The Enemy from Within: A Study of Political Delegitimization Discourse in Israeli Political Speech

Resumen Técnico: El Enemigo del Interior: Un Estudio del Discurso de Deslegitimación Política en el Discurso Político Israelí

Definición del Problema
El artículo aborda la brecha en la ciencia social computacional relativa a la detección sistemática del Discurso de Deslegitimación Política (DDP). Si bien las tareas existentes de Procesamiento del Lenguaje Natural (PLN) identifican con éxito violaciones superficiales de normas como la incivilidad, el discurso de odio y la toxicidad, no logran capturar la función simbólica específica del DDP: la negación estratégica de la validez normativa y el derecho a la inclusión de una entidad política. A diferencia de la hostilidad general o la crítica a políticas, el DDP opera enmarcando a los oponentes como "enemigos del interior", amenazas al estado o actores ilegítimos, a menudo mediante estrategias retóricas sutiles (enmarcado, implicación) que no necesariamente violan las normas superficiales de civismo. La investigación previa sobre este fenómeno se ha limitado a codificación manual a pequeña escala, careciendo de la escalabilidad requerida para análisis longitudinales y transversales entre plataformas.

Metodología
Los autores proponen un marco integral que incluye la curación de datos, la anotación y una pipeline computacional de dos etapas.

1. Construcción del Conjunto de Datos:

   • Se curó un nuevo corpus en idioma hebreo de 10.410 oraciones a partir de tres fuentes: discursos parlamentarios de la Knesset (1993–2023), publicaciones oficiales en Facebook (2018–2021) y principales medios de comunicación (2018–2021).
   • Esquema de Anotación: Se empleó un proceso de anotación humana en dos etapas.
     • Etapa 1: Clasificación binaria (Verdadero/Falso) para la presencia de DDP. Una oración se considera positiva si se dirige a un actor/grupo/institución política con una caracterización hostil basada en la deslegitimación simbólica (por ejemplo, negar derechos de participación, comparar con grupos estigmatizados externos) en lugar de una crítica a políticas.
     • Etapa 2: Para las instancias positivas de DDP, se anotaron atributos adicionales: Intensidad (escala 0–2), Incivilidad (burla/profanidad), enmarcado de Grupo Externo, amenaza al Bien Común, Tipo de Objetivo (Persona, Grupo, Instituto) y Rangos del Objetivo.
   • Fiabilidad: La fiabilidad interanotador mostró un Kappa de Cohen de 0,82.

2. Pipeline Computacional:
   Los autores evaluaron una pipeline de clasificación de dos etapas utilizando modelos codificadores de última generación y Modelos de Lenguaje Grandes (LLM) decodificadores.

   • Etapa 1 (Detección Binaria): Se entrenaron modelos para detectar la presencia de DDP. Los modelos probados incluyeron codificadores multilingües (mBERT, AlephBERT, HeRO, DictaBERT) y LLM decodificadores (Gemma 2, Qwen3, DictaLM 2.0).
   • Etapa 2 (Caracterización): Para las oraciones identificadas como DDP, los modelos predijeron la intensidad, los atributos retóricos y los tipos de objetivo. Los decodificadores se ajustaron finamente para generar representaciones JSON estructuradas, mientras que los codificadores utilizaron funciones de pérdida multi-tarea. También se entrenó un clasificador de rangos para identificar menciones de objetivos.
   • Estrategia de Entrenamiento: Los codificadores se entrenaron con diversas funciones de pérdida (predeterminada, pesos de clase, pérdida focal) y tasas de aprendizaje. Los decodificadores se ajustaron finamente utilizando QLoRA.

Resultados Clave

• Rendimiento del Modelo:
  • Detección Binaria: El decodificador DictaLM 2.0 logró el mejor rendimiento con una puntuación F1 de 0,74, superando al mejor codificador (DictaBERT-base, F1 0,71).
  • Caracterización: DictaLM 2.0 alcanzó un macro-F1 de 0,67 para clasificar las características de deslegitimación y un F1 de 0,67 para la identificación de rangos de objetivos.
• Tendencias Longitudinales (PQ1): El análisis de 30 años de datos parlamentarios revela un aumento marcado en el DDP. La prevalencia aumentó de una media del 6,6% (1992–2019) al 9,8% (2019–2023), con un pico agudo que comenzó en 2020.
• Diferencias entre Plataformas (PQ2): Si bien la prevalencia general fue similar entre Facebook (7,33%) y la Knesset (7,05%), el discurso en Facebook exhibió mayor intensidad (1,23 frente a 1,00), tasas más altas de incivilidad, enmarcado de grupo externo y amenazas al bien común.
• Patrones Demográficos:
  • Género (PQ3): Los políticos masculinos exhibieron niveles promedio de DDP significativamente más altos (media 0,066) en comparación con las políticas femeninas (media 0,055).
  • Ideología (PQ4): A largo plazo, los políticos de derecha mostraron los niveles más altos de DDP. Sin embargo, en el período 2018–2021, los actores de izquierda mostraron puntuaciones de DDP más altas en ambas plataformas. La deslegitimación de derecha se dirigió de manera única a grupos colectivos (por ejemplo, "La Izquierda", "Meretz") con mayor frecuencia que otros bloques.
• Variación Contextual (PQ5): El uso de DDP aumenta durante las campañas electorales y disminuye significativamente durante los períodos de construcción de coaliciones. Los actores de la oposición utilizan consistentemente más DDP que los miembros de la coalición.

Significado y Contribuciones
El artículo reivindica tres contribuciones primarias al campo:

1. Operacionalización Teórica: Define el DDP como una categoría analítica distinta, separada de la incivilidad o el discurso de odio, centrándose en la negación simbólica de la legitimidad política en lugar de solo en el modo del discurso.
2. Creación de Recursos: Proporciona el primer corpus hebreo a gran escala, anotado manualmente específicamente para el DDP, permitiendo análisis longitudinales y transversales entre plataformas del discurso democrático.
3. Pipeline Metodológica: Demuestra la viabilidad de una pipeline automatizada de dos etapas para detectar y caracterizar formas sutiles de discurso político dañino que los modelos existentes de detección de toxicidad o postura a menudo pasan por alto.

Los autores concluyen que su marco ofrece una nueva lente computacional para estudiar la erosión democrática y la polarización afectiva a gran escala, tendiendo un puente entre la teoría política y el PLN para rastrear cómo evoluciona el discurso de las élites en respuesta a eventos políticos y contextos institucionales. Señalan limitaciones relacionadas con la generalizabilidad de los hallazgos a otros contextos lingüísticos y la dependencia de la anotación a nivel de oración, que podría pasar por alto estrategias más amplias a nivel de discurso.