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

Sintesi Tecnica: Scomporre l'Occhio dell'Osservatore

Enunciazione del Problema
La scienza sociale computazionale ha adottato sempre più strumenti di apprendimento automatico per analizzare testi e immagini politiche su larga scala. Tuttavia, questi strumenti sono prevalentemente costruiti su un paradigma di "assolutismo della verità di base", che assume l'esistenza di un'unica etichetta corretta per qualsiasi istanza di dati, indipendente dall'osservatore. Nei compiti valutativi—come determinare il sentimento o la violenza percepita di un'immagine politica—questa assunzione è errata. La teoria delle scienze politiche stabilisce che la valutazione è mediata dalla posizione sociale e dall'identità; la posizione politica e sociale di una persona determina ciò che essa vede. Gli approcci computazionali standard trattano il disaccordo tra annotatori di diverse identità come "rumore" da eliminare tramite votazione a maggioranza. Mediando via questi disaccordi, gli strumenti esistenti scartano il fenomeno stesso di cui si occupa la scienza politica: le linee strutturate di tensione e il conflitto valutativo che definiscono il disaccordo politico. Di conseguenza, i modelli attuali producono punteggi singoli che trattano un pezzo di media come avente un significato fisso per tutti, fallendo nel catturare come le immagini politiche funzionino come "bersagli mobili" dipendenti dal pubblico.

Metodologia: Il Classificatore Perspectivista del Sentimento Politico Visivo (PVPS)
Per affrontare questo problema, l'autore sviluppa il classificatore Perspectivista del Sentimento Politico Visivo (PVPS). A differenza dei classificatori standard che prevedono un singolo punteggio di sentimento, il PVPS prevede un profilo valutativo per ogni immagine, registrando quali specifici segmenti di pubblico valutano l'immagine più favorevolmente e lungo quali linee identitarie si verifica la divergenza.

• Dati: Il modello è addestrato su circa 82.000 valutazioni di 1.264 immagini politiche fornite da 5.575 adulti statunitensi in quattro ondate di indagine (2022–2025). I rispondenti hanno fornito valutazioni su una scala di atteggiamento a 7 punti insieme a batterie demografiche complete (partito, ideologia, età, genere, istruzione, reddito, etnia). Un dataset supplementare di 7.543 immagini annotate da oltre 2.000 lavoratori è stato incorporato tramite auto-addestramento semi-supervisionato.
• Architettura: La pipeline estrae 1.666 vettori di caratteristiche per immagine da sei fonti:
  1. CLIP (512 dimensioni) e DINOv2 (768 dimensioni) per il contenuto visivo e la disposizione spaziale.
  2. Didascalie di Gemini convertite in vettori TF-IDF (300 dimensioni).
  3. Caratteristiche semantiche (50 dimensioni) che indicano la presenza di parole predittive.
  4. Caratteristiche concettuali (24 dimensioni) per oggetti politici (es. polizia, bandiere, cartelli).
  5. Caratteristiche di argomento politico (12 dimensioni) per domini di politica.
     Questi vettori sono compressi attraverso un livello di proiezione e due blocchi residui in una rappresentazione a 128 dimensioni, che viene quindi mappata su probabilità di classe (Consenso vs. Divergenza) tramite un livello softmax.
• Strategia di Addestramento: Il sistema addestra classificatori separati per 112 assi distinti, coprendo le principali divisioni politiche (Partito, Ideologia, Termometro), gli assi sociodemografici (Età, Genere, Istruzione, Reddito, Ispanici) e le loro intersezioni (es. Giovane Democratico vs. Vecchio Repubblicano).
  • Per gli assi politici, il modello impara a prevedere la divergenza di gruppo direttamente dal contenuto visivo.
  • Per gli assi sociodemografici, dove i gap per immagine sono rumorosi, viene utilizzata una pipeline estesa (Percorso B). Questo percorso prevede valutazioni individuali basate su caratteristiche dell'immagine e attributi del rispondente, quindi calcola il gap tra rispondenti prototipici, combinandolo con il segnale visivo (Percorso A) tramite un meta-apprenditore.
• Validazione: Viene utilizzato un ensemble di dieci classificatori addestrati su diverse suddivisioni dei dati e semi casuali. Le prestazioni sono misurate dalla mediana della minima accuratezza per classe per garantire la robustezza contro lo squilibrio delle classi.

