Event Detection in Social Networks Using Polarization Dynamics

Resumo Técnico: Detecção de Eventos em Redes Sociais Utilizando Dinâmicas de Polarização

Definição do Problema
As redes sociais servem como espaços críticos para a deliberação pública, particularmente durante momentos politicamente sensíveis, onde as interações dos usuários podem revelar tensões sociais e polarização. Embora os métodos existentes de detecção de eventos em mídias sociais baseiem-se primariamente em picos quantitativos no volume de postagens ou mudanças na polaridade de sentimento, essas abordagens podem negligenciar eventos caracterizados por profundo desacordo ou fragmentação estrutural que não geram necessariamente altos volumes de tráfego ou picos emocionais extremos. Este artigo aborda o desafio de detectar eventos públicos significativos ao alavancar a dinâmica de polarização como um sinal complementar, questionando especificamente: Como um modelo de detecção de eventos pode ser construído com base em uma métrica de polarização aplicada a dados de mídias sociais?

Metodologia
O estudo emprega uma abordagem estatística retrospectiva utilizando dados do X (anteriormente Twitter) referentes ao debate público sobre a reforma da previdência colombiana de 2024 (junho–julho de 2024). A metodologia segue um pipeline estruturado:

1. Coleta e Pré-processamento de Dados: Um conjunto de dados de 9.997 tweets foi coletado via API do X, filtrado por relevância à reforma da previdência e limpo de duplicatas e conteúdo não espanhol. Diferente dos fluxos de trabalho tradicionais, a normalização pesada (ex: conversão para minúsculas, tokenização) foi evitada para preservar pistas estilísticas benéficas para a estimativa de posicionamento (stance estimation).
2. Classificação de Posicionamento (Stance Classification): Um Modelo de Linguagem de Grande Escala (GPT-4o) foi utilizado para classificar o posicionamento de cada postagem em uma escala Likert de cinco pontos (Discordo Totalmente a Concordo Totalmente). Informações contextuais, incluindo os tweets originais para as respostas, foram fornecidas para garantir a consistência da inferência.
3. Derivação de Sinais: A partir das classificações de posicionamento, três séries temporais diárias foram construídas:
   • Volume de Tweets: A contagem bruta de postagens.
   • Proporções de Sentimento: Derivadas diretamente da polaridade do posicionamento (desacordo como negativo, concordância como positivo).
   • Polarização: Medida utilizando o índice de Esforço Mínimo para o Consenso (MEC). Esta métrica calcula o esforço ponderado mínimo necessário para deslocar uma distribuição de opiniões em direção a um ponto de consenso, capturando o custo da fragmentação.
4. Modelos de Detecção de Eventos: Três modelos foram comparados usando detecção de anomalias em mudanças diárias:
   • Modelo baseado em Volume: Detecta surtos na atividade de postagem usando uma janela deslizante e um limiar.
   • Baseline baseado em Sentimento: Detecta mudanças abruptas na proporção de postagens positivas/negativas (adaptado de [12]).
   • Modelo proposto baseado em Polarização: Identifica mudanças significativas na mudança diária do índice MEC. Este modelo aplica um critério de Intervalo Interquartil (IQR) ($\Delta_t > Q_3 + \lambda \cdot IQR$ ou $\Delta_t < Q_1 - \lambda \cdot IQR$) para detectar desvios anômalos sem assumir uma normalidade estrita.
5. Avaliação: As detecções do modelo baseado em sentimento serviram como um conjunto de referência de rótulos de eventos. O desempenho foi avaliado usando Precisão, Recall e F1-score contra este baseline.

Principais Resultados
A avaliação comparativa rendeu as seguintes métricas de desempenho:

• Modelo baseado em Polarização: Alcançou um F1-score de 0,75 (Precisão: 0,75, Recall: 0,75).
• Modelo baseado em Volume de Tweets: Alcançou um F1-score de 0,53 (Precisão: 0,71, Recall: 0,42).
• Baseline baseado em Sentimento: Serviu como o padrão de referência (12 eventos detectados após ajuste de parâmetros).

A análise qualitativa revelou que o modelo de polarização identificou com sucesso eventos que foram perdidos pelos sinais de volume e sentimento. Por exemplo, em 27 de junho, um pico de polarização foi detectado correspondendo a notícias sobre fundos de pensão privados redigindo emendas secretas, apesar de não haver um aumento no volume ou no sentimento. Inversamente, em 16 de julho (o dia em que a reforma foi assinada), ocorreu um pico de volume sem um correspondente deslocamento de polarização. Os resultados indicam que a dinâmica de polarização captura episódios de aumento de desacordo e tensão social que não são necessariamente acompanhados por altos níveis de atividade ou picos de sentimento.

Significância e Alegações
O artigo alega que a dinâmica de polarização, operacionalizada através do índice MEC, fornece um sinal valioso e complementar para monitorar o discurso público contencioso. Os autores argumentam que, enquanto os modelos de volume e sentimento capturam efetivamente surtos de atenção e picos emocionais, eles podem perder eventos onde a assinatura primária é uma reconfiguração de concordância e desacordo. Ao unir a detecção de eventos e a análise de polarização, esta abordagem oferece um framework unificado para identificar eventos socialmente significativos impulsionados por divergência estrutural, em vez de apenas níveis de atividade. O estudo conclui que confiar em um único sinal (volume ou sentimento) pode fornecer uma visão incompleta das dinâmicas sociais, e que integrar métricas de polarização pode oferecer indicações precoces de tensões emergentes ou mudanças no posicionamento coletivo em ambientes digitais.