🤖 machine learning

Quantifying Political Partisanship for Cross-Platform Analyses

Questo articolo introduce una metodologia testuale, portabile tra le piattaforme, che sfrutta gli embedding dei transformer e segnali esterni di credibilità delle notizie per misurare e confrontare in modo affidabile la partigianeria politica attraverso diverse piattaforme di social media, dimostrandone l'efficacia attraverso un'analisi cross-platform di Bluesky e Truth Social.

Autori originali: Fathima Ameen, Christopher G. Healey

Pubblicato 2026-07-27

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Fathima Ameen, Christopher G. Healey

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La Grande Camera dell'Eco Digitale

Immaginate internet come una piazza cittadina enorme e caotica dove miliardi di persone urlano le proprie opinioni. Negli ultimi anni, gli scienziati hanno notato qualcosa di strano: le persone in questa piazza sembrano urlare sempre più forte, ma solo verso chi è d'accordo con loro. Questo fenomeno è chiamato polarizzazione politica. È come se due gruppi di vicini stessero costruendo un muro tra le loro case, rifiutandosi di parlare l'uno con l'altro e credendo che l'altro lato sia pericoloso.

Per capire se questo muro si sta alzando, i ricercatori hanno bisogno di un modo per misurare esattamente quanto l'opinione di una persona sia "a sinistra" o "a destra". Ma ecco la parte complicata: internet non è più una singola piazza. È frammentata in diversi quartieri, o piattaforme. Alcune sono grandi città consolidate come X (precedentemente Twitter), mentre altre sono città più nuove e piccole come Bluesky o Truth Social, costruite specificamente per persone che sentono che le grandi città non le ascoltano.

Il problema è che il "linguaggio" di questi quartieri è diverso. Una battuta in una città potrebbe essere un insulto serio in un'altra. Un hashtag che significa "sostengo questo" in un posto potrebbe significare qualcosa di totalmente diverso in un altro. Per molto tempo, gli scienziati hanno potuto misurare le opinioni solo all'interno di una singola città. Se avessero provato a confrontare la "sinistraggine" di Bluesky con la "destraggine" di Truth Social, i risultati sarebbero stati come confrontare mele con arance perché i righelli di misura erano diversi. Questo articolo pone una grande domanda: possiamo costruire un righello unico e universale che funzioni in ogni quartiere, indipendentemente da quanto siano diversi?

Il Righello Universale per le Opinioni Online

In questo studio, Mia Ameen e Christopher G. Healey della North Carolina State University hanno deciso di costruire quel righello universale. Volevano vedere se potevano misurare il pregiudizio politico nei post dei social media usando solo le parole scritte dalle persone, senza bisogno di sapere chi fossero i loro amici o quali hashtag specifici avessero usato. Il loro obiettivo era creare un metodo che potesse viaggare attraverso diverse piattaforme e dare un punteggio equo a ogni post.

Per farlo, hanno trattato ogni post dei social media come un foglio di carta in una gigantesca biblioteca. Per prima cosa, hanno usato un cervello informatico super intelligente (un codificatore di frasi basato su transformer) per leggere il testo e trasformarlo in un "impronta digitale" matematica. Questa impronta cattura il significato delle parole, non solo la loro ortografia. Successivamente, hanno raggruppato queste impronte in cluster, come si farebbe per catalogare i libri per genere.

Ecco la parte geniale: per capire quale cluster fosse "a sinistra" e quale "a destra", non hanno chiesto agli utenti. Invece, hanno esaminato i link alle notizie all'interno dei post. Hanno utilizzato uno strumento preesistente chiamato AllSides, che valuta le testate giornalistiche su una scala che va da "estrema sinistra" a "estrema destra". Se un cluster di post collegava principalmente notizie di orientamento progressista, l'intero gruppo riceveva l'etichetta di sinistra. Se collegavano notizie di orientamento conservatore, ricevevano l'etichetta di destra.

