Pesquisadores da Universidade de Wisconsin-Madison estão usando computadores de novas maneiras para desenvolver uma imagem 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 sua análise de computador encontra, os pesquisadores esperam, poderia ajudar a reduzir a divisão entre as pessoas em ambos os lados do corredor político que não conseguem se reunir para resolver os problemas da sociedade porque não conseguem nem falar umas com as outras - tanto que podem muito bem estar falando línguas diferentes.

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

Baseando-se em postagens de mídia social, pesquisa de opinião pública, cobertura de notícias e entrevistas pessoais de todo Wisconsin desde 2010, Friedland e colaboradores vão pintar um quadro das interações políticas como meio de vida, ambiente em mudança - uma "ecologia da comunicação" - com redes de interação entre pessoas e instituições no estado. Apoiado pelo financiamento da iniciativa UW2020, é um dos esforços mais ambiciosos de todos os tempos para entender como as pessoas em um estado inteiro 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 necessária uma enorme criatividade na coleta de dados, modelagem de relacionamentos e desenvolvimento de métodos de análise. "

Os pesquisadores estão aproveitando o poder do aprendizado de máquina, em que UW – Madison é um inovador líder, para detectar como pessoas de convicções políticas opostas atribuem significados diferentes às mesmas palavras.

Por exemplo, a palavra "regulamentação" 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 e quantificar com rigor 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 da computação 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 possuem comprimento e direção; em duas dimensões, um vetor se parece com um símbolo de seta. Os vetores de palavras são semelhantes a setas simples, exceto que eles existem em muitas outras dimensões. Mesmo que seja impossível desenhar vetores de palavras em uma folha de papel plana, as representações de "rei" e "rainha" seriam, num sentido, apontam nas mesmas direções entre si que para "menino" e "menina".

Depois de comparar vetores de aproximadamente 2, 000 tweets postados por liberais, conservadores e apartidários, os pesquisadores identificaram as 10 principais palavras com diferentes usos entre ideologias políticas, incluindo "político, "" governo "e" meio ambiente ".

Revelar essas diferenças exigiu uma nova abordagem computacional, desenvolvido por Sethares e a pós-graduanda Prathusha Sarma.

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

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."

Em vez 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.