社交媒体中的极化分析：方法及在 21 起大规模枪击推文上的应用
计算与语言
2019-04-05 v2
摘要
我们提供一个 NLP 框架以揭示社交媒体中政治极化的四个语言维度：话题选择、框架建构、情感与言外之力。我们用已有词汇方法量化这些方面，并提出对推文嵌入进行聚类，作为跨事件识别显著话题以供分析的手段；人工评估显示，相比传统基于 LDA 的模型，我们的方法生成更凝聚的话题。我们将方法应用于研究 21 起大规模枪击的 4.4M 条推文。我们提供证据表明，这些事件的讨论在政治高度极化，且该极化主要由框架建构而非话题选择的党派差异驱动。我们识别出有助于极化的框架手段，例如 grounding 以及“terrorist”与“crazy”两词的对比使用。有关话题选择、情感与言外之力的结果表明，共和党人更关注枪手与事件特定事实（新闻），而民主党人更关注受害者并呼吁政策改变。我们的工作增进了对群体分裂在语言中显现方式的理解，并贡献了研究它们的计算方法。
引用
@article{arxiv.1904.01596,
title = {Analyzing Polarization in Social Media: Method and Application to Tweets on 21 Mass Shootings},
author = {Dorottya Demszky and Nikhil Garg and Rob Voigt and James Zou and Matthew Gentzkow and Jesse Shapiro and Dan Jurafsky},
journal= {arXiv preprint arXiv:1904.01596},
year = {2019}
}
备注
NAACL 2019; code and data available at https://github.com/ddemszky/framing-twitter