I ricercatori dell'Università del Wisconsin-Madison stanno usando i computer in nuovi modi per sviluppare un quadro completo di come le persone comunicano sulla politica, e come queste conversazioni possono essere modellate dai media, social network e interazioni personali.

Cosa trova la loro analisi del computer, i ricercatori sperano, potrebbe aiutare a colmare il divario tra le persone su entrambi i lati del corridoio politico che non sono in grado di unirsi per risolvere i problemi della società perché non possono nemmeno parlarsi, tanto che potrebbero anche parlare lingue diverse.

"Una delle domande più importanti per noi è:il sistema di comunicazione aiuta le persone a comprendere i problemi che definiscono nella loro vita sociale e politica?" dice Lewis Friedland, un professore alla Scuola di giornalismo e comunicazione di massa di UW-Madison. "O, abbiamo un sistema che in realtà esacerba le divisioni tra le persone, che rende più facile dividersi in "ingroup" e "outgroup", ' per vedere gli altri come diversi da noi o indegni?"

Attingendo ai post sui social media, sondaggi di opinione, copertura di notizie e interviste di persona da tutto il Wisconsin che risalgono al 2010, Friedland e i suoi collaboratori dipingeranno un quadro delle interazioni politiche come una vita, ambiente mutevole - una "ecologia della comunicazione" - con reti di interazione tra persone e istituzioni nello stato. Supportato dai finanziamenti dell'iniziativa UW2020, è uno degli sforzi più ambiziosi di sempre per capire come le persone in un intero stato parlano di politica, e come quelle conversazioni sono cambiate nel tempo.

"Nessuno ha tentato di modellare l'ecologia della comunicazione a livello statale, soprattutto negli otto anni, " dice Friedland. "Ci vuole un'enorme creatività nella raccolta di dati, modellare le relazioni e sviluppare metodi di analisi".

I ricercatori stanno sfruttando la potenza del machine learning, in cui UW–Madison è un innovatore leader, per rilevare come persone di convinzioni politiche opposte assegnano significati diversi alle stesse parole.

Per esempio, la parola "regolamento" può avere connotazioni sostanzialmente diverse - "utile e necessario" o "oneroso e invasivo" - per liberali e conservatori. Sebbene questi sentimenti possano sembrare intuitivi, è difficile definire e quantificare in modo rigoroso esattamente come le persone assegnano significati alle parole.

L'apprendimento automatico offre una soluzione a questo problema trasformando le parole in concetti geometrici chiamati vettori e utilizzando operazioni matematiche per effettuare confronti.

"I vettori ti mostrano qualcosa sulle parole, "dice William Sethares, un professore di ingegneria elettrica e informatica UW-Madison e collaboratore del progetto. "Le cose semplici come i sinonimi avranno vettori simili, e i vettori per parole analoghe avranno le stesse relazioni tra loro."

I vettori sono oggetti astratti che hanno lunghezza e direzione; in due dimensioni, un vettore ha l'aspetto di un simbolo di freccia. I vettori di parole sono simili a semplici frecce, tranne che esistono in molte più dimensioni. Anche se sarebbe impossibile disegnare vettori di parole su un foglio di carta piatto, le rappresentazioni per "re" e "regina" sarebbero, in un senso, puntano l'uno rispetto all'altro nella stessa direzione di quelli per "ragazzo" e "ragazza".

Dopo aver confrontato i vettori di circa 2, 000 tweet postati da liberali, conservatori e apartitici, i ricercatori hanno identificato le prime 10 parole con usi diversi tra ideologie politiche, compreso "politico, " "governo" e "ambiente".

Rivelare queste differenze richiedeva un nuovo approccio computazionale, sviluppato da Sethares e dallo studente laureato Prathusha Sarma.

Il processo di trasformazione delle parole in vettori si chiama incorporamento, e in genere comporta algoritmi di programmazione per trascinare enormi quantità di testo, come l'intera Wikipedia o ogni notizia di Google mai pubblicata.

The problem is that the powerful generic word embeddings from giant databases like Wikipedia often miss nuances in language—after all, every word becomes one single vector, so terms with multiple meanings can confuse even the smartest algorithms (think of "hack, " which can describe either what an ax does, a computer invasion, or an untalented writer).

While those subtle differences might emerge in specific data sets, like the text of 2, 000 political tweets, there simply wouldn't be enough words to construct accurate vectors.

"Any small niche uses words in its own way, " says Sethares. "The things that work really well require billions of words, so we're caught in a trap because we can't train algorithms on a small data set."

Anziché, Sethares and Sarma found an effective method to combine the strength of word embeddings derived from Wikipedia with the specificity of political tweets. Their algorithm not only identified words that conservatives and liberals use differently, but also predicted the political ideology of a tweet's author with roughly 90 percent accuracy based on language alone.

Sethares and colleagues plan to apply the same machine learning approaches to Wisconsin political news and campaign speeches. The approach could enable them to draw comparisons between political dialogue in urban and rural communities as well as examine how partisan word meanings may have shifted over time.

They then will combine information about word meanings with additional layers of data, including insights from in-person interviews, election results and historical statistics from public opinion polling. The resulting communication ecology will offer unprecedented insights into how the Wisconsin political environment is evolving.

"The environment is getting noisier and noisier, " says Friedland. "People who have limited time and attention can only focus on so much in a given day."

And even though untangling partisan gridlock will require substantial empathy and effort from people across the political spectrum, understanding the communication environment is an important first step toward bridging the divide, Friedland adds.