Discovering Conceptual Metaphors Across Topics and Media Types

El pensamiento humano suele apoyarse en un andamiaje oculto de comparaciones. Comprendemos ideas complejas y abstractas mapeándolas sobre experiencias físicas más simples que conocemos bien. Este es el núcleo de la Teoría de la Metáfora Conceptual, un marco que sugiere que cuando hablamos de cosas como "pagar impuestos" o "campañas políticas", no solo estamos usando un lenguaje florido; estamos, inconscientemente, tomando prestada la lógica de objetos físicos, viajes o batallas para dar sentido al mundo. Si un hablante describe los impuestos como una carga pesada que debe llevar, está enmarcando el problema como un peso físico, lo que naturalmente conduce al deseo de soltarlo. Si describen los mismos impuestos como una inversión en una comunidad, la lógica cambia por completo hacia una de crecimiento y retorno futuro. Estos mapas mentales subyacentes moldean cómo las personas razonan, argumentan y perciben la realidad, pero son difíciles de ver directamente porque están enterrados bajo la superficie del habla cotidiana.

Investigadores de la Universidad de Colorado Boulder han desarrollado una nueva forma de descubrir estos mapas invisibles analizando miles de palabras habladas y escritas sin intervención humana. En lugar de preguntar a las personas qué quieren decir, el equipo construyó un sistema informático que lee vastas colecciones de texto, identifica las palabras específicas utilizadas metafóricamente y luego las agrupa basándose en la lógica profunda que comparten. El sistema primero encuentra pares de palabras donde un verbo se utiliza de forma no literal, como un político que "ejerce" (wielding) el poder o una economía que "se desploma" (crashing). Luego le pide a un modelo de lenguaje de gran tamaño que explique qué implican estas frases sobre el problema, la causa y la solución, traduciendo efectivamente la metáfora en una declaración clara del punto de vista del hablante. Finalmente, el sistema clasifica estas interpretaciones en grupos, pero con una regla estrica: se niega a agrupar metáforas si estas describen acciones físicas fundamentalmente diferentes, incluso si hablan del mismo tema. Esto asegura que los grupos resultantes reflejen similitudes genuinas en cómo piensan las personas, en lugar de solo similitudes superficiales en las palabras que eligieron.

Cuando los investigadores aplicaron este método a un conjunto masivo de datos de transcripciones de podcasts políticos, encontraron patrones distintos en la forma en que los hablantes de tendencia izquierda y derecha enmarcan el mundo. El análisis reveló que los presentadores de tendencia izquierda frecuentemente conceptualizan la información, las historias de los medios y el poder político como armas. A menudo utilizan verbos como "aplastar" (crush), "ejercer" (wield) y "apoderarse de" (seize) para describir cómo estas fuerzas se usan unas contra otras. En contraste, las fuentes de tendencia derecha tenían mucha más probabilidad de discutir temas económicos como sistemas sujetos a cambios verticales, utilizando un lenguaje que sugiere que las cosas están subiendo o bajando, o que la economía es una estructura que puede construirse o ser demolida. El estudio también mostró que los hablantes de tendencia izquierda eran más propensos a discutir la violencia política a través del lenguaje metafórico, mientras que los hablantes de tendencia derecha se centraban más intensamente en temas económicos.

El equipo probó su método en otros temas, incluyendo la inmigración, el control de armas y el aborto, para ver si podía recuperar patrones de pensamiento bien documentados. En los datos de inmigración, el sistema identificó con éxito la metáfora largamente documentada de los inmigrantes como parásitos o desastres naturales, agrupando frases sobre "inundar" (flooding) las fronteras o "drenar" (draining) los recursos. También encontró que las fuentes de tendencia derecha a menudo enmarcaban la inmigración como una invasión activa o una crisis que se está combatiendo, mientras que las fuentes de tendencia izquierda utilizaban metáforas diferentes para describir los mismos eventos. Los investigadores confirmaron que estas agrupaciones no eran aleatorias; cuando utilizaron la frecuencia de estos grupos de metáforas para predecir el sesgo político de un episodio de podcast, el sistema pudo distinguir con precisión entre fuentes de izquierda y de derecha. Esto sugiere que la forma en que las personas eligen sus metáforas es una señal fiable de su marco ideológico subyacente.

El estudio no pretende haber resuelto el problema del sesgo mediático ni haber encontrado cada metáfora existente. Los investigadores reconocen que su método depende de herramientas automatizadas que pueden cometer errores, como identificar erróneamente una palabra literal como una metáfora o asignar una frase a la categoría equivocada. También señalan que su análisis de podcasts cubre un conjunto específico de canales y un período de tiempo limitado, por lo que los hallazgos pueden no aplicarse a todos los formatos de medios o a todos los hablantes. Sin embargo, los resultados demuestran que es posible utilizar el aprendizaje automático no supervisado para mapear las estructuras conceptuales que guían el discurso público. Al revelar cómo diferentes grupos utilizan la lógica de objetos físicos, fuerzas y viajes para enmarcar cuestiones abstractas, este enfoque ofrece una nueva forma de comprender las maneras sutiles y, a menudo, inconscientes en que el lenguaje moldea nuestra realidad política.