"F*** You Biden": Cross-Partisan Electoral Toxicity on X
通过分析 2024 年美国大选期间的 X 平台数据，本研究发现，尽管倾向共和党的帖子本身更具毒性，但倾向民主党的帖子却收到了显著更多的毒性回复，这主要是因为它们吸引了来自共和党用户的大规模跨党派互动。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象互联网是一个巨大而混乱的城镇广场，两支敌对的运动队——“红队”和“蓝队”——正在一场大型冠军赛（2024 年美国大选）中不停地互相叫骂。
这篇论文就像一位裁判，带着高科技麦克风介入其中，仔细聆听人们究竟在说什么，以及他们的言辞有多恶毒。以下是他们发现的核心故事：
大惊喜：哪支队伍更“恶毒”？
你可能会以为，挑起骂战的那支队伍，也是被骂得最惨的那支。但数据揭示了一个奇怪的转折：
- 红队（倾向共和党）挑起争端。 当他们发布自己的帖子时，使用的侮辱性词汇、脏话和攻击性语言比蓝队更多。他们是率先挥拳的人。
- 蓝队（倾向民主党）遭受最猛烈的回击。 尽管他们发言时相对安静，但他们的帖子却招致了大规模的愤怒回复风暴。回复蓝队帖子的信息，比回复红队帖子的信息要恶毒得多。
类比： 想象红队是一群喜欢向所见之人投掷水气球的人。他们投掷了大量气球（他们自己的帖子中恶毒程度很高）。然而，蓝队就像一群站着不动、举着标语牌的人。尽管他们并没有投掷任何东西，但红队向他们投掷了如此多的水气球，以至于蓝队被淋得湿透。蓝队并没有投掷更多气球；他们只是被洪水般的气球击中了。
为什么蓝队会被淋湿？
研究人员深入调查了是谁在投掷。他们发现了两个主要原因：
- 跨队攻击更恶毒： 当红队成员回复蓝队帖子时，其言辞比回复红队其他帖子时稍显恶毒。蓝队成员回复红队帖子时也是如此。基本上，与“敌人”交谈比与朋友交谈更容易让人愤怒。
- 数量差异： 这是最关键的部分。红队攻击蓝队的活跃度远高于蓝队攻击红队。
- 对于每一条蓝队帖子，大约有3 条红队回复；而对于每一条红队帖子，只有1 条蓝队回复。
- 这就像一小群蓝队粉丝试图向满场红队粉丝的体育场喊回去。正是红队粉丝向蓝队叫骂的绝对数量，使得蓝队的体验如此充满毒性。
“去你的，拜登”因素
这篇论文的标题源自那些最具毒性回复中最常见的短语。它表明敌意往往针对特定领导人，但这种模式适用于整个群体。论文显示，毒性不仅关乎人们说了什么，还关乎谁在说以及有多少人在说。
他们是如何得出这些结论的？
研究人员并没有手动阅读数百万条推文（那将耗费永恒的时间！）。相反，他们使用了：
- AI 分类器： 智能计算机程序（像一位超级高效的图书管理员），它们阅读帖子并判断：“这个人听起来像红队粉丝”或“这听起来像蓝队粉丝”。他们将这些机器人的判断与人类裁判的评估进行核对，以确保准确性。
- 毒性评分： 另一项工具为每条帖子赋予一个从 0 到 1 的“恶毒程度”分数。
- 数学统计： 他们利用统计学证明，这些差异并非仅仅是随机运气，而是真实的模式。
核心结论
该论文得出结论，网络政治愤怒有点像一场一边倒的街头斗殴。一方（红队）在言辞上更具攻击性，但另一方（蓝队）遭受更多痛苦，因为他们是这种攻击的主要目标。人们在蓝队帖子上看到的“毒性”，并非因为蓝队更恶毒；而是因为红队以如此庞大的数量出现并攻击他们。
该论文并未声称：
- 它并未声称这种情况发生在其他社交媒体应用（如 Facebook 或 TikTok）上。
- 它并未声称这种情况会在下一次选举或其他国家发生。
- 它并未提出解决该问题的具体方法（例如封禁用户），只是指出我们需要理解攻击的“数量”，才能理解毒性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。