ما در برابر آنها: مجموعه‌داده‌ای از نگرش‌های پوپولیستی، سوگیری خبری و هیجانات

1. معرفی و اهمیت مقاله

در سال‌های اخیر، شاهد گسترش چشمگیر گفتمان‌های پوپولیستی در سراسر جهان بوده‌ایم. این پدیده پیچیده، با اتکا بر تقابل «ما» در برابر «آنها»، وعده‌های ساده‌انگارانه و اغلب احساساتی، نقش مهمی در شکل‌دهی به فضای سیاسی و اجتماعی ایفا می‌کند. در همین راستا، پژوهش حاضر با عنوان «ما در برابر آنها: مجموعه‌داده‌ای از نگرش‌های پوپولیستی، سوگیری خبری و هیجانات» (Us vs. Them: A Dataset of Populist Attitudes, News Bias and Emotions) به بررسی دقیق و کمی این گفتمان می‌پردازد. اهمیت این مقاله در این است که به کمک مدل‌سازی محاسباتی، ابزارهایی برای فهم بهتر پوپولیسم و تأثیرات آن بر افکار عمومی و سیاست ارائه می‌دهد. این پژوهش، زمینه‌ساز ایجاد مدل‌های کامپیوتری برای شناسایی و تحلیل گفتمان‌های پوپولیستی می‌شود، که می‌تواند در تشخیص اخبار جعلی، مقابله با قطبی‌سازی و ارتقای آگاهی عمومی مؤثر باشد.

2. نویسندگان و زمینه تحقیق

این مقاله توسط تیم پژوهشی به سرپرستی پره-لوییس هوگت-کابوت، دیوید عبادی، آگنیتا فیشر و اکاترینا شوتوا نوشته شده است. این محققان، متخصصان حوزه‌های پردازش زبان طبیعی، هوش مصنوعی و علوم سیاسی هستند. زمینه اصلی تحقیق آن‌ها، مدل‌سازی محاسباتی گفتمان‌های سیاسی و اجتماعی است. این پژوهش در ادامه تحقیقات گسترده‌تری قرار دارد که هدف آن، توسعه ابزارهای هوشمند برای درک و تحلیل ساختارهای پیچیده زبانی و ارتباط آن‌ها با نگرش‌ها و احساسات انسانی است.

بررسی گفتمان‌های پوپولیستی، به دلیل پیچیدگی‌های زبانی و زمینه‌های اجتماعی متنوع آن، همواره چالشی بزرگ برای پژوهشگران بوده است. این مقاله با ارائه یک مجموعه‌داده جدید و مدل‌های محاسباتی نوآورانه، گامی مهم در جهت غلبه بر این چالش‌ها برداشته است.

3. چکیده و خلاصه‌ی محتوا

چکیده این مقاله به شرح زیر است:

مدل‌سازی محاسباتی وظایف گفتمان سیاسی به یک حوزه تحقیقاتی فزاینده در پردازش زبان طبیعی تبدیل شده است. در سال‌های اخیر، گفتمان‌های پوپولیستی در سراسر عرصه سیاسی افزایش یافته است؛ با این حال، رویکردهای محاسباتی برای آن به دلیل ماهیت پیچیده‌اش، اندک بوده است. در این مقاله، مجموعه‌داده جدید «ما در برابر آنها» را ارائه می‌کنیم که شامل 6861 نظر از ردیت است که برای نگرش‌های پوپولیستی حاشیه‌نویسی شده است، و همچنین اولین مدل‌های محاسباتی در مقیاس بزرگ از این پدیده را ارائه می‌دهیم. ما رابطه بین طرز فکر پوپولیستی و گروه‌های اجتماعی و همچنین طیف وسیعی از احساسات معمولاً مرتبط با آنها را بررسی می‌کنیم. ما یک خط پایه برای دو وظیفه مرتبط با نگرش‌های پوپولیستی تعیین می‌کنیم و مجموعه‌ای از مدل‌های یادگیری چندوظیفه‌ای را ارائه می‌دهیم که اهمیت احساسات و شناسایی گروه را به‌عنوان وظایف کمکی نشان می‌دهند و از آنها استفاده می‌کنند.

