Quantifying Political Partisanship for Cross-Platform Analyses
作者: Fathima Ameen, Christopher G. Healey
分类: cs.SI, cs.LG
发布日期: 2026-07-23
💡 一句话要点
提出一种跨平台的政治偏见量化方法以解决社交媒体分析问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 政治偏见 社交媒体分析 跨平台研究 文本嵌入 变换器模型 舆情监测 媒体偏见评分
📋 核心要点
- 现有的政治偏见测量方法通常针对特定社交媒体平台，缺乏跨平台的适用性，限制了研究的广泛性。
- 本文提出了一种基于文本的、平台可移植的偏见测量方法，利用外部新闻可信度信号进行政治偏见的量化。
- 在对约130万条社交媒体帖子进行分析后，结果显示该方法的偏见分数与独立Twitter语料库的媒体偏见评分显著相关。
📝 摘要（中文）
社交媒体上关于政治极化的研究依赖于可靠的用户生成内容中的偏见测量。然而，现有方法通常针对特定平台的特性，导致跨平台的可推广性不足。本文提出了一种基于文本的、平台可移植的方法，通过外部新闻可信度信号来测量社交媒体帖子中的政治偏见。该方法利用变换器句子编码器对帖子进行嵌入，并将其聚类为主题组，随后通过引用新闻媒体的偏见评分进行标记。最终构建了一个偏见轴，并通过投影得出个别帖子的偏见分数。我们在2024年美国总统选举前六个月收集的约130万条来自Bluesky和Truth Social的帖子上应用了该方法，首次比较了这两个意识形态不对称平台上的偏见分布。
🔬 方法详解
问题定义：本文旨在解决现有政治偏见测量方法的局限性，特别是其对特定平台特性的依赖，导致跨平台分析的困难。
核心思路：提出一种基于文本的、平台可移植的方法，通过外部新闻可信度信号来量化社交媒体内容中的政治偏见，增强方法的普适性。
技术框架：整体流程包括：首先使用变换器句子编码器对社交媒体帖子进行嵌入，接着将帖子聚类为主题组，并利用AllSides媒体偏见评分对聚类结果进行标记，最后在嵌入空间中构建偏见轴并计算个别帖子的偏见分数。
关键创新：该方法的创新之处在于其平台可移植性和对外部新闻可信度信号的利用，使得偏见测量不再依赖于特定平台的特性，提升了研究的广泛适用性。
关键设计：在技术细节上，使用变换器模型进行文本嵌入，聚类算法用于主题分组，偏见评分通过聚类中心的差异构建偏见轴，确保了测量的准确性和可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的偏见测量方法在Bluesky和Truth Social平台上表现出显著的相关性，偏见分数与AllSides媒体偏见评分在独立Twitter语料库中也显示出显著的相关性，验证了方法的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括社交媒体分析、政治传播研究以及舆情监测等。通过提供一种跨平台的政治偏见量化方法，研究者和政策制定者可以更好地理解社交媒体上的政治动态，进而制定相应的应对策略，促进社会的理性讨论与交流。
📄 摘要（原文）
Research on political polarization on social media depends on the ability to reliably measure partisanship in user-generated content. However, existing approaches are typically tailored to platform-specific properties, such as structural affordances or linguistic conventions, which hurts generalizability across platforms. This limitation is increasingly consequential as the social media ecosystem fragments and fringe, alt-tech platforms emerge alongside mainstream ones. We propose a text-based, platform-portable methodology for measuring political partisanship in social media posts, anchored by an external news-credibility signal. Posts are embedded using a transformer-based sentence encoder and clustered into topic groups, which are labeled using the aggregated AllSides media bias scores of cited news outlets. A partisanship axis is then constructed in the embedding space as the difference between centroids of oppositely labeled clusters, and individual posts are scored by projection onto this axis. We apply the method to a corpus of approximately 1.3 million posts collected from Bluesky and Truth Social during the six months preceding the 2024 U.S. presidential election, providing the first cross-platform comparison of partisanship distributions on these two ideologically asymmetric platforms. The resulting partisanship scores correlate significantly with held-out AllSides media bias scores both in-distribution and out-of-distribution on an independent Twitter corpus, and recover within-platform partisan dynamics that platform identity alone cannot explain.