技术摘要：量化跨平台分析中的政治党派倾向

问题陈述

对政治极化现象的社交媒体研究受限于无法以一种能够泛化至不同平台的方式来可靠地衡量党派倾向。现有的方法论通常是为特定平台的属性（如 Reddit 的子版块系统、Twitter 的转发图谱）或语言惯例（如特定的标签或俚语）而定制的。随着主流平台与“替代技术”（alt-tech）平台（如 Truth Social、Bluesky）并存，社交媒体生态系统日益碎片化，这些基于特定平台的方法无法提供可比的指标。这种局限性阻碍了对极化、回声壁效应和激进化进行严谨的跨平台分析，尤其是在比较意识形态不对称的环境时。

方法论

作者提出了一种基于文本且具有平台可移植性的方法论，用于衡量政治党派倾向。该方法仅依赖于帖子文本和外部媒体偏见评级，避免了对关注者图谱、社区结构或特定平台惯例的依赖。该流程包含四个阶段：

1. 数据收集与预处理：

   • 语料库： 在 2024 年 5 月 1 日至 10 月 31 日期间（即 2024 年美国总统选举前的六个月），从 Bluesky 和 Truth Social 收集了约 130 万条帖子。
   • 清洗： 对帖子进行了去重（移除近乎相同的内容）、过滤实质性文本（在移除 URL/标签后至少保留三个 token）并剥离了 HTML/表情符号。
   • 嵌入： 使用基于 Transformer 的句子编码器（qwen3-embedding:8b）对清洗后的帖子进行嵌入，生成 128 维向量。这些向量经过 L2 归一化，并通过主成分分析（PCA）进行降维，以保留 95% 的方差。

2. 跨平台聚类与标注：

   • 聚类： 使用 MiniBatch k-means（$k=36$）对来自两个平台的帖子进行联合聚类。
   • 通过外部信号进行标注： 作者从帖子中提取 URL 并将其映射到新闻领域。利用 AllSides 的媒体偏见评级（一个从 -2 [极左] 到 +2 [极右] 的 5 级量表），他们聚合了每个聚类内被引用域名的偏见得分。
   • 稳定性处理： 为了处理引用较少的聚类，应用了经验贝叶斯收缩（Empirical Bayes shrinkage），将原始平均偏见得分向全局先验均值进行收缩。聚类被标注为左倾 ($\le -0.5$)、右倾 ($\ge 0.5$)、中立或无信号。

3. 社会维度构建：

   • 种子对选择： 作者根据对立聚类（左 vs 右）之间的高余弦相似度，算法化地选择了四对种子对，确保这些对主要沿党派维度而非内容主题进行区分。
   • 轴定义： 党派倾向轴 ($\mathbf{d}$) 被定义为这些对立种子对的 L2 归一化质心之间的平均向量差：$\mathbf{d} = \frac{1}{n} \sum (\hat{\mathbf{r}}_i - \hat{\mathbf{l}}_i)$。
   • 评分： 通过将嵌入向量投影到该轴上为单个帖子评分。得分被标准化为 z 分数，其中正值表示向右倾斜对齐，负值表示向左倾斜对齐。

4. 验证：

   • 分布内测试： 在引用了新闻来源但未属于种子聚类的 Bluesky 和 Truth Social 留存帖子（held-out posts）上进行了测试。
   • 分布外测试： 在同一选举期间的独立 X (Twitter) 帖子语料库上进行了测试，该语料库从未参与轴的构建。
   • 敏感性分析： 将所选种子对的性能与所有 630 种可能的聚类配对进行比较，以确保该信号不是人为选择产生的伪影。

关键结果

• 跨平台相关性： 构建的党派倾向轴与被引用新闻来源的 AllSides 偏见得分在两个评估集中均显示出显著的正相关：
  • Bluesky/Truth Social (分布内)： $r = 0.365$ ($p < 0.001$)。
  • X (分布外)： $r = 0.193$ ($p < 0.001$)。
  • 在构建轴时未曾见过的平台 X 上依然保持正相关，证明该方法捕捉的是通用的党派信号，而非平台特定的噪声。
• 敏感性分析： 由作者选定的种子对所衍生的轴的表现优于所有其他可能的聚类配对。其在分布内表现中处于第 100 百分位数，在分布外（X）表现中处于第 9 9.5 百分位数，证实了种子选择程序的鲁棒性。
• 动态党派趋势： 该方法成功恢复了平台身份本身无法解释的平台内动态：
  • 在 Bluesky（通常偏左）上，提及 拜登 (Biden) 的帖子在 7 月份他退出竞选后，从中立/左倾转向明显的右倾（批评性）；而提及 哈里斯 (Kamala Harris) 的帖子则变得越来越左倾，并在首次总统辩论前后达到顶峰。
  • 在 Truth Social 上，提及拜登和哈里斯的次数在 7 月份出现右倾激增，反映了共和党人对候选人更替的反应。
• 语言不对称性： 定性分析显示，强左倾帖子引用特定的候选人（拜登、哈里斯、特朗普），而强右倾帖子则由公民和道德词汇（如“人们”、“上帝”、“国家”、“美国”）主导。

核心贡献

1. 一种可移植的测量方法： 一种由外部媒体偏见评级驱动的文本式党派倾向指标，经验证可在三个不同平台（Bluesky、Truth Social 和 X）产生可比的分数。
2. 首次跨平台比较： 针对 2024 年美国大选期间 Bluesky 和 Truth Social 的政治话语进行的首次对比分析，填补了关于“替代技术”平台研究的空白。
3. 动态情感的实证证据： 证明了该方法能够捕捉变化的党派动态（例如 Bluesky 上对拜登支持度的侵蚀），而不仅仅是恢复静态的平台身份。

意义与主张

本文声称其主要贡献在于提供了一个方法论框架，使得严谨的跨平台比较成为可能。通过将测量锚定在外部一致的偏见评级（AllSides）并依赖纯文本嵌入，该方法克服了以往研究的泛化性限制。

作者断言，这种方法使研究人员能够：

• 调查不同平台如何应对相同的政治事件。
• 追踪党派注意力如何在不同平台内及跨平台随时间转移。
• 分析相同的内容在意识形态对立的平台上是如何被解读的。

论文总结道，尽管该方法目前是针对美国中心化的（由于依赖 AllSides 评级）且对聚类选择具有敏感性，但它为研究碎片化社交媒体生态系统中的时间极化动态、跨平台信息流以及平台驱动的激进化提供了基础性工具。