利用反事实图像生成进行视觉极化测量

政治极化是美国政治中的重要问题，影响公共话语、政策和消费者行为。虽然对新闻媒体中极化的研究广泛聚焦于语言内容，但非语言元素，特别是视觉内容，由于图像数据的复杂性和高维度而受到较少关注。传统描述性方法通常依赖从图像中提取特征，导致因信息丢失而产生有偏的极化估计。在本文中，我们提出了基于反事实图像生成的极化测量（PMCIG）方法，该方法结合经济理论与生成模型和多模态深度学习，充分利用图像数据的丰富性，为视觉内容中的极化提供具有理论基础的度量。将该框架应用于一个包含 20 家主要新闻媒体中 30 位知名政治家长达十年的数据集，我们识别出视觉内容中存在显著的极化，且在不同媒体和政治家之间存在显著差异。在媒体层面，我们观察到视觉倾向存在显著的异质性。《每日邮报》（Daily Mail）、福克斯新闻（Fox News）和 Newsmax 等媒体倾向于在视觉内容中 favor 共和党政治家，而《华盛顿邮报》（The Washington Post）、《今日美国》（USA Today）和《纽约时报》（The New York Times）则表现出 favor 民主党政治家的倾向。在政治家层面，我们的结果揭示了极化报道存在显著差异，唐纳德·特朗普（Donald Trump）和巴拉克·奥巴马（Barack Obama）是最具极化特征的人物之一，而乔·曼钦（Joe Manchin）和苏珊·科林斯（Susan Collins）则属于极化程度最低的人物之一。最后，我们进行了一系列验证测试，证明我们提出的度量与依赖非图像来源的外部媒体倾向度量具有一致性。