• Community Discovery
• Echo Chamber
• Text Classification
• Polarizzazione politica

L’eterogeneità dei contenuti e la libertà di espressione offerte dalle piattaforme di Social Networking porta gli utenti a trovarsi in situazioni di dissonanza cognitiva. Il disagio provato viene affrontato adottando, sempre più spesso, comportamenti di esposizione selettiva e di bias di conferma. Questa tendenza viene ulteriormente rafforzata dagli algoritmi di personalizzazione dei contenuti dei Social Network, portando alla nascita e crescita di fenomeni quali Polarizzazione e Echo Chamber.
Questo lavoro, declinando tali concetti ad un contesto di tipo politico, si pone come obiettivo la loro identificazione e misurazione su Reddit durante i primi due anni e mezzo di presidenza di Donald Trump. Inizialmente definiamo una metodologia per misurare la polarizzazione politica di un post. Dopo la creazione di una Ground Truth, sono testati parallelamente due diversi approcci per risolvere il task. Il primo prevede l'estrazione di keywords che caratterizzano il linguaggio dei due partiti, tramite Latent Dirichlet Allocation, e la successiva classificazione di un post in base alle features estratte, con Support Vector Machine. Il secondo approccio, di tipo neurale, sfrutta Word Embeddings e Long Short-Term Memory per misurare il livello di polarizzazione di un post quantificando il suo allineamento con le ideologie repubblicane e democratiche.
Successivamente, verifichiamo l'esistenza di sistemi polarizzati\Echo Chamber, in tre diversi topic relativi a questioni socio-politiche. Per ognuno, abbiamo definito il grafo delle interazioni tra gli utenti, annotandoli in base al loro livello di polarizzazione, e applicato algoritmi di Community Discovery. Infine, le comunità estratte sono analizzate da un punto di vista di coesione strutturale e ideologica.
Le metodologie utilizzate permettono di individuare potenziali Echo Chamber politicamente polarizzate sia rispetto alle ideologie democratiche che a quelle repubblicane, distribuite in modo diverso a seconda del topic di riferimento.