算法能否仅通过分析政治家的推文来预测他们的未来？ | Karina Petrova, PsyPost 一项新的统计模型成功地将美国国会成员根据他们在社交媒体平台X上的互动模式分成不同的政治和立法群体。该研究发表在《计算与图形统计学杂志》上，还识别出少数几个异常值，其在线行为似乎表明了他们对更高职位的野心。 政治家利用公共平台向选民传达他们的原则和政策立场。除了正式声明外，许多人还通过他们的语言和风格选择来培养个人品牌。随着大量政治信息现在在线上进行，研究人员一直在调查当选官员如何通过战略性地与他们的联盟中的其他人建立联系来定位自己。 这项新研究由本杰明·莱因瓦德（Benjamin Leinwand）进行，他是史蒂文斯科技学院的数学科学助理教授，以及文斯·利津斯基（Vince Lyzinski），马里兰大学的数学教授。他们专注于网络科学，这是一个分析复杂系统内连接的领域。他们试图确定一个模型是否可以仅通过观察互动来推断政治网络的潜在结构，而不提供任何关于政治隶属或国会成员所属的议院的信息。 为了理解国会的社会格局，研究人员需要一个工具来绘制复杂的在线互动网络。任何这样的统计模型的核心都是试图为每对个体计算一个简单的值：他们连接的概率。这产生了网络的蓝图，显示哪些连接是可能的，哪些不是。 一些广泛使用的网络模型通过结合几个关键因素来接近这一任务。例如，一个模型可能通过将一个人的“社交性”分数与其群体的互动分数相乘来估计连接的概率。这种方法在许多情况下效果良好，但在具有极端变化的网络中可能会失效。 问题出现在密集连接的社区中，少数个体异常活跃。在这种情况下，模型可能会给这些活跃的人分配非常高的社交性分数，并给他们的群体分配高互动分数。当这些高分相乘时，结果概率可能超过1或100%。这是一个数学上的不可能，表明模型未能准确表示潜在的社会动态。 莱因瓦德和利津斯基开发的新模型建立在不同的数学基础上，专门设计以避免这个问题。其内部计算的构造方式确保任何一对政治家的最终输出始终是一个有效的概率，即介于0和1之间的数字。这确保了模型即使在其最活跃和复杂的区域也能生成一个连贯且合逻辑的网络图。 除了防止错误外，这种新方法还提供了更大的灵活性。它不假设连接模式在整个网络中是相同的。例如，一些模型可能隐含地假设一个群体中最活跃的成员最有可能与另一个群体中最活跃的成员连接。 然而，新模型可以检测到更复杂的模式。例如，它可以发现两种不同政党的温和成员频繁互动，而这些政党的最极端成员几乎没有互动。它还可以识别出个体形成连接的倾向可能会根据他们所互动的社区而变化，从而提供更详细和现实的政治沟通画像。 使用该模型，莱因瓦德和利津斯基分析了475名第117届美国国会成员的公共活动。他们的数据集包括在2022年2月9日至2022年6月9日的四个月期间，至少发布100条推文的每位成员。模型定义了任何两位政治家之间的连接，如果其中一位在此时间段内对另一位进行了推文或转发。 “我们称两个人为‘连接’，如果这对中的任何一位在此期间对另一位进行了推文或转发，”莱因瓦德解释道。模型没有提供任何关于政治家党派、所属议院或政策立场的信息。它的任务是仅根据他们的数字连接网络将475名个体分组。 模型识别出三个主要社区。这些算法定义的群体沿着熟悉的政治界限划分。第一个群体几乎完全由参议员组成。第二个社区主要由众议院的民主党成员组成，第三个则主要由众议院的共和党成员组成。 分析显示，这三个群体中的政治家倾向于与自己社区的成员最频繁地互动。“共和党国会议员之间的交流非常频繁，民主党国会议员之间的交流也很频繁，尽管民主党国会议员与参议员的互动可能略高于他们的共和党同行，”莱因瓦德说。 他为这种模式提供了一个潜在的解释。在观察时，民主党在参议院中占据多数。因此，“可以想象，民主党国会议员可能会受到激励，除了与众议院的盟友外，还要放大参议院领导的信息，”他继续说道。 ...