Os computadores poderiam ajudar a fechar divisões partidárias?

Jordan Peterson & Slavoj Žižek - Felicidade: Capitalismo vs. Marxismo (Legendado em Português) (Julho 2019).

Anonim

Pesquisadores da Universidade de Wisconsin-Madison estão usando computadores de novas maneiras para desenvolver uma visão abrangente de como as pessoas se comunicam sobre política e como essas conversas podem ser moldadas pela mídia, redes sociais e interações pessoais.

O que a análise computadorizada deles encontra, esperam os pesquisadores, poderia ajudar a superar a divisão entre pessoas de ambos os lados do corredor político que são incapazes de se unir para resolver os problemas da sociedade porque elas não podem nem falar umas com as outras - tanto que elas poderia muito bem estar falando línguas diferentes.

"Uma das perguntas mais importantes para nós é: o sistema de comunicação ajuda as pessoas a entender os problemas que definem em suas vidas sociais e políticas?" diz Lewis Friedland, professor da Escola de Jornalismo e Comunicação de Massa da UW-Madison. "Ou temos um sistema que realmente exacerba as divisões entre as pessoas - o que torna mais fácil a divisão em 'grupos internos' e 'grupos externos', para ver os outros como diferentes de nós ou indignos?"

Baseando-se em postagens em mídias sociais, pesquisas de opinião pública, cobertura de notícias e entrevistas pessoais de todo o Wisconsin desde 2010, Friedland e colaboradores pintarão uma imagem das interações políticas como um ambiente vivo e mutável - uma "ecologia da comunicação" - com teias de interação entre pessoas e instituições no estado. Apoiado pelo financiamento da iniciativa da UW2020, é um dos esforços mais ambiciosos para se compreender como as pessoas em todo um estado falam sobre política e como essas conversas mudaram ao longo do tempo.

"Ninguém tentou modelar ecologias de comunicação em nível estadual, especialmente ao longo de oito anos", diz Friedland. "É preciso muita criatividade para coletar dados, modelar relacionamentos e desenvolver métodos de análise."

Os pesquisadores estão aproveitando o poder do aprendizado de máquina, no qual a UW-Madison é uma inovadora líder, para detectar como pessoas de tendências políticas opostas atribuem diferentes significados às mesmas palavras.

Por exemplo, a palavra "regulação" pode ter conotações substancialmente diferentes - "útil e necessária" ou "onerosa e invasiva" - para liberais e conservadores. Embora esses sentimentos possam parecer intuitivos, é difícil definir rigorosamente e quantificar exatamente como as pessoas atribuem significados às palavras.

O aprendizado de máquina oferece uma solução para esse problema, transformando palavras em conceitos geométricos chamados vetores e usando operações matemáticas para fazer comparações.

"Os vetores mostram algo sobre as palavras", diz William Sethares, professor de engenharia elétrica e informática da UW-Madison e colaborador do projeto. "Coisas simples como sinônimos terão vetores semelhantes e vetores para palavras análogas terão as mesmas relações entre si."

Vetores são objetos abstratos que têm comprimento e direção; em duas dimensões, um vetor se parece com um símbolo de seta. Os vetores de palavras são semelhantes às setas simples, exceto pelo fato de existirem em muitas outras dimensões. Mesmo que fosse impossível desenhar vetores de palavras em uma folha plana de papel, as representações para "rei" e "rainha" iriam, em certo sentido, apontar nas mesmas direções com respeito umas às outras como aquelas para "menino" e "menina."

Depois de comparar vetores de aproximadamente 2.000 tweets postados por liberais, conservadores e não-partidários, os pesquisadores identificaram as 10 palavras mais importantes com diferentes usos entre ideologias políticas, incluindo "político", "governo" e "meio ambiente".

Revelar essas diferenças exigiu uma nova abordagem computacional, desenvolvida por Sethares e pela estudante de pós-graduação Prathusha Sarma.

O processo de transformar palavras em vetores é chamado de incorporação, e normalmente envolve algoritmos de programação para vasculhar grandes quantidades de texto, como a totalidade da Wikipedia ou todas as notícias do Google já publicadas.

O problema é que a poderosa palavra genérica incorporada em bancos de dados gigantes como a Wikipedia muitas vezes não apresenta nuances na linguagem - afinal, cada palavra se torna um único vetor, então termos com múltiplos significados podem confundir até mesmo os algoritmos mais inteligentes (pense em "hack"). descreva o que um machado faz, uma invasão de computador ou um escritor não talentoso).

Embora essas diferenças sutis possam surgir em conjuntos de dados específicos, como o texto de 2.000 tweets políticos, simplesmente não haveria palavras suficientes para construir vetores precisos.

"Qualquer nicho pequeno usa palavras à sua maneira", diz Sethares. "As coisas que funcionam muito bem exigem bilhões de palavras, então estamos presos em uma armadilha porque não podemos treinar algoritmos em um pequeno conjunto de dados."

Em vez disso, Sethares e Sarma encontraram um método eficaz para combinar a força da palavra embeddings derivada da Wikipedia com a especificidade dos tweets políticos. Seu algoritmo não apenas identificou palavras que conservadores e liberais usam de maneira diferente, mas também predisse a ideologia política de um autor de um tweet com cerca de 90% de precisão baseada apenas na linguagem.

Sethares e seus colegas planejam aplicar as mesmas abordagens de aprendizado de máquina às notícias políticas e aos discursos de campanha de Wisconsin. A abordagem poderia permitir-lhes fazer comparações entre o diálogo político nas comunidades urbanas e rurais, bem como examinar como os significados das palavras partidárias podem ter mudado ao longo do tempo.

Em seguida, eles combinarão informações sobre significados de palavras com camadas adicionais de dados, incluindo insights de entrevistas pessoais, resultados de eleições e estatísticas históricas de pesquisas de opinião pública. A ecologia de comunicação resultante oferecerá insights sem precedentes sobre como o ambiente político de Wisconsin está evoluindo.

"O ambiente está ficando mais ruidoso e ruidoso", diz Friedland. "As pessoas que têm tempo e atenção limitados podem se concentrar apenas em um determinado dia."

E mesmo que o desembaraço do impasse partidário exija empatia e esforço substanciais de pessoas de todo o espectro político, a compreensão do ambiente de comunicação é um primeiro passo importante para reduzir a distância, acrescenta Friedland.

menu
menu