Unpacking the Eye of the Beholder: Social Location, Identity, and the Moving Target of Political Perspectives

Resumo Técnico: Desmontando o Olho do Observador

Declaração do Problema
A ciência social computacional tem adotado cada vez mais ferramentas de aprendizado de máquina para analisar texto e imagens políticas em escala. No entanto, essas ferramentas são predominantemente construídas sobre um paradigma de "absolutismo da verdade fundamental", que assume que existe um único rótulo correto para qualquer instância de dados, independente do observador. Em tarefas avaliativas — como determinar o sentimento ou a violência percebida de uma imagem política —, essa suposição é falha. A teoria da ciência política estabelece que a avaliação é mediada pela localização social e identidade; onde uma pessoa se situa política e socialmente determina o que ela vê. Abordagens computacionais padrão tratam o desacordo entre anotadores de diferentes identidades como "ruído" a ser eliminado por meio de votação majoritária. Ao diluir esses desacordos por meio de médias, as ferramentas existentes descartam o próprio fenômeno que a ciência política se importa: as linhas estruturadas de tensão e conflito avaliativo que definem o desacordo político. Consequentemente, os modelos atuais produzem pontuações únicas que tratam uma peça de mídia como tendo um significado fixo para todos, falhando em capturar como as imagens políticas funcionam como "alvos móveis" dependentes do público.

Metodologia: O Classificador Perspectivista de Sentimento Visual Político (PVPS)
Para abordar isso, o autor desenvolve o Classificador Perspectivista de Sentimento Visual Político (PVPS). Diferentemente dos classificadores padrão que preveem uma única pontuação de sentimento, o PVPS prevê um perfil avaliativo para cada imagem, registrando quais segmentos específicos do público avaliam a imagem mais favoravelmente e ao longo de quais linhas de identidade ocorre a divergência.

• Dados: O modelo é treinado em aproximadamente 82.000 avaliações de 1.264 imagens políticas fornecidas por 5.575 adultos dos EUA em quatro ondas de pesquisa (2022–2025). Os respondentes forneceram classificações em uma escala de atitude de 7 pontos, juntamente com baterias demográficas completas (partido, ideologia, idade, gênero, educação, renda, etnia). Um conjunto de dados suplementar de 7.543 imagens anotadas por mais de 2.000 trabalhadores foi incorporado via auto-treinamento semissupervisionado.
• Arquitetura: O pipeline extrai 1.666 vetores de características por imagem de seis fontes:
  1. CLIP (512 dimensões) e DINOv2 (768 dimensões) para conteúdo visual e layout espacial.
  2. Legendas do Gemini convertidas em vetores TF-IDF (300 dimensões).
  3. Características semânticas (50 dimensões) indicando a presença de palavras preditivas.
  4. Características conceituais (24 dimensões) para objetos políticos (ex.: polícia, bandeiras, placas).
  5. Características de tópico político (12 dimensões) para domínios de políticas.
     Esses vetores são comprimidos através de uma camada de projeção e dois blocos residuais em uma representação de 128 dimensões, que é então mapeada para probabilidades de classe (Consenso vs. Divergência) por meio de uma camada softmax.
• Estratégia de Treinamento: O sistema treina classificadores separados para 112 eixos distintos, cobrindo divisões políticas primárias (Partido, Ideologia, Termômetro), eixos sociodemográficos (Idade, Gênero, Educação, Renda, Hispano) e suas interseções (ex.: Democrata Jovem vs. Republicano Idoso).
  • Para eixos políticos, o modelo aprende a prever a divergência de grupo diretamente a partir do conteúdo visual.
  • Para eixos sociodemográficos, onde as lacunas por imagem são ruidosas, um pipeline estendido (Caminho B) é utilizado. Este caminho prevê classificações individuais com base em características da imagem e atributos do respondente, depois calcula a lacuna entre respondentes prototípicos, combinando isso com o sinal visual (Caminho A) por meio de um meta-aprendiz.
• Validação: Um ensemble de dez classificadores treinados em diferentes divisões de dados e sementes aleatórias é utilizado. O desempenho é medido pela precisão mínima por classe mediana para garantir robustez contra desequilíbrio de classes.

Principais Resultados

• Desempenho de Classificação: O classificador prevê com sucesso a divergência avaliativa em todos os três eixos políticos primários (Partido, Ideologia, Termômetro), com precisões mínimas por classe medianas variando de 68,7% a 78,9%. Também alcança alta precisão (60–83%) em muitos eixos interpartidários e interseccionais.
• Sinais Sociodemográficos: Eixos puramente sociodemográficos (ex.: Idade, Gênero) mostram sinais mais fracos ao depender exclusivamente de desacordo no nível da imagem (50–58% de precisão). No entanto, o pipeline estendido, que condiciona aos atributos do respondente, recupera sinal significativo para Idade (68,9%), Gênero (62,0%) e Educação (61,0%), demonstrando que a identidade social molda a avaliação, mas frequentemente de maneiras entrelaçadas com a estrutura política.
• Reanálise de Estudos Existentes:
  • Casas e Webb Williams (2019): Aplicar o PVPS a imagens do Black Lives Matter (BLM) revela que o efeito mobilizador das emoções não é uniforme. O entusiasmo mobiliza o compartilhamento para imagens favoráveis a mulheres democratas, enquanto medo e nojo impulsionam o engajamento para imagens favoráveis a homens republicanos. Pontuações médias de emoção obscurecem esses mecanismos divergentes.
  • Won, Steinert-Threlkeld e Joo (2017): O estudo encontra que imagens classificadas como "violentas" por anotadores são as mesmas imagens previstas pelo PVPS como sendo avaliadas favoravelmente por republicanos, conservadores e respondentes com inclinação republicana. Por outro lado, imagens com placas de protesto (associadas a menor violência percebida no estudo original) são previstas como favorecidas por democratas. Isso sugere que a violência percebida não é um atributo visual neutro, mas segue linhas de falha partidárias.

Significado e Afirmações
O artigo afirma duas contribuições primárias que conectam ciência política e métodos computacionais:

1. Para a Ciência Política: Oferece um método escalável para medir a avaliação mediada por grupo. Embora a teoria tenha estabelecido há muito tempo que o julgamento político é ordenado por identidade e interseccional, as ferramentas empíricas ficaram para trás, frequentemente colapsando o desacordo em rótulos majoritários. O PVPS torna o desacordo estruturado observável e previsível, permitindo que pesquisadores meçam como os efeitos de persuasão visual variam entre segmentos específicos do público, em vez de assumir uma resposta de público monolítica.
2. Para a Ciência Política Computacional: Demonstra que os eixos de conflito de grupo sobre imagens políticas carregam um sinal forte o suficiente para ser modelado diretamente a partir do conteúdo visual. Ao incorporar suposições perspectivistas (que o desacordo é sinal, não ruído) na arquitetura do modelo, a interpretação de como as imagens são recebidas muda substancialmente. Isso permite a reanálise de efeitos de mídia e persuasão visual em escala, reconhecendo que "o que uma imagem política transmite" é um alvo móvel dependente da localização social do espectador.

O artigo conclui que medir imagens políticas exige saber "a quem ela está movendo". Não afirma resolver todas as questões de viés ou generalizabilidade (notando que o contexto dos EUA é um outlier na polarização afetiva), mas estabelece uma estrutura onde o "olho do observador" deixa de ser uma fonte de erro a ser diluída por médias, tornando-se o objeto central da análise.