[论文解读] Modeling Ideological Agenda Setting and Framing in Polarized Online Groups with Graph Neural Networks and Structured Sparsity.
本文提出一种具有结构化稀疏性的最小监督图神经网络，用于利用Reddit数据检测极化在线社区中的意识形态议程设定与框架构建。通过建模话语结构和道德心理学洞察，该方法识别出极端化和子版面劫持等现象，在长达12年、覆盖600多个在线群体的语境中，实现了对极化概念的改进检测。
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.
研究动机与目标
- 开发一种计算方法，用于在极少监督条件下检测在线话语中的意识形态极化。
- 利用道德心理学洞察，对议程设定与框架构建维度进行极化建模。
- 构建一个大规模的、涵盖12年时间跨度、覆盖600多个具有不同意识形态的在线群体的政治话语数据集。
- 通过学习到的表征识别结构性现象，如意识形态极端化与子版面劫持。
提出的方法
- 该方法采用图神经网络（GNN）对Reddit讨论论坛的网络结构进行建模，捕捉用户与子版面之间的互动关系。
- 在GNN的注意力机制中应用结构化稀疏性，以识别与意识形态极化相关的显著概念与子版面。
- 模型联合学习概念与子版面的表征，从而实现对跨意识形态界限的话题如何被框架化与优先化检测。
- 利用道德心理学框架指导识别话语中极化的框架构建与议程设定行为。
- 该架构以最小监督方式训练，仅使用已知意识形态分组的弱监督信号。
- 该方法生成可解释的、低维的表征，反映在线社区中的意识形态分歧与结构性变化。
实验结果
研究问题
- RQ1如何利用具有结构化稀疏性的图神经网络检测在线政治话语中的极化议程设定？
- RQ2通过社交媒体网络中的表征学习，道德心理学启发的框架模式能在多大程度上被捕捉？
- RQ3在模型学习到的表征中，意识形态极端化与子版面劫持如何显现？
- RQ4该模型能否识别并区分不同意识形态子版面中的议程设定与框架行为？
- RQ5与现有无监督或弱监督方法相比，该方法在检测极化方面的性能如何？
主要发现
- 该模型成功识别出与议程设定和框架构建相关的极化概念与子版面，表现出与已知意识形态分歧的高度一致性。
- 结构化稀疏性使模型能够突出关键的意识形态概念与子版面，提升可解释性并减少表征学习中的噪声。
- 通过随时间推移学习到的表征变化，该方法检测到意识形态极端化与子版面劫持的实例。
- 在新构建的12年数据集上，通过定性与定量分析表明，该模型在极少监督条件下优于基线方法，实现了对极化的更优检测。
- 学习到的表征捕捉到不同意识形态群体在话题讨论方式上的细微差异，反映出截然不同的框架策略。
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。