Discovering Conceptual Metaphors Across Topics and Media Types

O pensamento humano frequentemente se apoia em um andaime oculto de comparações. Compreendemos ideias complexas e abstratas ao mapeá-las sobre experiências físicas simples que conhecemos bem. Este é o cerne da Teoria da Metáfora Conceitual, uma estrutura que sugere que, quando falamos de coisas como "pagar impostos" ou "campanhas políticas", não estamos apenas usando uma linguagem floreada; estamos, inconscientemente, emprestando a lógica de objetos físicos, jornadas ou batalhas para dar sentido ao mundo. Se um falante descreve os impostos como um fardo pesado que deve carregar, ele está enquadrando a questão como um peso físico, o que naturalmente leva ao desejo de depositá-lo. Se ele descreve os mesmos impostos como um investimento na comunidade, a lógica muda inteiramente para uma de crescimento e retorno futuro. Esses mapas mentais subjacentes moldam a forma como as pessoas raciocinam, argumentam e percebem a realidade, mas são difíceis de visualizar diretamente porque estão enterrados sob a superfície da fala cotidiana.

Pesquisadores da Universidade do Colorado Boulder desenvolveram uma nova maneira de descobrir esses mapas invisíveis ao analisar milhares de palavras faladas e escritas sem intervenção humana. Em vez de perguntar às pessoas o que elas querem dizer, a equipe construiu um sistema de computador que lê vastas coleções de texto, identifica as palavras específicas usadas metaforicamente e, em seguida, as agrupa com base na lógica mais profunda que compartilham. O sistema primeiro encontra pares de palavras onde um verbo é usado de forma não literal, como um político "empunhando" o poder ou uma economia "colapsando". Ele então pede a um modelo de linguagem de grande escala para explicar o que essas frases implicam sobre o problema, a causa e a solução, efetivamente traduzindo a metáfora em uma declaração clara do ponto de vista do falante. Por fim, o sistema organiza essas interpretações em agrupamentos, mas com uma regra estrita: ele se recusa a agrupar metáforas se elas descreverem ações físicas fundamentalmente diferentes, mesmo que falem sobre o mesmo tópico. Isso garante que os grupos resultantes reflitam semelhanças genuínas na forma como as pessoas estão pensando, em vez de apenas semelhanças superficiais nas palavras que escolheram.

Quando os pesquisadores aplicaram este método a um conjunto massivo de dados de transcrições de podcasts políticos, encontraram padrões distintos na forma como falantes de inclinação à esquerda e à direita enquadram o mundo. A análise revelou que apresentadores de inclinação à esquerda frequentemente conceituam informação, histórias da mídia e poder político como armas. Eles costumam usar verbos como "esmagar", "empunhar" e "tomar" para descrever como essas forças são usadas umas contra as outras. Em contraste, fontes de inclinação à direita foram muito mais propensas a discutir questões econômicas como sistemas sujeitos a mudanças verticais, usando linguagem que sugere que as coisas estão subindo ou descendo, ou que a economia é uma estrutura que pode ser construída ou demolida. O estudo também mostrou que falantes de inclinação à esquerda foram mais propensos a discutir violência política por meio de linguagem metafórica, enquanto falantes de inclinação à direita focaram mais intensamente em temas econômicos.

A equipe testou seu método em outros tópicos, incluindo imigração, controle de armas e aborto, para ver se conseguiria recuperar padrões de pensamento bem conhecidos. Nos dados de imigração, o sistema identificou com sucesso a metáfora amplamente documentada de imigrantes como parasitas ou desastres naturais, agrupando frases sobre "inundar" fronteiras ou "drenar" recursos. Também descobriu que fontes de inclinação à direita frequentemente enquadravam a imigração como uma invasão ativa ou uma crise sendo combatida, ao passo que fontes de inclinação à esquerda usavam metáforas diferentes para descrever os mesmos eventos. Os pesquisadores confirmaram que esses agrupamentos não eram aleatórios; quando usaram a frequência desses agrupamentos metafóricos para prever o viés político de um episódio de podcast, o sistema conseguiu distinguir com precisão entre fontes de esquerda e de direita. Isso sugere que a maneira como as pessoas escolhem suas metáforas é um sinal confiável de sua estrutura ideológica subjacente.

O estudo não afirma ter resolvido o problema do viés midiático ou ter encontrado todas as metáforas existentes. Os pesquisadores reconhecem que seu método depende de ferramentas automatizadas que podem cometer erros, como identificar erroneamente uma palavra literal como uma metáfora ou atribuir uma frase à categoria errada. Eles também observam que sua análise de podcasts cobre um conjunto específico de canais e um período de tempo limitado, portanto, as descobertas podem não se aplicar a todos os formatos de mídia ou a todos os falantes. No entanto, os resultados demonstram que é possível usar o aprendizado de máquina não supervisionado para mapear as estruturas conceituais que guiam o discurso público. Ao revelar como diferentes grupos usam a lógica de objetos físicos, forças e jornadas para enquadrar questões abstratas, esta abordagem oferece uma nova maneira de compreender as formas sutis e, muitas vezes, inconscientes pelas quais a linguagem molda nossa realidade política.