Kann ein Algorithmus die Zukunft eines Politikers vorhersagen, nur indem er seine Tweets analysiert? | Karina Petrova, PsyPost Ein neues statistisches Modell hat erfolgreich Mitglieder des US-Kongresses in verschiedene politische und legislative Gruppen eingeteilt, basierend ausschließlich auf ihren Interaktionsmustern auf der Social-Media-Plattform X. Veröffentlicht im Journal of Computational and Graphical Statistics, identifizierte die Studie auch eine kleine Anzahl von Ausreißern, deren Online-Verhalten Anzeichen für Ambitionen auf höhere Ämter zu signalisieren schien. Politiker nutzen öffentliche Plattformen, um ihre Prinzipien und politischen Positionen den Wählern zu kommunizieren. Über formelle Erklärungen hinaus pflegen viele auch eine persönliche Marke durch ihre Sprach- und Stilwahl. Da ein großer Teil der politischen Kommunikation mittlerweile online stattfindet, haben Forscher untersucht, wie gewählte Amtsträger sich positionieren, indem sie strategisch mit anderen in ihrer Koalition assoziieren. Die neue Studie wurde von Benjamin Leinwand, einem Assistenzprofessor für mathematische Wissenschaften am Stevens Institute of Technology, und Vince Lyzinski, einem Mathematikprofessor an der University of Maryland, durchgeführt. Sie sind auf Netzwerkwissenschaft spezialisiert, ein Bereich, der die Verbindungen innerhalb komplexer Systeme analysiert. Sie wollten herausfinden, ob ein Modell die zugrunde liegende Struktur eines politischen Netzwerks deduzieren könnte, indem es nur die Interaktionen beobachtet, ohne Informationen über politische Zugehörigkeiten oder in welche Kammer des Kongresses ein Mitglied gehört, zu erhalten. Um die soziale Landschaft des Kongresses zu verstehen, benötigten die Forscher ein Werkzeug, das das komplexe Netz von Online-Interaktionen kartieren kann. Im Kern versucht jedes solche statistische Modell, einen einfachen Wert für jedes Paar von Individuen zu berechnen: die Wahrscheinlichkeit, dass sie sich verbinden. Dies erzeugt einen Plan des Netzwerks, der zeigt, welche Verbindungen wahrscheinlich sind und welche nicht. Einige weit verbreitete Netzwerkmodelle nähern sich dieser Aufgabe, indem sie einige Schlüsselfaktoren kombinieren. Zum Beispiel könnte ein Modell die Wahrscheinlichkeit einer Verbindung schätzen, indem es den individuellen "Geselligkeits"-Wert einer Person mit einem Wert multipliziert, der darstellt, wie interaktiv ihre Gruppe ist. Diese Methode funktioniert in vielen Szenarien gut, kann jedoch in Netzwerken mit extremen Variationen versagen. Das Problem tritt in dicht verbundenen Gemeinschaften auf, in denen einige Individuen außergewöhnlich aktiv sind. In solchen Fällen könnte das Modell diesen aktiven Personen sehr hohe Geselligkeitswerte und ihrer Gruppe einen hohen Interaktionswert zuweisen. Wenn diese hohen Werte multipliziert werden, kann die resultierende Wahrscheinlichkeit 1 oder 100 Prozent überschreiten. Dies ist eine mathematische Unmöglichkeit, die signalisiert, dass das Modell die zugrunde liegenden sozialen Dynamiken nicht genau darstellt. Das neue Modell, das von Leinwand und Lyzinski entwickelt wurde, basiert auf einer anderen mathematischen Grundlage, die speziell entwickelt wurde, um dieses Problem zu vermeiden. Seine internen Berechnungen sind so konstruiert, dass sie garantieren, dass die endgültige Ausgabe für jedes Paar von Politikern immer eine gültige Wahrscheinlichkeit ist, eine Zahl zwischen 0 und 1. Dies stellt sicher, dass das Modell eine kohärente und logische Karte des Netzwerks erzeugt, selbst in seinen aktivsten und komplexesten Regionen. Über die Vermeidung von Fehlern hinaus bietet dieser neue Ansatz größere Flexibilität. Er geht nicht davon aus, dass die Muster der Verbindung im gesamten Netzwerk gleich sind. Zum Beispiel könnten einige Modelle implizit annehmen, dass die sozial aktivsten Mitglieder einer Gruppe am wahrscheinlichsten mit den aktivsten Mitgliedern einer anderen Gruppe in Verbindung stehen. Das neue Modell kann jedoch komplexere Muster erkennen. Es könnte beispielsweise eine Situation finden, in der moderate Mitglieder zweier verschiedener politischer Parteien häufig interagieren, während die parteiischsten Mitglieder dieser gleichen Parteien sehr wenig interagieren. Es kann auch erkennen, dass die Neigung eines Individuums, Verbindungen zu bilden, je nach der Gemeinschaft, mit der es interagiert, variieren kann, was ein detaillierteres und realistischeres Bild der politischen Kommunikation bietet. Mit diesem Modell analysierten Leinwand und Lyzinski die öffentliche Aktivität von 475 Mitgliedern des 117. US-Kongresses. Ihr Datensatz umfasste jedes Mitglied, das während eines viermonatigen Zeitraums, vom 9. Februar 2022 bis zum 9. Juni 2022, mindestens 100 Tweets gepostet hatte. Das Modell definierte eine Verbindung zwischen zwei Politikern, wenn einer von ihnen während dieses Zeitraums den anderen getweetet oder retweetet hatte. "Wir nennen zwei Personen 'verbunden', wenn einer in dem Paar den anderen während dieses Zeitraums getweetet oder retweetet hat", erklärte Leinwand. Das Modell erhielt keine Informationen über die Partei eines Politikers, seine Kammer oder seine politischen Positionen. Es wurde beauftragt, die 475 Individuen nur basierend auf dem Netz ihrer digitalen Verbindungen in Gruppen einzuteilen. Das Modell identifizierte drei Hauptgemeinschaften. Diese algorithmisch definierten Gruppen fielen entlang bekannter politischer Linien. Die erste Gruppe bestand fast ausschließlich aus Senatoren. Die zweite Gemeinschaft bestand hauptsächlich aus demokratischen Mitgliedern des Repräsentantenhauses, und die dritte setzte sich größtenteils aus republikanischen Mitgliedern des Hauses zusammen. Die Analyse zeigte, dass Politiker innerhalb dieser drei Gruppen dazu neigten, am häufigsten mit Mitgliedern ihrer eigenen Gemeinschaft zu interagieren. "Republikanische Kongressabgeordnete sprachen viel untereinander, und demokratische Kongressabgeordnete sprachen viel untereinander, obwohl demokratische Kongressabgeordnete etwas eher mit Senatoren interagierten als ihre republikanischen Kollegen", sagte Leinwand. Er bot eine mögliche Erklärung für dieses Muster an. Zum Zeitpunkt der Beobachtung hatten die Demokraten die Mehrheit im Senat. Daher könnte man sich vorstellen, dass demokratische Kongressabgeordnete motiviert sein könnten, die Botschaften der Senatsführung zusätzlich zu ihren Verbündeten im Haus zu verstärken, fügte er hinzu. ...