Circadian Modulation of Semantic Exploration in Social Media Language

Resumo Técnico: Modulação Circadiana da Exploração Semântica na Linguagem de Redes Sociais

Definição do Problema
Embora se saiba que a cognição humana exibe uma forte modulação circadiana que afeta a atenção, o afeto e a tomada de decisão, a influência desses ritmos biológicos sobre o comportamento semântico de alta dimensão permanece pouco compreendida. Análises anteriores em larga escala de redes sociais estabeleceram ritmos diários na expressão emocional e na frequência de palavras (ex: o afeto positivo atingindo o pico pela manhã), mas não está claro se essas flutuações refletem mudanças na exploração semântica — a flexibilidade cognitiva para percorrer novas ideias versus manter-se em expressões familiares. Além disso, pesquisas existentes não distinguiram suficientemente a variabilidade semântica ao nível individual da diversidade semântica ao nível populacional, nem determinaram se a exploração semântica é meramente um substituto (proxy) para o humor ou uma dimensão cognitiva distinta.

Metodologia
Os autores analisaram um corpus de larga escala de 2.921.362 submissões do Reddit de janeiro a dezembro de 2024, focando em quatro países com altos volumes de submissão: Estados Unidos, Índia, Reino Unido e Canadá. O estudo empregou um pipeline técnico de múltiplos estágios:

1. Pré-processamento de Dados e Geolocalização: As submissões foram filtradas para excluir conteúdo NSFW, bots e texto em não-inglês. A atribuição geográfica foi realizada por meio de uma estratégia hierárquica (domínios de topo de URL, nomes de subreddits, flair de autor e Reconhecimento de Entidades Nomeadas) para atribuir postagens a cidades e fusos horários específicos. Os carimbos de data/hora (timestamps) foram convertidos para o horário civil local, contabilizando o Horário de Verão (DST).
2. Embedding Semântico: O texto (título + corpo do texto) foi transformado em vetores utilizando o modelo transformer pré-treinado sentence-transformers/all-mpnet-base-v2 para gerar vetores de alta dimensão normalizados.
3. Métricas de Entropia: Duas medidas complementares de exploração semântica foram derivadas da entropia de informação de Shannon:
   • Entropia Semântica Local ($H_{local}$): Calculada para postagens individuais usando uma distância de $k$-vizinhos mais próximos ($k=10$) no espaço de embedding ($H_{local}(x_i) = \log(r_k(x_i))$). Isso mede o quão distinta uma postagem específica é de outras no mesmo intervalo de uma hora, refletindo a exploração ao nível individual.
   • Entropia Semântica Global ($H_{global}$): Calculada como a entropia diferencial da distribuição de todos os embeddings dentro de uma hora específica para um país, usando o determinante da matriz de covariância ($H_{global} = \frac{1}{2}\log((2\pi e)^d \det(\Sigma))$). Isso mede a amplitude geral do espaço semântico coberto pela população.
4. Sentimento e Validação: O sentimento foi quantificado usando o analisador VADER. Para validar a medida de entropia semântica contra ritmos estabelecidos, os autores digitalizaram perfis de desvio padrão do uso de palavras de emoção positiva e tristeza de um estudo anterior do Twitter (Dzogang et al., 2017).
5. Modelagem Estatística: A ritmicidade circadiana foi avaliada usando modelos cosinor de 24 horas de componente única. O emaranhamento sazonal foi analisado correlacionando picos/vales de entropia com os tempos de nascer e pôr do sol. A análise de agrupamento (HDBSCAN) e o ajuste de lei de potência (power-law) foram usados para examinar a organização temporal dos tópicos semânticos.

Resultos Principais

• Ritmicidade Circadiana Robusta: Todos os quatro países exibiram ritmicidade de 24 horas significativa na entropia semântica local ($P_{fdr} < 0,001$). O pico de exploração semântica (acrofase) ocorreu consistentemente nas horas da madrugada (aprox. 3:00–5:00 AM, hora local), com valores de $R^2$ entre 0,73 e 0,78.
• Emaranhamento Sazonal: Nos EUA, o tempo do vale da entropia semântica foi positivamente correlacionado com os horários do pôr do sol ($r=0,68$), sugerindo que pistas de luz sazonais (fotoperíodo) podem emaranhar a fase da atividade semântica.
• Dissociação do Sentimento: A relação entre exploração semântica e sentimento foi fraca e inconsistente. Embora a entropia semântica tenha se correlacionado com a variabilidade do uso de palavras relacionadas à tristeza (do estudo de referência), ela não se correlacionou com as pontuações médias de sentimento. Em alguns países, a correlação foi negativa; em outros, positiva. Isso indica que a exploração semântica captura uma dimensão cognitiva distinta da valência afetiva.
• Dissociação Temporal (Local vs. Global): Foi observada uma dissociação temporal sistemática:
  • A entropia local (exploração individual) atingiu o pico no início da manhã.
  • A entropia global (diversidade populacional) atingiu o pico mais tarde no dia (aprox. 14:00–17:00), acompanhando de perto o volume total de submissões.
• Dinâmicas "O Rico Fica Mais Rico" (Rich-Get-Richer): O ganho marginal na entropia semântica global por postagem adicional diminuiu significamente conforme o dia avançava. As postagens iniciais contribuíram substancialmente para a diversidade semântica, enquanto as postagens posteriores mostraram retornos decrescentes, acumulando-se dentro de clusters estabelecidos. Isso segue uma distribuição de lei de potência ($P(s) \sim s^{-1,60}$), indicando que a população se envolve cada vez mais com centros (hubs) semânticos existentes em vez de explorar regiões novas.

Principais Contribuições

1. Quantificação da Exploração Semântica: O estudo introduz um método para quantificar os equilíbrios (trade-offs) de exploração-explotação semântica em linguagem naturalista usando embeddings de transformadores e medidas de entropia, indo além da simples frequência de palavras.
2. Padrões Circadianos em Escala Específica: Demonstra que os ritmos circadianos operam de forma diferente ao nível individual (exploração matinal) versus o nível populacional (acumulação/explotação vespertina), revelando um processo diário de dois estágios.
3. Independência do Afeto: O trabalho fornece evidências de que a diversidade semântica não é meramente um subproduto das flutuações de humor, mas representa um processo cognitivo distinto, potencialmente ligado a sistemas neuromoduladores que regulam a flexibilidade cognitiva.
4. Consistência Transnacional: Os achados estabelecem que esses padrões semânticos circadianos são robustos através de diversas culturas e geografias, sugerindo uma propriedade geral da dinâmica cognitiva humana.

Significância e Alegações
O artigo alega que os ritmos circadianos biológicos estendem-se ao domínio semântico, influenciando não apenas o que as pessoas dizem, mas o quão diversamente elas expressam ideias. O pico observado de exploração semântica local no início da manhã alinha-se com padrões diurnos conhecidos de sistemas neuromoduladores, especificamente o tom dopaminérgico, que está associado à flexibilidade comportamental e exploração em estados de vigília.

Os autores postulam que a estrutura temporal da linguagem nas redes sociais reflete um mecanismo cognitivo fundamental: o dia começa com uma fase de ampla exploração semântica (alta entropia local), seguida por uma fase de consolidação onde a comunidade expande coletivamente o espaço semântico, mas aumenta a concentração em tópicos estabelecidos (alta entropia global, retornos marginais decrescentes). Este padrão é consistente com as dinâmicas de rede "o rico fica mais rico" e sugere que a biologia circadiana molda a arquitetura fundamental da comunicação humana e da flexibilidade cognitiva em ambientes naturalistas.