Journal Watch

Appearance

The unintended consequences of amplifying the radical right on twitter ​

Fernandes, Won (2023)

DisciplineInterdisciplinary
MethodComputational
Tagsbackfire effectdata · digital trace datamethod · embeddingmethod · nlpmethod · time series analysispolitical communicationradical rightsocial media amplificationtwitter

Summary ​

Problem: 既有文献主要关注激进右翼政党如何利用社交媒体推进其政治目标，但很少研究公民试图通过社交媒体谴责和诋毁激进右翼时所产生的后果。作者提出一个关键问题：当公民在Twitter上试图打击和诋毁激进右翼时，他们的行为会产生什么后果？特别是，使用引用推文（quoted tweets）表达负面情绪来谴责激进右翼，是否会无意中放大其信息传播？

Approach: 作者以葡萄牙激进右翼政党Chega及其领导人André Ventura的Twitter账户为核心，收集了2017年至2021年间超过100万条推文数据。研究采用三种创新方法：（1）使用节点嵌入（node embeddings）绘制Twitter互动网络图谱；（2）使用深度学习自动情感分析（基于BERTimbau预训练模型）对引用推文进行情感分类；（3）使用向量自回归模型（VAR）预测负面和正面引用推文对Chega关注者数量增长的影响。

Finding: 研究发现，用户通过弱连接和级联效应，以负面引用推文的方式放大激进右翼的原始信息，最终适得其反——谴责激进右翼反而帮助新兴的非自由政党在网络上触达更多用户并增加关注者。相比之下，公开支持激进右翼的正面引用推文对关注者增长的贡献较为有限。

Significance: 这项研究对如何应对非自由政党具有重要的实证意义。研究表明，公民若想削弱激进右翼的影响力，最好的策略是采取被动去极化策略（passive depolarization strategy），即保持沉默或讨论对非自由政党不利的话题。在社交媒体上对抗非自由规范和价值观的最有效武器是沉默。

Theoretical Framework ​

  • Theoretical tradition: 本研究属于政治传播学与计算社会科学的交叉领域，关注社交媒体平台上的政治互动、情感极化和激进右翼政党崛起。
  • Prior theories built upon: 社会认同理论（social identity theory）、情感极化理论（affective polarization）、弱连接理论（Granovetter的weak ties理论）、级联效应模型（Lerman等人的传染病模型）、Mudde的激进右翼薄意识形态理论。
  • Causal mechanism: 公民因情感极化和对民主侵蚀的感知，将激进右翼视为外群体威胁，从而产生谴责动机。在Twitter的弱连接网络中，用户通过引用推文表达负面情绪时，同时转发了原始推文，形成级联效应，使更多原本不会接触激进右翼信息的用户暴露于其内容，最终增加激进右翼的关注者数量。
  • Key assumptions: （1）Twitter用户有动机对外群体威胁做出反应；（2）弱连接是Twitter上信息传播的主要渠道；（3）引用推文同时传播原始信息和用户自身观点；（4）激进右翼的反建制身份使其从被谴责中获益而非受损。
  • Theoretical move: 本文挑战并扩展了现有理论。它挑战了"回声室"理论（认为Twitter主要是同质化群体的封闭空间），转而支持弱连接促进异质观点互动的观点。同时，它将"放大效应"（amplification）概念引入激进右翼研究，揭示了谴责行为可能产生与预期相反的效果。
  • Scope conditions: 研究聚焦于新兴激进右翼政党（nascent radical right parties）在Twitter上的发展初期。作者指出，对于资源有限、难以获得传统媒体关注的新政党，放大效应尤为重要。研究基于葡萄牙案例，但作者认为其发现有助于理解Twitter对新兴激进右翼政党的重要性。

Research Design ​

本研究属于观察性纵向研究（observational longitudinal study），采用计算社会科学方法。分析单位是Twitter用户及其互动行为。

关键自变量：

  • 每日负面引用推文数量（用户对激进右翼表达负面情绪的引用推文）
  • 每日正面引用推文数量（用户对激进右翼表达正面情绪的引用推文）

关键因变量：

  • Chega政党Twitter账号的每日关注者数量变化

操作化方式：

  • 引用推文通过深度学习情感分类器（基于BERTimbau微调）分为正面、负面、中性和不确定四类
  • 关注者数量通过Twitter API获取的时间序列数据
  • 网络结构通过Node2Vec节点嵌入方法映射

