Discovering Conceptual Metaphors Across Topics and Media Types

Il pensiero umano spesso si basa su un'impalcatura nascosta di confronti. Comprendiamo idee complesse e astratte mappandole su esperienze fisiche più semplici che conosciamo bene. Questo è il nucleo della Teoria della Metafora Concettuale, un quadro che suggerisce che quando parliamo di cose come "pagare le tasse" o "campagne politiche", non stiamo solo usando un linguaggio ricercato; stiamo inconsciamente prendendo in prestito la logica di oggetti fisici, viaggi o battaglie per dare senso al mondo. Se un parlante descrive le tasse come un peso pesante che deve trasportare, sta inquadrando la questione come un peso fisico, il che porta naturalmente al desiderio di posarlo. Se descrive le stesse tasse come un investimento in una comunità, la logica cambia interamente verso quella della crescita e del rendimento futuro. Queste mappe mentali sottostanti modellano il modo in cui le persone ragionano, argomentano e percepiscono la realtà, eppure sono difficili da vedere direttamente perché sono sepolte sotto la superficie del linguaggio quotidiano.

I ricercatori dell'Università del Colorado Boulder hanno sviluppato un nuovo modo per scoprire queste mappe invisibili analizzando migliaia di parole parlate e scritte senza l'intervento umano. Invece di chiedere alle persone cosa intendano, il team ha costruito un sistema informatico che legge vaste collezioni di testi, identifica le parole specifiche usate metaforicamente e poi le raggruppa in base alla logica profonda che condividono. Il sistema trova prima coppie di parole in cui un verbo è usato in modo non letterale, come un politico che "brandisce" il potere o un'economia che "crolla". Poi chiede a un modello linguistico di grandi dimensioni di spiegare cosa implicano queste frasi riguardo al problema, alla causa e alla soluzione, traducendo efficacementamente la metafora in una chiara dichiarazione del punto di vista del parlante. Infine, il sistema smista queste interpretazioni in cluster, ma con una regola rigorosa: rifiuta di raggruppare insieme le metafore se descrivono azioni fisiche fondamentalmente diverse, anche se parlano dello stesso argomento. Ciò assicura che i gruppi risultanti riflettano reali somiglianze nel modo in cui le persone pensano, piuttosto che semplici somiglianze superficiali nelle parole che hanno scelto.

Quando i ricercatori hanno applicato questo metodo a un enorme dataset di trascrizioni di podcast politici, hanno trovato modelli distinti nel modo in cui gli interlocutori di orientamento progressista e conservatore inquadrano il mondo. L'analisi ha rivelato che gli host progressisti concettualizzano frequentemente l'informazione, le storie mediatiche e il potere politico come armi. Usano spesso verbi come "schiacciare", "brandire" e "conquistare" per descrivere come queste forze vengano usate l'una contro l'altra. Al contrario, le fonti conservatrici erano molto più propense a discutere di questioni economiche come sistemi soggetti a cambiamenti verticali, usando un linguaggio che suggerisce che le cose stiano salendo o scendendo, o che l'economia sia una struttura che può essere costruita o demolita. Lo studio ha anche mostrato che i parlanti progressisti erano più inclini a discutere la violenza politica attraverso il linguaggio metaforico, mentre i parlatori conservatori si concentravano maggiormente sui temi economici.

Il team ha testato il proprio metodo su altri argomenti, tra cui l'immigrazione, il controllo delle armi e l'aborto, per vedere se fosse in grado di recuperare modelli di pensiero ben noti. Nei dati sull'immigrazione, il sistema ha identificato con successo la metafora ampiamente documentata degli immigrati come parassiti o disastri naturali, raggruppando espressioni riguardanti l' "inondazione" dei confini o lo "svuotamento" delle risorse. Ha anche scoperto che le fonti conservatrici spesso inquadravano l'immigrazione come un'invasione attiva o una crisi in corso, mentre le fonti progressiste utilizzavano metafore diverse per descrivere gli stessi eventi. I ricercatori hanno confermato che questi raggruppamenti non erano casuali; quando hanno utilizzato la frequenza di questi cluster metaforici per prevedere il bias politico di un episodio di un podcast, il sistema riusciva a distinguere accuratamente tra fonti progressiste e conservatrici. Ciò suggerisce che il modo in cui le persone scelgono le loro metafore è un segnale affidabile del loro sottostante quadro ideologico.

Lo studio non pretende di aver risolto il problema del bias mediatico o di aver trovato ogni metafora esistente. I ricercatori riconoscono che il loro metodo si affida ad strumenti automatizzati che possono commettere errori, come identificare erroneamente una parola letterale come metafora o assegnare una frase alla categoria sbagliata. Notano anche che la loro analisi dei podcast copre un set specifico di canali e un periodo di tempo limitato, quindi i risultati potrebbero non applicarsi a tutti i formati mediatici o a tutti i parlanti. Tuttavia, i risultati dimostrano che è possibile utilizzare l'apprendimento automatico non supervisionato per mappare le strutture concettuali che guidano il discorso pubblico. Rivelando come diversi gruppi utilizzino la logica di oggetti fisici, forze e percorsi per inquadrare questioni astratte, questo approccio offre un nuovo modo per comprendere i modi sottili, spesso inconsci, in cui il linguaggio modella la nostra realtà politica.