Event Detection in Social Networks Using Polarization Dynamics

Sintesi Tecnica: Rilevamento di Eventi nelle Reti Sociali tramite la Dinamica della Polarizzazione

Definizione del Problema
I social network fungono da spazi critici per la deliberazione pubblica, in particolare durante momenti politicamente sensibili in cui le interazioni tra gli utenti possono rivelare tensioni sociali. Mentre i metodi esistenti di rilevamento degli eventi nei social media si basano principalmente su picchi quantitativi nel volume dei post o in cambiamenti della polarità del sentiment, questi approoli possono trascurare eventi caratterizzati da un profondo disaccordo o da una frammentazione strutturale che non generano necessariamente alti volumi di traffico o picchi emotivi estremi. Questo articolo affronta la sfida di rilevare eventi pubblici significativi sfruttando la dinamica della polarizzazione come segnale complementare, ponendo specificamente la domanda: Come può essere costruito un modello per il rilevamento di eventi basato su una metrica di polarizzazione applicata ai dati dei social media?

Metodologia
Lo studio impiega un approccio statistico retrospettivo utilizzando i dati di X (precedentemente Twitter) riguardanti il dibattito pubblico sulla riforma delle pensioni colombiana del 2024 (giugno–luglio 2024). La metodologia segue una pipeline strutturata:

1. Raccolta e Pre-elaborazione dei Dati: Un dataset di 9.997 tweet è stato raccolto tramite l'API di X, filtrato per pertinenza alla riforma delle pensioni e ripulito da duplicati e contenuti non in lingua spagnola. A differenza dei flussi di lavoro tradizionali, è stata evitata una pesante normalizzazione (ad esempio, l'uso del minuscolo, la tokenizzazione) per preservare gli indizi stilistici utili alla stima della posizione (stance estimation).
2. Classificazione della Posizione (Stance): Un modello linguistico di grandi dimensioni (GPT-4o) è stato utilizzato per classificare la posizione di ogni post su una scala Likert a cinque punti (Fortemente in Disaccordo da Fortemente d'Accordo). Sono state fornite informazioni contestuali, inclusi i tweet originali per le risposte, per garantire un'inferenza coerente.
3. Derivazione del Segnale: Dalle classificazioni della posizione sono state costruite tre serie temporali giornaliere:
   • Volume dei Tweet: Il conteggio grezzo dei post.
   • Proporzioni del Sentiment: Derivate direttamente dalla polarità della posizione (il disaccordo come negativo, l'accordo come positivo).
   • Polarizzazione: Misurata utilizzando l'indice del Minimo Sforzo per il Consenso (MEC). Questa metrica calcola lo sforzo minimo ponderato richiesto per spostare una distribuzione di opinioni verso un punto di consenso, catturando il costo della frammentazione.
4. Modelli di Rilevamento degli Eventi: Sono stati confrontati tre modelli utilizzando il rilevamento di anomalie sulle variazioni giornaliere:
   • Modello basato sul Volume: Rileva picchi nell'attività di pubblicazione utilizzando una finestra scorrevole e una soglia.
   • Baseline basata sul Sentiment: Rileva cambiamenti bruschi nella proporzione di post positivi/negativi (adattato da [12]).
   • Modello proposto basato sulla Polarizzazione: Identifica variazioni significative nella variazione giornaliera dell'indice MEC. Questo modello applica un criterio dell'Intervallo Interquartile (IQR) ($\Delta_t > Q_3 + \lambda \cdot IQR$ o $\Delta_t < Q_1 - \lambda \cdot IQR$) per rilevare deviazioni anomale senza assumere una stretta normalità.
5. Valutazione: I rilevamenti del modello basato sul sentiment sono serviti come set di riferimento per le etichette degli eventi. Le prestazioni sono state valutate utilizzando Precisione, Recall e F1-score rispetto a questa baseline.

Risultati Chiave
La valutazione comparativa ha prodotto le seguenti metriche di prestazione:

• Modello basato sulla Polarizzazione: Ha raggiunto un F1-score di 0,75 (Precisione: 0,75, Recall: 0,75).
• Modello basato sul Volume dei Tweet: Ha raggiunto un F1-score di 0,53 (Precisione: 0,71, Recall: 0,42).
• Baseline basata sul Sentiment: Ha servito come standard di riferimento (12 eventi rilevati dopo la regolazione dei parametri).

L'analisi qualitativa ha rivelato che il modello di polarizzazione ha identificato con successo eventi che sono sfuggiti ai segnali di volume e sentiment. Ad esempio, il 27 giugno, è stato rilevato un picco di polarizzazione corrispondente a notizie riguardanti i fondi pensione privati che redigevano emendamenti segreti, nonostante non vi fosse un aumento del volume o del sentiment. Al contrario, il 16 luglio (il giorno della firma della riforma), si è verificato un picco di volume senza un corrispondente spostamento della polarizzazione. I risultati indicano che la dinamica della polarizzazione cattura episodi di crescente disaccordo e tensione sociale che non sono necessariamente accompagnati da alti livelli di attività o picchi di sentiment.

Significatività e Rivendicazioni
Il documento sostiene che la dinamica della polarizzazione, operazionalizzata attraverso l'indice MEC, fornisce un segnale prezioso e complementare per monitorare il discorso pubblico controverso. Gli autori sostengono che, mentre i modelli di volume e sentiment catturano efficacemente i picchi di attenzione ed emotivi, essi possono mancare eventi in cui la firma primaria è una riconfigurazione dell'accordo e del disaccordo. Unendo il rilevamento degli eventi e l'analisi della polarizzazione, questo approccio offre un quadro unificato per identificare eventi socialmente significativi guidati dalla divergenza strutturale piuttosto che solo dai livelli di attività. Lo studio conclude che affidarsi a un singolo segnale (volume o sentiment) può fornire una visione incompleta delle dinamiche sociali e che l'integrazione di metriche di polarizzazione può offrire indicazioni precoci di tensioni emergenti o di cambiamenti nel posizionamento collettivo negli ambienti digitali.