Discovering Conceptual Metaphors Across Topics and Media Types

Menselijk denken steunt vaak op een verborgen stellingkast van vergelijkingen. We begrijpen complexe, abstracte ideeën door ze te mappen op simpelere, fysieke ervaringen die we goed kennen. Dit is de kern van de Conceptuele Metafoortheorie, een raamwerk dat suggereert dat wanneer we spreken over zaken als "belasting betalen" of "politieke campagnes", we niet alleen bloemrijk taalgebruik gebruiken; we lenen onbewust de logica van fysieke objecten, reizen of gevechten om de wereld te begrijpen. Als een spreker belastingen beschrijft als een zware last die men moet dragen, frameert hij het probleem als een fysiek gewicht, wat van nature leidt tot een verlangen om het neer te leggen. Als diezelfde spreker dezelfde belastingen beschrijft als een investering in een gemeenschap, verschuift de logica volledig naar een van groei en toekomstig rendement. Deze onderliggende mentale kaarten vormen hoe mensen redeneren, argumenteren en de werkelijkheid waarnemen, maar ze zijn moeilijk direct te zien omdat ze begraven liggen onder de oppervlakte van het alledaagse taalgebruik.

Onderzoekers aan de University of Colorado Boulder hebben een nieuwe manier ontwikkeld om deze onzichtbare kaarten te onthullen door duizenden gesproken en geschreven woorden te analyseren zonder menselijke tussenkomst. In plaats van mensen te vragen wat ze bedoelen, bouwde het team een computersysteem dat enorme collecties tekst leest, identificeert welke specifieke woorden metaforisch worden gebruikt, en ze vervolgens groepeert op basis van de diepere logica die ze delen. Het systeem vindt eerst paren woorden waarbij een werkwoord op een niet-letterlijke manier wordt gebruikt, zoals een politicus die macht "zwaait" of een economie die "instort". Vervolgens vraagt het een groot taalmodel om uit te leggen wat deze zinsneden implicaties hebben voor het probleem, de oorzaak en de oplossing, waardoor de metafoor effectief wordt vertaald naar een heldere verklaring van het standpunt van de spreker. Ten slotte sorteert het systeem deze interpretaties in clusters, maar met een strikte regel: het weigert metaforen bij elkaar te groeperen als ze fundamenteel verschillende fysieke handelingen beschrijven, zelfs als ze over hetzelfde onderwerp gaan. Dit zorgt ervoor dat de resulterende groepen echte gelijkenissen weerspiegelen in hoe mensen denken, in plaats van louter oppervlakkige gelijkenissen in de woorden die ze kozen.

Toen de onderzoekers deze methode toepasten op een enorme dataset van transcripten van politieke podcasts, vonden ze duidelijke patronen in hoe links georiënteerde en rechts georiënteerde sprekers de wereld framen. De analyse onthulde dat links georiënteerde hosts informatie, mediaberichten en politieke macht vaak conceptualiseren als wapens. Ze gebruiken vaak werkwoorden als "verpletteren", "zwaaien" en "toeëigenen" om te beschrijven hoe deze krachten tegen elkaar worden gebruikt. In contrast hiermee waren rechts georiënteerde bronnen veel eerder geneigd economische kwesties te bespreken als systemen die onderhevig zijn aan verticale veranderingen, waarbij taal wordt gebruikt die suggereert dat dingen stijgen of dalen, of dat de economie een structuur is die kan worden opgebouwd of afgebroken. De studie toonde ook aan dat links georiënteerde sprekers meer geneigd waren om politiek geweld via metaforisch taalgebruik te bespreken, terwijl rechts georiënteerde sprekers zich zwaarder concentreerden op economische thema's.

Het team testte hun methode op andere onderwerpen, waaronder immigratie, wapenbeheersing en abortus, om te zien of het bekende patronen van denken kon herstellen. In de immigratiedata identificeerde het systeem succesvol de lang gedocumenteerde metafoor van immigranten als parasieten of natuurrampen, waarbij zinsneden over het "overstromen" van grenzen of het "leegzuigen" van middelen werden gegroepeerd. Het vond ook dat rechts georiënteerde bronnen immigratie vaak frameerden als een actieve invasie of een crisis die werd gevochten, terwijl links georiënteerde bronnen andere metaforen gebruikten om dezelfde gebeurtenissen te beschrijven. De onderzoekers bevestigden dat deze groeperingen niet willekeurig waren; wanneer ze de frequentie van deze metafoorclusters gebruikten om de politieke bias van een podcastaflevering te voorspellen, kon het systeem accuraat onderscheid maken tussen links en rechts georiënteerde bronnen. Dit suggereert dat de manier waarop mensen hun metaforen kiezen een betrouwbaar signaal is van hun onderliggende ideologische kader.

De studie beweert niet het probleem van mediabias te hebben opgelost of elke bestaande metafoor te hebben gevonden. De onderzoekers erkennen dat hun methode vertrouwt op geautomatiseerde hulpmiddelen die fouten kunnen maken, zoals het onjuist identificeren van een letterlijk woord als een metafoor of het toewijzen van een zinsnede aan de verkeerde categorie. Ze merken ook op dat hun analyse van podcasts een specifieke set kanalen en een beperkte periode beslaat, waardoor de bevindingen mogelijk niet van toepassing zijn op alle mediaformaten of alle sprekers. De resultaten demonstreren echter dat het mogelijk is om ongecontroleerd machine learning te gebruiken om de conceptuele structuren in kaart te brengen die het publieke debat sturen. Door te onthullen hoe verschillende groepen de logica van fysieke objecten, krachten en reizen gebruiken om abstracte kwesties te framen, biedt deze benadering een nieuwe manier om de subtiele, vaak onbewuste manieren te begrijpen waarop taal onze politieke realiteit vormgeeft.