Una volta ottenuti questi gruppi etichettati, hanno tracciato una linea attraverso lo spazio matematico che connette i gruppi "di sinistra" ai gruppi "di destra". Questa linea è diventata il loro asse del partigianismo. Ora, potevano prendere qualsiasi post, anche uno senza link alle notizie, e proiettarlo su questa linea per vedere dove si collocava. Un punteggio sul lato sinistof significava che il post era probabilmente di orientamento progressista; un punteggio a destra significava che il post era di orientamento conservatore.

Hanno testato questo nuovo righello su una vasta collezione di circa 1,3 milioni di post raccolti da Bluesky e Truth Social durante i sei mesi precedenti le elezioni presidenziali statunitensi del 2024 (da maggio a ottobre 2024). Hanno anche testato il righello su un dataset separato proveniente da X (Twitter) per vedere se il righello funzionasse su una piattaforma che non aveva mai visto prima.

Cosa Hanno Scoperto

I risultati sono stati promettenti. Il righello ha funzionato sorprendentemente bene. Quando hanno controllato i post che contenevano effettivamente link alle notizie, i punteggi assegnati dal righello corrispondevano alle valutazioni reali di quelle testate giornalistiche. Per i post di Bluesky e Truth Social, l'accordo era forte (una correlazione di 0,365). Ancora più impressionante, quando hanno applicato il rigolo ai post di X (Twitter) — una piattaforma completamente diversa su cui non era stato addestrato — i punteggi puntavano comunque nella direzione corretta (una correlazione di 0,193). Ciò suggerisce che il righello non sta solo memorizzando lo "stile" di una specifica app, ma sta effettivamente misurando il sentimento politico sottostante.

Lo studio ha anche rivelato alcune dinamiche affascinanti che un semplice controllo dell'identità della piattaforma avrebbe mancato. Ad esempio, su Bluesky (una piattaforma generalmente nota per gli utenti di orientamento progressista), i post che menzionavano il Presidente Biden iniziarono con punteggi di sinistra. Tuttavia, man mano che l'estate del 2024 procedeva, quei punteggi si sono spostati verso il centro e sono diventati persino leggermente di destra nel settembre dello stesso anno, subito dopo che Biden si è ritirato dalla corsa. Ciò ha dimostato che i sentimenti degli utenti verso Biden stavano cambiando, non solo l'atmosfera generale della piattaforma. Allo stesso modo, i post su Kamala Harris su Bluesky sono diventati sempre più progressisti a partire da luglio, raggiungendo il picco intorno al primo dibattito presidenziale.

Dall'altro lato, lo studio ha esaminato il linguaggio utilizzato dai gruppi più estremi. Ha scoperto che i post più fortemente progressisti spesso nominavano politici specifici (come Biden, Harris e Trump). Al contrario, i post più fortemente conservatori tendevano a usare parole legate al dovere civico e alla moralità, come "persone", "Dio", "paese", "America" e "bisogno".

Perché È Importante

Gli autori suggeriscono che questo metodo rappresenti un grande passo avanti perché permette agli scienziati di confrontare gli umori politici attraverso diversi mondi digitali. Prima di allora, era difficile sapere se un cambiamento di opinione su Truth Social fosse reale o solo un cambiamento nel funzionamento della piattaforma. Ora, possono vedere che il "muro" tra i gruppi è reale e si sposta in risposta a eventi effettivi, come il ritiro di un candidato dalla corsa.

Tuttavia, gli autori avvertono con cautela che questo righello ha dei limiti. È stato costruito specificamente per il sistema bipartitico statunitense utilizzando le valutazioni delle notizie americane, quindi potrebbe non funzionare in paesi con molti partiti politici. Inoltre, si basa sul fatto che le persone condividano link alle notizie; se una piattaforma è piena di persone che non condividono mai link, il righello non può calibrarsi. Ma per le piattaforme in cui funziona, offre un nuovo modo per osservare la temperatura politica di internet senza perdersi nel rumore di diverse app.

