Virtual Polarization: study of the dynamics of politically polarized scenarios on social networking sites
Notice bibliographique
Résumé
The political discourse in different countries shows distinct levels of polarization, which tend to be stronger in social networking sites, given the ease of connection and engagement with likeminded individuals. One way to reduce polarization would be through a balanced distribution of information showing distinct sides of the same reality among individuals with opposing political views. This study investigates whether this applies in the context of national elections in Brazil and Canada. Political tweets were collected before and after the votes in each scenario, on which the polarization dynamics were analyzed through retweet networks separated weekly. Over these networks, nodes able to distribute information among users with divergent political orientations, called “bubble poppers”, were identified. A new centrality metric called “bubble popper” was proposed and applied for this task – a fundamental metric for this study. Then, the degree to which users, polarized or not, were involved with content shared by bubble poppers, its source (domain), and its theme (topic) was analyzed, considering their political orientation and from who retweeted. As a result, it was identified that users with the highest value for the bubble popper metric were from accounts representing news media with neutral political orientation. While these accounts disseminate information that evenly reaches groups with distinct political orientations, users tend to engage considerably more with content that aligns with their political view, regardless of topic. This same phenomenon was observed in the Brazilian and Canadian political situations, despite having different levels of polarization. This result shows that efforts made by neutral news media to cover different political views in a balanced way may not contribute to reducing the polarization in social networking sites.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».