Using machine learning to build public policy agenda from social media conversations
Dieses Papier schlägt ein durch Menschen erweitertes maschinelles Lernframework vor, das Social-Media-Daten, Topic Modeling und Natural Language Generation nutzt, um effizient öffentliche Interessensfragen zu identifizieren und validierte politische Agenden zu konstruieren, wobei es durch experimentelle Validierung auf Twitter-Daten vielversprechende Ergebnisse hinsichtlich der narrativen Kohärenz und der Relevanz der Agenda-Punkte demonstriert.
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
Stellen Sie sich die Regierung als eine riesige, geschäftige Küche vor, die versucht, eine Mahlzeit für das ganze Land zu kochen. Bevor sie mit dem Kochen beginnen können, benötigen sie eine Speisekarte (die politische Agenda), die auflistet, welche Gerichte die Menschen tatsächlich essen möchten.
Traditionell war die Erstellung dieser Speisekarte so, als müsste ein Team von Köchen an jede einzelne Tür im Land klopfen und fragen: „Was möchten Sie essen?“ Das ist langsam, teuer und bis die Köche wieder in der Küche sind, hat sich der Hunger der Menschen vielleicht schon wieder geändert.
Dieses Papier schlägt einen neuen Weg vor, um diese Speisekarte mithilfe von Maschinellem Lernen (ML) und Social Media (speziell Twitter) zu erstellen. Man kann sich das wie das Installieren eines hochmodernen „Abhörgeräts“ vorstellen, das Millionen von Gesprächen im Internet scannt, um sofort herauszufinden, wonach die Menschen hungrig sind.
So haben die Autoren ihre „Smart Menu Machine“ aufgebaut, unterteilt in fünf einfache Schritte:
1. Die Zutaten säubern (Datenbereinigung)
Social Media ist chaotisch. Es ist voll von Tippfehlern, Emojis, Links und Menschen, die sich gegenseitig übertönen.
- Die Analogie: Stellen Sie sich vor, Sie versuchen, mit einem Beutel voller Lebensmittel zu kochen, in dem neben dem Gemüse auch Dreck, Plastikverpackungen und alte Quittungen gemischt sind.
- Was sie taten: Sie nutzten ein Computerprogramm, um das „Gemüse“ (die Tweets) zu waschen. Sie entfernten den Dreck (Emojis, URLs, Hashtags) und warfen den Müll (Retweets und kurze, bedeutungslose Wörter) weg, sodass nur noch saubere, lesbare Sätze übrig blieben.
2. Die Geschmacksprofile finden (Schlüsselwortextraktion & Themenidentifikation)
Jetzt, da der Text sauber ist, muss der Computer herausfinden, was die Haupt-„Geschmacksrichtungen“ oder Themen sind.
- Die Analogie: Stellen Sie sich einen Chefkoch vor, der an einer riesigen Topf Suppe probiert und sagt: „Ich schmecke Karotten, ich schmecke Rindfleisch und ich schmecke einen Hauch von Würze.“
- Was sie taten: Sie verwendeten zwei verschiedene „Geschmackswerkzeuge“ (genannt LDA und Top2Vec). Diese Werkzeuge analysierten die bereinigten Tweets und gruppierten sie in Themen. Zum Beispiel fanden sie Wortcluster wie „Polizei“, „Gewalt“ und „Frieden“ (was sie Thema 11 nannten) und andere wie „Wasser“, „Straßen“ und „Gesundheit“ (bezogen auf Dienstleistungen). Dies sagte ihnen, über welche Themen die Menschen tatsächlich sprachen.
3. Die Speisekartenbeschreibungen schreiben (Narrativ-Erstellung)
Der Computer kennt die Themen, aber er muss sie so formulieren, dass sie wie ein menschlicher Politikvorschlag klingen.
- Die Analogie: Der Computer ist wie ein Sous-Chef, der zwar die Zutaten kennt, aber eine schicke Beschreibung für die Speisekarte schreiben muss. „Rinderstew“ wird zu „Ein herzhafter, langsam gegarter Rinderstew mit Wurzelgemüse“.
