MIT: Medindo Viés de Mídia em Grandes Veículos de Notícias com Aprendizado de Máquina

Um estudo do MIT utilizou técnicas de aprendizado de máquina para identificar frases tendenciosas em cerca de 100 dos maiores e mais influentes veículos de notícias nos EUA e além, incluindo 83 das publicações de notícias impressas mais influentes. É um esforço de pesquisa que mostra o caminho para sistemas automatizados que poderiam potencialmente auto-classificar o caráter político de uma publicação e dar aos leitores uma visão mais profunda da postura ética de um veículo sobre tópicos que eles podem sentir paixão.

O trabalho centra-se na forma como os tópicos são abordados com frases específicas, como imigrante sem documentos | imigrante ilegal, feto | bebê não nascido, manifestantes | anarquistas.

O projeto utilizou técnicas de Processamento de Linguagem Natural (NLP) para extrair e classificar instâncias de “linguagem carregada” (com a suposição de que termos aparentemente mais “neutros” também representam uma postura política) em um mapeamento amplo que revela viés de esquerda e direita em mais de três milhões de artigos de cerca de 100 veículos de notícias, resultando em um panorama de viés navegável das publicações em questão.

O artigo vem de Samantha D’Alonzo e Max Tegmark do Departamento de Física do MIT e observa que várias iniciativas recentes em torno de “verificação de fatos”, após vários escândalos de “notícias falsas”, podem ser interpretadas como desonestas e servindo aos interesses de particulares. O projeto visa fornecer uma abordagem mais baseada em dados para estudar o uso de viés e “linguagem de influência” em um contexto de notícias supostamente neutro.

Um espectro de frases (literalmente) da esquerda para a direita, derivado do estudo. Fonte: https://arxiv.org/pdf/2109.00024.pdf

Processamento de NLP

Os dados de origem do estudo foram obtidos do banco de dados de código aberto Newspaper3K e compreendiam 3.078.624 artigos obtidos de 100 fontes de notícias, incluindo 83 jornais. Os jornais foram selecionados com base em seu alcance, enquanto as fontes de notícias online também incluíam artigos do site de análise de notícias militares Defense One e Ciência.

As fontes utilizadas no estudo.

O artigo relata que o texto baixado foi “minimamente” pré-processado. Citações diretas foram eliminadas, pois o estudo está interessado na linguagem escolhida pelos jornalistas (embora a seleção de citações seja em si um campo de estudo interessante).

Os termos em inglês britânico foram alterados para o inglês americano para padronizar o banco de dados, e todos os sinais de pontuação foram removidos, bem como todos os números, exceto os ordinais. A capitalização inicial das frases foi convertida para minúsculas, mas toda a capitalização restante foi mantida.

Os primeiros 100.000 termos mais comuns foram identificados e, finalmente, classificados, purgados e mesclados em uma lista de termos. Toda a linguagem redundante que pôde ser identificada (como “Compartilhe este artigo” e “artigo republicado”) foi igualmente excluída. Variações em frases essencialmente idênticas (por exemplo, “big tech” e “Big Tech”, “cybersecurity” e “cyber security”) foram padronizadas.

‘Nutpicking’

O teste inicial foi sobre o tópico “Vidas Negras Importam” e conseguiu discernir viés de frases e sinônimos valentes em todo o conjunto de dados.

Componentes principais generalizados para artigos sobre Vidas Negras Importam (BLM). Vemos pessoas participando de ação civil caracterizadas, literal e figurativamente, da esquerda para a direita, como manifestantes, anarquistas e, no extremo direito do espectro, como ‘vândalos’. Os jornais que originaram a frase são representados no painel da direita.

Enquanto “protestantes” transitam de “anarquistas” para “vândalos” à medida que deslizamos ao longo da postura política do veículo em questão, o artigo observa que a extração e análise de NLP são dificultadas pela prática de “nutpicking” – onde um veículo de notícias cita uma frase que é vista como válida por um segmento político diferente da sociedade e pode (aparentemente) confiar que sua audiência a veja de forma negativa. O artigo cita “desfinanciar a polícia” como um exemplo disso.

Naturalmente, isso significa que uma frase de “esquerda” aparece em um contexto de direita e representa um desafio incomum para um sistema de NLP que confia em frases codificadas para atuar como signos de posturas políticas.

Tais frases são “bi-valentes” [SIC], enquanto certas outras frases têm uma conotação negativa universal (por exemplo, “infanticídio”) que é sempre representada como negativa em uma variedade de veículos.

A pesquisa também revela mapeamentos semelhantes para tópicos “quentes” como aborto, censura tecnológica, imigração nos EUA e controle de armas.

Cavalos de Batalha

Existem certas inclinações políticas controversas em veículos de notícias que não se dividem previsivelmente dessa forma, como o tópico de gastos militares. O artigo encontrou que o “esquerda” CNN terminou ao lado do “direita” National Review e Fox News sobre esse assunto.

