Czy algorytm może przewidzieć przyszłość polityka tylko na podstawie analizy jego tweetów? | Karina Petrova, PsyPost Nowy model statystyczny z powodzeniem podzielił członków Kongresu USA na wyraźne grupy polityczne i legislacyjne, opierając się wyłącznie na ich wzorcach interakcji na platformie społecznościowej X. Opublikowane w Journal of Computational and Graphical Statistics, badanie zidentyfikowało również niewielką liczbę odstających, których zachowanie online wydawało się sygnalizować ambicje na wyższe stanowiska. Politycy korzystają z publicznych platform, aby komunikować swoje zasady i stanowiska polityczne wyborcom. Poza formalnymi oświadczeniami, wielu z nich buduje również osobistą markę poprzez wybory językowe i styl. W obliczu tego, że wiele komunikatów politycznych odbywa się teraz online, badacze badają, jak wybrani urzędnicy pozycjonują się, strategicznie kojarząc z innymi w swojej koalicji. Nowe badanie zostało przeprowadzone przez Benjamina Leinwanda, adiunkta nauk matematycznych w Stevens Institute of Technology, oraz Vince'a Lyzinskiego, profesora matematyki na Uniwersytecie Maryland. Specjalizują się w nauce o sieciach, dziedzinie analizującej połączenia w złożonych systemach. Starali się ustalić, czy model mógłby wydedukować podstawową strukturę sieci politycznej, obserwując tylko interakcje, bez podawania jakichkolwiek informacji o przynależności politycznej lub o tym, do której izby Kongresu należy dany członek. Aby zrozumieć społeczny krajobraz Kongresu, badacze potrzebowali narzędzia, które mogłoby zmapować złożoną sieć interakcji online. W swojej istocie każdy taki model statystyczny stara się obliczyć prostą wartość dla każdej pary osób: prawdopodobieństwo, że się połączą. To produkuje plan sieci, pokazując, które połączenia są prawdopodobne, a które nie. Niektóre powszechnie stosowane modele sieciowe podchodzą do tego zadania, łącząc kilka kluczowych czynników. Na przykład model może oszacować prawdopodobieństwo połączenia, mnożąc indywidualny wynik „towarzyskości” danej osoby przez wynik reprezentujący, jak interaktywna jest ich grupa. Ta metoda działa dobrze w wielu scenariuszach, ale może zawieść w sieciach z ekstremalnymi wariacjami. Problem pojawia się w gęsto połączonych społecznościach, gdzie kilka osób jest wyjątkowo aktywnych. W takich przypadkach model może przypisać bardzo wysokie wyniki towarzyskości tym aktywnym osobom i wysoki wynik interakcji ich grupie. Kiedy te wysokie wyniki są mnożone, uzyskane prawdopodobieństwo może przekroczyć 1 lub 100 procent. To jest matematyczna niemożliwość, która sygnalizuje, że model nie jest w stanie dokładnie odzwierciedlić podstawowej dynamiki społecznej. Nowy model opracowany przez Leinwanda i Lyzinskiego oparty jest na innej podstawie matematycznej, zaprojektowanej specjalnie w celu uniknięcia tego problemu. Jego wewnętrzne obliczenia są skonstruowane w taki sposób, aby zapewnić, że ostateczny wynik dla każdej pary polityków zawsze jest ważnym prawdopodobieństwem, liczbą między 0 a 1. To zapewnia, że model produkuje spójną i logiczną mapę sieci, nawet w jej najbardziej aktywnych i złożonych obszarach. Poza zapobieganiem błędom, nowe podejście oferuje większą elastyczność. Nie zakłada, że wzorce połączeń są takie same w całej sieci. Na przykład niektóre modele mogą nieświadomie zakładać, że najbardziej społecznie aktywni członkowie jednej grupy są najbardziej skłonni do połączenia się z najbardziej aktywnymi członkami innej. Nowy model jednak może wykrywać bardziej złożone wzorce. Może na przykład znaleźć sytuację, w której umiarkowani członkowie dwóch różnych partii politycznych często ze sobą interagują, podczas gdy najbardziej partyjni członkowie tych samych partii mają bardzo mało interakcji. Może również rozpoznać, że tendencja danej osoby do nawiązywania połączeń może się zmieniać w zależności od społeczności, z którą wchodzi w interakcję, co daje bardziej szczegółowy i realistyczny obraz komunikacji politycznej. Korzystając z tego modelu, Leinwand i Lyzinski przeanalizowali publiczną aktywność 475 członków 117. Kongresu USA. Ich zestaw danych obejmował każdego członka, który opublikował co najmniej 100 tweetów w ciągu czteromiesięcznego okresu, od 9 lutego 2022 r. do 9 czerwca 2022 r. Model zdefiniował połączenie między dwoma politykami, jeśli jeden z nich tweetował lub retweetował drugiego w tym okresie. „Nazywamy dwie osoby 'połączonymi', jeśli jedna z par tweetowała do drugiej lub retweetowała drugą w tym okresie,” wyjaśnił Leinwand. Model nie otrzymał żadnych informacji o partii polityka, jego izbie ani jego stanowiskach politycznych. Miał za zadanie posortować 475 osób w grupy wyłącznie na podstawie sieci ich cyfrowych połączeń. Model zidentyfikował trzy główne społeczności. Te zdefiniowane algorytmicznie grupy podzieliły się wzdłuż znanych linii politycznych. Pierwsza grupa składała się niemal wyłącznie z senatorów. Druga społeczność składała się głównie z demokratycznych członków Izby Reprezentantów, a trzecia była w dużej mierze złożona z republikańskich członków Izby. Analiza pokazała, że politycy w tych trzech grupach mieli tendencję do najczęstszej interakcji z członkami swojej własnej społeczności. „Republikańscy kongresmeni dużo rozmawiali między sobą, a demokratyczni kongresmeni również dużo rozmawiali między sobą, chociaż demokratyczni kongresmeni byli nieco bardziej skłonni do interakcji z senatorami niż ich republikańscy odpowiednicy,” powiedział Leinwand. Zaoferował potencjalne wyjaśnienie dla tego wzorca. W czasie obserwacji, Demokraci mieli większość w Senacie. W związku z tym „można sobie wyobrazić, że demokratyczni kongresmeni mogą być zmotywowani do amplifikacji przekazów kierownictwa senackiego, oprócz swoich sojuszników w Izbie,” kontynuował. ...