Quantifying Political Partisanship for Cross-Platform Analyses
Dit artikel introduceert een platformonafhankelijke, tekstgebaseerde methodologie die gebruikmaakt van transformer-embeddings en externe signalen over de geloofwaardigheid van nieuws om politieke partijdigheid betrouwbaar te meten en te vergelijken over diverse sociale mediaplatforms, waarbij de effectiviteit ervan wordt aangetoond door middel van een cross-platform analyse van Bluesky en Truth Social.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De Grote Digitale Echoput
Stel je het internet voor als een enorm, chaotisch dorpsplein waar miljarden mensen hun meningen naar buiten schreeuwen. In de afgelopen jaren hebben wetenschappers iets vreemds opgemerkt: mensen in dit plein lijken steeds harder te schreeuwen, maar alleen naar mensen die het met hen eens zijn. Dit fenomeen wordt politieke polarisatie genoemd. Het is alsof twee groepen buren een muur tussen hun huizen bouwen, weigeren met elkaar te praten en geloven dat de andere kant gevaarlijk is.
Om te begrijpen of deze muur hoger wordt, hebben onderzoekers een manier nodig om precies te meten hoe "links" of "rechts" de mening van een persoon is. Maar hier komt het lastige deel: het internet is niet langer één enkel plein. Het is versnipperd in verschillende wijken, of platforms. Sommige zijn de grote, gevestigde steden zoals X (voorheen Twitter), terwijl andere nieuwere, kleinere stadjes zijn zoals Bluesky of Truth Social, gebouwd voor mensen die het gevoel hebben dat de grote steden niet naar hen luisteren.
Het probleem is dat de "taal" van deze wijken verschillend is. Een grap in de ene stad kan een serieuze belediging zijn in een andere. Een hashtag die in de ene plek betekent "ik steun dit", kan in een andere plek iets totaal anders betekenen. Lange tijd konden wetenschappers meningen alleen binnen één enkele stad meten. Als ze probeerden de "linksheid" van Bluesky te vergelijken met de "rechtsheid" van Truth Social, waren de resultaten alsof men appels met peren vergeleek, omdat de meetlatten verschillend waren. Dit artikel stelt een grote vraag: kunnen we een enkele, universele liniaal bouwen die in elke wijk werkt, ongeacht hoe verschillend ze zijn?
De Universele Liniaal voor Online Meningen
In dit onderzoek besloten Mia Ameen en Christopher G. Healey van de North Carolina State University die universele liniaal te bouwen. Ze wilden zien of ze politieke vooringenomenheid in sociale mediaberichten konden meten door alleen de woorden te gebruiken die mensen schreven, zonder dat ze hoefden te weten wie hun vrienden waren of welke specifieke hashtags ze gebruikten. Hun doel was om een methode te creëren die over verschillende platforms kon reizen en een eerlijke score aan elk bericht kon geven.
Om dit te doen, behandelden ze elk bericht op sociale media als een vel papier in een enorme bibliotheek. Eerst gebruikten ze een superintelligent computerebrein (een transformer-gebaseerde zin-encoder) om de tekst te lezen en deze om te zetten in een wiskundige "vingerafdruk". Deze vingerafdruk legt de betekenis van de woorden vast, niet alleen de spelling. Vervolgens groepeerden ze deze vingerafdrukken in clusters, zoals het sorteren van boeken op genre.
Hier is het slimme gedeelte: om te bepalen welk cluster "links" en welk cluster "rechts" was, vroegen ze niet aan de gebruikers. In plaats daarvan keken ze naar de nieuwslinks in de berichten. Ze gebruikten een bestaand hulpmiddel genaamd AllSides, dat nieuwsbronnen beoordeelt op een schaal van "extreem links" tot "extreem rechts". Als een cluster berichten voornamelijk links georiënteerde nieuwsbronnen linkte, kreeg de hele groep een links georiënteerd label. Als ze rechts georiënteerde nieuwsbronnen linkten, kregen ze een rechts georiënteerd label.
