Un algoritmo può prevedere il futuro di un politico semplicemente analizzando i suoi tweet? | Karina Petrova, PsyPost Un nuovo modello statistico ha classificato con successo i membri del Congresso degli Stati Uniti in distinti gruppi politici e legislativi basandosi esclusivamente sui loro schemi di interazione sulla piattaforma di social media X. Pubblicato nel Journal of Computational and Graphical Statistics, lo studio ha anche identificato un piccolo numero di outlier il cui comportamento online sembrava segnalare ambizioni per cariche più elevate. I politici utilizzano piattaforme pubbliche per comunicare i loro principi e le loro posizioni politiche agli elettori. Oltre alle dichiarazioni formali, molti coltivano anche un marchio personale attraverso le loro scelte di linguaggio e stile. Con una grande quantità di messaggi politici che ora avviene online, i ricercatori hanno indagato su come i funzionari eletti si posizionano strategicamente associandosi ad altri nella loro coalizione. Il nuovo studio è stato condotto da Benjamin Leinwand, professore assistente di scienze matematiche presso il Stevens Institute of Technology, e Vince Lyzinski, professore di matematica presso l'Università del Maryland. Si specializzano in scienza delle reti, un campo che analizza le connessioni all'interno di sistemi complessi. Hanno cercato di determinare se un modello potesse dedurre la struttura sottostante di una rete politica osservando solo le interazioni, senza ricevere alcuna informazione sulle affiliazioni politiche o su quale camera del Congresso appartenesse un membro. Per comprendere il panorama sociale del Congresso, i ricercatori avevano bisogno di uno strumento che potesse mappare la complessa rete di interazioni online. Al suo interno, qualsiasi modello statistico tenta di calcolare un valore semplice per ogni coppia di individui: la probabilità che si connettano. Questo produce una mappa della rete, mostrando quali connessioni sono probabili e quali no. Alcuni modelli di rete ampiamente utilizzati affrontano questo compito combinando alcuni fattori chiave. Ad esempio, un modello potrebbe stimare la probabilità di una connessione moltiplicando il punteggio di "sociabilità" individuale di una persona con un punteggio che rappresenta quanto sia interattivo il loro gruppo. Questo metodo funziona bene in molti scenari, ma può rompersi in reti con variazioni estreme. Il problema sorge nelle comunità densamente connesse dove alcuni individui sono eccezionalmente attivi. In tali casi, il modello potrebbe assegnare punteggi di sociabilità molto elevati a queste persone attive e un punteggio di interazione elevato al loro gruppo. Quando questi punteggi elevati vengono moltiplicati insieme, la probabilità risultante può superare 1, o il 100 percento. Questa è un'impossibilità matematica che segnala che il modello non riesce a rappresentare accuratamente le dinamiche sociali sottostanti. Il nuovo modello sviluppato da Leinwand e Lyzinski è costruito su una base matematica diversa specificamente progettata per evitare questo problema. I suoi calcoli interni sono costruiti in modo tale da garantire che l'output finale per qualsiasi coppia di politici sia sempre una probabilità valida, un numero compreso tra 0 e 1. Questo assicura che il modello produca una mappa coerente e logica della rete, anche nelle sue regioni più attive e complesse. Oltre a prevenire errori, questo nuovo approccio offre maggiore flessibilità. Non presume che i modelli di connessione siano gli stessi in tutta la rete. Ad esempio, alcuni modelli potrebbero implicitamente presumere che i membri più socialmente attivi di un gruppo siano più propensi a connettersi con i membri più attivi di un altro. Il nuovo modello, tuttavia, può rilevare schemi più intricati. Potrebbe, ad esempio, trovare una situazione in cui membri moderati di due diversi partiti politici interagiscono frequentemente, mentre i membri più partigiani di quegli stessi partiti interagiscono molto poco. Può anche riconoscere che la tendenza di un individuo a formare connessioni potrebbe cambiare a seconda della comunità con cui sta interagendo, fornendo un ritratto più dettagliato e realistico della comunicazione politica. Utilizzando questo modello, Leinwand e Lyzinski hanno analizzato l'attività pubblica di 475 membri del 117° Congresso degli Stati Uniti. Il loro dataset includeva ogni membro che ha pubblicato almeno 100 tweet durante un periodo di quattro mesi, dal 9 febbraio 2022 al 9 giugno 2022. Il modello definiva una connessione tra due politici se uno di loro aveva twittato o ritwittato l'altro durante questo intervallo di tempo. "Chiamiamo due persone 'connesse', se uno dei due ha twittato all'altro o ha ritwittato l'altro durante questo periodo," ha spiegato Leinwand. Il modello non ha ricevuto alcuna informazione riguardo al partito di un politico, alla sua camera o alle sue posizioni politiche. Era incaricato di classificare i 475 individui in gruppi basandosi solo sulla rete delle loro connessioni digitali. Il modello ha identificato tre comunità principali. Questi gruppi definiti algoritmicamente seguivano linee politiche familiari. Il primo gruppo era composto quasi interamente da senatori. La seconda comunità consisteva principalmente di membri Democratici della Camera dei Rappresentanti, e la terza era composta in gran parte da membri Repubblicani della Camera. L'analisi ha mostrato che i politici all'interno di questi tre gruppi tendevano a interagire più frequentemente con i membri della propria comunità. "I congressisti repubblicani parlavano molto tra di loro, e i congressisti democratici parlavano molto tra di loro, anche se i congressisti democratici erano leggermente più propensi a interagire con i senatori rispetto ai loro omologhi repubblicani," ha detto Leinwand. Ha offerto una possibile spiegazione per questo schema. Al momento dell'osservazione, i Democratici detenevano la maggioranza al Senato. Di conseguenza, "si potrebbe immaginare che i congressisti democratici potrebbero essere incentivati a amplificare i messaggi della leadership del Senato oltre ai loro alleati nella Camera," ha continuato. ...