به طور خلاصه، مقاله «ما در برابر آنها» یک مجموعه‌داده جدید از نظرات ردیت را معرفی می‌کند که برای شناسایی نگرش‌های پوپولیستی حاشیه‌نویسی شده است. این مجموعه‌داده شامل 6861 نظر است و به پژوهشگران امکان می‌دهد تا مدل‌های محاسباتی را برای تشخیص و تحلیل پوپولیسم آموزش دهند. این مقاله همچنین مدل‌های محاسباتی جدیدی را معرفی می‌کند که قادر به شناسایی نگرش‌های پوپولیستی و ارتباط آن‌ها با گروه‌های اجتماعی و احساسات مختلف هستند. استفاده از یادگیری چندوظیفه‌ای، یکی از جنبه‌های کلیدی این پژوهش است که به مدل‌ها اجازه می‌دهد تا با بهره‌گیری از اطلاعات مربوط به احساسات و شناسایی گروه، عملکرد بهتری داشته باشند.

4. روش‌شناسی تحقیق

پژوهش حاضر از یک رویکرد ترکیبی استفاده می‌کند که شامل جمع‌آوری داده‌ها، حاشیه‌نویسی و مدل‌سازی محاسباتی است. مراحل اصلی این تحقیق به شرح زیر است:

1. جمع‌آوری داده‌ها: داده‌ها از نظرات کاربران در پلتفرم ردیت جمع‌آوری شده‌اند. انتخاب ردیت به دلیل حجم بالای بحث‌های سیاسی و اجتماعی و همچنین وجود گروه‌های مختلف کاربری صورت گرفته است.
2. حاشیه‌نویسی: نظرات جمع‌آوری‌شده توسط متخصصان برای شناسایی نگرش‌های پوپولیستی، احساسات و تعلقات گروهی، حاشیه‌نویسی شده‌اند. این فرآیند شامل برچسب‌گذاری نظرات با توجه به معیارهای تعریف‌شده برای پوپولیسم (مانند تأکید بر «ما» در برابر «آنها»، وعده‌های ساده‌انگارانه، انتقاد از نخبگان و غیره) است.
3. مدل‌سازی محاسباتی: از تکنیک‌های مختلف یادگیری ماشینی و پردازش زبان طبیعی برای توسعه مدل‌هایی استفاده شده است که قادر به شناسایی و تحلیل نگرش‌های پوپولیستی هستند. این مدل‌ها با استفاده از داده‌های حاشیه‌نویسی‌شده آموزش داده شده‌اند و قادر به پیش‌بینی نگرش‌های پوپولیستی، احساسات و وابستگی‌های گروهی در نظرات جدید هستند.
   • یادگیری چندوظیفه‌ای: یکی از نوآوری‌های اصلی این تحقیق، استفاده از یادگیری چندوظیفه‌ای است. این تکنیک به مدل‌ها اجازه می‌دهد تا اطلاعات را از وظایف مختلف، مانند شناسایی نگرش‌های پوپولیستی، تشخیص احساسات و شناسایی گروه‌های اجتماعی، به‌طور همزمان یاد بگیرند. این رویکرد باعث بهبود عملکرد کلی مدل‌ها می‌شود.

در این تحقیق، از ابزارهای پردازش زبان طبیعی مانند embedding های کلمات و تکنیک‌های مختلف یادگیری ماشینی استفاده شده است. همچنین، از روش‌های ارزیابی مختلف برای سنجش عملکرد مدل‌ها استفاده شده است.

5. یافته‌های کلیدی

این مقاله چندین یافته کلیدی را ارائه می‌دهد:

• ایجاد یک مجموعه‌داده جدید: ارائه یک مجموعه‌داده بزرگ و حاشیه‌نویسی‌شده از نظرات ردیت، که منبع ارزشمندی برای پژوهشگران در زمینه پوپولیسم و پردازش زبان طبیعی است.
• مدل‌سازی محاسباتی پوپولیسم: توسعه مدل‌های محاسباتی که قادر به شناسایی و تحلیل نگرش‌های پوپولیستی در متون هستند. این مدل‌ها با دقت قابل توجهی قادر به تشخیص این نگرش‌ها می‌باشند.
• ارتباط پوپولیسم با احساسات و گروه‌های اجتماعی: نشان دادن ارتباط قوی بین نگرش‌های پوپولیستی، احساسات (مانند خشم، ترس و امید) و گروه‌های اجتماعی مختلف. این یافته‌ها نشان می‌دهند که پوپولیسم اغلب از طریق احساسات و با استفاده از گروه‌بندی‌های اجتماعی، مخاطبان خود را جذب می‌کند.
• اهمیت یادگیری چندوظیفه‌ای: اثبات این که یادگیری چندوظیفه‌ای می‌تواند عملکرد مدل‌ها را در شناسایی نگرش‌های پوپولیستی بهبود بخشد. استفاده از اطلاعات مربوط به احساسات و گروه‌های اجتماعی به عنوان وظایف کمکی، باعث افزایش دقت مدل‌ها می‌شود.

