Projektdaten
Wirkung von Fotos in sozialen Medien - Social-media Photo Appeal (SoPhoAppeal)
Hochschule
TU Ilmenau
Fakultät/Einrichtung
Elektrotechnik und Informationstechnik
Förderkategorie
DFG
Zeitraum
2020 - 2023
Drittmittelgeber
Deutsche Forschungsgemeinschaft
Stichwort
Bewilligungssumme, Auftragssumme
314.520,00 €
Abstract:
Das Projekt "Wirkung von Fotos in solzialen Medien"(SoPhoAppeal) beschäftigt sich mit der Ästhetik von Fotos im Kontext von Sozialen Medien-Webseiten. In SoPhoAppeal ist es letztlich das Ziel, den Beitrag der intrinsischen ästhetischen Qualität eines Bildes zur Bewertung von Bildanmutung und "Liking" zu erforschen. Es wird untersucht, wie die Ästhetik mit Bildeigenschaften, Bildsemantik, Präsentation im sozialen Netzwerk und dem Bewertungsverhalten (Ansehen und "Liken") zusammenhängt. Im Projekt sollen in erster Linie Social-MediaPlattformen untersucht werden, die sich der Fotografie widmen und wo Fotos eher als Kunst und nicht vor allem als Möglichkeit betrachtet werden, Ereignisse aus dem Leben des Fotografen zu teilen (beispielsweise 500px, https://500px.com, Flickr, https://www.flickr.com, 1x, https://1x.com). Eines der Ziele des Projekts ist es, zu untersuchen, wie aus der großen Menge an Metadaten wertvolle Informationen über die Attraktivität von Bildern gewonnen werden können und wie eindeutig festgestellt werden kann, ob die Popularität eines Bildes aus sozialmedialen Aspekten oder aus den intrinsischen Eigenschaften des Bildes resultiert. Hier müssen auch Aspekte der Datenanonymisierung berücksichtigt werden. Darüber hinaus werden im Projekt in kontrollierten Labortests für eine Reihe von Referenzbildern Bewertungen zur Ästhetik erhoben. Diese werden ergänzt durch größere Crowdsourcing-Tests, um Bewertungen in einem dem eigentlichen Nutzungsumfeld näheren Kontext zu erheben. Anhand der verschiedenen Daten wird der Zusammenhang zwischen technischen Aspekten, Bildeigenschaften, Hintergrundwissen der Benutzer, Eigenschaften des sozialen Netzwerks, ästhetischen Attraktivitätsbewertungen und "Liking" untersucht. Die Ergebnisse dieser Analyse werden verwendet, um auf Basis maschinellen Lernens verschiedene Modelle für eine automatische Ästhetik- und "Liking"-Vorhersage (statistisch, Deep Learning-basiert) zu entwickeln und zu evaluieren.