"F*** You Biden": Cross-Partisan Electoral Toxicity on X

Resumen Técnico: "F*** You Biden": Toxicidad Electoral Transpartidista en X

Enunciado del Problema
El discurso político en las redes sociales, particularmente durante los periodos electorales, se caracteriza por un aumento de la toxicidad y la hostilidad entre grupos. Si bien está establecido que la interacción con grupos externos genera altos volúmenes de interacción, las dinámicas específicas de la toxicidad en las respuestas siguen siendo poco comprendidas. No está claro si la hostilidad política en línea refleja principalmente cómo los partidistas se comunican dentro de sus propios círculos o cómo interactúan agresivamente con la oposición. Además, la literatura existente presenta hallazgos contradictorios sobre las asimetrías izquierda-derecha en la producción versus la recepción de toxicidad. Este estudio aborda la brecha en la comprensión de los orígenes de la toxicidad en las respuestas —específicamente, si proviene de copartidistas o de la oposición— y busca desentrañar el volumen de la interacción de la intensidad de la hostilidad en el contexto de las elecciones presidenciales de EE. UU. de 2024.

Metodología
Los autores analizaron un conjunto de datos a gran escala derivado del conjunto de datos US2024-Twitter-Elections, recopilado entre mayo y noviembre de 2024. El estudio se centró en 261,501 tuits originales y 2,415,781 respuestas directas, excluyendo los tuits citados para evitar ambigüedades en la atribución de la toxicidad.

La tubería técnica involucró tres componentes principales:

1. Clasificación de Alineación Política: Se empleó un Modelo de Lenguaje Grande (GPT-4o-mini) validado por humanos para clasificar la inclinación política tanto de las publicaciones originales como de los autores de las respuestas como Demócrata, Republicano o Inseguro. El modelo fue validado en una muestra de referencia de 384 elementos (para publicaciones) y 384 respuestas, logrando puntuaciones F1 macro de aproximadamente 0.73 y 0.81, respectivamente. La partidización a nivel de usuario se determinó mediante votación mayoritaria en todas las respuestas de un solo autor.
2. Puntuación de Toxicidad: Se utilizó la API Perspective para asignar puntuaciones continuas de toxicidad (0–1) a todas las publicaciones y respuestas.
3. Análisis Estadístico: Debido al fuerte sesgo en las distribuciones de toxicidad (donde la mayoría del contenido es de baja toxicidad), los autores utilizaron pruebas U de Mann-Whitney en lugar de pruebas t. Realizaron cuatro comparaciones específicas:
   • Toxicidad de publicaciones originales demócratas frente a republicanas.
   • Toxicidad de respuestas a publicaciones demócratas frente a republicanas.
   • Toxicidad de respuestas demócratas frente a republicanas a publicaciones demócratas.
   • Toxicidad de respuestas demócratas frente a republicanas a publicaciones republicanas.

Resultados Clave
El análisis revela una asimetría notable entre la toxicidad del contenido producido y la toxicidad del contenido recibido:

• Asimetría en la Producción: Las publicaciones originales con inclinación republicana son significativamente más tóxicas que las publicaciones con inclinación demócrata (toxicidad mediana: 0.144 vs. 0.129; p < 10⁻⁶).
• Asimetría en la Recepción: Por el contrario, las publicaciones con inclinación demócrata atraen respuestas significativamente más tóxicas que las publicaciones con inclinación republicana (toxicidad mediana: 0.199 vs. 0.178; p < 10⁻⁶).
• Dinámicas Transpartidistas: Las respuestas transpartidistas son ligeramente pero significativamente más tóxicas que las respuestas del mismo partido en ambas direcciones. Sin embargo, la magnitud de esta diferencia es pequeña.
• Disparidad de Volumen: El principal impulsor de la asimetría en la recepción es el volumen de interacción. Las cuentas republicanas generaron casi tres veces más respuestas transpartidistas a contenido demócrata (756,671) que las cuentas demócratas a contenido republicano (205,607). En términos de usuarios únicos, 269,595 cuentas republicanas interactuaron con publicaciones demócratas en comparación con solo 74,081 cuentas demócratas interactuando con publicaciones republicanas.

Contribuciones Clave

1. Desacoplamiento de la Toxicidad Publicada y Recibida: El estudio demuestra que el lado que produce el contenido más hostil (republicanos) no es el lado que recibe las respuestas más hostiles (demócratas). Esto desafía la suposición de que la producción y la recepción de toxicidad son simétricas o directamente correlacionadas.
2. Origen Conductual de la Asimetría: El documento identifica que la toxicidad elevada dirigida al contenido demócrata no se debe a que los demócratas reciban respuestas transpartidistas agresivas de manera única, sino al volumen puro de la interacción transpartidista republicana.
3. Validación de Anotación Escalable: El trabajo valida el uso de LLMs para la detección de postura política a gran escala y el análisis de toxicidad en ciencias sociales computacionales, confirmando que los LLMs pueden igualar el rendimiento a nivel humano en estas tareas a una fracción del costo.

Significado y Afirmaciones
Los autores afirman que sus hallazgos revelan una asimetría estructural en cómo opera la toxicidad partidista en X durante los periodos electorales. El documento postula que la hostilidad política en línea se explica mejor mediante el comportamiento de interacción transpartidista (específicamente, el volumen de la orientación a grupos externos) que por la naturaleza del contenido original en sí.

El estudio sugiere que el fenómeno "F*** You Biden" (la frase más frecuente en respuestas altamente tóxicas) es un síntoma de este desequilibrio estructural, donde un grupo demográfico específico (usuarios republicanos) se dirige desproporcionadamente al lado opositor. Los autores enfatizan que, si bien la exposición transpartidista es conocida por amplificar la polarización, este estudio aclara el mecanismo: es la escala desproporcionada de la interacción republicana con el contenido demócrata la que amplifica la toxicidad dirigida a los demócratas.

Limitaciones
Los autores mantienen una postura modesta respecto a sus afirmaciones, señalando varias limitaciones:

• Ruido en la Clasificación: Una menor precisión en la categoría "Inseguro" puede introducir ruido.
• Restricciones de la API: La API Perspective podría no capturar completamente el lenguaje informal, irónico o codificado específico de X.
• Sesgo de Muestreo: El conjunto de datos depende de palabras clave políticas, perdiendo potencialmente intercambios transpartidistas sin etiquetar.
• Generalizabilidad: Los hallazgos son específicos de X durante el ciclo electoral de 2024 y podrían no generalizarse a otras plataformas o periodos no electorales.
• Causalidad: El estudio establece correlación, no causalidad; no puede determinar si la asimetría se origina en la exposición algorítmica, la búsqueda deliberada o el comportamiento coordinado.