Quantifying Political Partisanship for Cross-Platform Analyses
Dieses Paper führt eine plattformportable, textbasierte Methodik ein, die Transformer-Embeddings und externe Nachrichten-Glaubwürdigkeitssignale nutzt, um politische Parteilichkeit über verschiedene Social-Media-Plattformen hinweg zuverlässig zu messen und zu vergleichen, wobei die Effektivität durch eine plattformübergreifende Analyse von Bluesky und Truth Social demonstriert wird.
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 digitale Echokammer
Stellen Sie sich das Internet wie einen riesigen, chaotischen Marktplatz vor, auf dem Milliarden von Menschen ihre Meinung herausbrüllen. In den letzten Jahren haben Wissenschaftler etwas Seltsames bemerkt: Die Menschen auf diesem Platz scheinen immer lauter zu schreien, aber nur gegenüber denen, die ihnen zustimmen. Dieses Phänomen wird als politische Polarisierung bezeichnet. Es ist, als würden zwei Gruppen von Nachbarn eine Mauer zwischen ihren Häusern bauen, sich weigern, miteinander zu sprechen, und glauben, dass die andere Seite gefährlich ist.
Um zu verstehen, ob diese Mauer immer höher wird, benötigen Forscher eine Möglichkeit, genau zu messen, wie „links“ oder „rechts“ die Meinung einer Person ist. Aber hier liegt der Knackpunkt: Das Internet ist nicht mehr nur ein einziger Marktplatz. Es ist fragmentiert in verschiedene Stadtviertel, oder Plattformen. Einige sind die großen, etablierten Städte wie X (ehemals Twitter), während andere neuere, kleinere Kleinstädte wie Bluesky oder Truth Social sind, die speziell für Menschen gebaut wurden, die das Gefühl haben, dass die großen Städte ihnen nicht zuhören.
Das Problem ist, dass die „Sprache“ dieser Stadtviertel unterschiedlich ist. Ein Witz in einer Stadt kann in einer anderen eine ernsthafte Beleidigung sein. Ein Hashtag, der an einem Ort „Ich unterstütze dies“ bedeutet, kann an einem anderen Ort etwas völlig anderes bedeilen. Lange Zeit konnten Wissenschaftler Meinungen nur innerhalb einer einzigen Stadt messen. Wenn sie versuchten, die „Linkslastigkeit“ von Bluesky mit der „Rechtslastigkeit“ von Truth Social zu vergleichen, waren die Ergebnisse wie der Vergleich von Äpfeln mit Birnen, weil die Messlatten unterschiedlich waren. Diese Arbeit stellt eine große Frage: Können wir ein einziges, universelles Lineal bauen, das in jedem Viertel funktioniert, egal wie verschieden sie sind?
Das universelle Lineal für Online-Meinungen
In dieser Studie beschlossen Mia Ameen und Christopher G. Healey von der North Carolina State University, genau dieses universelle Lineal zu bauen. Sie wollten sehen, ob sie die politische Voreingenommenheit in Social-Media-Posts messen können, indem sie ausschließlich die Texte verwenden, die die Menschen schreiben, ohne wissen zu müssen, wer ihre Freunde sind oder welche spezifischen Hashtags sie verwenden. Ihr Ziel war es, eine Methode zu entwickeln, die über verschiedene Plattformen hinweg reisen und jedem Post eine faire Bewertung geben kann.
Um dies zu erreichen, behandelten sie jeden Social-Media-Post wie ein Blatt Papier in einer riesigen Bibliothek. Zuerst verwendeten sie ein superintelligentes Computergehirn (einen Transformer-basierten Satz-Encoder), um den Text zu lesen und ihn in einen mathematischen „Fingerabdruck“ zu verwandeln. Dieser Fingerabdruck erfasst die Bedeutung der Wörter, nicht nur die Schreibweise. Als Nächsten gruppierten sie diese Fingerabdrücke in Clustern, ähnlich wie man Bücher nach Genres sortiert.
Hier kommt der clevere Teil: Um herauszufinden, welcher Cluster „links“ und welcher „rechts“ war, fragten sie nicht die Nutzer. Stattdessen betrachteten sie die News-Links innerhalb der Posts. Sie verwendeten ein bereits existierendes Tool namens AllSides, das Nachrichtenquellen auf einer Skala von „weit links“ bis „weit rechts“ bewertet. Wenn ein Cluster von Posts hauptsächlich Links zu linksgerichteten Nachrichten enthielt, erhielt die gesamte Gruppe ein linksgerichtetes Label. Wenn sie Links zu rechtsgerichteten Nachrichten enthielten, erhielten sie ein rechtsgerichtetes Label.