Data & Sample ​

  • 样本量：40,132个唯一Twitter用户；706,618条种子账户推文；187,191条引用推文；1,747,627条转发
  • 总体：葡萄牙政治Twitter网络
  • 国家/地区：葡萄牙
  • 数据收集方法：使用Twitter官方学术API，从327个种子账户（包括议员、行政成员、政治评论员和专栏作家）收集所有推文、转发和引用推文
  • 时间范围：2017年1月1日至2021年2月1日（覆盖Chega成立前后）
  • 数据来源：Twitter学术API；核心关注对象为Chega领导人André Ventura的Twitter账户
  • 情感分析训练数据：人工标注的15,791条推文语料库，由四名学生标注

Analytical Strategy ​

主要分析模型：

  1. Node2Vec节点嵌入：用于映射Twitter互动网络，将用户编码到数学空间中，分析用户间的意识形态距离和互动模式
  2. 深度学习情感分析：使用BERTimbau预训练模型进行迁移学习，微调后对引用推文进行情感分类（正面/负面/中性/不确定）
  3. 向量自回归模型（VAR）：用于预测负面和正面引用推文对Chega关注者数量演变的贡献

关键控制变量：研究控制了网络结构特征（如节点位置、连接强度）和时间序列的滞后效应。

稳健性检验：作者在附录中提供了详细的编码说明和描述性统计（附录B、D），但正文中未详细展开所有稳健性检验的具体内容。

Results & Findings ​

主要发现1：负面引用推文放大激进右翼信息 研究发现，用户通过引用推文表达对激进右翼的负面情绪时，无意中放大了激进右翼的原始信息。引用推文同时传播了原始推文和用户自身观点，通过弱连接和级联效应，使更多原本不会接触激进右翼信息的用户暴露于其内容。这一发现支持了作者的核心假设：谴责激进右翼的行为适得其反。

主要发现2：负面引用推文增加Chega关注者 与正面引用推文相比，负面引用推文对Chega关注者数量的增长贡献更大。这意味着，试图通过谴责和诋毁来削弱激进右翼的策略，实际上帮助其扩大了受众基础。这一发现与理论预期一致：激进右翼的反建制身份使其从被谴责中获益，因为谴责行为强化了其作为反精英、反建制的自我定位。

主要发现3：正面引用推文贡献有限 相比之下，公开支持激进右翼的正面引用推文对关注者增长的贡献较为有限。这可能是因为支持者主要存在于既有的同质化网络中，难以通过弱连接触达新的受众。

零结果与意外发现：作者未报告显著的零结果。意外发现是负面情绪比正面情绪更能促进激进右翼的增长，这与直觉相反——人们可能预期支持性内容比批评性内容更能帮助政党增长。

Limitations ​

作者在文中承认的局限性包括：

  1. 数据事后收集：Twitter数据是事后（ex-post）下载的，这可能对指标产生影响
  2. 情感分类器限制：分类器仅训练处理文本表达的情感，未包含仅含图片或GIF的推文
  3. 单一平台聚焦：研究仅关注Twitter，未涵盖其他社交媒体平台
  4. 单一国家案例：研究基于葡萄牙案例，虽然作者认为具有推广价值，但不同政治语境下的适用性有待验证
  5. 关注者数量作为因变量：关注者数量是影响力的代理指标，但关注并不等同于政治支持或投票行为

Key Contributions ​

  • 首次实证检验了公民谴责激进右翼的社交媒体行为可能产生的"适得其反"效应
  • 将"放大效应"（amplification）概念系统性地引入激进右翼社交媒体研究
  • 创新性地结合节点嵌入、深度学习情感分析和VAR模型三种方法研究政治传播
  • 为应对非自由政党的策略提供了实证依据：沉默或被动去极化可能比积极谴责更有效
  • 扩展了弱连接理论在政治传播中的应用，证明弱连接是激进右翼信息扩散的关键机制
  • 为葡萄牙激进右翼政党Chega的崛起提供了社交媒体层面的解释

Key Claims ​

"amplifying information is never neutral and those who amplify information must recognize the costs and consequences of publication" (Donovan & Boyd, 2021, p. 346, as cited in the Introduction)

"Our findings suggest that amplifying the radical right's message in the network, even with an aim to discredit it, backlashes." (Abstract/Findings section)

"We show that users who make quoted tweets displaying negative sentiments toward the radical right's stances help it to spread its message and, significantly, to increase its number of followers." (Introduction)

"By contrast, our findings show that users who publicly support the radical right by making quoted tweets displaying positive sentiments make only a modest contribution to the increase in followers." (Introduction)

"The most effective weapon against promoters of illiberal norms and values on social media is silence or politicizing topics that are harmful to illiberal parties." (Introduction)

My Notes ​