, the sixth chapter evaluates user watching behavior on short-form video platforms by analyzing donation-based TikTok data, revealing the limited predictability of watching behavior and highlighting methodological challenges arising from increasing platform data access restrictions. Collectively, these studies demonstrate how digital trace data can advance the measurement and understanding of complex social phenomena, particularly in regions of the Global South and in crisis contexts where conventional data are sparse or delayed. By integrating computational methods with theoretical perspectives from the social sciences, this thesis advances the field of computational social science and highlights the societal value of using digital trace data for research.

Die weit verbreitete Nutzung von Online-Plattformen hat die Art und Weise verändert, wie Menschen interagieren, Meinungen äußern und auf Informationen zugreifen. Als Nebenprodukt dieser digitalen Interaktionen generieren NutzerInnen kontinuierlich umfangreiche digitale Spuren (in Englisch, ``digital traces''), die der sozialwissenschaftlichen Forschung beispiellose Möglichkeiten eröffnen. In dieser Arbeit werden digitale Spuren aus Facebook, Twitter (jetzt X), TikTok und Wikipedia verwendet, um wichtige Fragen zu untersuchen, die von länderübergreifenden kulturellen Ähnlichkeiten über groß angelegte Migrationen bis hin zu Mustern geschlechtsspezifischer und sozialer Ungleichheiten sowie Online-Verhalten auf algorithmisch vermittelten Plattformen reichen. In sechs Studien wird gezeigt, wie digitale Spuren Daten die Grenzen traditioneller Datenquellen, die oft langsam, kostspielig oder nicht verfügbar sind, ergänzen oder überwinden können. Die ersten beiden Kapitel verbinden Kultur und Migration, indem sie eine neuartige Messgröße für die länderübergreifende kulturelle Ähnlichkeit auf der Grundlage der Interessen von Facebook-NutzerInnen einführen und zeigen, dass diese Messgröße die Vorhersagen zu internationalen Migrationsströmen über die üblichen wirtschaftlichen und geografischen Faktoren hinaus verbessert. Das dritte Kapitel schlägt eine neuartige Verwendung von Wikipedia-Seitenaufrufdaten vor, um das Informationssuchverhalten in Krisenzeiten zu erfassen, und zeigt, dass Lesermuster als nahezu Echtzeit-Proxy für Zwangsmigration dienen können, wie während der ukrainischen Flüchtlingskrise 2022 demonstriert wurde. Das vierte Kapitel befasst sich mit globaler Ungleichheit und untersucht anhand von Facebook-Daten das Geschlechterverhältnis unter NutzerInnen, die sich weltweit für die Bereiche Wissenschaft, Technologie, Ingenieurwesen und Mathematik (STEM) interessieren. Außerdem enthält es eine detaillierte Analyse der geschlechtsspezifischen Unterschiede in verschiedenen Alters- und Bildungsgruppen in Brasilien. Das fünfte Kapitel untersucht soziale Vulnerabilität durch die Analyse von Twitter-Daten, um vermisste Kinder in Guatemala zu charakterisieren, und liefert Erkenntnisse, die die spärlichen und verzögerten offiziellen Statistiken ergänzen. Schließlich bewertet das sechste Kapitel das Verhalten der NutzerInnen auf Kurzvideo-Plattformen. Mithilfe der Analyse spendenbasierter TikTok-Daten werden die begrenzte Vorhersagbarkeit des Verhaltens aufgezeigt und methodische Herausforderungen hervorgehoben, die sich aus den zunehmenden Zugangsbeschränkungen zu Plattformdaten ergeben. Zusammen zeigen diese Studien, wie die Analyse von digitalen Spuren die Messung und das Verständnis komplexer sozialer Phänomene verbessern können, insbesondere in Regionen des Globalen Südens und in Krisensituationen, in denen herkömmliche Daten spärlich oder verzögert verfügbar sind. Durch die Integration von computergestützten Methoden mit theoretischen Perspektiven aus den Sozialwissenschaften treibt diese Arbeit das Gebiet der computergestützten Sozialwissenschaften voran und unterstreicht den gesellschaftlichen Wert der Nutzung digitaler Spuren für die Forschung.