[논문 리뷰] Modeling Ideological Agenda Setting and Framing in Polarized Online Groups with Graph Neural Networks and Structured Sparsity.

Valentin Hofmann, Janet B. Pierrehumbert외 1명|arXiv (Cornell University)|2021. 04. 18.

Social Media and Politics참고 문헌 120인용 수 4

한 줄 요약

이 논문은 Reddit 데이터를 사용하여 극단화된 온라인 커뮤니티에서 이념적 의도 설정과 프레임 메이킹을 탐지하기 위해 구조적 희박성과 최소한의 감독을 통합한 최소한의 감독을 받는 그래프 신경망을 제안한다. 논의 구조와 도덕 심리학적 통찰을 모델링함으로써, 극단화와 서브레딧 정복과 같은 현상을 식별하며, 12년에 걸친 600개 이상의 온라인 그룹을 아우르는 극단화된 개념에 대한 향상된 탐지 성능을 달성한다.

ABSTRACT

The increasing polarization of online political discourse calls for computational tools that are able to automatically detect and monitor ideological divides in social media. Here, we introduce a minimally supervised method that directly leverages the network structure of online discussion forums, specifically Reddit, to detect polarized concepts. We model polarization along the dimensions of agenda setting and framing, drawing upon insights from moral psychology. The architecture we propose combines graph neural networks with structured sparsity and results in representations for concepts and subreddits that capture phenomena such as ideological radicalization and subreddit hijacking. We also create a new dataset of political discourse covering 12 years and more than 600 online groups with different ideologies.

연구 동기 및 목표

• 최소한의 감독을 통해 온라인 논의에서 이념적 극단화를 탐지하기 위한 계산적 방법을 개발하는 것.
• 도덕 심리학적 통찰을 활용해 의도 설정 및 프레임 메이킹 차원에서 극단화를 모델링하는 것.
• 다양한 이념을 가진 600개 이상의 온라인 그룹을 아우르는 12년에 걸친 대규모 정치적 논의 데이터셋을 구축하는 것.
• 학습된 표현을 통해 이데올로기적 극단화와 서브레딧 정복과 같은 구조적 현상을 식별하는 것.

제안 방법

• 이 방법은 Reddit 토론 포럼의 네트워크 구조를 모델링하기 위해 그래프 신경망(GNN)을 활용하며, 사용자와 서브레딧 간의 상호작용을 포착한다.
• GNN의 주의 메커니즘에 구조적 희박성을 적용하여 이데올로기적 극단화와 관련된 주목할 만한 개념과 서브레딧을 식별한다.
• 모델은 개념과 서브레딧의 표현을 동시에 학습함으로써, 이데올로기적 경계를 넘는 주제가 어떻게 프레임화되고 우선순위가 정해지는지 탐지할 수 있다.
• 이 방법은 사회적 미디어 네트워크 내에서 표현 학습을 통해 도덕 심리학 프레임워크를 기반으로 한 극단화된 프레임 메이킹 및 의도 설정 행동을 식별하는 데 활용된다.
• 아키텍처는 알려진 이데올로기적 그룹화에서 유래한 약한 감독 신호만을 사용하여 최소한의 감독 방식으로 훈련된다.
• 이 방법은 해석 가능하고 저차원의 표현을 생성하며, 온라인 커뮤니티 내에서의 이데올로기적 분열과 구조적 변화를 반영한다.

실험 결과

연구 질문

• RQ1 구조적 희박성을 가진 그래프 신경망은 온라인 정치적 논의에서 극단화된 의도 설정을 어떻게 탐지할 수 있는가?
• RQ2 사회 미디어 네트워크 내에서 표현 학습을 통해 도덕 심리학에 기반한 프레임 메이킹 패턴은 어느 정도 포착될 수 있는가?
• RQ3 학습된 표현에서 이데올로기적 극단화와 서브레딧 정복는 어떻게 나타나는가?
• RQ4 모델은 다양한 이데올로기적 서브레딧 간에 의도 설정과 프레임 메이킹 행동을 식별하고 구분할 수 있는가?
• RQ5 기존의 무감독 또는 약한 감독 기반 접근법과 비교했을 때, 이 방법의 극단화 탐지 성능은 어떠한가?

주요 결과

• 모델은 의도 설정 및 프레임 메이킹과 관련된 극단화된 개념과 서브레딧을 성공적으로 식별하였으며, 알려진 이데올로기적 갈림길과 강한 일치를 보였다.
• 구조적 희박성은 핵심적인 이데올로기적 개념과 서브레딧을 강조함으로써 표현 학습의 해석 가능성 향상과 노이즈 감소에 기여했다.
• 모델은 시간에 따라 변화하는 학습된 표현의 변화를 통해 이데올로기적 극단화와 서브레딧 정복 사례를 탐지하였다.
• 최소한의 감독 하에서 기준 모델 대비 모델이 극단화 탐지에서 뛰어난 성능을 보였으며, 새로운 12년 데이터셋에 대한 정성적·정량적 분석을 통해 이를 입증하였다.
• 학습된 표현은 이데올로기적 경계를 넘어서 주제가 어떻게 논의되는지에 대한 미묘한 차이를 포착하였으며, 서로 다른 프레임 전략을 반영하고 있었다.