Des chercheurs de l'Université du Wisconsin-Madison utilisent les ordinateurs de nouvelles façons pour développer une image complète de la façon dont les gens communiquent sur la politique, et comment ces conversations peuvent être façonnées par les médias, les réseaux sociaux et les interactions personnelles.

Ce que leur analyse informatique trouve, les chercheurs espèrent, pourrait aider à combler le fossé entre les gens de chaque côté de l'allée politique qui sont incapables de se réunir pour résoudre les problèmes de la société parce qu'ils ne peuvent même pas se parler, à tel point qu'ils pourraient aussi bien parler des langues différentes.

« L'une des questions les plus importantes pour nous est :le système de communication aide-t-il les gens à comprendre les problèmes qu'ils définissent dans leur vie sociale et politique ? dit Lewis Friedland, professeur à l'École de journalisme et de communication de masse de l'UW-Madison. "Ou, Avons-nous un système qui exacerbe réellement les divisions entre les gens - qui facilite la division en « ingroups » et « exogroupes, ' de voir les autres comme différents de nous ou indignes ? »

En s'appuyant sur les publications sur les réseaux sociaux, sondages d'opinion, couverture médiatique et interviews en personne de tout le Wisconsin remontant à 2010, Friedland et ses collaborateurs brosseront un tableau des interactions politiques en tant que vie, environnement changeant - une « écologie de la communication » - avec des réseaux d'interaction entre les personnes et les institutions de l'État. Soutenu par le financement de l'initiative UW2020, c'est l'un des efforts les plus ambitieux jamais entrepris pour comprendre comment les gens dans tout un État parlent de politique, et comment ces conversations ont changé au fil du temps.

« Personne n'a tenté de modéliser les écologies de la communication au niveau de l'État, surtout depuis huit ans, " dit Friedland. " Il faut une énorme créativité dans la collecte de données, la modélisation des relations et le développement de méthodes d'analyse.

Les chercheurs exploitent la puissance de l'apprentissage automatique, dans lequel UW-Madison est un innovateur de premier plan, pour détecter comment des personnes de convictions politiques opposées attribuent des significations différentes aux mêmes mots.

Par exemple, le mot "réglementation" peut avoir des connotations substantiellement différentes - "utile et nécessaire" ou "onéreux et envahissant" - pour les libéraux et les conservateurs. Bien que ces sentiments puissent sembler intuitifs, il est difficile de définir et de quantifier rigoureusement comment les gens attribuent un sens aux mots.

L'apprentissage automatique offre une solution à ce problème en transformant les mots en concepts géométriques appelés vecteurs et en utilisant des opérations mathématiques pour faire des comparaisons.

"Les vecteurs vous montrent quelque chose sur les mots, " dit William Sethares, un professeur UW-Madison de génie électrique et informatique et collaborateur sur le projet. "Les choses simples comme les synonymes auront des vecteurs similaires, et les vecteurs de mots analogues auront les mêmes relations les uns avec les autres."

Les vecteurs sont des objets abstraits qui ont une longueur et une direction; en deux dimensions, un vecteur ressemble à un symbole de flèche. Les vecteurs de mots sont similaires à de simples flèches, sauf qu'ils existent dans beaucoup plus de dimensions. Même s'il serait impossible de dessiner des vecteurs de mots sur une feuille de papier plate, les représentations pour "roi" et "reine" seraient, en un sens, pointent dans le même sens l'un par rapport à l'autre que ceux pour « garçon » et « fille ».

Après avoir comparé les vecteurs d'environ 2, 000 tweets postés par des libéraux, conservateurs et non partisans, les chercheurs ont identifié les 10 premiers mots avec des usages différents entre les idéologies politiques, compris « homme politique, " "gouvernement" et "environnement".

Révéler ces différences a nécessité une nouvelle approche informatique, développé par Sethares et l'étudiant diplômé Prathusha Sarma.

Le processus de transformation des mots en vecteurs s'appelle l'inclusion, et cela implique généralement de programmer des algorithmes pour parcourir d'énormes quantités de texte, like the entirety of Wikipedia or every Google news story ever published.

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."

Au lieu, 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.