Die sechs ehrlichen Signale

Aus den blossen Zeitstempeln eines echten Chats — ganz ohne den Inhalt zu lesen — berechnest du Antwortzeiten, Beitragsbalance und das Verhältnis von Geben und Nehmen. Aus einer Intuition über eine Gruppe wird eine Messgrösse.

Worum es geht

Setz fünf Menschen in einen Raum und gib ihnen eine Aufgabe — nach wenigen Minuten entsteht etwas, das man fast greifen kann: eine Stimmung, ein Rhythmus, eine Art Chemie. Lange galt das als unmessbar. Dieses Kapitel zeigt, dass es messbar ist, weil die Chemie einer Gruppe in ihren ehrlichen Signalen steckt — in Dingen, die niemand bewusst steuert.

Sechs solcher Signale sagen erstaunlich gut voraus, ob eine Gruppe produktiv wird: ob es eine starke, verbindende Führung gibt und ob sie wechselt, statt bei einer Person zu kleben; wie schnell die Mitglieder aufeinander reagieren; wie ausgewogen die Beiträge verteilt sind; wie ehrlich Stimmungen geäussert werden dürfen; und wie sehr die Gruppe eine eigene Sprache entwickelt. In dieser Aktivität greifst du drei davon heraus, die sich schon aus blossen Zeitstempeln berechnen lassen — Antwortzeit, Beitragsbalance und Geben und Nehmen. Die Führungs-Frage (die Betweenness-Zentralität) folgt in Aktivität 8.1.

Ein bisschen Hintergrund

Was wir aus Zeitstempeln lesen. Jede Chatzeile trägt drei nüchterne Angaben: wann, wer, und (die wir hier ignorieren) was. Allein aus wann und wer entstehen drei Masse:

• Beitragsbalance — wie gleichmässig die Beiträge über die Personen verteilt sind. Reden alle ungefähr gleich viel, oder dominieren wenige? Ein sehr unausgewogener Chat ist ein Warnsignal.
• Antwortzeit — wie viel Zeit im Median zwischen einer Nachricht und der nächsten einer anderen Person vergeht. Kurze Antwortzeiten heissen: Man hört einander zu und reagiert.
• Geben und Nehmen — reagiert jemand ungefähr so oft auf andere („geben“), wie seine eigenen Beiträge Reaktionen anderer auslösen („nehmen“)? Wir zählen beides in einem kurzen Zeitfenster. Wessen Nachrichten viel Resonanz erzeugen, der aber selbst wenig reagiert, fällt hier auf — ebenso, wer am lebendigen Hin und Her kaum teilnimmt.

Das sind grobe, aber ehrliche Näherungen — sie machen aus „die Gruppe wirkt lebendig“ eine Zahl, die man vergleichen kann.

Chat exportieren

1. Export starten. In WhatsApp den Chat öffnen → Menü → „Mehr“ → „Chat exportieren“ → „Ohne Medien“. Du bekommst eine .txt-Datei.
2. Einverständnis & Anonymisieren. Frag die Gruppe. Ersetze vor der Analyse die echten Namen durch A, B, C … — oder lass das den Code tun (siehe unten).
3. Datei bereitlegen. Als chat.txt in denselben Ordner wie das Skript.
4. Auswerten. Skript laufen lassen und die drei Masse ablesen.

Auswerten mit Python

Der Code zerlegt jede Zeile in Zeitpunkt und Absender, wirft den Inhalt weg und rechnet die drei Masse aus. Vollständiger, kommentierter Code auf GitHub.

import re
import pandas as pd

FENSTER = 60   # Minuten: was noch als "Reaktion" zaehlt

# WhatsApp-Zeile:  "15.03.26, 17:44 - Mira: Text..."
muster = re.compile(r"^(\d{1,2}\.\d{1,2}\.\d{2,4}),?\s+(\d{1,2}:\d{2})\s+-\s+([^:]+):")

zeilen = []
for z in open("chat.txt", encoding="utf-8"):
    m = muster.match(z)
    if m:
        datum, uhr, name = m.groups()
        zeit = pd.to_datetime(f"{datum} {uhr}", dayfirst=True, errors="coerce")
        zeilen.append((zeit, name.strip()))

df = pd.DataFrame(zeilen, columns=["zeit", "wer"]).dropna().sort_values("zeit").reset_index(drop=True)

