Resumo
Este trabalho descreve uma análise cronológica (2000-2019) de sentimento e emoção em 23 milhões de manchetes de 47 meios de comunicação populares nos Estados Unidos. Usamos modelos de linguagem Transformer ajustados para detecção de sentimento (positivo, negativo) e as seis emoções básicas de Ekman (raiva, nojo, medo, alegria, tristeza, surpresa) além de neutro para rotular automaticamente as manchetes.
Os resultados mostram um aumento da negatividade do sentimento nas manchetes da mídia escrita desde o ano 2000. As manchetes da mídia de direita têm sido, em média, consistentemente mais negativas do que as manchetes de veículos de esquerda durante todo o período estudado. A análise cronológica da emotividade das manchetes mostra uma proporção crescente de manchetes que denotam raiva , medo ,nojo e tristeza e uma diminuição na prevalência de manchetes emocionalmente neutras nos veículos estudados no intervalo de 2000-2019. A prevalência de manchetes que denotam raiva parece ser maior, em média, nos meios de comunicação de direita do que na mídia de esquerda.
Discussão
Os resultados deste trabalho mostram um aumento da negatividade do sentimento nas manchetes dos meios de comunicação populares nos Estados Unidos desde pelo menos o ano 2000. O sentimento das manchetes nos meios de notícias de direita tem sido, em média, mais negativo do que o sentimento de manchetes em veículos de notícias de esquerda durante todo o intervalo de tempo estudado de 2000-2019. Além disso, desde pelo menos o ano de 2008, houve um aumento substancial na prevalência de manchetes que denotam raiva nos meios de comunicação populares. Aqui também, a mídia noticiosa de direita parece ter, em média, usado uma proporção maior de manchetes que denotam raiva do que os meios de comunicação de esquerda. A prevalência de manchetes que denotam medo e tristezatambém aumentou em geral durante o intervalo de 2000-2019. No mesmo período temporal, a proporção de manchetes com valência emocional neutra diminuiu acentuadamente em todo o espectro ideológico da mídia noticiosa.
A maior prevalência de negatividade e raiva na mídia de direita é digna de nota. Talvez isso se deva ao fato de a mídia de direita simplesmente usar uma linguagem mais negativa do que a mídia de esquerda para descrever os mesmos fenômenos. Alternativamente, os tons mais altos de negatividade e raiva nas manchetes da mídia de direita podem ser impulsionados por diferenças na cobertura de tópicos entre os dois tipos de veículos. Esclarecer as razões subjacentes para os diferentes sentimentos e tons emocionais das manchetes entre a mídia noticiosa de esquerda e de direita pode ser um caminho para pesquisas futuras relevantes.
A quebra estrutural na polaridade do sentimento e a carga emocional das manchetes por volta de 2010 são intrigantes, embora a natureza curta da série temporal sob investigação (apenas 20 anos de observações) torne a confiabilidade incerta. Devido às limitações metodológicas de nosso estudo observacional, podemos apenas especular sobre suas possíveis causas.
No ano de 2009, os gigantes da mídia social Facebook e Twitter adicionaram os botões de curtir e retweetar , respectivamente, em suas plataformas [ 33 ]. Esses recursos permitiram que essas empresas de mídia social coletassem informações sobre como capturar a atenção dos usuários e maximizar o envolvimento por meio de feeds personalizados determinados por algoritmos. As informações sobre quais artigos de notícias se difundiram mais profusamente pelas mídias sociais foram filtradas para os meios de comunicação por meio de sistemas de rastreamento de usuários, como cookies de navegador e métricas de viralidade de mídias sociais. No início da década de 2010, as empresas de mídia também começaram a testar as manchetes da mídia em dezenas de variações para determinar a versão que gerava a taxa de cliques mais alta [ 34]. Assim, pode ter surgido um incentivo perverso em que os meios de comunicação, a julgar pelo maior alcance/popularidade de seus artigos com manchetes negativas/emocionais, começaram a se desviar para o uso crescente de sentimentos/emoções negativas em suas manchetes.