Em geral, no entanto, a postura política pode ser determinada por outras frases, como preferir a frase “complexo militar-industrial” ao mais “direita” “indústria de defesa”. Os resultados mostram que o primeiro é usado por veículos críticos ao establishment, como Canary e American Conservative, enquanto o segundo é usado mais frequentemente por Fox e CNN.

A pesquisa estabelece várias outras progressões de linguagem crítica ao establishment para linguagem pró-establishment, incluindo a gama de “morto a tiros” para o mais passivo “o assassinato de”; “criminosos presos” para “pessoas presas”; e “produtores de petróleo” para “grande petróleo”.

Sinônimos valentes com viés de establishment, de cima para baixo.

A pesquisa reconhece que os veículos podem “se afastar” de sua postura política base, seja em um nível linguístico (como o uso de frases bi-valentes), ou por vários outros motivos. Por exemplo, a venerável publicação de direita do Reino Unido The Spectator, estabelecida em 1828, frequentemente e proeminentemente apresenta peças de pensamento de esquerda que se chocam contra o fluxo político geral de seu conteúdo. Se isso é feito por um senso de relatórios imparciais ou para periodicamente inflamar sua audiência central em tempestades de comentários que geram tráfego é uma questão de conjectura – e não é um caso fácil para um sistema de aprendizado de máquina que procura tokens claros e consistentes.

Esses “cavalos de batalha” e o uso ambíguo de “pontos de vista desconcertantes” entre organizações de notícias individuais confundem um pouco o mapeamento esquerda-direita que a pesquisa oferece finalmente, embora forneça uma indicação geral de afiliação política.

Significado Retido

Embora datado de 2 de setembro e publicado no final de agosto de 2021, o artigo ganhou relativamente pouca tração. Parcialmente, isso pode ser porque a pesquisa crítica direcionada à mídia mainstream é improvável de ser recebida com entusiasmo por ela; mas também pode ser devido à relutância dos autores em produzir gráficos claros e inequívocos que estratificam onde as publicações de mídia influentes e poderosas estão em várias questões, juntamente com valores agregados que indicam a extensão com que uma publicação inclina-se para a esquerda ou para a direita. Em essência, os autores parecem tomar cuidado para amortecer o efeito potencialmente incendiário dos resultados.

Da mesma forma, os dados extensivos publicados do projeto mostram contagens de frequência de incidentes de palavras, mas parece ser anonimizado, tornando difícil obter uma visão clara do viés de mídia nas publicações estudadas. Sem operacionalizar o projeto de alguma forma, isso deixa apenas os exemplos selecionados apresentados no artigo.

Estudos posteriores dessa natureza seriam possivelmente mais úteis se considerassem não apenas a linguagem usada para os tópicos, mas se o tópico foi coberto em absoluto, pois o silêncio fala volumes e tem em si um caráter político distinto que frequentemente fala mais do que apenas limitações orçamentárias ou outros fatores pragmáticos que podem informar a seleção de notícias.

No entanto, o estudo do MIT parece ser o maior do seu tipo até o momento e poderia formar a estrutura para sistemas de classificação futuros e até tecnologias secundárias, como plug-ins de navegador que possam alertar leitores casuais para a cor política da publicação que estão lendo.

Bolhas, Viés e Contra-Ataque

Além disso, teria que ser considerado se tais sistemas furtheriam um dos aspectos mais controversos dos sistemas de recomendação algorítmica – a tendência de levar um espectador a ambientes onde ele nunca vê um ponto de vista contrastante ou desafiador, o que provavelmente reforçaria ainda mais a postura do leitor sobre questões centrais.

Se tal bolha de conteúdo é um “ambiente seguro”, um impedimento para o crescimento intelectual ou uma proteção contra propaganda parcial é um julgamento de valor – uma questão filosófica que é difícil de abordar a partir do ponto de vista mecanicista e estatístico dos sistemas de aprendizado de máquina.

Além disso, assim como o estudo do MIT tomou cuidado para deixar que os dados definam os resultados, a classificação do valor político de frases é inevitavelmente também um tipo de julgamento de valor, e um que não pode facilmente resistir à capacidade da linguagem de recodificar conteúdo tóxico ou controverso em frases novas que não estão no manual, nas regras do fórum ou no banco de dados de treinamento.

Se uma codificação desse tipo se tornasse incorporada em sistemas online populares, parece provável que um esforço contínuo para mapear a temperatura ética e política de grandes veículos de notícias pudesse se desenvolver em uma guerra fria entre a capacidade da IA de discernir viés e a capacidade dos editores de expressar sua postura em um idioma em evolução projetado para superar regularmente a compreensão da semântica do aprendizado de máquina.

14/09/21 – 1.41 GMT+2 – Alterado ‘100 jornais’ para ‘100 veículos de notícias’
4:58pm – Corrigido citação do artigo para incluir Samantha D’Alonzo e correções relacionadas.