A Structured Clustering Approach for Inducing Media Narratives

O artigo apresenta uma estrutura de agrupamento estruturado que modela conjuntamente eventos e personagens para induzir esquemas narrativos explicáveis, alinhados à teoria de enquadramento e escaláveis para grandes corpora sem necessidade de anotação manual exaustiva.

O essencial

Imagine que as notícias não são apenas uma lista de fatos secos, como "o prefeito fez X" ou "a lei Y foi aprovada". Na verdade, as notícias são histórias. E, como em qualquer filme ou livro, essas histórias têm heróis, vilões, vítimas e um enredo claro que nos faz sentir de um jeito ou de outro.

O problema é que, até agora, os computadores eram muito "burros" para entender essa parte da história. Eles conseguiam contar o que aconteceu (ex: "o governo aumentou impostos"), mas não conseguiam entender por que isso importa ou quem está sendo retratado como o "mocinho" ou o "vilão" naquela narrativa.

Este paper apresenta uma nova forma de ensinar computadores a ler essas histórias de verdade. Vamos explicar como funciona usando uma analogia simples: A Montagem de um Quebra-Cabeça de Histórias.

1. O Problema: As Notícias são Caóticas

Imagine que você tem uma pilha gigante de recortes de jornal sobre imigração ou controle de armas. Se você apenas olhar para as palavras mais comuns, o computador vai dizer: "Ah, tudo isso é sobre 'imigração'". Mas isso é muito vago!

Uma notícia pode dizer que os imigrantes são vítimas de um sistema cruel, enquanto outra pode dizer que eles são ameaças à segurança nacional. Para um computador comum, são a mesma coisa. Para um ser humano, são narrativas opostas que moldam nossa opinião de formas diferentes.

2. A Solução: O "Detetive de Personagens"

Os autores criaram um sistema que funciona como um detetive de roteiro de cinema. Em vez de apenas ler o texto, o sistema faz três coisas:

1. Identifica os Eventos: Ele pega as ações principais (ex: "o prefeito aprovou uma lei").
2. Descobre a Causa e Efeito: Ele conecta os pontos. "O prefeito aprovou a lei porque houve uma crise". Isso cria uma "corrente" de eventos.
3. Rótula os Personagens (O Pulo do Gato): Aqui está a mágica. O sistema pergunta: "Nessa história, quem é o herói? Quem é o vilão? Quem é a vítima?".
   • Se a polícia é quem protege, ela é o Herói.
   • Se o governo é quem causa o problema, ele é a Ameaça.
   • Se o cidadão comum sofre as consequências, ele é a Vítima.

3. A Técnica: Agrupando Histórias Semelhantes

Agora que o sistema tem milhares de "correntes de eventos" com seus personagens rotulados, ele precisa organizá-las.

Imagine que você tem uma sala cheia de pessoas contando histórias. Se você agrupar apenas por "o que aconteceu" (ex: todos que falaram de "leis"), você misturaria histórias de heróis com histórias de vilões.

O método deles usa um filtro de "Personagem". Eles dizem ao computador:

"Ei, não junte a história onde a Polícia é o Herói com a história onde a Polícia é o Vilão. Mesmo que o assunto seja o mesmo, o sentimento da história é oposto!"

Isso cria grupos (clusters) muito mais precisos. Em vez de ter um grupo genérico chamado "Imigração", o computador cria grupos como:

• "Imigração: Heróis (Advogados) salvando Vítimas (Imigrantes) de Ameaças (Governo)."
• "Imigração: Heróis (Polícia) protegendo a Nação de Ameaças (Imigrantes Ilegais)."

4. O Resultado: Mapas de Narrativa

No final, o sistema entrega aos pesquisadores um "mapa" de como a mídia está contando a história.

• Para o leitor comum: É como se o computador lesse milhares de jornais e dissesse: "Olha, na semana passada, a maioria das notícias sobre armas retratou os juízes como heróis que resolvem conflitos, enquanto os políticos foram retratados como vilões que criam problemas."
• Para a sociedade: Isso ajuda a entender como a opinião pública é moldada. Se mudarmos quem é o "vilão" na história, mudamos como as pessoas se sentem sobre o problema.

Resumo em uma frase:

Os autores ensinaram um computador a não apenas ler as palavras das notícias, mas a entender o roteiro por trás delas, identificando quem são os heróis e vilões em cada história, para que possamos ver claramente como a mídia está tentando nos fazer sentir sobre os problemas do mundo.

É como dar aos computadores óculos de realidade aumentada que mostram não apenas o fato, mas a emoção e a intenção por trás dele.

Resumo técnico

Título: Uma Abordagem de Agrupamento Estruturado para Induzir Narrativas Midiáticas

1. Problema

As narrativas midiáticas possuem um poder imenso na formação da opinião pública, construindo significados através de estruturas de contação de histórias sutis (como papéis de personagens e resolução de conflitos). No entanto, as abordagens computacionais atuais (NLP) para análise de mídia enfrentam duas limitações principais:

• Análise de Granularidade Grossa: Métodos existentes frequentemente focam em rótulos amplos (ex: "esquerda/direita" ou temas gerais como "econômico" ou "segurança"), ignorando as nuances das estruturas narrativas enfatizadas pela teoria da comunicação.
• Falta de Escalabilidade: Taxonomias específicas de domínio capturam nuances ideológicas, mas não generalizam bem para outros domínios e exigem anotação manual extensiva, limitando sua aplicação em grandes corpora.

O desafio central é criar um método que equilibre escalabilidade (processamento de grandes volumes de dados) com profundidade interpretativa (capturar a estrutura moral e temática das narrativas) sem depender de anotação manual exaustiva.

