Gender-based discrepancies in the algorithmic delivery of political ads on social media

Sintesi Tecnica: Discrepanze di genere nella distribuzione algoritmica di annunci politici sui social media

Definizione del problema
I social media sono diventati un canale critico per la pubblicità politica, eppure gli algoritmi automatizzati che regolano la distribuzione degli annunci sono spesso opachi e proprietari. Mentre la letteratura esistente riconosce che i bias algoritmici possono distorcere l'esposizione del pubblico in settori come l'occupazione e l'alloggio, esiste una comprensione limitata di come questi bias si manifestino nella pubblicità politica attraverso diverse ideologie politiche, in particolare in un contesto sovranazionale. Nello specifico, rimane poco chiaro se i sistemi di distribuzione algoritmica penalizzino sistematicamente il pubblico degli annunci politici in base al genere, e se tale scostamento vari tra partiti populisti e non populisti. Tali discrepanze minacciano l'integrità dei processi democratici limitando l'accesso equo dei cittadini a una diversità di punti di vista politici e potenzialmente rafforzando i già esistenti divari di genere nella partecipazione politica.

Metodologia
Questo studio conduce un'analisi su larga scala e transnazionale della pubblicità politica durante le elezioni del Parlamento europeo del 2024. La ricerca utilizza un dataset composto da oltre 110.000 annunci politici pubblicati da 453 partiti politici e 968 candidati in 25 stati membri dell'UE su Facebook e Instagram. I dati sono stati raccolti tramite l'API Meta Ad Library, coprendo il periodo dal 9 marzo al 9 giugno 2024.

• Elaborazione dei dati: Gli autori hanno associato gli annunci a partiti e candidati specifici utilizzando una procedura di string-matching gerarchica (esatta, per sottostringa e fuzzy) combinata con la verifica manuale. Le classificazioni dei partiti (populista vs non populista, e ulteriormente suddivisi in estrema sinistra, centristi e estrema destra) sono state derivate dal database PopuList.
• Variabile dipendente: La metrica primaria è la "quota eccedente di visualizzazioni uniche da parte di utenti maschi", definita come la differenza tra la quota di visualizzazioni uniche da parte di utenti maschi e la quota da parte di utenti femmine. Sono state preferite le visualizzazioni uniche rispetto alle impressioni per misurare l'esposizione reale, poiché Meta fornisce valori esatti per le visualizzazioni uniche ma solo intervalli per le impressioni.
• Approccio statistico: L'analisi principale impiega modelli di regressione lineare (Minimi Quadrati Ordinari) per isolare la relazione tra l'ideologia del partito e lo scostamento di genere nell'audience.
  • Controlli: I modelli controllano rigorosamente quattro categorie chiave di potenziali variabili di disturbo:
    1. Contenuto dell'annuncio: Sentimento testuale (analizzato tramite RoBERTa) e caratteristiche visive (analizzate tramite embedding DINOv2 ridotti tramite PCA).
    2. Caratteristiche dell'annuncio: Piattaforma (Facebook, Instagram o entrambi), tempistica (giorno feriale, durata) e tipo di editore (candidato vs partito).
    3. Strategie di targeting: Quote di targeting basate sull'età (dai 18-24 ai 65+ anni), riconoscendo che la distribuzione di genere varia in base all'età.
    4. Fattori contestuali: Effetti fissi per paese per tenere conto delle differenze normative nazionali e dell'eterogeneità della base utenti.
  • Robustezza: Gli autori hanno eseguito estesi controlli di robustezza, inclusi l'uso di variabili dipendenti alternative (quota grezza maschile), specifiche del modello (aggiunta della distribuzione di genere di base), diversi periodi di osservazione, propensity score matching (PSM) e studi di ablazione rimuovendo specifiche covariate.

Contributi chiave

1. Ambito transnazionale: A differenza di studi precedenti limitati a singoli paesi o esperimenti controllati, questo lavoro fornisce la prima analisi su larga scala e transnazionale dei bias di distribuzione degli annunci algoritmici in 25 paesi dell'UE durante una importante elezione sovranazionale.
2. Granularità ideologica: Lo studio va oltre le distinzioni generali tra "populista" e "non populista" per analizzare il ruolo specifico dell'estremismo politico, differenziando tra partiti di estrema sinistra, centristi ed estrema destra.
3. Isolamento del bias algoritmico: Controllando il contenuto dell'annuncio, le strategie di targeting e le dinamiche della piattaforma, lo studio isola l'associazione tra l'affiliazione politica e lo scostamento di genere, suggerendo che il bias sia guidato dal sistema di distribuzione algoritmica piuttosto che dall'intento esplicito dell'inserzionista o dal contenuto dell'annuncio stesso.

Risultati

• Populisti vs Non-Populisti: L'analisi rivela una discrepanza di genere statisticamente significativa. Gli annunci pubblicati dai partiti populisti sono associati a una quota eccedente di visualizzazioni maschili superiore di 6,2 punti percentuali rispetto agli annunci non populisti, anche dopo aver controllato tutte le covariate. Questo effetto è coerente in 22 stati membri in cui sono attivi i partiti populisti.
• Estremismo Politico: Analizzando lo spettro ideologico, lo scostamento di genere è polarizzato:
  • Partiti di estrema destra: Gli annunci dei partiti di estrema destra mostano un coefficiente positivo e significativo (+7,0 punti percentuali), indicando una forte inclinazione verso il pubblico maschile rispetto ai partiti centristi.
  • Partiti di estrema sinistra: Gli annunci dei partiti di estrema sinistra mostrano un coefficiente negativo e significativo (-7,4 punti percentuali), indicando un'inclinazione verso il pubblico femminile rispetto ai partiti centristi.
• Variazione regionale: L'entità di queste discrepanze varia per paese, con le quote eccedenti di visualizzazioni maschili più elevate per gli annunci populisti osservate in Germania (+21,3%), Svezia (+19,8%) e Finlandia (+12,7%).

Significato e rivendicazioni
L'articolo sostiene che la distribuzione algoritmica degli annunci sui social media amplifica sistematicamente i bias demografici nella comunicazione politica, indipendentemente dall'intento dell'inserzionista. I risultati suggeriscono che i processi di ottimizzazione delle piattaforme, che probabilmente si basano su modelli storici di engagement, possano interiorizzare e rafforzare le esistenti divisioni sociopolitiche e i divari di genere nella partecipazione politica.

Gli autori sostengono che queste discrepanze minano il principio di parità di accesso al discorso politico, un pilimento fondamentale dell'integrità democratica. Evidenziano che gli attuali meccanismi di trasparenza (ad esempio, le statistiche aggregate sull'audience) sono insufficienti per monitorare queste decisioni di distribuzione. Di conseguenza, il documento richiede:

• Maggiore trasparenza: I decisori politici dovrebbero imporre la divulgazione dei meccanismi di distribuzione, delle metriche di engagement e delle dinamiche d'asta.
• Garanzie normative: Gli interventi potenziali includono la distribuzione casuale degli annunci all'interno delle popolazioni target, regole di esposizione basate su quote o aste separate per gli annunci politici.
• Responsabilità delle piattaforme: I social media dovrebbero implementare audit sistematici sui bias, in particolare durante i periodi elettorali, per identificare e correggere in tempo reale gli scostamenti demografici.

Lo studio conclude che, senza una maggiore trasparenza e responsabilità, i sistemi algoritmici rischiano di svantaggiare sistematicamente specifici gruppi demografici e di restringere l'intervallo di punti di vista politici disponibili per gli elettori, esacerbando così la polarizzazione e la disuguaglianza nel processo democratico.