به عنوان مثال، مدل‌های توسعه‌یافته در این مقاله قادر به شناسایی الگوهای زبانی خاص مرتبط با پوپولیسم هستند، مانند استفاده از عباراتی که به تقابل «مردم» در برابر «نخبگان» اشاره دارند. همچنین، این مدل‌ها می‌توانند احساساتی مانند خشم و ناامیدی را در نظرات کاربران تشخیص دهند، که اغلب با نگرش‌های پوپولیستی همراه هستند. این یافته‌ها نشان می‌دهند که پوپولیسم، فرآیندی پیچیده است که با زبان، احساسات و گروه‌بندی‌های اجتماعی در ارتباط است.

6. کاربردها و دستاوردها

این پژوهش دارای کاربردهای عملی و دستاوردهای متعددی است:

• شناسایی اخبار جعلی و سوگیری‌های خبری: مدل‌های توسعه‌یافته می‌توانند در شناسایی اخبار جعلی و تشخیص سوگیری‌های خبری که از گفتمان‌های پوپولیستی استفاده می‌کنند، مورد استفاده قرار گیرند. این ابزارها به کاربران کمک می‌کنند تا اطلاعات را با دقت بیشتری ارزیابی کنند.
• مقابله با قطبی‌سازی: با درک بهتر چگونگی عملکرد پوپولیسم و تأثیر آن بر افکار عمومی، می‌توان استراتژی‌هایی برای کاهش قطبی‌سازی و ارتقای گفت‌وگوی سازنده در جامعه توسعه داد.
• ارتقای آگاهی عمومی: این پژوهش می‌تواند به افزایش آگاهی عمومی در مورد پوپولیسم و تأثیرات آن بر جامعه کمک کند. با آموزش و اطلاع‌رسانی، شهروندان قادر خواهند بود تا گفتمان‌های پوپولیستی را شناسایی کرده و با دید انتقادی به آنها نگاه کنند.
• پشتیبانی از سیاست‌گذاری: یافته‌های این پژوهش می‌توانند به سیاست‌گذاران در درک بهتر افکار عمومی و طراحی سیاست‌هایی که به منافع مردم پاسخ می‌دهد، کمک کنند. این اطلاعات می‌تواند در تصمیم‌گیری‌های مربوط به مسائل اجتماعی و سیاسی مورد استفاده قرار گیرد.

به عنوان مثال، می‌توان از این مدل‌ها برای نظارت بر شبکه‌های اجتماعی و شناسایی کمپین‌های اطلاعاتی نادرست استفاده کرد. همچنین، می‌توان از آن‌ها برای آموزش روزنامه‌نگاران و فعالان اجتماعی در مورد شناسایی گفتمان‌های پوپولیستی و مقابله با آن‌ها استفاده نمود.

7. نتیجه‌گیری

مقاله «ما در برابر آنها» یک گام مهم در جهت درک بهتر گفتمان‌های پوپولیستی و تأثیرات آن‌ها بر جامعه است. این پژوهش با ارائه یک مجموعه‌داده جدید، مدل‌های محاسباتی نوآورانه و یافته‌های کلیدی، زمینه را برای تحقیقات بیشتر در این زمینه فراهم می‌کند. استفاده از یادگیری چندوظیفه‌ای، یکی از جنبه‌های مهم این پژوهش، نشان می‌دهد که چگونه می‌توان از اطلاعات مربوط به احساسات و گروه‌های اجتماعی برای بهبود عملکرد مدل‌ها استفاده کرد.

با توجه به گسترش گفتمان‌های پوپولیستی در سراسر جهان، این پژوهش از اهمیت بالایی برخوردار است. دستاوردهای این مقاله می‌تواند در شناسایی اخبار جعلی، مقابله با قطبی‌سازی و ارتقای آگاهی عمومی مؤثر باشد. این مقاله با ارائه ابزارها و بینش‌های جدید، به محققان، سیاست‌گذاران و عموم مردم کمک می‌کند تا پوپولیسم را بهتر درک کنند و با چالش‌های ناشی از آن مقابله کنند. در نهایت، این پژوهش نشان می‌دهد که چگونه می‌توان از تکنولوژی و هوش مصنوعی برای ارتقای درک ما از مسائل پیچیده اجتماعی و سیاسی استفاده کرد.