The Enemy from Within: A Study of Political Delegitimization Discourse in Israeli Political Speech

Technische Samenvatting: De Vijand van Binnenuit: Een Studie naar Politieke Delegitimatie-discours in Israëlische Politieke Redevoeringen

Probleemdefinitie
Het artikel adresseert de lacune in de computationele sociale wetenschap betreffende de systematische detectie van Politiek Delegitimatie-discours (PDD). Hoewel bestaande Natural Language Processing (NLP)-taken succesvol oppervlakkige normschendingen zoals onbeschaafdheid, haatzaaiende taal en toxiciteit identificeren, slagen ze er niet in de specifieke symbolische functie van PDD te vatten: de strategische ontkenning van de normatieve geldigheid en het recht op opname van een politieke entiteit. In tegenstelling tot algemene vijandigheid of beleidskritiek, opereert PDD door tegenstanders te framen als "vijanden van binnenuit", bedreigingen voor de staat, of illegitieme actoren, vaak via subtiele retorieke strategieën (framing, implicatie) die niet per se oppervlakkige beschaafdheidsnormen schenden. Vorig onderzoek naar dit fenomeen was beperkt tot kleinschalige, handmatige codering, en miste de schaalbaarheid die vereist is voor longitudinale en cross-platform analyses.

Methodologie
De auteurs stellen een uitgebreid raamwerk voor dat data-curatie, annotatie en een tweestaps computationele pijplijn omvat.

1. Datasetconstructie:

   • Een nieuw Hebreeuws corpus van 10.410 zinnen werd samengesteld uit drie bronnen: Knesset-parlementaire redevoeringen (1993–2023), officiële Facebook-posts (2018–2021) en toonaangevende nieuwsmedia (2018–2021).
   • Annotatieschema: Een tweestaps menselijk annotatieproces werd toegepast.
     • Fase 1: Binaire classificatie (Waar/Onwaar) voor de aanwezigheid van PDD. Een zin is positief als deze een politieke actor/groep/instituut target met een vijandige karakterisering gebaseerd op symbolische delegitimatie (bijvoorbeeld het ontkennen van participatierechten, vergelijken met gestigmatiseerde buiten groepen) in plaats van beleidskritiek.
     • Fase 2: Voor PDD-positieve gevallen werden aanvullende attributen geannoteerd: Intensiteit (schaal 0–2), Onbeschaafdheid (spoten/vloeken), Buitengroep-framing, Gemeen Welzijn-bedreiging, Doeltype (Persoon, Groep, Instituut) en Doelspanningen.
   • Betrouwbaarheid: Inter-coder betrouwbaarheid toonde een Cohen's Kappa van 0,82.

2. Computationele Pijplijn:
   De auteurs toetsten een tweestaps classificatiepijplijn met behulp van encoder-modellen van de staat van de kunst en decoder Large Language Models (LLM's).

   • Fase 1 (Binaire Detectie): Modellen werden getraind om de aanwezigheid van PDD te detecteren. Geteste modellen omvatten meertalige encoders (mBERT, AlephBERT, HeRO, DictaBERT) en decoder LLM's (Gemma 2, Qwen3, DictaLM 2.0).
   • Fase 2 (Karakterisering): Voor zinnen die als PDD werden geïdentificeerd, voorspelden modellen intensiteit, retorieke attributen en doeltypen. Decoders werden fijn afgestemd om gestructureerde JSON-representaties uit te voeren, terwijl encoders multi-task verliesfuncties gebruikten. Ook werd een span-classificator getraind om doelvermeldingen te identificeren.
   • Trainingsstrategie: Encoders werden getraind met verschillende verliesfuncties (standaard, klassengewichten, focal loss) en leersnelheden. Decoders werden fijn afgestemd met QLoRA.

Belangrijkste Resultaten

• Modelprestaties:
  • Binaire Detectie: De DictaLM 2.0-decoder behaalde de beste prestaties met een F1-score van 0,74, en presteerde beter dan de beste encoder (DictaBERT-base, F1 0,71).
  • Karakterisering: DictaLM 2.0 behaalde een macro-F1 van 0,67 voor het classificeren van delegitimatiekenmerken en een F1 van 0,67 voor de identificatie van doelspanningen.
• Longitudinale Trends (Vraagstelling 1): Analyse van 30 jaar parlementaire data onthult een opvallende stijging in PDD. De prevalentie steeg van een gemiddelde van 6,6% (1992–2019) naar 9,8% (2019–2023), met een scherpe piek beginnend in 2020.
• Platformverschillen (Vraagstelling 2): Hoewel de algehele prevalentie vergelijkbaar was tussen Facebook (7,33%) en de Knesset (7,05%), vertoonde Facebook-discours hogere intensiteit (1,23 versus 1,00), hogere rates van onbeschaafdheid, buitengroep-framing en gemeen welzijn-bedreigingen.
• Demografische Patronen:
  • Geslacht (Vraagstelling 3): Mannelijke politici vertoonden significant hogere gemiddelde PDD-niveaus (gemiddelde 0,066) in vergelijking met vrouwelijke politici (gemiddelde 0,055).
  • Ideologie (Vraagstelling 4): Op de lange termijn vertoonden rechtse politici de hoogste PDD-niveaus. Echter, in de periode 2018–2021 toonden linkse actoren hogere PDD-scores op beide platformen. Rechtse delegitimatie richtte zich uniek vaker op collectieve groepen (bijvoorbeeld "Het Links", "Meretz") dan andere blokken.
• Contextuele Variatie (Vraagstelling 5): Het gebruik van PDD piekt tijdens verkiezingscampagnes en daalt aanzienlijk tijdens coalitiebouwperiodes. Oppositie-actoren gebruiken consequent meer PDD dan coalitieleden.

Betekenis en Bijdragen
Het artikel claimt drie primaire bijdragen aan het vakgebied:

1. Theoretische Operationalisering: Het definieert PDD als een distincte analytische categorie, gescheiden van onbeschaafdheid of haatzaaiende taal, met focus op de symbolische ontkenning van politieke legitimiteit in plaats van slechts de manier van spreken.
2. Ressourcenschepping: Het levert het eerste grote, handmatig geannoteerde Hebreeuwse corpus specifiek voor PDD, wat longitudinale en cross-platform analyse van democratisch discours mogelijk maakt.
3. Methodologische Pijplijn: Het demonstreert de haalbaarheid van een tweestaps geautomatiseerde pijplijn voor het detecteren en karakteriseren van subtiele vormen van schadelijk politiek discours die bestaande toxiciteits- of standpuntdetectiemodellen vaak over het hoofd zien.

De auteurs concluderen dat hun raamwerk een nieuwe computationele lens biedt voor het bestuderen van democratische erosie en affectieve polarisatie op schaal, en dat het politieke theorie verbindt met NLP om te volgen hoe elite-discours evolueert als reactie op politieke gebeurtenissen en institutionele contexten. Zij wijzen op beperkingen met betrekking tot de generaliseerbaarheid van bevindingen naar andere taalkundige contexten en de afhankelijkheid van zin-niveau annotatie, wat bredere discours-niveau strategieën kan missen.