Unpacking the Eye of the Beholder: Social Location, Identity, and the Moving Target of Political Perspectives

Resumen Técnico: Desempaquetando el Ojo del Observador

Planteamiento del Problema
La ciencia social computacional ha adoptado cada vez más herramientas de aprendizaje automático para analizar texto e imágenes políticas a gran escala. Sin embargo, estas herramientas se construyen predominantemente sobre un paradigma de "absolutismo de la verdad fundamental", que asume que existe una única etiqueta correcta para cualquier instancia de datos, independiente del observador. En tareas de evaluación —como determinar el sentimiento o la violencia percibida en una imagen política—, esta suposición es defectuosa. La teoría de la ciencia política establece que la evaluación está mediada por la ubicación social y la identidad; el lugar que ocupa una persona política y socialmente determina lo que ve. Los enfoques computacionales estándar tratan el desacuerdo entre anotadores de diferentes identidades como "ruido" que debe eliminarse mediante votación mayoritaria. Al promediar estos desacuerdos, las herramientas existentes descartan el propio fenómeno que interesa a la ciencia política: las líneas estructuradas de tensión y conflicto evaluativo que definen el desacuerdo político. En consecuencia, los modelos actuales producen puntuaciones únicas que tratan a un medio como si tuviera un significado fijo para todos, sin capturar cómo las imágenes políticas funcionan como "objetivos móviles" dependientes de la audiencia.

Metodología: El Clasificador de Sentimiento Visual Político Perspectivista (PVPS)
Para abordar esto, el autor desarrolla el clasificador de Sentimiento Visual Político Perspectivista (PVPS). A diferencia de los clasificadores estándar que predicen una única puntuación de sentimiento, el PVPS predice un perfil evaluativo para cada imagen, registrando qué segmentos específicos de la audiencia califican la imagen más favorablemente y a lo largo de qué líneas de identidad ocurre la divergencia.

• Datos: El modelo se entrena con aproximadamente 82.000 evaluaciones de 1.264 imágenes políticas proporcionadas por 5.575 adultos estadounidenses en cuatro oleadas de encuestas (2022–2025). Los encuestados proporcionaron calificaciones en una escala de actitud de 7 puntos junto con baterías demográficas completas (partido, ideología, edad, género, educación, ingresos, etnia). Se incorporó un conjunto de datos complementario de 7.543 imágenes anotadas por más de 2.000 trabajadores mediante autoentrenamiento semisupervisado.
• Arquitectura: La pipeline extrae 1.666 vectores de características por imagen de seis fuentes:
  1. CLIP (512 dimensiones) y DINOv2 (768 dimensiones) para el contenido visual y la disposición espacial.
  2. Leyendas de Gemini convertidas a vectores TF-IDF (300 dimensiones).
  3. Características semánticas (50 dimensiones) que indican la presencia de palabras predictivas.
  4. Características conceptuales (24 dimensiones) para objetos políticos (por ejemplo, policía, banderas, letreros).
  5. Características de temas políticos (12 dimensiones) para dominios de políticas.
     Estos vectores se comprimen mediante una capa de proyección y dos bloques residuales en una representación de 128 dimensiones, que luego se mapea a probabilidades de clase (Consenso vs. Divergencia) mediante una capa softmax.
• Estrategia de Entrenamiento: El sistema entrena clasificadores separados para 112 ejes distintos, que cubren divisiones políticas primarias (Partido, Ideología, Termómetro), ejes sociodemográficos (Edad, Género, Educación, Ingresos, Hispano) y sus intersecciones (por ejemplo, Demócrata joven vs. Republicano mayor).
  • Para ejes políticos, el modelo aprende a predecir la divergencia del grupo directamente a partir del contenido visual.
  • Para ejes sociodemográficos, donde las brechas por imagen son ruidosas, se utiliza una pipeline extendida (Ruta B). Esta ruta predice calificaciones individuales basadas en características de la imagen y atributos del encuestado, luego calcula la brecha entre encuestados prototípicos, combinando esto con la señal visual (Ruta A) mediante un meta-aprendiz.
• Validación: Se utiliza un conjunto de diez clasificadores entrenados en diferentes divisiones de datos y semillas aleatorias. El rendimiento se mide mediante la precisión mínima por clase mediana para garantizar la robustez frente al desequilibrio de clases.

