[論文レビュー] #Election2020: The First Public Twitter Dataset on the 2020 US Presidential Election

Emily Chen, Ashok Deb+1 more|arXiv (Cornell University)|Oct 1, 2020

Misinformation and Its Impacts参考文献 2被引用数 16

ひとこと要約

本論文は、2020年大統領選挙期における米国政治的議論を追跡する、公開可能で大規模かつ縦断的なTwitterデータセットを初めて提供する。2020年6月20日から9月6日までに2億4000万件を超えるツイートを収集した。このデータセットは、トラッキング対象のアカウント、ハッシュタグ、キーワードを用いてTwitterのストリーミングAPIを通じて収集され、パンデミック下および外国干渉の懸念が高まる状況下での誤情報、政治的極化、選挙関連の議論に関する研究を可能にする。

ABSTRACT

The integrity of democratic political discourse is at the core to guarantee free and fair elections. With social media often dictating the tones and trends of politics-related discussion, it is of paramount important to be able to study online chatter, especially in the run up to important voting events, like in the case of the upcoming November 3, 2020 U.S. Presidential Election. Limited access to social media data is often the first barrier to impede, hinder, or slow down progress, and ultimately our understanding of online political discourse. To mitigate this issue and try to empower the Computational Social Science research community, we decided to publicly release a massive-scale, longitudinal dataset of U.S. politics- and election-related tweets. This multilingual dataset that we have been collecting for over one year encompasses hundreds of millions of tweets and tracks all salient U.S. politics trends, actors, and events between 2019 and 2020. It predates and spans the whole period of Republican and Democratic primaries, with real-time tracking of all presidential contenders of both sides of the isle. After that, it focuses on presidential and vice-presidential candidates. Our dataset release is curated, documented and will be constantly updated on a weekly-basis, until the November 3, 2020 election and beyond. We hope that the academic community, computational journalists, and research practitioners alike will all take advantage of our dataset to study relevant scientific and social issues, including problems like misinformation, information manipulation, interference, and distortion of online political discourse that have been prevalent in the context of recent election events in the United States and worldwide. Our dataset is available at: https://github.com/echen102/us-pres-elections-2020

研究の動機と目的

• 計算的社会科学研究におけるソーシャルメディアデータへの公開アクセスの制限という重要な障壁に対処すること。
• パンデミックの影響を受ける高リスクな選挙期における政治的議論のダイナミクスを研究できる包括的で縦断的な米国選挙関連のTwitter活動データセットを提供すること。
• 公開可能で継続的に更新されるデータセットを提供することで、誤情報、情報操作、外国干渉に関する研究を支援すること。
• 計算ジャーナリストや研究者を支援するため、全2020年選挙期間をカバーする、文書化が整った多言語対応データセットを提供すること。
• Twitterの開発者契約に準拠しつつ、体系的なキュレーションとバージョン管理リリースにより研究の有用性を最大化すること。

提案手法

• Tweepyを介してTwitterのストリーミングAPIを用いて、米国の政治的有名人、候補者、および主要な選挙関連キーワードとハッシュタグに焦点を当ててツイートを収集した。
• 100件以上の候補者アカウントと100件以上のキーワードをトラッキングし、現実の政治的動向に基づいてトラッキングリストを動的に更新した。
• 活動停止アカウントの削除と、提携や一時停止などのキャンペーン動向に応じた新規アカウントの追加を実施した、キュレーション済みのデータパイプラインを構築した。
• 構造化されたリリース形式でデータを整理し、v1.0では2020年6月20日から9月6日までのツイートをカバーし、合計2億4000万件、2TBの生データを含んだ。
• 主要なハッシュタグとビグラムの分類と分析を通じて、派閥的傾向、陰謀論、公衆衛生関連の議論を特定した。
• 2020年11月3日選挙以降も継続的なデータ収集を実施し、GitHubリポジトリを定期的に更新した。

実験結果

リサーチクエスチョン

• RQ1 2020年米国大統領選挙に関するツイッター議論の量と感情は、特に予備選挙期と本選挙期を通じてどのように変化したか？
• RQ2 2020年選挙サイクル中に、外国干渉と組織的誤情報キャンペーンがツイッター上の選挙関連議論にどのように影響したか？
• RQ3 新型コロナウイルス感染症の影響で対面選挙活動が中止されたことに伴い、ツイッター上の政治的メッセージのトーンと届け渡りはどのように変化したか？
• RQ4 2020年の選挙期に、派閥的結束を促進するか、陰謀論を広めるために最も頻繁に使用されたハッシュタグとキーワードは何か？
• RQ5 マイルーム投票やパンデミックといった公衆衛生上の懸念が、ツイッター上の政治的議論とどの程度結びついたか？

主な発見

• 2020年6月20日から9月6日までの間、合計2億4022万5806件のツイートが収集され、生データとしてほぼ2TBに達した。
• 主要な大統領候補および副大統領候補全員のリアルタイム追跡が可能であり、トラッキングリストは動的に更新された。
• #MAGA、#BidenHarris2020、#WWG1WGA、#COVID19といった主要なハッシュタグが頻繁に使用されており、派閥的結束とパンデミック関連の議論を反映している。
• "president @realdonaldtrump" や "joe biden" といったビグラムが最も多く使われており、主要な政治的有名人との高い関与度を示している。
• QAnonやBidenUkraineScandalといった陰謀論が広がる一方で、#VoteRed や #VoteBlue といった派閥的ハッシュタグも顕著に使われた。
• このデータセットはGitHubで公開されており、2020年11月3日選挙以降も毎週更新され、長期的な研究利用価値を確保している。