💬 NLP

Measuring Negative Campaigning across Languages with Large Language Models: A Study of 18 Million Tweets in 19 Countries

Este estudio demuestra que los modelos de lenguaje de gran tamaño de disparo cero pueden clasificar de manera efectiva y escalable las campañas negativas en 19 idiomas, revelando que los partidos de gobierno son menos negativos mientras que los partidos ideológicamente no centristas, particularmente aquellos de la derecha radical, participan en una retórica significativamente más confrontativa.

Autores originales: Victor Hartman, Petter Törnberg

Publicado 2026-07-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Victor Hartman, Petter Törnberg

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mundo de la política como un estadio gigante y ruidoso donde todos intentan convencer a la multitud para que apoye a su equipo. Durante décadas, los científicos que estudian este estadio se han obsesionado con un comportamiento específico: la "campaña negativa". Piensa en esto no solo como un político diciendo "soy genial", sino como uno señalando a un rival y gritando: "¡Miren a ese tipo, es terrible!". Es el arte del ataque personal político. Aunque sabemos que esto ocurre en todas partes, desde fragmentos de cerámica de la antigua Grecia hasta anuncios de televisión modernos, descubrir por qué algunos equipos lo hacen más que otros ha sido un enorme dolor de cabeza para los investigadores. ¿El problema? Contar estos insultos manualmente es como intentar contar cada grano de arena en una playa mientras usas guantes de cocina. Toma una eternidad, cuesta una fortuna y, si intentas hacerlo en veinte idiomas diferentes, necesitarías un traductor para cada frase. Debido a esto, la mayoría de los estudios se han quedado estancados observando solo un país (generalmente EE. UU.) o dependiendo de que expertos adivinen la "vibra" de una campaña, lo cual no es muy preciso. Pero recientemente, una nueva herramienta ha llegado a la escena: los Modelos de Lenguaje Extensos (LLM). Puedes pensar en ellos como robots súper inteligentes e incansables que han leído casi todo lo que se ha escrito en internet. Pueden entender el matiz, el sarcasmo y los insultos en docenas de idiomas sin necesidad de que se les enseñen las reglas desde cero. Este artículo plantea una gran pregunta: ¿Pueden estos robots de IA ser los nuevos árbitros para contar los insultos políticos en todo el mundo, y qué nos dicen sobre quiénes son realmente los que disfrutan lanzando lodo?

Los autores de este estudio decidieron poner a prueba a estos robots de IA a gran escala. Primero, tenían que demostrar que los robots eran buenos en su trabajo. Alimentaron a la IA con millones de tweets y le pidieron que detectara ataques negativos, luego compararon las respuestas del robot con las de expertos humanos que habían pasado años leyendo manualmente las mismas publicaciones. ¿El resultado? Los robots fueron sorprendentemente buenos. De hecho, en algunos casos, la IA fue incluso más consistente y precisa que los expertos humanos, y pudo hacer el trabajo en diez idiomas diferentes sin despeinarse. Fue como cambiar un equipo de estudiantes de posgrado cansados y sobretrabajados por una flota de drones multilingües súper rápidos que nunca se cansan ni se confunden.

Una vez que confiaron en los robots, los investigadores los desataron sobre una montaña de datos: 18 millones de tweets publicados por políticos en 19 países europeos entre 2017 y 2022. Querían ver si las viejas reglas sobre quién se pone grosero se mantenían al observar todo el continente. Probaron algunas grandes ideas: ¿Los políticos que están al mando (el equipo del "gobierno") actúan de forma más amable porque tienen que parecer responsables? ¿Los políticos en los extremos lejanos del espectro político (los radicales) actúan de forma más grosera porque no tienen nada que perder? Y, ¿los políticos "populistas", que afirman luchar contra la "élite corrupta", insultan de forma natural más a menudo?

