[论文解读] Political Partisanship and Anti-Science Attitudes in Online Discussions about Covid-19

Ashwin Rao, Fred Morstatter+5 more|arXiv (Cornell University)|Nov 17, 2020

Misinformation and Its Impacts参考文献 24被引用 15

一句话总结

本研究分析了2020年1月至5月期间120万条Twitter推文，通过基于文本的分类方法，对美国在线讨论中关于新冠疫情的多维极化现象进行建模，将用户沿政治（自由派/保守派）、中间性（强硬派/温和派）和科学态度（支持/反对科学）三个维度进行定位。研究发现，政治极化与科学极化高度相关，其中强硬派保守派最反科学，而支持科学的温和派用户在活跃度和地理覆盖范围上占主导地位，尤其集中在西部和东北部各州。

ABSTRACT

The novel coronavirus pandemic continues to ravage communities across the US. Opinion surveys identified importance of political ideology in shaping perceptions of the pandemic and compliance with preventive measures. Here, we use social media data to study complexity of polarization. We analyze a large dataset of tweets related to the pandemic collected between January and May of 2020, and develop methods to classify the ideological alignment of users along the moderacy (hardline vs moderate), political (liberal vs conservative) and science (anti-science vs pro-science) dimensions. While polarization along the science and political dimensions are correlated, politically moderate users are more likely to be aligned with the pro-science views, and politically hardline users with anti-science views. Contrary to expectations, we do not find that polarization grows over time; instead, we see increasing activity by moderate pro-science users. We also show that anti-science conservatives tend to tweet from the Southern US, while anti-science moderates from the Western states. Our findings shed light on the multi-dimensional nature of polarization, and the feasibility of tracking polarized opinions about the pandemic across time and space through social media data.

研究动机与目标

• 理解政治派别与反科学态度在疫情在线讨论中如何共现。
• 不仅沿单一政治轴建模极化，还跨多个维度进行建模：政治意识形态、中间性强度以及科学素养。
• 追踪在公共卫生危机期间极化用户群体在时间和空间上的变化，以支持公共卫生传播策略的制定。
• 开发并验证一种基于语言和网络特征的社交媒体用户多维分类框架。
• 评估极化现象在公共卫生危机期间是否加剧或演变，特别是与科学共识的关系。

提出的方法

• 构建了一个由非党派媒体来源组成的种子集，按政治、中间性和科学维度分类，以定义意识形态极点。
• 结合内容驱动与网络驱动的推理方法，对Twitter用户在三个维度上进行分类。
• 应用监督分类技术，基于已标注的媒体来源，推断用户在支持科学、反科学、自由派、保守派、强硬派或温和派立场上的归属。
• 通过结合词汇特征、话题标签使用情况和转发网络结构，训练并评估模型，以提高分类准确性。
• 按州和周对用户分布进行地理映射，分析极化的空间与时间动态。
• 通过与最先进方法对比验证模型性能，证明在多维极化检测方面准确率得到提升。

实验结果

研究问题

• RQ1 政治派别与反科学态度在关于新冠疫情的在线讨论中如何分布？
• RQ2 在社交媒体话语中，政治极化与科学相关极化维度在多大程度上相互关联？
• RQ3 在疫情期间，不同意识形态用户群体（如支持科学的温和派与反科学的保守派）的活跃度如何随时间变化？
• RQ4 哪些美国州集中了更多反科学或支持科学的用户，这些模式与州级政策响应是否一致？
• RQ5 能否有效利用社交媒体文本和网络数据对多维极化进行建模与追踪？

主要发现

• 政治极化与科学相关极化高度相关：政治上强硬的用户更可能持有反科学观点，而温和派用户更可能支持科学。
• 与预期相反，极化程度并未随时间增长；相反，支持科学的温和派用户数量在整个研究期间稳步上升。
• 反科学的保守派主要集中在美国南部，而反科学的温和派则集中于西部各州，如加利福尼亚州、内华达州和怀俄明州。
• 在华盛顿州、俄勒冈州、佛蒙特州和华盛顿特区，支持科学的温和派用户最为活跃，这些地区也率先采取了果断的公共卫生应对措施。
• 话题标签#hydroxychloroquine被支持科学和反科学的保守派用户广泛讨论，表明其作为极化议题的作用。
• 极化的地理模式与州级政策响应一致：实施封锁延迟或淡化风险的州，在Twitter上拥有更高比例的反科学用户。