Sintesi Tecnica: Quantificare il Partisanismo Politico per Analisi Cross-Platform

Problema

La ricerca sulla polarizzazione politica nei social media è ostacolata dall'incapacità di misurare il partisanismo in modo affidabile e che sia generalizzabile tra diverse piattaforme. Le metodologie esistenti sono tipicamente adattate alle proprietà specifiche della piattaforma, come le affondità strutturali (ad esempio, il sistema dei subreddit di Reddit, i grafi di retweet di Twitter) o le convenzioni linguistiche (ad esempio, hashtag specifici o slang). Poiché l'ecosistema dei social media si frammenta e le piattaforme "alt-tech" (ad esempio, Truth Social, Bluesky) emergono accanto a quelle mainstream, questi approcci specifici per piattaforma non riescono a fornire metriche comparabili. Questa limitazione impedisce un'analisi cross-platform rigorosa di polarizzazione, camere d'eco e radicalizzazione, particolarmente quando si confrontano ambienti ideologicamente asimmetrici.

Metodologia

Gli autori propongono una metodologia basata sul testo e portabile tra le piattaforme per misurare il partisanismo politico, che si basa esclusivamente sul testo dei post e su valutazioni esterne del bias mediatico, evitando il ricorso a grafi di follower, strutture comunitarie o convenzioni specifiche della piattaforma. La pipeline consiste in quattro fasi:

Raccolta dei Dati e Pre-elaborazione:
- Corpus: Circa 1,3 milioni di post raccolti da Bluesky e Truth Social tra il 1° maggio e il 31 ottobre 2024 (i sei mesi precedenti l'elezione presidenziale statunitense del 2024).
- Pulizia: I post sono stati de-duplicati (rimuovendo contenuti quasi identici), filtrati per testi sostanzivi (minimo tre token dopo la rimozione di URL/hashtag) e privati di HTML/emoji.
- Embedding: I post puliti sono stati trasformati in vettori tramite un encoder di frasi basato su transformer (qwen3-embedding:8b), producendo vettori a 128 dimensioni. Questi sono stati normalizzati con L2 e ridotti tramite Analisi delle Componenti Principali (PCA) per mantenere il 95% della varianza.
Clustering Cross-Platform e Etichettatura:
- Clustering: I post di entrambe le piattaforme sono stati raggruppati congiuntamente tramite MiniBatch k-means ( $k=36$ ).
- Etichettatura tramite Segnale Esterno: Gli autori hanno estratto gli URL dai post e li hanno mappati sui domini di notizie. Utilizzando le valutazioni del bias mediatico di AllSides (una scala a 5 punti da -2 [estrema sinistra] a +2 [estrema destra]), hanno aggregato i punteggi di bias dei domini citati all'interno di ogni cluster.
- Stabilizzazione: Per gestire i cluster con poche citazioni, è stata applicata la contrazione di Empirical Bayes, che contrae i punteggi medi di bias grezzi verso una media prior globale. I cluster sono stati etichettati come orientati a sinistra ( $\le -0,5$ ), orientati a destra ( $\ge 0,5$ ), neutrali o senza segnale.
Costruzione della Dimensione Sociale:
- Selezione delle Coppie di Semi (Seed Pair Selection): Gli autori hanno selezionato algoritmicamente quattro coppie di cluster opposti (sinistra vs destra) basandosi sull'alta similarità del coseno tra i loro centroidi, assicurando che le coppie differissero principalmente lungo la dimensione partigiana piuttosto che per argomento di contenuto.
- Definizione dell'Asse: Un asse del partisanismo ( $\mathbf{d}$ ) è stato definito come la differenza media dei vettori dei centroidi normalizzati L2 di queste coppie di semi opposte: $\mathbf{d} = \frac{1}{n} \sum (\hat{\mathbf{r}}_i - \hat{\mathbf{l}}_i)$ .
- Scoring: I singoli post sono stati valutati proiettando i loro embedding su questo asse. I punteggi sono stati standardizzati in z-score, dove i valori positivi indicano un allineamento verso destra e i valori negativi un allineamento verso sinistra.
Validazione:
- In-Distribution: Testato su post tenuti fuori dal dataset (held-out) di Bluesky e Truth Social che citavano fonti di notizie ma non facevano parte dei cluster di semi.
- Out-of-Distribution: Testato su un corpus indipendente di post di X (Twitter) dello stesso periodo elettorale, che non è mai stato utilizzato per costruire l'asse.
- Analisi di Sensibilità: Confrontato le prestazioni delle coppie di semi selezionate rispetto a tutte le 630 possibili combinazioni di cluster per garantire che il segnale non fosse un artefatto di una selezione arbitraria.

