Чи може алгоритм передбачити майбутнє політика, просто аналізуючи його твіти? | Каріна Петрова, PsyPost Нова статистична модель успішно відсортувала членів Конгресу США за окремими політичними та законодавчими групами виключно на основі їхніх моделей взаємодії на платформі соціальних медіа X. Дослідження, опубліковане в Journal of Computational and Graphical Statistics, також виявило невелику кількість викидів, чия поведінка в Інтернеті, схоже, сигналізувала про амбіції на вищі посади. Політики використовують публічні платформи, щоб доносити до виборців свої принципи та політичну позицію. Крім формальних заяв, багато хто також культивує особистий бренд через свій вибір мови та стилю. У зв'язку з тим, що зараз в Інтернеті з'являється велика кількість політичних меседжів, дослідники досліджують, як обрані посадовці позиціонують себе, стратегічно асоціюючись з іншими членами своєї коаліції. Нове дослідження провели Бенджамін Лейнванд, доцент кафедри математичних наук у Технологічному інституті Стівенса, та Вінс Лизінскі, професор математики в Університеті Меріленда. Вони спеціалізуються на науці про мережі, галузі, яка аналізує зв'язки в складних системах. Вони прагнули визначити, чи може модель вивести базову структуру політичної мережі, спостерігаючи лише за взаємодіями, не отримуючи жодної інформації про політичну приналежність або про те, до якої палати Конгресу належить член. Щоб зрозуміти соціальний ландшафт Конгресу, дослідникам потрібен був інструмент, який міг би скласти складну мережу онлайн-взаємодій. За своєю суттю будь-яка така статистична модель намагається обчислити просте значення для кожної пари особин: ймовірність того, що вони з'єднаються. Це створює схему мережі, яка показує, які з'єднання ймовірні, а які ні. Деякі широко використовувані мережеві моделі підходять до цього завдання, поєднуючи кілька ключових факторів. Наприклад, модель може оцінювати ймовірність зв'язку, множачи індивідуальний показник «товариськості» людини на показник, що відображає, наскільки інтерактивною є її група. Цей метод добре працює в багатьох сценаріях, але він може зламатися в мережах з екстремальними варіаціями. Проблема виникає в щільно пов'язаних між собою громадах, де кілька осіб є надзвичайно активними. У таких випадках модель може призначити цим активним людям дуже високі оцінки комунікабельності, а їх групі - високий бал взаємодії. Коли ці високі показники множать разом, отримана ймовірність може перевищувати 1 або 100 відсотків. Це математична неможливість, яка сигналізує про те, що модель не в змозі точно відобразити базову соціальну динаміку. Нова модель, розроблена Лейнвандом і Лизінським, побудована на іншій математичній основі, спеціально розробленій для уникнення цієї проблеми. Його внутрішні розрахунки побудовані таким чином, що гарантує, що кінцевим результатом для будь-якої пари політиків завжди буде дійсна ймовірність, число від 0 до 1. Це гарантує, що модель створює послідовну та логічну карту мережі навіть у її найактивніших та найскладніших регіонах. Окрім запобігання помилкам, цей новий підхід пропонує більшу гнучкість. При цьому не передбачається, що схеми підключення однакові у всій мережі. Наприклад, деякі моделі можуть неявно припускати, що найбільш соціально активні члени однієї групи, швидше за все, зв'яжуться з найактивнішими членами іншої. Нова модель, однак, може виявляти більш складні візерунки. Це може статися, наприклад, ситуація, коли помірковані члени двох різних політичних партій часто взаємодіють, тоді як найбільш партійні члени цих партій взаємодіють дуже мало. Він також може визнати, що схильність індивіда до формування зв'язків може змінюватися залежно від спільноти, з якою він взаємодіє, забезпечуючи більш детальний і реалістичний портрет політичної комунікації. Використовуючи цю модель, Лейнванд і Лизінський проаналізували громадську активність 475 членів 117-го Конгресу США. Їхній набір даних включав кожного учасника, який опублікував щонайменше 100 твітів протягом чотиримісячного періоду, з 9 лютого 2022 року по 9 червня 2022 року. Модель визначає зв'язок між будь-якими двома політиками, якщо один з них твітнув або ретвітнув іншого протягом цього періоду часу. «Ми називаємо двох людей «пов'язаними», якщо один з пари написав у Твіттері іншому або ретвітнув іншого протягом цього періоду», — пояснила Лейнванд. Модель не була забезпечена жодною інформацією про партію політика, його палату або його політичні позиції. Перед ним було поставлено завдання відсортувати 475 осіб на групи лише на основі мережі їхніх цифрових зв'язків. Модель виокремила три первинні спільноти. Ці алгоритмічно визначені групи потрапляли за звичними політичними лініями. Перша група майже повністю складалася з сенаторів. Друга громада складалася в основному з демократичних членів Палати представників, а третя складалася в основному з республіканських членів Палати представників. Аналіз показав, що політики в цих трьох групах, як правило, найчастіше взаємодіють з членами своєї громади. «Конгресмени-республіканці багато говорили між собою, а конгресмени-демократи багато говорили між собою, хоча конгресмени-демократи дещо частіше взаємодіяли з сенаторами, ніж їхні колеги-республіканці», — сказала Лейнванд. Він запропонував потенційне пояснення цієї закономірності. На момент спостереження демократи мали більшість у Сенаті. В результаті, «можна уявити, що конгресмени-демократи можуть бути зацікавлені посилювати меседжі керівництва Сенату на додаток до своїх союзників у Палаті представників», — продовжив він. ...