Unpacking the Eye of the Beholder: Social Location, Identity, and the Moving Target of Political Perspectives
Dieser Artikel stellt den Perspektivisten-Visuellen-Politischen-Sentiment-Klassifikator (PVPS) vor, ein auf über 82.000 Bewertungen trainiertes Werkzeug, das vorhersagt, wie verschiedene politische und soziale Identitäten visuelle Inhalte interpretieren, und damit belegt, dass die Berücksichtigung der Zielgruppenidentität für eine genaue Messung der subjektiven und variablen Bedeutung politischer Bilder unerlässlich ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Der Fehler des „Ein-Größt-Passt-Alle"-Ansatzes
Stellen Sie sich vor, Sie zeigen ein Bild einer Demonstration einem Raum voller Menschen. In der Vergangenheit versuchten Informatiker, eine Maschine zu bauen, die sich dieses Bild ansieht und ihm eine einzige Bewertung dafür gibt, wie „wütend" oder „gewalttätig" es wirkt. Sie gingen davon aus, dass, wenn die Maschine sagte, das Bild sei „gewalttätig", alle im Raum dem zustimmen würden.
Die Autorin dieses Papers, Elena Sirotkina, sagt: „Nein, das ist falsch."
Sie argumentiert, dass politische Bilder wie ein Rorschach-Tintenklecks-Test sind. Was man im Tintenklecks sieht, hängt vollständig davon ab, wer man ist. Ein Bild einer Demonstration mag für einen Demokraten wie „heroischer Widerstand" aussehen, für einen Republikaner jedoch wie „gefährliches Chaos". Ein Bild eines Polizeibeamten mag für die eine Gruppe wie „Sicherheit" und für eine andere wie „Unterdrückung" wirken.
Standard-Computerwerkzeuge machen einen Fehler, indem sie all diese unterschiedlichen Meinungen nehmen, sie mitteln und das Ergebnis als „die Wahrheit" bezeichnen. Die Autorin sagt, das sei so, als würde man rote und blaue Farbe mischen und das Ergebnis als „lila" bezeichnen, um dann so zu tun, als hätten die Farben Rot und Blau nie existiert. In der Politik ist die Meinungsverschiedenheit der Punkt.
Die Lösung: Die „Perspektivistische" Kamera
Um dies zu beheben, entwickelte die Autorin ein neues Werkzeug namens PVPS (Perspectivist Visual Political Sentiment – Perspektivistische Visuelle Politische Sentimentanalyse).
Stellen Sie sich eine Standardkamera als Wachmann vor, der einfach Köpfe zählt. Sie sieht eine Menge und sagt: „Hier sind 50 Personen."
Das PVPS-Werkzeug ist eher wie ein psychischer Detektiv. Es schaut nicht nur auf das Foto; es fragt: „Wer schaut sich dieses Foto an, und wie wird er/sie sich dabei fühlen?"
Anstatt eine einzige Bewertung abzugeben, liefert PVPS ein Profil. Es sagt Ihnen:
- „Wenn eine junge, liberale Frau dies sieht, wird sie sich enthusiastisch fühlen."
- „Wenn ein älterer, konservativer Mann dies sieht, wird er sich ängstlich fühlen."
- „Wenn eine hispanische Demokratin dies sieht, wird sie sich hoffnungsvoll fühlen."
Es lernt diese Muster, indem es etwa 82.000 Bewertungen betrachtet, die von 5.575 echten amerikanischen Erwachsenen abgegeben wurden, die politische Bilder sahen und sagten, wie sie sich fühlten. Der Computer lernte, dass spezifische visuelle Hinweise (wie eine erhobene Faust, eine Polizeiuniform oder eine bestimmte Flagge) bei verschiedenen Personengruppen unterschiedliche Emotionen auslösen.
Wie es funktioniert (Das Rezept)
Die Autorin bat nicht einfach einen Chatbot, zu raten. Sie baute ein System, das zwei Dinge kombiniert:
- Wie das Bild aussieht: Es nutzt fortschrittliche KI, um Objekte, Farben und Formen zu erkennen (wie eine erhobene Faust oder ein Polizeiauto).
- Wer hinschaut: Es nutzt Daten über die Identität der Person (ihre Partei, Alter, Geschlecht, Bildung).
Das System lernte, dass visuelle Hinweise wie Auslöser wirken. Zum Beispiel kann das Sehen eines „Polizeiautos" in einem Demonstrationsfoto bei einer Gruppe eine „Angst"-Reaktion auslösen, bei einer anderen jedoch eine „Sicherheits"-Reaktion. Der Computer lernte, diese Reaktionen allein basierend auf den visuellen Hinweisen vorherzusagen.
Was sie fanden (Die „Aha!"-Momente)
Die Autorin testete dieses neue Werkzeug an zwei berühmten Studien, um zu sehen, ob es die Schlussfolgerungen verändert.
1. Das „Emotionen"-Experiment
Eine frühere Studie untersuchte Bilder von Black Lives Matter (BLM) und stellte fest, dass „Enthusiasmus" die Menschen dazu brachte, die Bilder häufiger zu teilen.
- Die alte Sichtweise: „Enthusiasmus ist gut für das Teilen."
- Die PVPS-Sichtweise: Es ist komplizierter. Enthusiasmus veranlasst demokratische Frauen, die Bilder mehr zu teilen. Aber für republikanische Männer sind es „Angst" und „Ekel", die sie dazu bringen, die Bilder zu teilen.
- Die Lehre: Dieselbe Emotion (Enthusiasmus) funktioniert nicht für alle. Sie funktioniert nur, wenn das Bild zur Identität des Betrachters passt.
2. Das „Gewalt"-Experiment
Eine andere Studie untersuchte Demonstrationsbilder und fragte: „Welche sehen gewalttätig aus?" Sie fanden heraus, dass Bilder mit Feuer oder Polizei gewalttätig wirkten.
- Die alte Sichtweise: „Feuer und Polizei = gewalttätig."
- Die PVPS-Sichtweise: Die Bilder, die den ursprünglichen Forschern „gewalttätig" erschienen, waren tatsächlich dieselben Bilder, die Republikaner und Konservative als „günstig" oder „unterstützend" bewerteten.
- Die Lehre: Was einem neutralen Beobachter wie „Gewalt" aussieht, ist oft nur ein Signal dafür, dass eine bestimmte Gruppe (in diesem Fall Konservative) das Bild mag. Die „Gewalt" steckt nicht im Bild; sie steckt im Auge des Betrachters.
Das Fazit
Das Paper kommt zu dem Schluss, dass politische Bilder sich bewegende Ziele sind. Man kann nicht messen, was ein Bild „bedeutet", es sei denn, man weiß, wer es ansieht.
Wenn Sie politische Kommunikation verstehen wollen, können Sie nicht einfach fragen: „Ist dieses Bild gewalttätig?" Sie müssen fragen: „Ist dieses Bild gewalttätig für einen Demokraten? Ist es gewalttätig für einen Republikaner?"
Das Werkzeug der Autorin, PVPS, ermöglicht es uns, aufzuhören zu raten und genau zu messen, wie verschiedene Personengruppen dieselbe Welt unterschiedlich sehen, basierend auf den Bildern, die sie sehen. Es verwandelt das „Rauschen" der Meinungsverschiedenheiten in nützliche Daten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.