2. Metodologia

Os autores propõem um pipeline multiestágio para induzir "esquemas narrativos" estruturados de forma automática e agnóstica de domínio. O processo consiste em quatro etapas principais:

• A. Construção de Cadeias Narrativas (Eventos e Causalidade):

  • Extração de Eventos: Os eventos são representados como tuplas (verbo, objeto) extraídas do texto usando o framework ETypeClus e um analisador de dependências.
  • Relações Causais: O modelo identifica pares de eventos causalmente relacionados dentro dos artigos usando uma adaptação do DAPrompt (aprendizado por prompt com modelos de linguagem), gerando triplets do tipo (evento, causal, evento).
  • Verbalização: Um modelo de raciocínio (DeepSeek-R1-Distill-Llama-70B) converte esses triplets em sentenças concisas que encapsulam a sequência causal, incorporando o contexto do artigo.

• B. Extração de Personagens e Papéis:

  • Grupos de Personagens: Identifica menções de personagens principais e as agrupa em categorias semânticas (ex: "Imigrantes", "Políticos", "Força Policial") usando k-means com sementes iniciais baseadas em conhecimento de domínio.
  • Atribuição de Papéis Narrativos: Baseado no Narrative Policy Framework, o modelo atribui a cada personagem um papel arquetípico dentro da cadeia causal: Herói (agentes que impulsionam resultados positivos), Ameaça (agentes que criam conflito/dano) ou Vítima (aqueles que sofrem consequências). Também é determinada a posição (Stance) da cadeia (a favor, contra ou neutro).

• C. Agrupamento Estruturado (Structured Clustering):

  • Diferente do k-means tradicional que agrupa apenas por similaridade textual, este método utiliza as informações de papel dos personagens como restrições.
  • Restrições "Cannot-Link": Se duas cadeias narrativas têm configurações de papéis conflitantes (ex: "Imigrantes" como Vítima em uma cadeia vs. "Imigrantes" como Ameaça em outra), elas recebem uma restrição de "não podem ser agrupadas".
  • Algoritmo: Utiliza uma variante de k-means com inicialização sensível a restrições (constraint-aware k-means++) e um objetivo de minimização de custo que penaliza a violação dessas restrições. Isso garante que narrativas superficialmente similares, mas com estruturas morais opostas, sejam separadas.

• D. Atribuição de Esquema Narrativo:

  • Após o agrupamento, um LLM analisa as cadeias de cada cluster para gerar um "esquema narrativo" de alto nível, identificando elementos de enquadramento (framing) baseados em Entman (1993): Questão (problema), Avaliação (julgamento moral) e Resolução (solução proposta).

3. Contribuições Chave

• Integração Teoria-NLP: Unifica a visão da teoria da comunicação (narrativa como esquema de sentido compartilhado) com a abordagem bottom-up do NLP (unidades atômicas extraídas).
• Primeira Abordagem Combinada: É o primeiro trabalho computacional a combinar sistematicamente informações detalhadas de nível de personagem (papéis arquetípicos) com informações de nível de evento para análise de mídia.
• Escalabilidade com Interpretabilidade: O método induz esquemas ricos em grandes corpora sem anotação manual exaustiva, produzindo estruturas explicáveis que alinham com teorias de enquadramento estabelecidas.
• Novo Método de Agrupamento: Propõe um algoritmo de agrupamento restrito que usa a dinâmica de personagens como constraint para revelar distinções de enquadramento subjacentes que a similaridade textual pura perderia.

4. Resultados e Avaliação

O método foi testado em dois domínios de políticas públicas: Imigração e Controle de Armas, utilizando o Media Frames Corpus.

• Qualidade das Cadeias e Anotações: A extração de eventos e causalidade alcançou um F1 de ~58% (com recall alto de ~78%), e a anotação de personagens/papéis obteve pontuações médias de 4.0 a 4.7 em uma escala de 5, indicando alta precisão e fidelidade sem alucinações excessivas.
• Desempenho de Agrupamento: O agrupamento estruturado superou consistentemente o k-means padrão em todas as métricas:
  • Pureza de Correspondência Exata: Aumento de 5-7 pontos percentuais.
  • Pureza Baseada em Papéis: Melhoria significativa na consistência dos papéis dentro dos clusters.
  • Predição de Frames: O uso dos clusters como características para prever frames de mídia resultou em ganhos de 3-4 pontos no F1, demonstrando que os clusters capturam informações relevantes para o enquadramento.
• Teste de Intrusão: O método melhorou a detecção de intrusos (identificar uma cadeia que não pertence ao cluster) em 10 pontos para o domínio de controle de armas, validando a coerência semântica dos clusters.
• Análise Explicável (SHAP): A análise de importância de características mostrou que os esquemas narrativos estruturados capturam padrões preditivos equivalentes a embeddings de texto (RoBERTa), mas com maior transparência, permitindo entender quais papéis de personagens e clusters de eventos impulsionam frames específicos (ex: "Imigrantes" como vítimas sendo central para frames de imigração; "Decisões Judiciais" sendo central para frames de controle de armas).

5. Significância

Este trabalho avança o campo da análise computacional de mídia ao demonstrar que é possível automatizar a descoberta de narrativas complexas e ideologicamente carregadas. Ao focar na estrutura causal e nos papéis dos personagens, o método revela como a mídia constrói significados e direciona a opinião pública, indo além da simples categorização de tópicos. A capacidade de induzir esses esquemas em escala, mantendo a interpretabilidade humana, oferece uma ferramenta poderosa para pesquisadores entenderem a formação de debates públicos, a construção de estereótipos e a dinâmica de movimentos sociais. Além disso, o framework é agnóstico ao domínio, permitindo sua aplicação em diversas áreas de política e sociedade.