Ein neues KI-Modell kann Arbeitslosenzahlen in den USA anhand von Social-Media-Posts vorhersagen – bis zu zwei Wochen früher als offizielle Statistiken. Die Methode analysiert Tweets auf Arbeitslosigkeitsbekundungen und reduziert Prognosefehler um mehr als 50 Prozent im Vergleich zu Branchenkonsensen.
Die Studie in PNAS Nexus nutzte Daten von 31,5 Millionen Twitter-Nutzern zwischen 2020 und 2022. Ein transformer-basiertes Klassifikationsmodell namens JoblessBERT erkennt Arbeitslosigkeitsmeldungen zuverlässig – auch bei Slang, Fehlschreibungen oder umgangssprachlichen Formulierungen wie „I needa job!“. Demografische Anpassungen kompensieren die nicht-repräsentative Twitter-Nutzerbasis.
Das Modell erfasste fast dreimal so viele Arbeitslosigkeitsbekundungen wie frühere regelbasierte Ansätze bei hoher Präzision. Es prognostizierte wöchentliche Erstanträge auf Arbeitslosenhilfe auf nationaler, bundesstaatlicher und städtischer Ebene. Besonders wertvoll erwies sich die Methode während der COVID-19-Pandemie: Der massive Anstieg der Anträge im März 2020 wurde Tage vor den offiziellen Zahlen erkannt.
Die Forscher sehen großes Potenzial für Echtzeit-Einblicke in wirtschaftliche Krisen. Social-Media-Daten ergänzen traditionelle Statistiken und ermöglichen schnellere politische Reaktionen. Die Kombination aus KI und unstrukturierten Daten könnte künftig auch andere ökonomische Indikatoren verbessern.
Originalpublikation: Fraiberger, S. P. et al. Can social media reliably estimate unemployment? PNAS Nexus (2025). https://academic.oup.com/pnasnexus/article-lookup/doi/10.1093/pnasnexus/pgaf309.
