"F*** You Biden": Cross-Partisan Electoral Toxicity on X
2024 년 미국 선거의 X 데이터를 분석한 본 연구는 공화당 성향 게시물이 본질적으로 더 유해하지만, 민주당 성향 게시물이 공화당 사용자들의 훨씬 더 많은 교차 정당적 참여를 유도하기 때문에 훨씬 더 많은 유해한 답변을 받는다는 사실을 밝혀냈다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
인터넷을 거대하고 혼란스러운 광장으로 상상해 보세요. 그곳에서는 두 개의 라이벌 스포츠 팀인'레드 팀'과'블루 팀'이 2024 년 미국 대선이라는 큰 챔피언십 경기 동안 서로에게 끊임없이 고함을 지르고 있습니다.
이 논문은 고기술 마이크를 들고 등장하여 사람들이 정확히 무엇을 말하고 얼마나 악의적으로 행동하는지 경청하는 심판과 같습니다. 그들이 발견한 바에 대한 간단한 이야기입니다:
큰 놀라움: 누가 더'악의적인'팀인가?
소란을 피우는 팀이 가장 많이 욕을 먹는 팀일 것이라고 예상할 수 있습니다. 하지만 데이터는 기이한 반전을 보여주었습니다:
- 레드 팀 (공화당 성향) 이 싸움을 시작합니다. 그들이 자신의 메시지를 게시할 때, 블루 팀보다 더 많은 모욕과 욕설, 공격적인 언어를 사용합니다. 그들이 먼저 주먹을 휘두르는 쪽입니다.
- 블루 팀 (민주당 성향) 이 가장 강하게 타격을 입습니다. 그들이 말할 때는 더 조용하지만, 그들의 게시물은 분노한 답변들의 거대한 폭풍을 끌어모읍니다. 레드 팀에 대한 답변보다 블루 팀에 대한 답변의 메시지가 훨씬 더 유해합니다.
비유: 레드 팀은 보는 사람마다 물풍선을 던지는 것을 좋아하는 사람들 그룹이라고 상상해 보세요. 그들은 많은 물풍선을 던집니다 (자신의 게시물에서 높은 유해성). 그러나 블루 팀은 가만히 서서 간판을 들고 있는 사람들 그룹과 같습니다. 그들이 아무것도 던지지 않더라도, 레드 팀이 블루 팀에게 너무 많은 물풍선을 던지기 때문에 블루 팀은 흠뻑 젖게 됩니다. 블루 팀이 더 많은 물풍선을 던지는 것이 아니라, 그저 물풍선의 홍수에 맞서고 있는 것입니다.
왜 블루 팀이 흠뻑 젖는 것일까요?
연구자들은 누가 던지는지 더 깊이 살펴보았습니다. 그들은 두 가지 주요 이유를 발견했습니다:
- 팀 간 공격이 더 악의적입니다: 레드 팀의 누군가가 블루 팀 게시물에 답변할 때, 다른 레드 팀 게시물에 답변할 때보다 약간 더 악의적입니다. 블루 팀이 레드 팀에 답변할 때도 마찬가지입니다. 기본적으로'적'과 대화하는 것은 친구와 대화하는 것보다 사람들을 더 화나게 만듭니다.
- 량 차이: 이것이 가장 중요한 부분입니다. 레드 팀은 블루 팀을 공격하는 것이 블루 팀이 레드 팀을 공격하는 것보다 훨씬 더 활발합니다.
- 블루 팀 게시물 하나당 약 3 개의 레드 팀 답변이 있는 반면, 레드 팀 게시물 하나당 1 개의 블루 팀 답변이 있습니다.
- 이는 스타디움 전체를 가득 채운 레드 팀 팬들에게 소수의 블루 팀 팬들이 소리쳐 대항하려는 것과 같습니다. 블루 팀을 향해 고함치는 레드 팀 팬들의 sheer 수가 블루 팀의 경험을 그렇게 유해하게 만드는 것입니다.
"F*** You Biden"요인
이 논문의 제목은 가장 유해한 답변에서 발견된 가장 흔한 구절에서 유래했습니다. 이는 적대감이 종종 특정 지도자들을 향해 향하지만, 그 패턴은 전체 그룹에 대해 유효함을 보여줍니다. 이 논문은 유해성이 사람들이 무엇을 말하는지에 관한 것뿐만 아니라, 누가 그것을 말하고 얼마나 많은 사람들이 그것을 말하는지에 관한 것임을 보여줍니다.
그들은 어떻게 이를 알아냈을까요?
연구자들은 수백만 개의 트윗을 손으로 읽지 않았습니다 (그것은 영원히 걸릴 테니까요!). 대신 그들은 다음을 사용했습니다:
- AI 분류기: 게시물을 읽고"이 사람은 레드 팀 팬처럼 들린다"또는"이것은 블루 팀 팬처럼 들린다"고 결정하는 똑똑한 컴퓨터 프로그램 (초고속 사서와 같은) 입니다. 그들은 로봇이 정확한지 확인하기 위해 인간 판사들과 대조했습니다.
- 유해성 점수화: 모든 게시물에 0 에서 1 까지의'악의 점수'를 부여하는 또 다른 도구입니다.
- 수학: 그들은 이러한 차이가 단순히 무작위 운이 아니라 실제 패턴임을 증명하기 위해 통계를 사용했습니다.
결론
이 논문은 온라인 정치 분노가 일방적인 길거리 폭력과 비슷하다고 결론 내립니다. 한쪽 (레드) 은 일반적으로 말하는 방식에서 더 공격적이지만, 다른 한쪽 (블루) 은 그 공격의 주요 표적이 되기 때문에 더 큰 피해를 입습니다. 블루 팀의 게시물에서 사람들이 보는'유해성'은 블루 팀이 더 악의적이기 때문이 아니라, 레드 팀이 그들을 공격하기 위해 엄청난 수로 나타나기 때문입니다.
이 논문이 말하지 않는 것:
- 페이스북이나 틱톡과 같은 다른 소셜 미디어 앱에서 이것이 일어난다고 말하지 않습니다.
- 다음 선거나 다른 국가에서 이것이 일어날 것이라고 말하지 않습니다.
- 사용자 금지와 같은 문제를 해결하는 구체적인 방법을 제안하지 않으며, 유해성을 이해하기 위해서는 공격의'량'을 이해해야 함을 시사할 뿐입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.