[论文解读] Shifting Polarization and Twitter News Influencers between two U.S. Presidential Elections

James Flamino, Alessandro Galezzi+8 more|arXiv (Cornell University)|Nov 3, 2021

Social Media and Politics被引用 5

一句话总结

本研究分析了2016年和2020年美国总统大选期间的Twitter数据，以考察政治极化的变化以及新闻影响者角色的演变。通过使用转发网络和意识形态分类，研究发现影响者及其受众之间的极化程度显著上升，2020年排名前20的影响者中75%在2016年并未上榜，且影响者构成明显从媒体关联型转向政治关联型或无关联型，尤其在虚假信息传播网络中表现显著。

ABSTRACT

Social media are decentralized, interactive, and transformative, empowering users to produce and spread information to influence others. This has changed the dynamics of political communication that were previously dominated by traditional corporate news media. Having hundreds of millions of tweets collected over the 2016 and 2020 U.S. presidential elections gave us a unique opportunity to measure the change in polarization and the diffusion of political information. We analyze the diffusion of political information among Twitter users and investigate the change of polarization between these elections and how this change affected the composition and polarization of influencers and their retweeters. We identify "influencers" by their ability to spread information and classify them into those affiliated with a media organization, a political organization, or unaffiliated. Most of the top influencers were affiliated with media organizations during both elections. We found a clear increase from 2016 to 2020 in polarization among influencers and among those whom they influence. Moreover, 75% of the top influencers in 2020 were not present in 2016, demonstrating that such status is difficult to retain. Between 2016 and 2020, 10% of influencers affiliated with media were replaced by center- or right-orientated influencers affiliated with political organizations and unaffiliated influencers.

研究动机与目标

• 调查2016年与2020年美国总统大选期间，Twitter影响者及其转发者之间政治极化的演变。
• 分析顶级影响者的构成与意识形态取向，将其分类为媒体关联型、政治关联型或无关联型。
• 评估政治信息在社交网络中的传播方式演变，以及影响力来源是否从传统媒体转向政治或独立个体。
• 衡量转发网络中的意识形态极化强度，并确定2016年至2020年极化程度是否上升。
• 评估社交媒体在放大虚假信息方面的作用，以及政治话语中影响力动态的演变。

提出的方法

• 使用Twitter Search API，以候选人姓名为关键词，收集2016年1.71亿条推文和2020年7.02亿条推文。
• 基于先前的政治倾向评估，将新闻媒体网站划分为意识形态类别：中间、左倾、右倾、极端偏左和虚假信息。
• 为每类媒体重建转发网络，并使用中心性度量（如接近度、介数）识别每类中排名前25位的影响者，以评估信息传播能力。
• 根据认证隶属关系和内容分析，将影响者分类为媒体关联型、政治关联型或无关联型。
• 使用模块化和归一化切割（normalized cut）测量极化程度，将社区检测（Louvain算法）应用于转发网络，社区依据意识形态聚类定义。
• 使用Hartigans的尖峰检验和自举重采样方法评估意识形态分布的单峰性，并计算95%置信区间。

实验结果

研究问题

• RQ1 2016年与2020年美国总统大选期间，顶级Twitter影响者的构成发生了怎样的变化？
• RQ2 2016年至2020年，影响者及其转发者之间的极化程度增加了多少？
• RQ3 2016年至2020年，政治影响力来源是否从传统媒体转向政治关联型或无关联型影响者？
• RQ4 虚假信息的传播方式如何演变，特别是顶级虚假信息传播者中的媒体隶属关系有何变化？
• RQ5 转发与引用之间存在何种关系，如何影响Twitter上的意识形态聚类？

主要发现

• 2016年至2020年，与媒体组织关联的顶级影响者比例下降，而与政治组织关联或无关联的影响者比例上升。
• 2020年排名前25位的影响者中，75%在2016年并未位列前25名，表明影响力地位的更替率极高。
• 2016年媒体关联型影响者中，10%被2020年政治组织关联或无关联的中立或右倾影响者所取代。
• 2016年至2020年，影响者及其转发者之间的极化程度显著上升，表现为模块化值提高（0.236 vs. 0.234）和归一化切割降低（0.58 vs. 0.66）。
• 左倾影响者中，引用与转发的比例高于右倾影响者（2016年左倾为0.05，2020年为0.04；右倾均为0.038），表明左倾网络中互动更紧密。
• 2016年与2020年用户重合比例从0.1086上升至0.1474，表明用户参与度提升；同时，共同影响者的比例从0.1786上升至0.2091。