Los hallazgos fueron claros y sorprendentemente consistentes. Los datos de la IA mostraron que los políticos que actualmente ocupan el gobierno son, de hecho, mucho menos negativos. Parecen contener los insultos, quizás porque saben que si inician una pelea, podrían dañar sus posibilidades de mantener el poder o de trabajar con otros partidos más adelante. Es como un capitán de equipo que intenta mantener la paz para que el equipo no se desmorone. Por otro lado, los políticos que no están al mando, especialmente aquellos en el extremo derecho y extremo izquierdo del espectro político, fueron los que más lodo lanzaron. El estudio sugiere que estar lejos del centro político hace que un partido sea más propenso a ser agresivo. Específicamente, los partidos de la "derecha radical" fueron los más negativos de todos, utilizando un lenguaje confrontativo a una tasa mucho mayor que cualquier otro. Aunque el estudio también analizó si ser un "populista" marcaba la diferencia, encontró que el verdadero motor era en realidad qué tan lejos hacia el extremo se encontraba un partido; la grosería parecía provenir de ser un externo más que de ser simplemente un populista.

Curiosamente, el estudio también analizó si la época de elecciones hacía que la gente fuera más grosera. Los resultados fueron un poco mixtos; a veces las elecciones empeoraban las cosas, pero no siempre. La conclusión principal no fue sobre el momento, sino sobre los jugadores mismos. El artículo sugiere que el aumento en la campaña negativa que vemos en las redes sociales no es solo porque Twitter (ahora X) haga que la gente se enoje. En cambio, es una elección estratégica de ciertos tipos de partidos —específicamente aquellos en los márgenes y aquellos que no están en el poder— para usar la negatividad como un arma. Al utilizar estos robots de IA, los investigadores pudieron ver patrones a través de 19 países que habrían sido imposibles de encontrar con los métodos antiguos, demostando que en el juego de la política, los externos son los que tienen más probabilidades de jugar sucio, mientras que las personas a cargo intentan mantener sus manos limpias.

Resumen Técnico: Medición de la campaña negativa a través de diversos idiomas con modelos de lenguaje de gran tamaño

Planteamiento del problema
La investigación comparativa sobre la campaña negativa —definida como la crítica dirigida por un candidato contra otro— se ha visto limitada por restricciones metodológicas. Los enfoques tradicionales dependen de encuestas de expertos, que sufren de subjetividad, falta de transparencia y baja replicabilidad, o de análisis de contenido manual, que requiere mucha mano de obra y es difícil de escalar en contextos multilingües. Si bien el aprendizaje automático supervisado ofrece una solución parcial, requiere datos de entrenamiento etiquetados extensos y específicos para cada idioma, lo que limita su aplicabilidad para estudios transnacionales a gran escala. En consecuencia, la literatura existente está desproporcionadamente enfocada en entornos de un solo país (particularmente en los EE. UU.) y carece de datos conductuales directos que vinculen las características de los partidos con la negatividad de la campaña en sistemas multipartidistas.

Metodología
El estudio emplea un enfoque metodológico de dos etapas:

Validación de LLMs de disparo cero (Zero-Shot): Los autores evalúan la capacidad de los modelos de lenguaje de gran tamaño (LLM) de disparo cero para clasificar la campaña negativa en diez idiomas (inglés, alemán, croata, francés, húngaro, italiano, holandés, polaco, español y sueco). Contrastan dos modelos de OpenAI (gpt-4o y gpt-4o-mini) con dos conjuntos de datos establecidos y codificados manualmente:
- Petkevic y Nai (2022): tweets de las elecciones al Senado de EE. UU. de 2018.
- Klinger et al. (2023): publicaciones de Facebook de las campañas del Parlamento Europeo de 2014 y 2019.
  Los modelos fueron instruidos mediante instrucciones de lenguaje natural (disparo cero) para identificar el "ataque o crítica explícita hacia el partido o candidato oponente". El rendimiento se midió utilizando puntuaciones F1 ponderadas y métricas de fiabilidad inter-evaluador (IRR) (alfa de Krippendorff y coeficiente de Brennan-Prediger) para comparar los resultados de los LLM con las anotaciones humanas.
Análisis empírico a gran escala: Aprovechando el enfoque validado de los LLM, los autores analizaron 18.066.672 tweets publicados por 5.439 parlamentarios en 19 países europeos entre 2017 y 2022.
- Unidad de análisis: Los datos se agregaron a nivel de partido para reflejar el comportamiento estratégico de los partidos en lugar de las idiosincrasacias individuales de los candidatos.
- Variable dependiente: El porcentaje de tweets negativos por partido.
- Variables independientes: Derivadas de encuestas de expertos (CHES, POPPA) y registros parlamentarios (ParlGov), incluyendo:
  - Estatus de gabinete (gobierno vs. oposición).
  - Posicionamiento ideológico (escala Izquierda-Derecha y distancia al cuadrado desde el centro).
  - Puntuaciones de populismo.
  - Proximidad electoral (dentro de los 3 meses previos a una elección).
  - Clasificación de la familia de partidos.
- Modelo estadístico: Se utilizó una regresión OLS con efectos fijos de país y errores estándar agrupados para probar las hipótesis relativas a los incentivos estratégicos.