Zodra ze deze gelabelde groepen hadden, trokken ze een lijn door de wiskundige ruimte die de "linker" groepen met de "rechter" groepen verbond. Deze lijn werd hun partijdigheidsas. Nu konden ze elk bericht nemen, zelfs een bericht zonder nieuwslinks, en dit op deze lijn projecteren om te zien waar het landde. Een score aan de linkerkant betekende dat het bericht waarschijnlijk links georiënteerd was; een score aan de rechterkant betekende dat het bericht waarschijnlijk rechts georiënteerd was.
Ze testten deze nieuwe liniaal op een enorme collectie van ongeveer 1,3 miljoen berichten verzameld van Bluesky en Truth Social tijdens de zes maanden voorafgaand aan de Amerikaanse presidentsverkiezingen van 2024 (van mei tot oktober 2024). Ze testten het ook op een aparte dataset van X (Twitter) om te zien of de liniaal werkte op een platform dat hij nog nooit eerder had gezien.
Wat Ze Vonden
De resultaten waren veelbelovend. De liniaal werkte verrassend goed. Wanneer ze de berichten controleerden die wel nieuwslinks bevatten, kwamen de scores die de liniaal gaf overeen met de werkelijke beoordelingen van die nieuwsbronnen. Voor de Bluesky- en Truth Social-berichten was de overeenkomst sterk (een correlatie van 0,365). Nog indrukwekkender was dat toen ze de liniaal toepasten op de X (Twitter)-berichten — een volledig ander platform waarop hij niet op getraind was — de scores nog steeds de juiste richting op wezen (een correlatie van 0,193). Dit suggereert dat de liniaal niet alleen de "stijl" van een specifieke app uit het hoofd leert, maar daadwerkelijk de onderliggende politieke sentiment meet.
De studie onthulde ook enkele fascinerende dynamieken die een simpele controle op "platformidentiteit" gemist zou hebben. Zo begonnen berichten over president Biden op Bluesky (een platform dat over het algemeen bekend staat om zijn links georiënteerde gebruikers) met links georiënteerde scores. Maar naarmate de zomer van 2024 vorderde, driften die scores af naar het midden en werden ze zelfs licht rechts georiënteerd in september, vlak nadat Biden uit de race stapte. Dit liet zien dat de gevoelens van de gebruikers over Biden veranderden, en niet alleen de algemene sfeer van het platform. Op dezelfde manier werden berichten over Kamala Harris op Bluesky vanaf juli steeds meer links georiënteerd, met een piek rond het eerste presidentiële debat.
Aan de andere kant keek de studie naar de taal die door de meest extreme groepen werd gebruikt. Ze ontdekten dat de meest sterk links georiënteerde berichten vaak specifieke politici noemden (zoals Biden, Harris en Trump). In contrast hiermee gebruikten de meest sterk rechts georiënteerde berichten vaak woorden die gerelateerd zijn aan burgerplicht en moraliteit, zoals "mensen", "God", "land", "Amerika" en "nodig hebben".
Waarom Het Belangrijk Is
De auteurs suggereren dat deze methode een grote stap voorwaarts is omdat het wetenschappers in staat stelt om politieke stemmingen te vergelijken tussen verschillende digitale werelden. Voorheen was het moeilijk om te weten of een verschuiving in de mening op Truth Social echt was of gewoon een verandering in hoe het platform werkte. Nu kunnen ze zien dat de "muur" tussen groepen echt is en verschuift als reactie op werkelijke gebeurtenissen, zoals het terugtrekken van een kandidaat uit een race.
De auteurs waarschuwen echter voorzichtig dat deze liniaal beperkingen heeft. Deze is speciferiek gebouwd voor het Amerikaanse tweepartijensysteem met behulp van Amerikaanse nieuwsbeoordelingen, dus het werkt mogelijk niet in landen met veel politieke partijen. Ook is het afhankelijk van het feit dat mensen nieuwslinks delen; als een platform vol zit met mensen die nooit links delen, kan de liniaal zichzelf niet kalibreren. Maar voor de platforms waar het wel werkt, biedt het een nieuwe manier om de politieke temperatuur van het internet te observeren zonder te verdwalen in de ruis van verschillende apps.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.