Comment-level Topic Drift Analysis in the Reddit Corpus
Dit artikel introduceert een nieuwe op embeddings gebaseerde methodologie voor dynamische onderwerpsmodellering, toegepast op 12,7 miljard Reddit-reacties om semantische onderwerpsdrift te kwantificeren, waarbij wordt onthuld dat politiek en sociaal controversiële onderwerpen een significante directionele evolutie vertonen over de tijd, terwijl domeinen zoals muziek en sport stabiel blijven.
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
Taal is geen statisch monument; het is een levende stroom, die voortdurend verschuift terwijl mensen spreken, discussiëren en hun levens delen. Decennialang hebben wetenschappers geprobeerd deze verschuivingen in kaart te brengen door groepen woorden als vaste categorieën te behandelen om te zien hoe hun populariteit stijgt en daalt. Maar deze benadering mist de subtiele, diepere veranderingen in betekenis die plaatsvinden wanneer de context rondom een woord transformeert. Stel je voor dat je een rivier probeert te begrijpen door alleen het aantal kiezelstenen erin te tellen, in plaats van te kijken naar hoe het water zelf stroomt en het landschap vormgeeft. Moderne computers kunnen nu meer dan alleen woorden tellen; ze kunnen zinnen vertalen naar complexe wiskundige coördinaten, waardoor ze een enorme, onzichtbare kaart creëren waar de afstand tussen twee punten representatief is voor hoe vergelijkbaar hun betekenissen zijn. Deze capaciteit stelt onderzoekers in staat om ideeën niet alleen te zien als lijsten met trefwoorden, maar als reizigers die zich over een semantisch landschap bewegen, wat onthult hoe ons collectieve begrip van de wereld evolueert over de tijd.
Een team onderzoekers aan de William & Mary besloot dit idee op enorme schaal te testen, gebruikmakend van de volledige geschiedenis van reacties geplaatst op Reddit van 2006 tot 2022. Ze verzamelden 12,7 miljard reacties, een tekstvolume dat zo massief is dat het de meeste andere collecties menselijke geschriften overtreft. In plaats van te zoeken naar specifieke woorden die vaak voorkwamen, zetten ze elke enkele reactie om in een digitale vingerafdruk: een punt in een hoogdimensionale ruimte die de volledige context van wat er werd gezegd vastlegde. Vervolgens groepeerden ze deze punten maand per maand om clusters van soortgelijke discussies te vinden, waarmee ze effectief de belangrijkste onderwerpen identificeerden waar mensen op elk gegeven moment over praatten. Door deze maandelijkse groepen over de jaren heen te verbinden, konden ze de paden volgen die specifieke onderwerpen aflegden terwijl ze door deze digitale ruimte bewogen, om te zien of ze in een specifieke richting afdwaalden of simpelweg doelloos ronddwaalden.
De resultaten onthulden een opvallend patroon: de manier waarop mensen praten over controversiële sociale en politieke kwesties verandert op een zeer specifieke, richtinggevende manier, terwijl gesprekken over meer stabiele onderwerpen opmerkelijk constant blijven. Onderwerpen gerelateerd aan politiek, religie en sociale identiteit bleken in constante beweging te zijn, waarbij ze hun positie in de semantische kaart in een consistente richting verschoven over de jaren heen. Dit suggereert dat de betekenis van deze discussies niet slechts willekeurig fluctueert, maar evolueert met een duidelijke traject, waarschijnlijk gedreven door gebeurtenissen in de echte wereld en veranderende culturele normen. In contrast hiermee bleven discussies over muziek, sport en eten in ongeveer dezelfde plaats op de kaart, wat aangeeft dat de kernbetekenis van deze onderwerpen stabiel is gebleven ondanks het verstrijken van de tijd.
Misschien wel de meest veelzeggende bevinding was hoe de relaties tussen verschillende onderwerpen veranderden. De onderzoekers observeerden dat bepaalde discussies in betekenis dichter bij elkaar kwamen te liggen, zelfs als de woorden die gebruikt werden om ze te beschrijven hetzelfde bleven. Zo werd gevonden dat gesprekken over racisme aanzienlijk dichter bij discussies over politie, religie en vrouwen kwamen te liggen, wat suggereft dat de context waarin deze ideeën worden besproken fundamenteel is geherorganiseerd. Ondertussen convergeerden onderwerpen zoals streamingdiensten met discussies over mobiele technologie en video, wat reflecteert hoe nieuwe technologieën ons begrip van media hebben hervormd. Deze verschuivingen waren geen willekeurige ruis; de onderzoekers gebruikten statistische tests om te bevestigen dat de beweging echt en significant was, waardoor ze genuante culturele evolutie onderscheidden van de natuurlijke achtergrondruis van een massale dataset.
Dit werk biedt een nieuwe manier om te zien hoe de menselijke discourse zichzelf in de loop van de tijd reorganiseert. Door onderwerpen te behandelen als reizigers op een kaart in plaats van statische labels, lieten de onderzoekers zien dat de meest verhitte en bediscussieerde gebieden van onze cultuur ook de gebieden zijn die het meest bewegen. De studie suggereert dat wanneer we discussiëren over politiek of sociale rechtvaardigheid, we niet alleen oude ideeën herhalen; we zijn actief het semantische landschap aan het hervormen, door concepten dichter bij elkaar te trekken of juist van elkaar weg te duwen op manieren die onze veranderende wereld weerspiegelen. Hoewel de methode steunt op de enorme, soms chaotische aard van internetreacties, bieden de patronen die zij blootlegden een duidelijk, meetbaar kenmerk van hoe het publieke gesprek evolueert, wat een instrument biedt om niet alleen te begrijpen wat mensen zeggen, maar hoe de zeer betekenis van hun woorden verandert.
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.