Risultati Chiave

• Prestazioni di Classificazione: Il classificatore prevede con successo la divergenza valutativa su tutti e tre i principali assi politici (Partito, Ideologia, Termometro) con mediane di accuratezza minima per classe comprese tra il 68,7% e il 78,9%. Raggiunge anche un'alta accuratezza (60–83%) su molti assi interpartitici e intersezionali.
• Segnali Sociodemografici: Gli assi puramente sociodemografici (es. Età, Genere) mostrano segnali più deboli quando si fa affidamento esclusivamente sul disaccordo a livello di immagine (50–58% di accuratezza). Tuttavia, la pipeline estesa, che condiziona sugli attributi del rispondente, recupera un segnale significativo per l'Età (68,9%), il Genere (62,0%) e l'Istruzione (61,0%), dimostrando che l'identità sociale plasma la valutazione ma spesso in modi intrecciati con la struttura politica.
• Rianalisi di Studi Esistenti:
  • Casas e Webb Williams (2019): Applicando il PVPS alle immagini di Black Lives Matter (BLM), si rivela che l'effetto mobilitante delle emozioni non è uniforme. L'entusiasmo mobilita la condivisione per immagini favorevoli alle donne democratiche, mentre paura e disgusto guidano l'engagement per immagini favorevoli agli uomini repubblicani. I punteggi medi di emozioni oscurano questi meccanismi divergenti.
  • Won, Steinert-Threlkeld e Joo (2017): Lo studio rileva che le immagini classificate come "violente" dagli annotatori sono le stesse immagini che il PVPS prevede siano valutate favorevolmente da repubblicani, conservatori e rispondenti inclini al Partito Repubblicano. Al contrario, le immagini con cartelli di protesta (associati a una minore violenza percepita nello studio originale) sono previste come favorite dai democratici. Ciò suggerisce che la violenza percepita non è un attributo visivo neutrale, ma segue le linee di faglia partitiche.

Significato e Affermazioni
Il documento rivendica due contributi primari che colmano il divario tra scienze politiche e metodi computazionali:

1. Per la Scienza Politica: Fornisce un metodo scalabile per misurare la valutazione mediata dal gruppo. Mentre la teoria ha da tempo stabilito che il giudizio politico è ordinato per identità e intersezionale, gli strumenti empirici sono rimasti indietro, spesso collassando il disaccordo in etichette maggioritarie. Il PVPS rende il disaccordo strutturato osservabile e prevedibile, permettendo ai ricercatori di misurare come gli effetti della persuasione visiva varino tra specifici segmenti di pubblico, piuttosto che assumere una risposta monolitica del pubblico.
2. Per la Scienza Politica Computazionale: Dimostra che gli assi del conflitto di gruppo sulle immagini politiche portano un segnale abbastanza forte da essere modellato direttamente dal contenuto visivo. Incorporando assunzioni perspectiviste (che il disaccordo è segnale, non rumore) nell'architettura del modello, l'interpretazione di come le immagini vengono ricevute cambia sostanzialmente. Ciò permette la rianalisi degli effetti dei media e della persuasione visiva su larga scala, riconoscendo che "ciò che un'immagine politica trasmette" è un bersaglio mobile dipendente dalla posizione sociale dello spettatore.

Il documento conclude che misurare le immagini politiche richiede di sapere "chi sta muovendo". Non rivendica di risolvere tutti i problemi di bias o generalizzabilità (notando che il contesto statunitense è un outlier nella polarizzazione affettiva), ma stabilisce un quadro in cui "l'occhio dell'osservatore" non è più una fonte di errore da mediare via, ma l'oggetto centrale dell'analisi.