Contribuciones clave

Metodológica: El artículo proporciona la primera evaluación sistemática de los LLM de disparo cero para la clasificación translingüística de la campaña negativa. Demuestra que los LLM pueden lograr un rendimiento comparable a, y en algunos casos superior a, los codificadores humanos y los modelos supervisados convencionales sin requerir datos de entrenamiento específicos para cada idioma.
Sustantiva: Realiza el estudio transnacional más grande hasta la fecha sobre la campaña negativa, yendo más allá de los análisis de un solo país para examinar los impulsores a nivel de partido en sistemas multipartidistas utilizando datos conductuales directos (tweets) en lugar de percepciones de expertos.

Resultados

Rendimiento de los LLM: En el conjunto de datos del Senado de EE. UU., el LLM superó tanto a los codificadores humanos (IRR $\alpha$ = 0.860 vs. 0.790) como al modelo supervisado original (el F1 ponderado aumentó de 0.810 a 0.930). En el conjunto de datos europeo multilingüe, el LLM mantuvo un rendimiento constante en los diez idiomas, logrando puntuaciones F1 ponderadas de al menos 0.90 y una alta concordancia con los codificadores humanos, incluso bajo definiciones más estrictas de negatividad.
Estatus de gobierno: La Hipótesis 1 es apoyada: los partidos en gabinete participan significativamente menos en campañas negativas (aproximadamente entre 7 y 8 puntos porcentuales menos) que los partidos de la oposición. Esto sugiere que los partidos de gobierno enfrentan restricciones de reputación y de gestión de coaliciones más fuertes.
Posicionamiento ideológico: La Hipótesis 2 es apoyada: los partidos que se encuentran más alejados del centro ideológico participan en más campañas negativas. Este efecto es más pronunciado para los partidos de derecha radical, que exhiben los niveles más altos de negatividad prevista (aprox. 36–37%), seguidos por los partidos de izquierda radical. Los partidos centristas muestran los niveles más bajos.
Populismo: Aunque los partidos populistas inicialmente parecían más negativos, este efecto fue explicado en gran medida por su posicionamiento ideológico no centrista al controlar el extremismo ideológico.
Proximidad electoral: El efecto de la proximidad electoral fue más débil e inconsistente que el estatus de gobierno o la ideología, variando significativamente según el contexto.

Significancia y afirmaciones
El artículo afirma que sus hallazgos proporcionan nueva evidencia comparativa sobre los fundamentos a nivel de partido de la campaña negativa, desafiando la noción de que el aumento de la negatividad es únicamente un subproducto de las lógicas de las redes sociales. En cambio, refleja dinámicas más profundas de competencia de partidos, incentivos de coalición y el comportamiento estratégico de movimientos políticos específicos (particularmente la derecha radical).

Metodológicamente, el estudio argumenta que los LLM pueden transformar la escala, la consistencia y la replicabilidad de la investigación del discurso político. Al permitir la clasificación de disparo cero a través de los idiomas, los LLM reducen las barreras para el análisis comparativo a gran escala, permitiendo que los investigadores vayan más allá del dilema entre "profundidad vs. amplitud" que históricamente ha limitado al campo. Los autores enfatizan que, si bien los LLM mejoran la escalabilidad de la medición, requieren una validación rigurosa frente a parámetros humanos y un diseño cuidadoso de los prompts para asegurar la validez, posicionándolos como un complemento, y no un reemplazo, de los estándares metodológicos establecidos.

Resumen Técnico: Medición de la campaña negativa a través de diversos idiomas con modelos de lenguaje de gran tamaño

Más como este