Resultados Clave

• Rendimiento de Clasificación: El clasificador predice con éxito la divergencia evaluativa en los tres ejes políticos primarios (Partido, Ideología, Termómetro) con precisiones mínimas por clase medianas que oscilan entre el 68,7 % y el 78,9 %. También logra una alta precisión (60–83 %) en muchos ejes interpartidistas e interseccionales.
• Señales Sociodemográficas: Los ejes puramente sociodemográficos (por ejemplo, Edad, Género) muestran señales más débiles cuando se basan únicamente en el desacuerdo a nivel de imagen (precisión del 50–58 %). Sin embargo, la pipeline extendida, que condiciona los atributos del encuestado, recupera una señal significativa para la Edad (68,9 %), el Género (62,0 %) y la Educación (61,0 %), demostrando que la identidad social moldea la evaluación, pero a menudo de maneras entrelazadas con la estructura política.
• Reanálisis de Estudios Existentes:
  • Casas y Webb Williams (2019): Al aplicar el PVPS a imágenes de Black Lives Matter (BLM), se revela que el efecto movilizador de las emociones no es uniforme. El entusiasmo moviliza el compartir para imágenes favorables a las mujeres demócratas, mientras que el miedo y el asco impulsan la participación para imágenes favorables a los hombres republicanos. Las puntuaciones de emoción promediadas oscurecen estos mecanismos divergentes.
  • Won, Steinert-Threlkeld y Joo (2017): El estudio encuentra que las imágenes calificadas como "violentas" por los anotadores son las mismas imágenes que el PVPS predice que serán evaluadas favorablemente por republicanos, conservadores y encuestados con inclinación republicana. Por el contrario, las imágenes con letreros de protesta (asociadas con una menor violencia percibida en el estudio original) se predice que serán favorecidas por los demócratas. Esto sugiere que la violencia percibida no es un atributo visual neutral, sino que sigue líneas de fractura partidista.

Significado y Afirmaciones
El artículo afirma dos contribuciones primarias que vinculan la ciencia política y los métodos computacionales:

1. Para la Ciencia Política: Proporciona un método escalable para medir la evaluación mediada por grupos. Si bien la teoría ha establecido desde hace mucho que el juicio político está ordenado por identidad e interseccional, las herramientas empíricas han ido por detrás, a menudo colapsando el desacuerdo en etiquetas mayoritarias. El PVPS hace observable y predecible el desacuerdo estructurado, permitiendo a los investigadores medir cómo los efectos de la persuasión visual varían entre segmentos específicos de la audiencia en lugar de asumir una respuesta de audiencia monolítica.
2. Para la Ciencia Política Computacional: Demuestra que los ejes de conflicto grupal sobre imágenes políticas llevan una señal lo suficientemente fuerte como para ser modelados directamente a partir del contenido visual. Al incorporar suposiciones perspectivistas (que el desacuerdo es señal, no ruido) en la arquitectura del modelo, la interpretación de cómo se reciben las imágenes cambia sustancialmente. Esto permite el reanálisis de los efectos mediáticos y la persuasión visual a gran escala, reconociendo que "lo que una imagen política comunica" es un objetivo móvil dependiente de la ubicación social del espectador.

El artículo concluye que medir imágenes políticas requiere saber "a quién está moviendo". No afirma resolver todos los problemas de sesgo o generalizabilidad (señalando que el contexto estadounidense es un caso atípico en la polarización afectiva), pero establece un marco donde el "ojo del observador" ya no es una fuente de error que debe promediarse, sino el objeto central de análisis.