# --- anonymisieren: echte Namen -> A, B, C ... ---
namen = {n: chr(65+i) for i, n in enumerate(df["wer"].unique())}
df["wer"] = df["wer"].map(namen)

# 1) Beitragsbalance
anteil = df["wer"].value_counts() / len(df)
p = anteil.sort_values().values                        # Ungleichheit als Gini
gini = 1 - 2*sum((len(p)-i-0.5)/len(p) * pi for i, pi in enumerate(p))

# 2) Antwortzeit: Median bis zur naechsten Nachricht EINER ANDEREN Person
df["dt_min"] = df["zeit"].diff().dt.total_seconds() / 60
df["andere"] = df["wer"].ne(df["wer"].shift())
antwortzeit = df.loc[df["andere"], "dt_min"].median()

# 3) Geben & Nehmen im Zeitfenster
zeit, wer, n = df["zeit"].tolist(), df["wer"].tolist(), len(df)
gibt  = {p: 0 for p in set(wer)}     # ich reagiere auf eine andere Person
nimmt = {p: 0 for p in set(wer)}     # meine Nachricht loest Reaktionen aus
for i in range(n):
    for j in range(i-1, -1, -1):                       # Geben: reagiere ich?
        if wer[j] != wer[i]:
            if (zeit[i]-zeit[j]).total_seconds()/60 <= FENSTER:
                gibt[wer[i]] += 1
            break
    responders = set()                                 # Nehmen: wer reagiert auf mich?
    for k in range(i+1, n):
        if (zeit[k]-zeit[i]).total_seconds()/60 > FENSTER or wer[k] == wer[i]:
            break
        responders.add(wer[k])
    nimmt[wer[i]] += len(responders)

print("Beitragsanteil (%):")
print((anteil*100).round(1).sort_values(ascending=False).to_string())
print(f"\nUngleichheit (Gini, 0=gleich .. 1=einer): {gini:.2f}")
print(f"Mediane Antwortzeit zwischen Personen:    {antwortzeit:.0f} min\n")
print("Geben & Nehmen (gegeben / erhalten):")
for pn in sorted(set(wer), key=lambda x: -nimmt[x]):
    g, e = gibt[pn], nimmt[pn]
    print(f"  {pn}  gegeben {g:2d}   erhalten {e:2d}   G/N {g/e:.2f}" if e
          else f"  {pn}  gegeben {g:2d}   erhalten {e:2d}   G/N  –")

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Du hast eine Gruppe vermessen, ohne ein einziges Wort ihres Inhalts zu lesen — allein aus dem Muster der Kommunikation. Genau das tat der Autor einst mit seinem Deloitte-Postfach (Kapitel 8): Nicht den Inhalt der Mails, sondern ihr Muster. Struktur verrät oft mehr als Inhalt.
• Diese Masse sind Näherungen, keine Urteile. Ein hoher Gini heisst nicht „schlechte Gruppe“ — vielleicht hält gerade jemand einen wichtigen Vortrag. Zahlen sind ein Anlass zum Hinschauen, nicht das Urteil selbst.
• Weil diese Signale so schwer zu fälschen sind, sind sie mächtig — und darum heikel. Wer solche Auswertungen macht, trägt Verantwortung: aggregiert fürs Team, persönlich nur für die Person. Das ist die Linie, die aus Beobachtung Vertrauen macht.

Erweiterung

• Über die Zeit. Teile den Chat in Wochen und schau, ob die Beitragsbalance wandert — wechselt die dominierende Person, oder klebt die Führung? Das Wandern ist selbst eines der sechs Signale.
• Tagesrhythmus. Trage die Nachrichten nach Uhrzeit auf. Wann ist die Gruppe am aktivsten? Ein erster Blick auf den „Puls“ einer Gemeinschaft.
• Brücke zu 8.1. Aus dem „wer antwortet auf wen“ dieser Aktivität lässt sich direkt ein Netzwerk zeichnen — und darin die verbindende Führung (Betweenness) berechnen. Genau das tust du als Nächstes.
• Brücke zu Kapitel 7. Jetzt hast du die Struktur gemessen. Das Symbionten-Werkzeug des nächsten Kapitels liest zusätzlich den Inhalt und ordnet jeder Person eine Rolle zu — Biene, Ameise, Schmetterling, Capybara, Egel.