#НЕПОЛИТОЛОГ

Ум, честь и совесть эпохи

Как партия определяет наше поведение
Влияние партийной принадлежности на человека выходит за рамки политики. Так, судя по ответам некоторых респондентов, избиратели неосознанно склонны негативно оценивать внешность людей, которые голосуют не за их партию. И наоборот - соратники кажутся внешне более привлекательными.

Различное отношение к оппонентам и союзникам демонстрирует две стороны ассоциирования себя с партий — "положительную" и "отрицательную" партийные принадлежности. Первая представляет собой in-party love — уважение и поддержку сопартийцев, вторая — out-party hate — критику оппонентов и несогласных. Иногда обе стороны партийной принадлежности сосуществуют друг с другом, но иногда одна из них проявляет себя в большей степени.

Американское общество, поляризованное и разделенное вдоль партийной линии на Демократов и Республиканцев, — подходящий кейс для изучения вопроса — партийцы склонны любить или ненавидеть?
Yu, X., Wojcieszak, M., & Casas, A. Political Behavior (2023)
Partisanship on Social Media: In-Party Love Among American Politicians, Greater Engagement with Out-Party Hate Among Ordinary Users
Twitter уже стал классической площадкой для изучения американской политики (советуем один из наших обзоров литературы по этой теме).

Социальная сеть предоставляет бесплатный доступ к API, а значит, может служить качественным источников "больших данных".

Ключевой метрикой для выявления "положительной" и "негативной" партийных принадлежностей является эмоциональный окрас твитов партийцев. Задача определения эмоций, выраженных в большом объеме текстов, уже успела стать классической как в научных кругах, так и в коммерческих областях. Подход авторов - один из примеров, как политологи могут применять анализ тональности в случае работы с большими данными:
  • 1
    Авторы вручную разметили 10 000 твитов на предмет того, какую окраску имеет каждый из них - положительную или негативную. Конечно, для собственных исследований необязательно погружаться в рутину и помечать тысячи табличных строк. Вполне доступный вариант - воспользоваться уже готовыми размеченными данными (например, вот датасет с 13 тысячами твитами на русском, уже вручную размеченными авторами).
  • 2
    1) Разметка 10 000 наблюдений - это сложно, но возможно. Другой разговор - разметка миллиона наблюдений, а в случае исследования партийной принадлежности - авторы нужно проанализировать более 200 тысяч твитов американских политиков, в которых упоминается либо Демократическая, либо Республиканская партия. В таких случаях, на размеченных данных "тренируют" определенную математическую модель, дабы она "угадывала" эмоцию оставшегося миллиона твитов.

    Как выглядит "тренировка"? В общем смысле модель определяет следующее - с использованием каких слов или выражений в текстах тренировочного датасета больше всего коррелирует положительная или негативная окраска (например, логично, что в негативным твитах чаще будут звучать оскорбления). Модель запоминает это, а при её использовании на новых данных (оставшемся миллионе) уже автоматически предсказывает эмоцию каждого твита.
Элиты любят, пользователи ненавидят
Таким образом, исследователи получают более миллиона твитов, каждому из которых соответствует одно из значений — положительный или негативный окрас он имеет. Разделив политиков, авторов твитов, на Демократов и Республиканцев и имея при это информацию о том, о какой партии в твите идет речь, авторы могут проверить, как соотносятся in-party love и out-party hate друг с другом.

Оказывается, что политики значимо больше склонны к проявлению положительной партийной принадлежности - они чаще поддерживают своих коллег и пишут позитивные твиты сопартийцам. Впрочем, в партийном разрезе — отличия есть. Несмотря на то, что у обеих партий "положительная" партийная принадлежность более выявлена, чем "отрицательная", у Демократов этот показатель ниже, чем у Республиканцев. Более того, есть различия на уровне персоналий. Так, несмотря на общую тенденцию, Д. Трамп и Д. Байден больше склонны к негативной экспрессии относительно оппонентов, чем к in-party love (отчасти популярность аккаунта Д. Трампа и объясняется его провокационными высказываниями в сети).

Более интересные результаты авторы демонстрируют на пользовательском уровне. Twitter, помимо текстов публикаций, также позволяет извлекать лайки, ретвиты и комментарии, которые, в свою очередь, могут рассматриваться как показатель пользовательской вовлеченности в то, о чем пишет политик. Даже если представитель партии чаще хвалит союзников, не факт, что это больше привлекает читателя, мотивирует его распространять слова политика и поддерживать их лайками.

Действительно, пока политики устойчиво демонстрируют in-party love в противовес out-party hate, пользователи гораздо охотнее поддерживают риторику второго типа. Аудитории в Сети ближе негатив, нежели позитив — так называемый феномен негативной предвзятости (negative bias). Этим же объясняется популярность провокационного контента.

Более того, подобная 'эксклюзивная' поддержка и распространение негативного контента создает иллюзию поляризации. Со стороны кажется, что американская политика очень поляризована, и представители соперничающих партий систематически критикуют и провоцируют друг друга, в то время как на уровне элит тенденция противоположная — политики склонны поддерживать своих сопартийцев.
Социальные сети как источник данных
Помимо теоретических выводов относительно американской политики, исследование демонстрирует роль социальных сетей. Анализ больших данных и онлайн-вовлеченности позволяет выявить неочевидные, а подчас скрытые паттерны.

Twitter уже на протяжении многих лет успешно используется в качестве источника данных в разрезе исследований политической жизни западных стран. В России такой площадкой потенциально может стать Telegram — также политизированная и при это популярная в стране социальная сеть.
Made on
Tilda