Paid Voices vs. Public Feeds: Interpretable Cross-Platform Theme-Based Analysis of Climate Discourse

Resumo Técnico: Vozes Pagas vs. Feed Públicos

Problema
O discurso climático online molda a compreensão pública e as políticas, mas desenrola-se em ambientes estruturalmente distintos. Plataformas de publicidade paga (ex: Meta) hospedam mensagens estratégicas, produzidas institucionalmente, desenhadas para persuasão direcionada, enquanto as redes sociais públicas (ex: Bluesky) refletem discussões orgânicas, impulsionadas pelos usuários. Trabalhos computacionais anteriores examinaram amplamente esses ambientes de forma isolada, focando em tarefas como modelagem de tópicos ou detecção de postura dentro de uma única plataforma. Isso deixa uma lacuna na compreensão de se os padrões temáticos são compartilhados entre ambientes de comunicação ou específicos do meio. Além disso, os métodos existentes frequentemente dependem de inventários de tópicos pré-definidos ou conjuntos de sementes (seed sets), que podem não capturar as nuances emergentes e específicas de cada plataforma no discurso climático.

Metodologia
Os autores apresentam uma análise comparativa do discurso climático em anúncios pagos no Meta e postagens públicas no Bluesky de julho de 2024 a setembro de 2025. O estudo utiliza um conjunto de dados de 17.026 anúncios do Meta desduplicados e 19.182 postagens do Bluesky desduplicadas, coletados por meio de palavras-chave curadas relacionadas ao clima.

A contribuição central é um pipeline de descoberta temática interpretável que opera sem inventários de tópicos pré-definidos ou conjuntos de sementes. A metodologia procede da seguinte forma:

1. Embeddings e Agrupamento (Clustering): Os textos são transformados em embeddings usando SentenceBERT (all-MiniLM-L6-v2) com normalização L2, seguidos de redução de dimensionalidade via PCA e UMAP. Textos semanticamente similares são agrupados usando HDBSCAN.
2. Filtragem de Coerência: Os clusters iniciais são filtrados para coerência semântica usando um LLM (Mistral-Large-Instruct-2407), que julga se textos representativos dentro de um cluster refletem um único tema subjacente.
3. Sumarização e Rotulagem: Para os clusters retidos, os top-k textos representativos são usados para gerar resumos concisos via LLM. Esses resumos são então mesclados com base na similaridade de embedding e recebem rótulos de temas interpretáveis por humanos (1 a 3 palavras).
4. Atribuição: Os textos são atribuídos aos temas através de duas estratégias: (i) correspondência do texto com o resumo do cluster mais similar, ou (ii) atribuição direta do texto ao rótulo de tema gerado.

O framework foi avaliado contra baselines padrão (LDA, BERTopic, TopicGPT) utilizando tanto anotadores humanos quanto um juiz LLM. Adicionalmente, a utilidade dos temas descobertos foi validada através de tarefas downstream: previsão de postura (stance prediction) e recuperação guiada por temas.

Resultos Principais
A análise revela divergências sistemáticas entre o discurso climático pago e o orgânico em termos de estrutura temática, registro retórico e responsividade temporal:

• Estrutura Temática: A publicidade paga (Meta) concentra-se na promoção estratégica de soluções específicas (ex: "Urgência de incentivo solar", "Momento de energia eólica offshore") e em diversos tópicos promocionais. Em contraste, o discurso orgânico (Bluesky) é fortemente concentrado na crítica sistêmica de atores corporativos e políticos (ex: "Sabotagem climática corporativa", "Greenwashing exposto"). Um único tema orientado à crítica no Bluesky apresentou um volume de texto maior do que os quatro principais temas dominantes do Meta combinados.
• Registro Retórico: Os anúncios do Meta exibem um registro formal, autoritário e orientado a soluções, pontuando mais alto em "Analítico" e "Clout" (LIWC) e enfatizando atores individuais e enquadramento de futuro. As postagens do Bluesky são mais pessoais, orientadas à crise e cientificamente fundamentadas, pontuando mais alto em enquadramentos de "Autenticidade" e "Crise", com foco em atores institucionais e crítica sistêmica.
• Alinhamento de Postura: Os temas induzidos demonstram um alinhamento de postura coerente. Temas pró-clima alinham-se com posturas pró-clima, e temas pró-energia com posturas pró-energia. Os métodos dos autores produziram correlações mais concentradas do que os modelos de tópicos baselines (LDA, BERTopic), que geraram correlações difusas.
• Responsividade Temporal: As plataformas respondem a grandes eventos em direções opostas. Após as eleições dos EUA em novembro de 2024, a publicidade climática paga contraiu significativamente em todos os principais temas, enquanto o discurso orgânico expandiu, com o aumento de temas orientados à crítica. Da mesma forma, durante os incêndios florestais na Califórnia em janeiro de 2025, o discurso orgânico expandiu-se com aumento de atribuição causal e tom negativo, enquanto os padrões de publicidade mudaram de forma distinta.

Significância e Contribuições
O artigo apresenta três contribuições primárias:

1. Dataset: Constrói e libera o primeiro conjunto de dados multiplataforma que permite a comparação direta entre publicidade climática paga e discurso climático público.
2. Framework: Desenvolve um pipeline de descoberta temática interpretável que se generaliza para análise cross-platform sem exigir inventários de tópicos pré-definidos ou conjuntos de sementes. Os temas induzidos mostraram ser mais coerentes e consistentes em termos de postura do que os baselines de modelagem de tópicos padrão.
3. Achados Empíricos: Fornece uma caracterização descritiva de como o discurso climático difere entre ambientes de comunicação heterogêneos. Os achados ilustram que o discurso pago e o público não são meras variações da mesma conversa, mas refletem orientações comunicativas fundamentalmente diferentes: persuasão estratégica versus crítica sistêmica.

Os autores observam que, embora o framework se generalize para outros domínios, a análise é descritiva e não causal. Eles reconhecem limitações quanto à generalização dos achados para outras plataformas devido às diferenças nas demografias de usuários e políticas de moderação, bem como o potencial de vieses inerentes aos LLMs pré-treinados usados para rotulagem de temas. O trabalho não reivindica inferir a intenção do falante ou efeitos causais de incentivos da plataforma, mas oferece um método robusto para análise temática comparativa.