AI Application Gives Users Real-Time Feedback on the Level of Peace in the Social Media Videos They Watch

Resumen Técnico: Medición en Tiempo Real del "Discurso de Paz" en Videos de Redes Sociales

Planteamiento del Problema
El artículo aborda la creciente dependencia de la población mundial de los videos en redes sociales (por ejemplo, YouTube, Facebook) como fuentes primarias de noticias, señalando que el tono y el contenido de este lenguaje juegan un papel crítico en la iniciación o resolución de conflictos. Mientras que las herramientas existentes analizan el "Discurso de Odio" o el sesgo político, existe una falta de mecanismos para medir el "Discurso de Paz": un lenguaje que refuerza procesos sociales pacíficos. Los autores postulan que "Nos convertimos en lo que contemplamos", sugiriendo que la exposición a tonos lingüísticos específicos influye en el comportamiento del mundo real. El desafío técnico central es desarrollar un sistema capaz de cuantificar estas dimensiones relacionadas con la paz en tiempo real dentro de transcripciones de video habladas y no estructuradas, un dominio donde los modelos tradicionales basados en texto han fallado históricamente.

Metodología
Los autores desarrollaron BAIT, una aplicación de extensión de Chrome, utilizando un enfoque de dos vertientes para construir su motor de análisis de backend:

1. Aprendizaje Automático Supervisado en Textos de Noticias (Línea Base):

   • Datos: Un conjunto de datos de aproximadamente 700,000 artículos de noticias de 18 países (corpus News on the Web) etiquetados con niveles de paz basados en índices externos (por ejemplo, el Índice de Paz Global).
   • Modelos: Se entrenaron tres arquitecturas neuronales: una red totalmente conectada de alimentación hacia adelante (Fully Connected Feed-Forward), una Red Neuronal Convolucional (CNN) y una CNN revisada con max-pooling.
   • Proceso: El texto fue incrustado mediante text-embedding-3-small de OpenAI y clasificado como "alta paz" o "baja paz".
   • Resultado: Estos modelos alcanzaron aproximadamente un 97% de precisión en texto de noticias retenido y un ~70% de precisión en un conjunto de datos de noticias distinto. Sin embargo, no lograron generalizarse a las transcripciones de YouTube, clasificando entre el 95 y el 100% del contenido de video como "alta paz", lo que indica una desconexión fundamental entre la sintaxis de las noticias escritas y el lenguaje hablado transcrito.

2. Dimensiones de las Ciencias Sociales vía LLMs (Enfoque Primario):

   • Marco de Trabajo: Al reconocer la falta de índices de paz externos para las transcripciones de video, los autores definieron cinco dimensiones sociales derivadas de 59 estudios de ciencias sociales: compasión-desprecio, noticia-opinión, promoción-prevención, creatividad-orden y matiz-simplificación.
   • Modelos:
     • Análisis de Sentimiento (SA): Se probó GoEmotions de Google (basado en RoBERTa), pero se consideró insuficiente debido a las ventanas de contexto limitadas, las altas bases de neutralidad y el "promedio" de la volatilidad emocional.
     • Modelos de Lenguaje de Gran Escala (LLMs): Los autores pivotaron hacia LLMs conscientes del contexto (Gemini 2.5/3 Pro, GPT-4o/5.1). Emplearon un proceso de ingeniería de prompts iterativo, pasando de prompts complejos basados en noticias a prompts simplificados y generalizables optimizados para transcripciones conversacionales.
   • Verdad de Campo (Ground Truth): Se creó un conjunto de datos de "estándar de oro" haciendo que tres expertos humanos (investigadores de la paz y especialistas en conflictos) calificaran de forma independiente 52 videos de YouTube en las cinco dimensiones utilizando una escala de 1 a 5. La confiabilidad inter-evaluador fue alta ($r^2 > 0.86$ para tres dimensiones).

Resultos Clave

• Fracaso de los Modelos Basados Solo en Texto: Las redes neuronales entrenadas en noticias escritas no pudieron predecir con precisión los niveles de paz en las transcripciones de video habladas, confirmando que las propiedades lingüísticas de los medios escritos y hablados difieren significertivamente.
• Superioridad de los LLMs: Los LLMs superaron significativamente al análisis de sentimiento a nivel de palabra. Mientras que los modelos de SA mostraron una correlación débil con los codificadores humanos ($r^2 \approx 0.03$), los LLMs lograron correlaciones de $r^2 \approx 0.60$ en las cinco dimensiones sociales.
• Rendimiento del Modelo: Gemini 3 Pro Preview demostró la mayor correlación con los codificadores humanos en todas las dimensiones, particularmente en la categoría desafiante de "matiz-simplificación".
• Razonamiento Contextual: Los resultados indican que la evaluación de la paz requiere razonamiento contextual (tono, encuadre, estructura retórica) en lugar de un simple detector de sentimientos o palabras clave.

Contribuciones Clave

1. Aplicación BAIT: El despliegue de una extensión de Chrome funcional que proporciona retroalimentación en tiempo real a usuarios y creadores de contenido sobre la "pacificidad" de su dieta mediática.
2. Validación Empírica de LLMs: Demostrar que los LLM modernos pueden escalar efectivamente el análisis de dimensiones sociales complejas en transcripciones de video de forma similar a un humano, logrando un acuerdo estadístico comparable a la confiabilidad inter-evaluador humana.
3. Marco Dimensional: Operacionalizar cinco dimensiones específicas de las ciencias sociales (compasión, noticia, promoción, creatividad, matiz) como métricas medibles para el "Discurso de Paz".
4. Documentación Abierta: Los autores documentan públicamente su motor de análisis y sus resultados de pruebas humanas, distinguiendo su trabajo de otras herramientas de moderación de contenido propietarias u opacas.

Significancia y Reivindicaciones
El artículo afirma que BAIT sirve como un motor de análisis fundacional capaz de medir el "Discurso de Paz" a escala. Los autores argumentan que, al hacer que los usuarios sean conscientes del tono emocional y social de su consumo de medios, la herramienta podría potencialmente influir en el comportamiento del mundo real hacia interacciones sociales más positivas.

Los autores mantienen una postura modesta respecto a las implicaciones futuras. No afirman que la herramienta pruebe cambiar el comportamiento aún; más bien, sostienen que la capacidad de medir estas dimensiones es el primer paso necesario para probar la hipótesis de que la autoconciencia conduce a un mejor comportamiento. Visualizan un posible "círculo virtuoso" donde la conciencia del usuario impulse la demanda de contenido de alta paz, incentivando a los creadores y plataformas a producir dicho contenido, pero lo plantean como una posibilidad futura a investigar mediante pruebas conductuales en lugar de una realidad actual. El trabajo se presenta como un avance metodológico en la aplicación de la IA a los estudios de la paz, cerrando la brecha entre la teoría de las ciencias sociales y el análisis de medios digitales en tiempo real.