Sobald sie diese gelabelten Gruppen hatten, zeichneten sie eine Linie durch den mathematischen Raum, die die „linken“ Gruppen mit den „rechten“ Gruppen verbindet. Diese Linie wurde zu ihrer Parteilichkeitsachse. Nun konnten sie jeden Post, selbst einen ohne News-Links, auf diese Linie projizieren, um zu sehen, wo er landete. Ein Wert auf der linken Seite bedeutete, dass der Post wahrscheinlich linksgerichtet war; ein Wert auf der rechten Seite bedeutete, dass der Post rechtsgerichtet war.
Sie testeten dieses neue Lineal an einer massiven Sammlung von etwa 1,3 Millionen Posts, die von Bluesky und Truth Social in den sechs Monaten vor der US-Präsidentschaftswahl im Jahr 2024 (von Mai bis Oktober 2024) gesammelt wurden. Sie testeten es auch auf einem separaten Datensatz von X (Twitter), um zu sehen, ob das Lineal auf einer Plattform funktionierte, die es noch nie zuvor gesehen hatte.
Was sie herausfanden
Die Ergebnisse waren vielversprechend. Das Lineal funktionierte überraschend gut. Wenn sie die Posts überprüften, die tatsächlich News-Links enthielten, entsprachen die vom Lineal vergebenen Scores den tatsächlichen Bewertungen dieser Nachrichtenquellen. Für die Bluesky- und Truth-Social-Posts war die Übereinstimmung stark (eine Korrelation von 0,365). Noch beeindruckender war, dass sie das Lineal auf die X (Twitter)-Posts anwandten – eine völlig andere Plattform, auf der es nicht trainiert wurde – und die Scores immer noch in die richtige Richtung zeigten (eine Korrelation von 0,193). Dies deutet darauf hin, dass das Lineal nicht nur den „Stil“ einer spezifischen App auswendig lernt, sondern tatsächlich die zugrunde liegende politische Stimmung misst.
Die Studie enthüllte auch einige faszinierende Dynamiken, die eine einfache Überprüfung der „Plattformidentität“ übersehen hätte. Zum Beispiel begannen Posts, die Präsident Biden erwähnten, auf Bluesky (einer Plattform, die allgemein als linksgerichtet gilt), mit linksgerichteten Scores. Doch im Laufe des Sommers 2024 drifteten diese Scores in Richtung Mitte und wurden sogar leicht rechtsgerichtet im September, nachdem Biden aus dem Rennen ausgeschieden war. Dies zeigte, dass sich die Gefühle der Nutzer über Biden änderten, und nicht nur die allgemeine Stimmung der Plattform. Ähnlich verhielten sich Posts über Kamala Harris auf Bluesky, die ab Juli zunehmend linksgerichtet wurden und ihren Höhepunkt um die erste Präsidentschaftsdebatte erreichten.
Auf der anderen Seite untersuchte die Studie die Sprache, die von den extremsten Gruppen verwendet wurde. Sie fanden heraus, dass die am stärksten linksgerichteten Posts oft spezifische Politiker nannten (wie Biden, Harris und Trump). Im Gegensatz dazu verwendeten die am stärksten rechtsgerichteten Posts eher Begriffe, die mit bürgerlicher Pflicht und Moral zu tun hatten, wie „Menschen“, „Gott“, „Land“, „Amerika“ und „brauchen“.
Warum es wichtig ist
Die Autoren legen nahe, dass diese Methode ein großer Schritt nach vorn ist, da sie es Wissenschaftlern ermöglicht, die politische Stimmung über verschiedene digitale Welten hinweg zu vergleichen. Vorher war es schwer zu wissen, ob eine Meinungsverschiebung auf Truth Social real war oder nur eine Änderung in der Funktionsweise der Plattform. Jetzt können sie sehen, dass die „Mauer“ zwischen den Gruppen real ist und sich als Reaktion auf tatsächliche Ereignisse, wie das Ausscheiden eines Kandidaten aus dem Rennen, verschiebt.
Die Autoren weisen jedoch vorsichtig darauf hin, dass dieses Lineal Grenzen hat. Es wurde speziell für das US-Zwei-Parteien-System unter Verwendung amerikanischer Nachrichtenbewertungen entwickelt, daher funktioniert es möglicherweise nicht in Ländern mit vielen politischen Parteien. Außerdem beruht es auf der Tatsache, dass Menschen News-Links teilen; wenn eine Plattform von Menschen bevölkert ist, die niemals Links teilen, kann das Lineal sich nicht selbst kalibrieren. Aber für die Plattformen, auf denen es funktioniert, bietet es einen neuen Weg, die politische Temperatur des Internets zu beobachten, ohne sich im Lärm der verschiedenen Apps zu verlieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.