Version 2.0 · Stand: 18.07.2026
Die Sentiment-Analyse (Stimmungs- oder Tonalitätsanalyse) erfasst die in mündlichen Aussagen und schriftlichen Texten zum Ausdruck gebrachte Stimmungslage – etwa in Produktbewertungen, Kundengesprächen oder Social-Media-Beiträgen. Sie ist eine spezielle Art der Inhaltsanalyse: Untersucht wird nicht die Wirkung eines Textes auf die Stimmung der Rezipienten, sondern die im Text ausgedrückte Stimmung selbst.
Einordnung
Heute werden Sentiment-Analysen meist automatisiert als Text-Mining durchgeführt: «Klassische Sentimentanalysen basieren auf sogenannten dictionaries, welche bestimmten Worten einen gewissen sentiment score zuweisen. In Bezug auf ihre Validität fallen diese jedoch hinter Machine Learning-Ansätzen und (bislang) vor allem hinter menschlichen Kodierern zurück […]. Während einfache Sentimentanalysen vor allem zwischen negativen und positiven Sentiments in Texten differenzieren, werden zunehmend auch komplexere Sentiments wie beispielsweise Angst, Wut oder Trauer gemessen» (Thimm, Nehls & Peters, 2022, S. 1278). Der systematische Methodenvergleich von van Atteveldt, van der Velden und Boukes (2021) bestätigt diese Validitätshierarchie: manuelle Codierung vor Machine Learning vor Wörterbuchansätzen. Werkzeuge wie MAXQDA integrieren Sentiment-Funktionen in die qualitative Datenanalyse; daneben existieren zahlreiche kommerzielle Plattformen, die Social-Media-Stimmungen bis hin zu Finanzmarktsignalen auswerten.
Bedeutung für die Krisenkommunikation (KMK-Bezug)
Im KMK-System liefert die Sentiment-Analyse die Tonalitätsdaten der SCHNUFFI-Recherche: Sie zeigt, ob und wie schnell die Stimmung in Medien und Netzöffentlichkeit kippt (Krisenverlaufskarte). Das Codiersystem der emotionalen Rahmung geht dabei über das einfache Positiv/Negativ-Raster hinaus und differenziert diskrete Emotionen wie Wut, Angst oder Mitleid – denn für die Strategiewahl macht es einen entscheidenden Unterschied, ob ein Publikum wütend oder ängstlich ist. Bei KI-gestützten Auswertungen gilt der Validitätsvorbehalt: Stichproben menschlich gegenprüfen.
Weiterführend
Video: Sentiment-Analyse von Influencer-Beiträgen für Finanzmärkte (Sentifi)
Literatur
Schenk, M. (2007). Medienwirkungsforschung (3. Aufl.). Mohr Siebeck.
Thimm, C., Nehls, P., & Peters, Y. (2022). Digitale Methoden im Überblick. In N. Baur & J. Blasius (Hrsg.), Handbuch Methoden der empirischen Sozialforschung (S. 1267–1283). Springer VS. https://doi.org/10.1007/978–3‑658–37985-8_86
van Atteveldt, W., van der Velden, M. A. C. G., & Boukes, M. (2021). The validity of sentiment analysis: Comparing manual annotation, crowd-coding, dictionary approaches, and machine learning algorithms. Communication Methods and Measures, 15(2), 121–140. https://doi.org/10.1080/19312458.2020.1869198
Für die Sentiment Analyse habe ich mehrere Arten entdeckt. Dazu sind Online noch Tools, zum ausprobieren.
-Talkwalker
https://www.talkwalker.com/de/quick-search
— UnitQ
https://www.unitq.com/
— Hootsuite
https://www.hootsuite.com/de
— Laxelytics
https://www.lexalytics.com/