社交媒体帖子的政治取向建模：扩展分析
社会与信息网络
2023-11-22 v1 计算与语言
机器学习
摘要
开发机器学习模型以刻画在线社交媒体上的政治极化面临显著挑战。这些挑战主要源于诸多因素，如标注数据缺乏、社交媒体数据集中存在噪声，以及数据体量庞大。常见的研究实践通常考察给定话题下在线用户社区的偏倚结构，或定性衡量极化话题在社交媒体上的影响。然而，聚焦于底层（ground-level）即社交媒体帖子本身分析极化的工作有限。此类现有分析严重依赖标注数据，而后者往往需要繁重的人工标注，仅针对特定问题提供标签，且缺乏判定社交媒体对话近未来偏倚状态的能力。理解社交媒体帖子中传达的政治取向程度，对于量化在线用户社区的偏倚及调查极化内容的传播至关重要。本工作中，我们首先引入两种利用新闻媒体积偏倚与帖子内容的启发式方法为社交媒体帖子打标签。接着，我们比较启发式标注数据集与随机采样人工标注数据集的效能与质量。此外，我们证明当前机器学习模型在预测社交媒体帖子政治取向时可展现出改进的性能，采用了传统监督学习与少样本学习（few-shot learning）设置。我们利用所提启发式方法与机器学习方法开展实验，预测从两个具有不同政治意识形态的社交媒体论坛——Gab 与 Twitter——收集的帖子的政治取向。
引用
@article{arxiv.2311.12323,
title = {Modeling Political Orientation of Social Media Posts: An Extended Analysis},
author = {Sadia Kamal and Brenner Little and Jade Gullic and Trevor Harms and Kristin Olofsson and Arunkumar Bagavathi},
journal= {arXiv preprint arXiv:2311.12323},
year = {2023}
}