- Was sie taten: Sie verwendeten eine intelligente KI namens GPT-2. Sie fütterten sie mit den gefundenen Schlüsselwörtern (wie „Brutalität“ oder „Bildung“) und baten sie, kurze Absätze darüber zu schreiben. Die KI versuchte, Sätze zu formulieren, die natürlich klangen und Sinn ergaben, indem sie eine Liste von Wörtern in eine Geschichte über das Problem verwandelte.
4. Der Geschmackstest (Textvalidierung)
Manchmal schreibt eine KI Kauderwelsch. Die Autoren mussten sicherstellen, dass der „Sous-Chef“ nicht einfach nur Unsinn zusammenstellt.
- Die Analogie: Bevor der Hauptkoch die Speisekarte der Öffentlichkeit präsentiert, lässt er ein paar Food-Kritiker die Beschreibungen probieren. Sie fragen: „Klingt das nach echtem Englisch? Ergibt die Geschichte Sinn?“
- Was sie taten: Sie engagierten Universitätsstudenten (die über gute Englischkenntnisse verfügten), um die von der KI generierten Absätze zu lesen. Diese bewerteten die Texte hinsichtlich der Lesbarkeit (klingt es flüssig?) und der Kohärenz (hält die Geschichte zusammen?).
- Das Ergebnis: Die Studenten bewerteten es mit „Sehr gut“ für die Lesbarkeit und „Gut“ für die Kohärenz. Die KI schrieb größtenteils sinnvolle Sätze.
5. Der Abgleich mit dem offiziellen Rezeptbuch (Agenda-Validierung)
Schließlich mussten sie prüfen, ob die Speisekarte der KI tatsächlich mit den Themen übereinstimmt, die politischen Entscheidungsträger wirklich wichtig sind.
- Die Analogie: Der Hauptkoch vergleicht die neue Speisekarte mit dem „Offiziellen Rezeptbuch“ (den Parteiprogrammen der Wahlen in Uganda 2020/2021), um zu sehen, ob er dieselben Gerichte kocht.
- Was sie taten:
- Computer-Check: Sie verwendeten eine mathematische Formel (Cosine Similarity), um zu messen, wie nah die Sätze der KI an den offiziellen Parteiversprechen lagen. Die KI erledigte die Übereinstimmung bei den Themen „Sicherheit“ und „Demokratie“ sehr gut, hatte aber bei „Wirtschaft“ und „Gesundheitswesen“ etwas Schwierigkeiten.
- Menschlicher Check: Sie baten eine Gruppe von Menschen abzustimmen, ob die von der KI erstellten Menüpunkte tatsächlich wichtige Themen für das Land seien. Die Gruppe stimmte zu („Gute“ Übereinstimmung), dass die KI erfolgreich reale öffentliche Anliegen identifiziert hatte.
Das Fazit
Die Autoren haben erfolgreich ein semi-automatisiertes System entwickelt, das in der Lage ist, Social Media zu „hören“, die wichtigsten Themen zu finden, sie als politische Themen aufzubereiten und zu prüfen, ob diese valide sind.
Was sie herausfanden:
- Es funktioniert! Das System kann chaotisches Twitter-Gerede in eine strukturierte Liste öffentlicher politischer Themen verwandeln.
- Es ist noch nicht perfekt. Manchmal schreibt die KI Sätze, die keinen totalen Sinn ergeben, und manchmal verfehlt sie bei komplexen Themen wie der Wirtschaft das Ziel.
- Das Ziel: Es geht nicht darum, menschliche Politiker zu ersetzen. Es geht darum, ihnen einen schnelleren und kostengünstigeren Weg zu geben, um zu hören, was die Menschen sagen – besonders in Regionen, in denen es zu schwierig oder teuer ist, traditionelle Umfragen durchzuführen.
Kurz gesagt: Sie haben ein digitales Megafon gebaut, das Regierungen hilft, die Stimme der Menge zu hören, ohne dass sie an jede einzelne Tür klopfen müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.