[论文解读] Identifying opinion-based groups from survey data: a bipartite network approach
本文提出一种双部网络方法，通过在基于共同回答的参与者聚类上应用一致阈值，从调查数据中识别基于意见的群体。该方法揭示了美国全国选举研究数据中的极化现象，并展示了跨国家的态度聚类模式，提供了一种简单、可解释的方法来可视化基于意见的群体形成过程，且无需强统计假设。
A survey can be represented by a bipartite network as it has two types of nodes, participants and items in which participants can only interact with items. We introduce an agreement threshold to take a minimal projection of the participants linked by shared responses in order to identify opinion-based groups. We show that in American National Election Studies-data, this can identify polarisation along political attitudes. We also take a projection of attitudes that are linked by how participants respond to them. This can be used to show which attitudes are commonly held together in different countries or communities.
研究动机与目标
- 为解决从调查数据中识别基于意见的群体这一挑战，而这些数据通常未被充分用于描绘社会群体结构。
- 克服现有网络模型依赖复杂统计假设或部分相关性所带来的局限，这些方法往往难以解释。
- 开发一种方法，通过最小化且可解释的投影，从调查数据中同时捕捉参与者分组与态度相互依赖关系。
- 使研究人员能够利用标准调查设计，检测危机时期（如早期新冠疫情）出现的新兴基于意见的身份。
- 提供一种工具，用于可视化公众意见中的极化与共识形成过程，而无需社会互动数据或复杂模型。
提出的方法
- 将调查数据表示为双部网络，包含两类节点：参与者和调查项目（陈述或问题）。
- 应用一致阈值，识别出在最少数量回答上共享的参与者对，从而在参与者投影中形成边。
- 构建参与者投影网络，其中边表示高于阈值的共同回答，以减少噪声并聚焦于有意义的分组。
- 通过连接被相同参与者频繁共同回应的项目，生成态度投影，揭示常被共同持有的态度聚类。
- 将参与者投影中最大连通分量的大小作为关键参数，用于评估群体极化程度，较低阈值可检测到更小、更极端的意见聚类。
- 将实证网络与随机零模型进行比较，以评估观察到的边和聚类的显著性，增强结果的可解释性。
实验结果
研究问题
- RQ1如何在不依赖社会互动或复杂统计模型的前提下，从标准调查数据中可靠地识别基于意见的群体？
- RQ2该一致阈值方法在使用美国全国选举研究（ANES）数据时，能在多大程度上揭示政治态度的极化现象？
- RQ3不同国家的态度聚类有何差异？在不同文化或国家背景下，对机构的信任模式呈现出何种特征？
- RQ4该方法能否检测到在社会危机（如新冠疫情初期）期间新出现的基于意见的群体？
- RQ5与使用部分相关性或统计阈值的更复杂模型相比，该方法的结果有何异同？
主要发现
- 在ANES数据中，该方法成功识别出两个由仅7条边分隔的显著意见群体，表明政治态度上存在强烈极化。
- 在英国新冠疫情早期阶段，一个以对科学的信任为主要特征的新意见群体浮现，该群体在早期调查波次中并不存在。
- 在法国，对医生、科学家、非政府组织和卫生中心的信任形成一个独立聚类，与信任政府和记者的群体相分离。
- 在孟加拉国，对科学家的信任与对记者的信任密切相关，而对疫苗的信任则与对传统治疗者的信任同时出现——这一模式在法国未被观察到。
- 在基于八个二元态度的256种理论可能的意见聚类中，仅有约10%在实证ANES数据中实现，表明所有组合间共识有限。
- 该方法的简洁性使其计算和解释均极为简便，边代表实际共享回答的计数，而非抽象的部分相关性，从而减少了理论假设。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。