关键词：计算社会科学，群体行为，政治极化，复杂网络，回音室效应
论文题目： Political polarization of news media and influencers on Twitter in the 2016 and 2020 US presidential elections 论文来源： Nature Human Behaviour 论文链接：https://www.nature.com/articles/s41562-023-01550-8
越来越多的研究表明，美国的政治两极分化程度比内战以来的任何时候都要深。这种两级模式——政治精英中的问题极化和选民中的情感极化——促使人们进一步研究政治信息在具有政治影响力的人之间的扩散。
十多年来，社交媒体一直在改变政治传播动态。发表于 Nature Human Behaviour 的这篇文章，使用了近 10 亿条推文，分析了 2016 年至 2020 年美国总统大选期间Twitter 新闻媒体格局的变化。使用政治偏见和事实核查工具，作者衡量了政治偏见内容的数量和传播此类信息的用户数量。然后识别出有影响力的个体，即在 Twitter 网络中传播新闻能力最强的用户。作者观察到，虚假和极端偏见内容的比例在 2016 年至 2020 年期间有所下降。
然而，结果显示，在两次选举中，在用户和影响力个体层面上，回音室效应和潜在的意识形态极化日益加剧，这是由于 Twitter 用户倾向于减少传播信息或与政治光谱另一方的用户互动，导致回音室行为增加。这一分析还表明，从 2020 年开始的新影响者比从 2016 年美国总统选举中持续存在的影响者更加极化。研究者认为这些结果为未来的工作建立了基础，提供了对新闻媒体中 Twitter 政治格局中产生的趋势和模式的观察。
这篇论文观察结果将鼓励未来的研究。一个很有前途的方向是使用自然语言处理来区分正面引用和负面引用的推文，并确定它们的主题。另一个方向是扩展用户分类，以细化组织和个人 Twitter 帐户的分类，并扩大用户从属关系的层次结构。还可以改进两极分化的测量方法，以便更深入地分析影响两极分化的行为模式，并将影响者分析的应用扩大到其他社交媒体上政治新闻的传播。
图1. 2016 年和 2020 年按新闻媒体类别划分的新闻媒体链接分布。（a, b）发送 URL 指向属于某一类网站的推文（a）和用户（b）的比例。纯色柱表示 2016 年大选的分数，而条纹柱表示 2020 年大选的相应分数。用户被归类为他们发布的链接最多的类别。（c, d）对于那些在 2016 年（c）和 2020 年（d）至少有两个链接分类的用户，跨类别链接的分数作为用户主要类别的函数。
图2. 两个选举年每个新闻媒体类别的前 25 名影响者节点的相似性网络。节点大小与其在各自网络中的程度成正比。节点颜色表示该节点传播的新闻媒体类别。从多个类别传播信息的节点被表示为饼图，其中每个切片的大小与它们在相应新闻媒体类别中的置信区间成比例。每一对有影响力的个体之间的优势由这些网红转发者之间的相似性加权。这两个网络都使用力导向的节点布局进行可视化，力的强度由边缘的权重定义。
图3. 2016 年（左）和 2020 年（右）影响者及其转发者的潜在意识形态量表。顶部，每个类别的前五名影响者的潜在意识形态被显示为代表转发他们的用户的意识形态分布的箱形图。底部，用户的分布显示为绿色，每个新闻媒体类别的前100名影响者的分布（按其转发者的意识形态的中位数计算）显示为紫色。
计算社会科学读书会第二季
计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。
【】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，进行了12周的分享和讨论，一次闭门茶话会，两次圆桌讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。读书会详情见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。
详情请见：
1.
2.
3.
4.
5.
6.
热门跟贴