Linguistic Uncertainty and Engagement in Arabic-Language X (formerly Twitter) Discourse

Resumo Técnico: Incerteza Linguística e Engajamento em Discursos em Árabe no X

1. Problema de Pesquisa e Lacuna Teórica
O estudo aborda a relação entre a incerteza linguística (expressões de dúvida, incompletude ou falta de informação verificada) e os padrões de engajamento do usuário em redes sociais. Embora a literatura existente tenha extensivamente investigado fatores como sentimento, controvérsia e desinformação, há uma lacuna significativa sobre como a incerteza linguística afeta não apenas o volume de engajamento, mas a sua forma (composição).
A maioria dos estudos trata o engajamento como um resultado unificado (soma de curtidas, compartilhamentos e respostas). Este trabalho propõe que a incerteza pode funcionar não como um déficit de informação, mas como um sinal interacional que convida os usuários a participar, especular ou buscar esclarecimentos, alterando a estrutura da interação de uma transmissão passiva para uma troca conversacional. O foco é específico em contextos não anglófonos, particularmente em discursos em árabe sobre o Líbano.

2. Metodologia

• Coleta de Dados:

  • Plataforma: X (antigo Twitter).
  • Período: 35 dias (15 de dezembro de 2025 a 18 de janeiro de 2026), coincidindo com um período de alta instabilidade política e econômica no Líbano.
  • Amostra: 16.695 tuítes em árabe (filtrados por "Líbano" ou "Beirute").
  • Pré-processamento: Remoção de duplicatas e retuítes puros; inclusão de respostas (41,2% da amostra).

• Classificação de Incerteza Linguística:

  • Foi desenvolvido um classificador baseado em léxico e sensível ao contexto para identificar marcadores de incerteza em árabe.
  • O léxico contém 60 marcadores divididos em 6 categorias: verbos modais, hedge (atenuadores), marcadores de perguntas, perguntas contextuais de "quem", frases de incerteza informacional e marcadores de rumores.
  • Validação: Uma amostra estratificada de 200 tuítes foi anotada por um falante nativo de árabe libanês. O classificador alcançou 73,5% de precisão, com recall perfeito (1,00) e um F1-score de 0,639. O viés do classificador tende a superestimar a incerteza (falsos positivos), o que sugere que os resultados observados são conservadores.

• Medidas de Engajamento:

  • Variável dependente: Soma total de curtidas, retuítes e respostas.
  • Transformação: Logaritmo natural de (1 + Engajamento Total) para lidar com a distribuição enviesada dos dados.
  • Análise de componentes: Separação entre curtidas, retuítes e respostas para analisar a composição do engajamento.

• Análise Estatística:

  • Modelo Principal: Regressão Linear Ordinária (OLS) com erros padrão agrupados no nível do autor (para controlar correlação intra-conta).
  • Variáveis de Controle: Comprimento do tuíte, presença de URL e status de verificação da conta.
  • Validação de Robustez: Regressão Binomial Negativa para lidar com sobre-dispersão nos dados de contagem.

3. Resultados Principais

• Diferenças Descritivas:

  • 29,9% dos tuítes foram classificados como incertos.
  • Tuítes incertos apresentaram 51,5% mais engajamento total em média do que tuítes certos.
  • Aumento relativo por tipo de interação:
    • Curtidas: +47,0%
    • Retuítes: +65,2%
    • Respostas (Replies): +81,5% (o maior aumento relativo).

• Resultados da Regressão:

  • Após controlar por variáveis de confusão, a incerteza linguística mantém uma associação positiva e estatisticamente significativa com o engajamento total ($\beta = 0,221$, $p < 0,001$).
  • Isso corresponde a um aumento esperado de aproximadamente 25% no engajamento total para tuítes incertos.
  • O modelo de Regressão Binomial Negativa confirmou a robustez do resultado (Razão de Taxa de Incidência - IRR = 1,301).

• Assimetria Incerteza-Resposta (Uncertainty–Reply Asymmetry):

  • O estudo identifica um padrão onde a incerteza está desproporcionalmente ligada a respostas em comparação com curtidas ou retuítes.
  • Isso indica que a incerteza não gera apenas mais visibilidade, mas altera a natureza da interação, incentivando a participação conversacional ativa em vez de apenas aprovação passiva.

4. Contribuições Chave

1. Operacionalização Computacional: Desenvolvimento e validação de um framework interpretável baseado em léxico para detectar incerteza linguística em grande escala em árabe, uma língua sub-representada em pesquisas de ciência social computacional.
2. Reconceptualização do Engajamento: Demonstração de que o engajamento não é unificado; a forma linguística (incerteza vs. certeza) molda a composição do engajamento, deslocando-o de comportamentos de transmissão para comportamentos conversacionais.
3. Teoria da Função Interacional: Evidência empírica de que a incerteza pode funcionar como um sinal social que reduz barreiras para a participação, incentivando a "sensação coletiva" (collective sense-making) em vez de ser vista apenas como um sinal de baixa credibilidade ou desinformação.

5. Significado e Implicações

• Ciência Social Computacional: O estudo fornece uma metodologia para integrar características linguísticas teoricamente fundamentadas em modelos quantitativos de comportamento de informação, especialmente em contextos não anglófonos.
• Dinâmica de Informação: Sugere que em ambientes de fluxo rápido de informação e instabilidade política, a incerteza pode ser um motor de participação democrática e debate, ao contrário da visão tradicional que a associa apenas a rumores ou falhas de informação.
• Limitações e Futuro: O estudo é observacional (não causal) e limitado a um contexto específico (Líbano/Árabe). Futuras pesquisas devem explorar métodos de aprendizado supervisionado para classificação mais precisa e testar a generalização desses padrões em outras línguas e plataformas.

Em suma, o artigo conclui que a incerteza linguística atua como um sinal interacional que transforma o engajamento passivo em participação ativa, criando uma "Assimetria Incerteza-Resposta" que é fundamental para entender a dinâmica do discurso público digital.