Kan en algoritme forutsi en politikers fremtid bare ved å analysere tweetene deres? | Karina Petrova, PsyPost En ny statistisk modell har vellykket sortert medlemmer av den amerikanske kongressen i distinkte politiske og lovgivende grupper utelukkende basert på deres interaksjonsmønstre på den sosiale medieplattformen X. Studien ble publisert i Journal of Computational and Graphical Statistics, og identifiserte også et lite antall uteliggere hvis nettatferd så ut til å signalisere ambisjoner om høyere embeter. Politikere bruker offentlige plattformer for å kommunisere sine prinsipper og politiske standpunkter til velgerne. Utover formelle uttalelser, dyrker mange også en personlig merkevare gjennom sine valg i språk og stil. Med mye politisk budskap som nå skjer på nettet, har forskere undersøkt hvordan folkevalgte posisjonerer seg ved strategisk å assosiere seg med andre i koalisjonen. Den nye studien ble utført av Benjamin Leinwand, assisterende professor i matematiske vitenskaper ved Stevens Institute of Technology, og Vince Lyzinski, matematikkprofessor ved University of Maryland. De spesialiserer seg på nettverksvitenskap, et felt som analyserer sammenhengene i komplekse systemer. De forsøkte å finne ut om en modell kunne utlede den underliggende strukturen til et politisk nettverk ved å observere bare interaksjonene, uten å bli gitt noen informasjon om politisk tilhørighet eller hvilket kammer i Kongressen et medlem tilhører. For å forstå det sosiale landskapet i Kongressen, trengte forskerne et verktøy som kunne kartlegge det komplekse nettet av nettinteraksjoner. I kjernen forsøker enhver slik statistisk modell å beregne en enkel verdi for hvert par individer: sannsynligheten for at de vil koble seg sammen. Dette produserer en blåkopi av nettverket, som viser hvilke tilkoblinger som er sannsynlige og hvilke som ikke er det. Noen mye brukte nettverksmodeller nærmer seg denne oppgaven ved å kombinere noen få nøkkelfaktorer. For eksempel kan en modell estimere sannsynligheten for en forbindelse ved å multiplisere en persons individuelle "omgjengelighets"-poengsum med en poengsum som representerer hvor interaktiv gruppen deres er. Denne metoden fungerer bra i mange scenarier, men den kan bryte sammen i nettverk med ekstreme variasjoner. Problemet oppstår i tett sammenkoblede samfunn der noen få individer er eksepsjonelt aktive. I slike tilfeller kan modellen tilordne svært høye sosiale poengsummer til disse aktive personene og en høy interaksjonspoengsum til gruppen deres. Når disse høye poengsummene multipliseres sammen, kan den resulterende sannsynligheten overstige 1 eller 100 prosent. Dette er en matematisk umulighet som signaliserer at modellen ikke klarer å representere den underliggende sosiale dynamikken nøyaktig. Den nye modellen utviklet av Leinwand og Lyzinski er bygget på et annet matematisk grunnlag spesielt designet for å unngå dette problemet. Dens interne beregninger er konstruert på en måte som garanterer at det endelige resultatet for ethvert par politikere alltid er en gyldig sannsynlighet, et tall mellom 0 og 1. Dette sikrer at modellen produserer et sammenhengende og logisk kart over nettverket, selv i de mest aktive og komplekse områdene. Utover bare å forhindre feil, gir denne nye tilnærmingen større fleksibilitet. Den antar ikke at tilkoblingsmønstrene er de samme over hele nettverket. For eksempel kan noen modeller implisitt anta at de mest sosialt aktive medlemmene av en gruppe har størst sannsynlighet for å få kontakt med de mest aktive medlemmene av en annen. Den nye modellen kan imidlertid oppdage mer intrikate mønstre. Den kan for eksempel finne en situasjon der moderate medlemmer av to forskjellige politiske partier samhandler ofte, mens de mest partiske medlemmene av de samme partiene samhandler svært lite. Den kan også gjenkjenne at et individs tendens til å danne forbindelser kan endre seg avhengig av samfunnet de samhandler med, noe som gir et mer detaljert og realistisk portrett av politisk kommunikasjon. Ved hjelp av denne modellen analyserte Leinwand og Lyzinski den offentlige aktiviteten til 475 medlemmer av den 117. Datasettet deres inkluderte hvert medlem som la ut minst 100 tweets i løpet av en firemåneders periode, fra 9. Modellen definerte en forbindelse mellom to politikere hvis en av dem tvitret til eller retweetet den andre i løpet av denne tidsrammen. «Vi kaller to personer 'tilkoblet', hvis en av dem i paret twitret til den andre eller retweetet den andre i denne perioden,» forklarte Leinwand. Modellen ble ikke gitt noen informasjon om en politikers parti, deres kammer eller deres politiske posisjoner. Den fikk i oppgave å sortere de 475 individene i grupper kun basert på nettet til deres digitale forbindelser. Modellen identifiserte tre primære samfunn. Disse algoritmisk definerte gruppene falt langs kjente politiske linjer. Den første gruppen besto nesten utelukkende av senatorer. Det andre samfunnet besto hovedsakelig av demokratiske medlemmer av Representantenes hus, og det tredje besto hovedsakelig av republikanske medlemmer av Huset. Analysen viste at politikere innenfor disse tre gruppene hadde en tendens til å samhandle hyppigst med medlemmer av sitt eget samfunn. «Republikanske kongressmedlemmer snakket mye seg imellom, og demokratiske kongressmedlemmer snakket mye seg imellom, selv om demokratiske kongressmedlemmer var noe mer sannsynlig å samhandle med senatorer enn deres republikanske kolleger,» sa Leinwand. Han ga en potensiell forklaring på dette mønsteret. På tidspunktet for observasjonen hadde demokratene flertall i Senatet. Som et resultat «kan man forestille seg at demokratiske kongressmedlemmer kan bli oppmuntret til å forsterke senatets lederskapsmeldinger i tillegg til deres allierte i Huset,» fortsatte han. ...