Investigadores de la Universidad de Wisconsin-Madison están utilizando las computadoras de nuevas formas para desarrollar una imagen completa de cómo las personas se comunican sobre política. y cómo los medios pueden dar forma a esas conversaciones, redes sociales e interacciones personales.

Lo que encuentra su análisis informático, los investigadores esperan, podría ayudar a cerrar la brecha entre las personas de ambos lados del pasillo político que no pueden unirse para resolver los problemas de la sociedad porque ni siquiera pueden hablar entre sí, tanto que bien podrían estar hablando diferentes idiomas.

"Una de las preguntas más importantes para nosotros es:¿el sistema de comunicación ayuda a las personas a comprender los problemas que definen en su vida social y política?" dice Lewis Friedland, profesor en la Escuela de Periodismo y Comunicación de Masas de UW – Madison. "O, ¿Tenemos un sistema que realmente exacerba las divisiones entre las personas, que hace que sea más fácil dividirse en 'grupos internos' y 'grupos externos? 'para ver a los demás como diferentes a nosotros o indignos? "

Sobre la base de publicaciones en redes sociales, encuestas de opinión pública, cobertura de noticias y entrevistas en persona de todo Wisconsin que se remontan a 2010, Friedland y sus colaboradores pintarán una imagen de las interacciones políticas como una forma de vida, entorno cambiante, una "ecología de la comunicación", con redes de interacción entre personas e instituciones en el estado. Con el apoyo de fondos de la iniciativa UW2020, es uno de los esfuerzos más ambiciosos jamás realizados para comprender cómo la gente en todo un estado habla de política, y cómo esas conversaciones han cambiado con el tiempo.

"Nadie ha intentado modelar las ecologías de la comunicación a nivel estatal, especialmente durante ocho años, ", dice Friedland." Se necesita una enorme creatividad para recopilar datos, modelar relaciones y desarrollar métodos de análisis ".

Los investigadores están aprovechando el poder del aprendizaje automático, en el que UW – Madison es un innovador líder, para detectar cómo personas de convicciones políticas opuestas asignan diferentes significados a las mismas palabras.

Por ejemplo, la palabra "regulación" puede tener connotaciones sustancialmente diferentes - "útil y necesario" o "oneroso e invasivo" - para liberales y conservadores. Si bien esos sentimientos pueden parecer intuitivos, Es difícil definir y cuantificar rigurosamente exactamente cómo las personas asignan significados a las palabras.

El aprendizaje automático ofrece una solución a ese problema mediante la transformación de palabras en conceptos geométricos llamados vectores y el uso de operaciones matemáticas para hacer comparaciones.

"Los vectores muestran algo sobre las palabras, "dice William Sethares, profesor de ingeniería eléctrica e informática de la UW-Madison y colaborador del proyecto. "Las cosas simples, como los sinónimos, tendrán vectores similares, y los vectores de palabras análogas tendrán las mismas relaciones entre sí ".

Los vectores son objetos abstractos que tienen longitud y dirección; en dos dimensiones, un vector parece un símbolo de flecha. Los vectores de palabras son similares a flechas simples, excepto que existen en muchas más dimensiones. Aunque sería imposible dibujar vectores de palabras en una hoja de papel plana, las representaciones de "rey" y "reina" serían, en un sentido, apuntan en las mismas direcciones entre sí que las de "niño" y "niña".

Después de comparar vectores de aproximadamente 2, 000 tweets publicados por liberales, conservadores y no partidistas, los investigadores identificaron las 10 palabras principales con diferentes usos entre ideologías políticas, incluyendo "político, "gobierno" y "medio ambiente".

Revelar esas diferencias requirió un nuevo enfoque computacional, desarrollado por Sethares y el estudiante de posgrado Prathusha Sarma.

El proceso de transformar palabras en vectores se llama incrustación, and it typically involves programming algorithms to trawl through massive amounts of text, like the entirety of Wikipedia or every Google news story ever published.

The problem is that the powerful generic word embeddings from giant databases like Wikipedia often miss nuances in language—after all, every word becomes one single vector, so terms with multiple meanings can confuse even the smartest algorithms (think of "hack, " which can describe either what an ax does, a computer invasion, or an untalented writer).

While those subtle differences might emerge in specific data sets, like the text of 2, 000 political tweets, there simply wouldn't be enough words to construct accurate vectors.

"Any small niche uses words in its own way, " says Sethares. "The things that work really well require billions of words, so we're caught in a trap because we can't train algorithms on a small data set."

En lugar de, Sethares and Sarma found an effective method to combine the strength of word embeddings derived from Wikipedia with the specificity of political tweets. Their algorithm not only identified words that conservatives and liberals use differently, but also predicted the political ideology of a tweet's author with roughly 90 percent accuracy based on language alone.

Sethares and colleagues plan to apply the same machine learning approaches to Wisconsin political news and campaign speeches. The approach could enable them to draw comparisons between political dialogue in urban and rural communities as well as examine how partisan word meanings may have shifted over time.

They then will combine information about word meanings with additional layers of data, including insights from in-person interviews, election results and historical statistics from public opinion polling. The resulting communication ecology will offer unprecedented insights into how the Wisconsin political environment is evolving.

"The environment is getting noisier and noisier, " says Friedland. "People who have limited time and attention can only focus on so much in a given day."

And even though untangling partisan gridlock will require substantial empathy and effort from people across the political spectrum, understanding the communication environment is an important first step toward bridging the divide, Friedland adds.