Event Detection in Social Networks Using Polarization Dynamics

Technische Samenvatting: Eventdetectie in Sociale Netwerken Gebruikmakend van Polarisatiedynamiek

Probleemstelling
Sociale netwerken dienen als cruciale ruimtes voor publiek debat, met name tijdens politiek gevoelige momenten waarbij gebruikersinteracties maatschale spanningen en polarisatie kunnen onthullen. Hoewel bestaande methoden voor eventdetectie in sociale media primair vertrouwen op kwantitatieve pieken in het volume van berichten of verschuivingen in sentiment-polariteit, kunnen deze benaderingen evenementen over het hoofd zien die worden gekenmerkt door diepe onenigheid of structurele fragmentatie, zonder dat deze noodzakelijkerwijs hoge verkeersvolumes of extreme emotionele pieken genereren. Dit artikel adresseert de uitdaging om significante publieke gebeurtenissen te detecteren door gebruik te maken van polarisatiedynamiek als een complementair signaal, met de specifieke vraag: Hoe kan een model voor eventdetectie worden gebouwd op basis van een polarisatiemetriek toegepast op sociale mediadata?

Methodologie
De studie hanteert een retrospectieve, statistische benadering met behulp van data van X (voorheen Twitter) met betrekking tot het publieke debat over de Colombiaanse pensioenhervorming van 2024 (juni–juli 2024). De methodologie volgt een gestructureerde pijplijn:

1. Dataverzameling en Preprocessing: Een dataset van 9.997 tweets werd verzameld via de X API, gefilterd op relevantie voor de pensioenhervorming, en opgeschoond van duplicaten en niet-Spaanstalige inhoud. In tegenstelling tot traditionele workflows werd zware normalisatie (bijv. lowercase conversie, tokenisatie) vermeden om stilistische kenmerken te behouden die nuttig zijn voor standpuntinschatting (stance estimation).
2. Stance Classificatie: Een Large Language Model (GPT-4o) werd gebruikt om het standpunt van elk bericht te classificeren op een vijfpunts Likert-schaal (Sterk Oneens tot Sterk Akkoord). Contextuele informatie, inclus_ief originele tweets voor reacties, werd meegeleverd om consistente inferentie te waarborgen.
3. Signaalafleiding: Uit de stance-classificaties werden drie dagelijkse tijdreeksen geconstrueerd:
   • Tweet Volume: Het ruwe aantal berichten.
   • Sentiment Proporties: Direct afgeleid van de stance-polariteit (onenigheid als negatief, overeenstemming als positief).
   • Polarisatie: Gemeten met de Minimum Effort to Consensus (MEC) index. Deze metriek berekent de minimale gewogen inspanning die nodig is om een opinieverdeling richting een consensuspunt te verschuiven, wat de kosten van fragmentatie vastlegt.
4. Eventdetectiemodellen: Drie modellen werden vergeleken met behulp van anomaliedetectie op dagelijkse veranderingen:
   • Volume-gebaseerd Model: Detecteert uitbarstingen in de activiteit van berichten met behulp van een sliding window en een drempelwaarde.
   • Sentiment-gebaseerde Baseline: Detecteert abrupte verschuivingen in de proportie positieve/negatieve berichten (geadapteerd van [12]).
   • Voorgesteld Polarisatie-gebaseerd Model: Identificeert significante verschuivingen in de dagelijkse verandering van de MEC-index. Dit model past een Interquartile Range (IQR) criterium toe ($\Delta_t > Q_3 + \lambda \cdot IQR$ of $\Delta_t < Q_1 - \lambda \cdot IQR$) om afwijkende afwijkingen te detecteren zonder een strikte normaliteit te veronderstellen.
5. Evaluatie: De detecties van het sentiment-gebaseerde model dienden als een proxy-set van referentie-eventlabels. Prestaties werden geëvalueerd met behulp van Precision, Recall en F1-score tegenover deze baseline.

Belangrijkste Resultaten
De vergelijkende evaluatie leverde de volgende prestatie-metrieken op:

• Polarisatie-gebaseerd Model: Behaalde een F1-score van 0,75 (Precision: 0,75, Recall: 0,75).
• Tweet Volume-gebaseerd Model: Behaalde een F1-score van 0,53 (Precision: 0,71, Recall: 0,42).
• Sentiment-gebaseerde Baseline: Diende als de referentiestandaard (12 gedetecteerde events na parameteroptimalisatie).

Kwalitatieve analyse toonde aan dat het polarisatiemodel succesvol events identificeerde die gemist werden door volume- en sentimentsignalen. Zo werd er bijvoorbeeld op 27 juni een polarisatiepiek gedetecteerd die overeenkwam met nieuws over private pensioenfondsen die geheime amendementen opstelden, ondanks het uitblijven van een stijging in volume of sentiment. Omgekeerd vond er op 16 juli (de dag dat de hervorming werd ondertekend) een volume-piek plaats zonder een corresponderende polarisatieverschuiving. De resultaten wijzen erop dat polarisatiedynamiek episodes van toenemende onenigheid en maatschappelijke spanning vastlegt die niet noodzakelijkerwijs gepaard gaan met hoge activiteit of sentimentpieken.

Betekenis en Claims
Het artikel claimt dat polarisatiedynamiek, geoperationaliseerd via de MEC-index, een waardevol en complementair signaal biedt voor het monitoren van controversieel publiek debat. De auteurs stellen dat terwijl volume- en sentimentsmodellen effectief aandachtsuitbarstingen en emotionele pieken vastleggen, zij evenementen kunnen missen waarbij de primaire handtekening een herconfiguratie van overeenstemming en onenigheid is. Door eventdetectie en polarisatieanalyse te overbruggen, biedt deze benadering een verenigd kader om sociaal betekenisvolle gebeurtenissen te identificeren die gedreven worden door structurele divergentie in plaats van enkel door activiteitsniveaus. De studie concludeert dat het vertrouwen op een enkel signaal (volume of sentiment) een onvolledig beeld van de sociale dynamiek kan geven, en dat het integreren van polarisatiemetrieken een vroegtijdige indicatie kan bieden van opkomende spanningen of verschuivingen in collectieve positionering in digitale omgevingen.