Uma limitação deste trabalho é a frequente sobrecarga semântica da tarefa de anotação de sentimento/emoção. A categoria de sentimento negativo, por exemplo, muitas vezes se funde na mesma noção abrangente de texto de negatividade que descreve o sofrimento e/ou estar recebendo maus-tratos, como em “o primeiro-ministro foi vítima de difamação”, com texto que denota comportamento negativo ou traços de caráter, como em “o primeiro-ministro é egoísta”. Assim, é incerto se a crescente prevalência de manchetes com conotações negativas enfatizam a vitimização, o comportamento/julgamento negativo ou uma mistura dos dois.
Uma limitação adicional deste trabalho é a frequente ambiguidade da tarefa de anotação de sentimento/emoção. A polaridade de sentimento e, particularmente, a carga emocional de uma instância de texto podem ser altamente subjetivas e a concordância entre codificadores é geralmente baixa, especialmente para o último, embora acima de suposições aleatórias. Por esse motivo, as anotações automatizadas para instâncias únicas de texto podem ser ruidosas e, portanto, não confiáveis. No entanto, conforme mostrado nos experimentos de simulação (consulte o Arquivo S1 para obter detalhes), ao agregar a carga emocional em um grande número de manchetes, o sinal médio aumenta acima do ruído para fornecer um proxy robusto da emoção geral em grandes corpora de texto. No entanto, anotações confiáveis no nível do título individual exigiriam categorias emocionais mais determinadas.
A natureza desequilibrada dos rótulos emocionais também representa um desafio para a análise de classificação. Por esse motivo, usamos métricas de desempenho recomendadas ao lidar com dados desequilibrados, como matrizes de confusão, precisão, recall e pontuações F-1. O uso de diferentes algoritmos, como árvores de decisão, geralmente é recomendado ao trabalhar com dados desequilibrados. No entanto, como os modelos Transformer representam o estado da arte para classificação de texto NLP, circunscrevemos nossa análise ao seu uso. Outras técnicas para lidar com dados desequilibrados, como superamostragem da classe minoritária ou subamostragem da classe majoritária, também poderiam ter sido usadas. No entanto, nosso número relativamente pequeno de títulos anotados por humanos (1.124 para sentimento e 5.353 para emoção) restringiu nossa capacidade de cortar o conjunto de dados anotados por humanos.
Outra limitação deste trabalho são os possíveis vieses dos avaliadores humanos que anotaram o sentimento e a emoção das manchetes da mídia. É concebível que nossa amostra de avaliadores humanos, recrutados por meio do Mechanical Turk, não seja representativa da população geral dos EUA. Por exemplo, a distribuição do status socioeconômico entre avaliadores ativos no Mechanical Turk pode não corresponder à distribuição de toda a população dos EUA. O impacto desse possível viés de amostra na estimativa de sentimento/emoção das manchetes é incerto.
Uma limitação final do nosso trabalho é o pequeno número de veículos que se enquadram na categoria de orientação política centrista de acordo com o AllSides Media Bias Chart v1.1. Esse tamanho pequeno da amostra limita a representatividade da amostra e restringe a validade externa dos resultados dos meios de comunicação centristas aqui relatados.
Uma questão importante levantada por este trabalho é se o sentimento e a emotividade embutidos nas manchetes da mídia refletem um humor social mais amplo ou se, em vez disso, apenas refletem o sentimento e a emotividade prevalentes ou impulsionados por aqueles que criam conteúdo de notícias. Os incentivos financeiros para maximizar as taxas de cliques podem estar em jogo para aumentar a polaridade do sentimento e a carga emocional das manchetes ao longo do tempo. É concebível que a tentação de moldar o sentimento e os tons emocionais das manchetes das notícias para promover agendas políticas também possa estar desempenhando um papel. Decifrar essas incógnitas está além do escopo deste artigo e pode ser um objetivo valioso para pesquisas futuras.
Para concluir, esperamos que este trabalho abra caminho para uma exploração mais aprofundada sobre o impacto potencial na consciência pública da crescente emocionalidade e negatividade de sentimentos do conteúdo da mídia de notícias e se tais tendências são condutivas para sustentar o bem-estar público. Assim, esperamos que pesquisas futuras lancem luz sobre o potencial impacto psicológico e social do consumo público de dietas de mídia de notícias com sentimentos cada vez mais negativos e tons de raiva/medo/tristeza incorporados a eles.
Imagem:
Gaslight, filme que deu origem a expressão gaslighting, com o sentido de manipular.
