Measuring Negative Campaigning across Languages with Large Language Models: A Study of 18 Million Tweets in 19 Countries
Este estudo demonstra que modelos de linguagem de grande escala zero-shot podem classificar de forma eficaz e escalável o marketing negativo em 19 idiomas, revelando que os partidos governantes são menos negativos, enquanto partidos ideologicamente não centristas, particularmente aqueles de extrema-direita, envolvem-se em uma retórica significativamente mais confrontacional.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine o mundo da política como um estádio gigante e barulhento onde todos estão tentando convencer a multidão a torcer pelo seu time. Por décadas, cientistas que estudam este estádio têm sido obcecados por um comportamento específico: a "campanha negativa". Pense nisso não apenas como um político dizendo "Eu sou ótimo", mas como ele apontando para um rival e gritando: "Olhem para aquele cara, ele é terrível!". É a arte do insulto político. Embora saibamos que isso acontece em todos os lugares, desde fragmentos de cerâmica da Grécia antiga até anúncios modernos de TV, descobrir por que alguns times fazem isso mais do que outros tem sido uma enorme dor de cabeça para os pesquisadores. O problema? Contar esses insultos manualmente é como tentar contar cada grão de areia em uma praia usando luvas de cozinha. Leva uma eternidade, custa uma fortuna e, se você tentar fazer isso em vinte idiomas diferentes, precisaria de um tradutor para cada frase individual. Por causa disso, a maioria dos estudos ficou presa ao olhar para apenas um país (geralmente os EUA) ou depender de especialistas adivinhando a "vibe" de uma campanha, o que não é muito preciso. Mas recentemente, uma nova ferramenta chegou ao cenário: os Modelos de Linguagem de Grande Escala (LLMs). Você pode pensar neles como robôs superinteligentes e incansáveis que leram quase tudo o que já foi escrito na internet. Eles conseguem entender nuances, sarcasmo e insultos em dezenas de línguas sem precisar aprender as regras do zero. Este artigo faz uma grande pergunta: Podem esses robôs de IA ser os novos árbitros para contar insultos políticos em todo o mundo, e o que eles nos dizem sobre quem realmente gosta de jogar lama?
Os autores deste estudo decidiram colocar esses robôs de IA à prova em uma escala massiva. Primeiro, eles tiveram que provar que os robôs eram bons em seu trabalho. Eles alimentaram a IA com milhões de tweets e pediram que ela detectasse ataques negativos, depois compararam as respostas do robô com as de especialistas humanos que passaram anos lendo manualmente os mesmos posts. O resultado? Os robôs foram surpreendentemente bons. Na verdade, em alguns casos, a IA foi até mais consistente e precisa do que os especialistas humanos, e ela conseguiu realizar o trabalho em dez idiomas diferentes sem nem suar. Foi como trocar uma equipe de estudantes de pós-graduação cansados e sobrecarregados por uma frota de drones multilingues supervelozes que nunca se cansam ou se confundem.
Uma vez que confiaram nos robôs, os pesquisadores os libertaram sobre uma montanha de dados: 18 milhões de tweets postados por políticos em 19 países europeus entre 2017 e 2022. Eles queriam ver se as velhas regras sobre quem é mais malvado ainda se sustentavam quando você olhava para o continente inteiro. Eles testaram algumas grandes ideias: Os políticos que estão no comando (o time do "governo") agem de forma mais gentil porque precisam parecer responsáveis? Os políticos nas extremidades do espectro político (os radicais) agem de forma mais rude porque não têm nada a perder? E os políticos "populistas", que alegam lutar contra a "elite corrupta", naturalmente lançam mais insultos?
As descobertas foram claras e surpreendentemente consistentes. Os dados da IA mostraram que os políticos que atualmente ocupam o governo são, de fato, muito menos negativos. Eles parecem conter os insultos, talvez porque saibam que, se começarem uma briga, podem prejudicar suas chances de permanecer no poder ou de trabalhar com outros partidos mais tarde. É como um capitão de equipe tentando manter a paz para que o time não se desfaça. Por outro lado, os políticos que não estão no comando, especialmente aqueles na extrema direita e extrema esquerda do espectro político, foram os que mais jogaram lama. O estudo sugere que estar longe do centro político torna um partido mais propenso a ser agressivo. Especificamente, os partidos da "extrema direita" foram os mais negativos de todos, usando uma linguagem confrontadora em uma taxa muito maior do que qualquer outro. Embora o estudo também tenha observado se ser "populista" fazia diferença, descobriu que o verdadeiro motor era, na verdade, o quão longe ao extremo um partido estava; a maldade parecia vir de ser um fora do sistema em vez de apenas ser um populista.
Curiosamente, o estudo também observou se o período eleitoral tornava as pessoas mais maldosas. Os resultados foram um pouco mistos; às vezes as eleições pioravam as coisas, mas nem sempre. A maior lição não foi sobre o tempo, mas sobre os próprios jogadores. O artigo sugere que o aumento nas campanhas negativas que vemos nas redes sociais não é apenas porque o Twitter (agora X) deixa as pessoas irritadas. Em vez disso, é uma escolha estratégica de certos tipos de partidos — especificamente aqueles nas margens e aqueles fora do poder — de usar a negatividade como uma arma. Ao usar esses robôs de IA, os pesquisadores foram capazes de ver padrões através de 19 países que teriam sido impossíveis de encontrar com os métodos antigos, provando que, no jogo da política, os excluídos são os que têm mais probabilidade de jogar sujo, enquanto as pessoas no comando tentam manter as mãos limpas.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.