Risultati Chiave

Correlazione Cross-Platform: L'asse del partisanismo costruito ha mostrato una correlazione positiva significativa con i punteggi di bias di AllSides delle fonti di notizie citate in entrambi i set di valutazione:
- Bluesky/Truth Social (In-Distribution): $r = 0,365$ ( $p < 0,001$ ).
- X (Out-of-Distribution): $r = 0,193$ ( $p < 0,001$ ).
- La persistenza di una correlazione positiva su X, una piattaforma non vista durante la costruzione dell'asse, dimostra che il metodo cattura un segnale partigiano generale piuttosto che un rumore specifico della piattaforma.
Analisi di Sensibilità: L'asse derivato dalle coppie di semi selezionate dagli autori ha superato tutte le altre possibili combinazioni di cluster. Si è collocato nel 100° percentile per le prestazioni in-distribution e nel 9 $tesimo$ percentile per le prestazioni out-of-distribution (X), confermando la robustezza della procedura di selezione dei semi.
Tendenze Partigiane Dinamiche: Il metodo ha recuperato con successo le dinamiche interne alla piattaforma che l'identità della piattaforma da sola non poteva spiegare:
- Su Bluesky (tipicamente orientato a sinistra), i post che menzionavano Biden si sono spostati da neutrali/sinistra a distintamente destra (critici) in seguito al suo ritiro di luglio, mentre i post che menzionavano Kamala Harris sono diventati sempre più orientati a sinistra, raggiungendo il picco intorno al primo dibattito presidenziale.
- Su Truth Social, i menzioni di Biden e Harris sono aumentate verso destra in luglio, riflettendo la reazione repubblicana alla transizione del candidato.
Asimmetria Linguistica: L'analisi qualitativa ha rivelato che i post fortemente orientati a sinistra facevano riferimento a candidati specifici (Biden, Harris, Trump), mentre i post fortemente orientati a destra erano dominati da un vocabolario civico e morale (es. "persone", "dio", "paese", "america").

Contributi Chiave

Un Metodo di Misurazione Portabile: Una metrica del partisanismo basata sul testo, informata da valutazioni esterne del bias mediatico, validata per produrre punteggi comparabili tra tre diverse piattaforme (Blueskuy, Truth Social e X).
Primo Confronto Cross-Platform: La prima analisi comparativa del discorso politico su Bluesky e Truth Social durante l'elezione presidenziale statunitense del 2024, affrontando una lacuna nella letteratura riguardante le piattaforme "alt-tech".
Evidenza Empirica di Sentiment Dinamico: Dimostrazione che l'approccio cattura le dinamiche di sentiment variabili (ad esempio, l'erosione del supporto per Biden su Bluesky) piuttosto che recuperare semplicemente identità statiche delle piattaforme.

Significato e Rivendicazioni

Il documento afferma che il suo contributo principale è un framework metodologico che consente un confronto rigoroso tra le piattaforme sulla natura del partisanismo politico. Ancorando la misurazione a valutazioni di bias esterne e coerenti (AllSides) e facendo affidamento esclusivamente sugli embedding testuali, il metodo supera i limiti di generalizzabilità del lavoro precedente.

Gli autori sostengono che questo approccio permette ai ricercatori di:

Indagare come diverse piattaforme rispondano agli stessi eventi politici.
Monitorare come l'attenzione partigiana cambi nel tempo all'interno e tra le piattaforme.
Analizzare come lo stesso contenuto venga interpretato su piattaforme ideologicamente opposte.

Il documento conclude che, sebbene il metodo sia attualmente centrato sugli Stati Uniti (a causa del ricorso alle valutazioni AllSides) e sensibile alle scelte di clustering, fornisce uno strumento fondamentale per studiare le dinamiche temporali della polarizzazione, il flusso di informazioni cross-platform e la radicalizzazione motivata dalla piattaforma in un ecosistema di social media frammentato.