Media Framing through the Lens of Event-Centric Narratives

Resumo Técnico: Enquadramento de Mídia através da Lente de Narrativas Centradas em Eventos

Definição do Problema
A análise de enquadramento de mídia (media framing) visa compreender como as organizações de notícias selecionam e organizam aspectos de questões para promover interpretações específicas. As abordagens computacionais existentes baseiam-se predominantemente em marcadores de tópicos de alto nível, como modelos de tópicos latentes (ex: LDA) ou taxonomias de palavras-chave construídas manualmente. Os autores argumentam que esses métodos são frequentemente amplos demais para capturar as nuances do enquadramento. Ao reduzir os enquadramentos a palavras-chave cooccorrentes ou temas amplos (ex: "econômico"), essas abordagens falham em explicar como diferentes aspectos são escolhidos e organizados para construir um argumento. Especificamente, um único marcador de tópico como "econômico" pode enquadrar a imigração tanto como um impulso quanto como um ônus para a economia, uma distinção que modelos baseados em palavras-chave têm dificuldade em desambiguar sem compreender a estrutura narrativa subjacente.

Metodologia
O artigo propõe um framework computacional que desloca o foco de tópicos estáticos para narrativas dinâmicas centradas em eventos. A metodologia consiste em três estágios primários:

1. Extração de Eventos:
   O sistema adota uma visão de eventos centrada em verbos, extraindo pares (verbo, objeto) do texto. Utilizando um parser de dependência, o framework identifica verbos não auxiliares e seus respectivos objetos principais (distinguindo entre voz ativa e passiva) para formar uma lista de menções de eventos para cada documento.

2. Extração de Relações e Construção de Cadeias:
   Um classificador é treinado para prever relações entre pares de eventos extraídos dentro de um documento. O modelo foca em dois tipos específicos de relação:

• Temporal: Ordenação cronológica (ex: Precedência, Sucessão, Sincronicidade).
• Causal: Relações de causa e efeito (ex: Razão, Resultado).
  O classificador é treinado em um subconjunto do grafo de conhecimento ASER (Atividades, Estados, Eventos e suas Relações), utilizando RoBERTa para representar pares de eventos e suas sentenças circundantes. Apenas pares de eventos com relações temporais ou causais previstas são retidos para construir cadeias narrativas de um único salto, representadas como (evento1, relação, evento2).

3. Agrupamento e Expansão de Narrativas:
   Para transformar essas cadeias em temas de alto nível, o framework emprega um Modelo de Linguagem de Grande Escala (LLM), especificamente o Llama 3.1 8B. O LLM é instruído em um cenário de zero-shot para expandir cada cadeia narrativa em uma sentença descritiva que articule a sequência causal ou temporal. Essas sentenças expandidas são então incorporadas (embedded) via SBERT e agrupadas por K-means. Os autores experimentam com contagens de clusters variando de 25 a 200 para identificar temas narrativos distintos.

Principais Contribuições

• Um Framework Centrado na Narrativa: Os autores propõem uma abordagem inovadora para a análise de enquadramento de mídia que extrai representações narrativas centradas em eventos e as agrupa em temas de nível superior, indo além da simples coocorrência de palavras-chave.
• Generalização entre Domínios: O framework é aplicado e avaliado em dois domínios de notícias distintos: imigração e controle de armas, demonstrando sua adaptabilidade a diferentes questões políticas.
• Utilidade Preditiva e Explicativa: O estudo fornece uma avaliação abrangente mostrando que os clusters narrativos induzidos servem como sinais significativos para prever e explicar a taxonomia de enquadramento político de Boydstun et al. (2014).

Resultos

• Predição de Relação: O classificador de relação alcançou um escore macro-F1 de 0,60, superando baselines incluindo Classe Majoritária, Aleatório e Regressão Logística com embeddings GloVe. O modelo mostrou maior precisão na identificação de relações temporais em comparação com as causais, embora a revocação (recall) para relações causais tenha sido priorizada para garantir a cobertura.
• Qualidade dos Clusters: Um teste de intrusão revelou alta concordância entre anotadores (82,61%) e precisão de rotulagem (67,5%) para o conjunto de dados de imigração, indicando clusters semanticamente coerentes e bem definidos. O conjunto de dados de controle de armas apresentou menor precisão (37,5%), o que os autores atribuem à falta de variação nos temas narrativos e sobreposição de clusters nesse domínio.
• Predição de Frame:
  • Usando apenas recursos de clusters narrativos (sem o texto bruto), o modelo superou os baselines, incluindo Aleatório, tópicos LDA e Tipos de Eventos. O desempenho ideal foi alcançado com 150 clusters para imigração e 50 para controle de armas.
  • Quando os recursos de clusters narrativos foram combinados com representações de texto baseadas em RoBERTa, o modelo mostrou uma melhoria pequena, mas consistente, na acurácia e nos escores F1 sobre os baselines de apenas texto, sugerindo que estruturas narrativas introduzem um viés indutivo útil.
• Achados Qualitativos: A análise isolou com sucesso temas narrativos correspondentes a enquadramentos específicos. Por exemplo, o enquadramento "Crime e Punição" na imigração estava fortemente associado a narrativas sobre "contrabando de imigrantes indocumentados" e "prisão de contrabandistas". Da mesma forma, o enquadramento "Legalidade, Constitucionalidade, Jurisdição" no controle de armas foi vinculado a narrativas referentes a "direitos da Segunda Emenda" e "decisões judiciais".

Significância e Alegações
O artigo alega que sua principal contribuição reside em demonstrar que o enquadramento é fundamentalmente um problema de construção narrativa. Ao extrair e agrupar cadeias de eventos, o framework consegue capturar os "padrões de contação de histórias" que desambiguam dimensões de enquadramento de alto nível. Os autores afirmam que sua abordagem oferece uma representação mais rica e concisa de documentos do que a modelagem de tópicos tradicional, pois foca nas narrativas salientes escolhidas para construir argumentos, em vez de apenas nos tópicos discutidos.

Os autores mantêm um tom modesto em relação às suas alegações, reconhecendo que o framework não foi projetado para maximizar o desempenho através de modelos massivos e complexos devido a restrições computacionais. Em vez disso, o trabalho visa destacar uma direção de pesquisa que enfatiza a importância de identificar nuances fundamentais em cadeias narrativas. Eles observam limitações na generalização de domínio (testado apenas em imigração e controle de armas) e a dependência de anotação humana para a avaliação dos clusters, sugerindo estas como áreas para explorações futuras.