BERLIN / LONDON (IT BOLTWISE) – Eine große Analyse von Facebook-Diskussionen zeigt: Bestimmte Formulierungen zu Parteien sind mit mehr feindseligen Reaktionen verknüpft. Posts, die Wähler- oder Parteigruppen als Nomen etikettieren, ziehen im Mittel einen höheren Anteil parteiischer Abwertung an. Gleiches gilt für generische Aussagen über Parteien, die eine dauerhafte Eigenschaft als „für alle“ gelesenes Muster rahmen. Wichtig ist die Einordnung: Die Effekte sind klein, aber sie könnten sich über viele Reichweiten-Posts aufsummieren.
Klingt zunächst nach Feinschliff in der Grammatik, entpuppt sich aber im Alltag politischer Social-Media-Diskussionen als messbarer Hebel: Wie eine Partei oder eine Gruppe sprachlich gerahmt wird, beeinflusst mit, wie feindselig die Kommentare darunter ausfallen. In der Studie geht es nicht um einzelne „Skandal-Posts“, sondern um routinierte Wortwahlmuster, etwa ob Autorinnen und Autoren eine Gruppe als Nomen etikettieren („Voting Democrats“) oder als adjektivische Eigenschaft beschreiben („Democratic voters“). Zudem spielt eine zweite Dimension hinein: generische Aussagen, die Gruppen als abstrakte Einheiten mit einem dauerhaften Charakterbild versehen (zum Beispiel „Democrats want climate action“), statt eine Formulierung mit Einschränkungen zu nutzen („some Democrats want climate action“). Solche Unterschiede wirken wie Sprachbanalitäten, werden aber in der Forschung mit psychologischen Mechanismen wie Entitativity und der daraus folgenden stärkeren Verallgemeinerung über Gruppenmitglieder in Verbindung gebracht.
Im Zentrum steht die Idee, dass Menschen Gruppen unterschiedlich „zusammengefügt“ wahrnehmen. Entitativity beschreibt, in welchem Maß Beobachter eine Ansammlung von Personen als einheitliches, eng verbundenes Ganzes ansehen, statt als lose Menge einzelner Individuen. Je stärker diese Wahrnehmung ausgeprägt ist, desto eher rücken einzelne Verhaltensweisen in den Fokus und werden auf die gesamte Gruppe übertragen; auch Vergeltungslogiken für „Vergehen eines Teils“ können dadurch wahrscheinlicher werden. Bereits eine 2018er Meta-Analyse mit 33 Stichproben verknüpft genau diesen Zusammenhang: Je kohärenter die Außengruppe als Entität erscheint, desto mehr Vorurteile zeigen Personen gegenüber deren Mitgliedern. Für die politische Ebene verbindet die Arbeit das mit dem Konzept „affektive Polarisierung“, also der Tendenz, die gegnerische Partei mit Abneigung und Misstrauen zu betrachten und die eigene Gruppe zu bevorzugen. Aus dieser Kombination erklärt sich, warum sprachliche Signale, die Einheitlichkeit suggerieren, in der Kommentarspalte stärker an der Emotion drehen könnten.
Technisch ist die Analyse bemerkenswert, weil die Forschenden nicht nur Sprachmuster beschreiben, sondern sie mit großen Datenmengen aus echten Plattformkommunikationen statistisch verknüpfen. Sie nutzten dafür die Meta Content Library, um öffentliche Facebook-Posts und die darunterliegenden direkten Antworten zu sammeln. Nach Ausschluss von Fällen, in denen Parteibezeichnungen eher Institutionen oder Ereignisse als Personen meint (etwa „the Democratic Party“ oder „the Republican primary“), umfasst das finale Korpus 45.780 Posts und 769.684 direkte Replies von 391.386 einzelnen Nutzerinnen und Nutzern über 3.878 Seiten und Profile. Der Datensatz enthält damit sehr heterogene Akteurstypen: Neben Nachrichtenmedien sind auch öffentliche Personen, Politiker und Regierungsvertreter vertreten. Um die enorme Menge zuverlässig zu klassifizieren, fine-tunten die Autorinnen und Autoren fünf KI-Modelle auf Basis von Transformer-Architekturen: Sie verarbeiteten Sprache kontextsensitiv und lernten, ob ein Post Parteibezeichnungen als Nomen oder als adjektivische Labels nutzt sowie ob generische Aussagen ohne Einschränkung formuliert sind.
Für die eigentliche Hypothesenprüfung kommt die statistische Kopplung hinzu: Die Forschenden modellierten multilevel-basiert, ob die spezifische Wortwahl eines Posts den Anteil parteiischer, feindseliger Kommentare darunter vorhersagt. „Parteiische Vorurteile“ wurde dabei als Abwertung oder Negativität gegenüber einer politischen Gruppe definiert, während Bemerkungen, die nur eine konkrete Person betreffen, ausgeschlossen wurden (etwa „I hate Biden“). Methodisch wichtig ist, dass sie Posts auf derselben Facebook-Seite miteinander verglichen, um unbeobachtete Unterschiede zwischen Seiten und ihren jeweiligen Community-Eigenschaften abzufedern. Insgesamt zeigte sich: Über alle 45.780 Posts hinweg erhielten Posts mit Nomen-Labels im Mittel einen höheren Anteil feindseliger Replies als Posts mit adjektivischen Labels. Vor Kontrollen lag die Wahrscheinlichkeit, dass ein Kommentar parteiische Abwertung ausdrückt, bei 1,39-facher Höhe unter Nomen-Labels; nach Adjustierung für Post-Feindseligkeit und das Ziel (Einzelperson, Subgruppe oder ganze Partei) sank der Wert auf 1,15. Auf praktischer Ebene heißt das: Auf einer typischen Seite, auf der 59 Prozent der Posts Nomen-Labels nutzen, sagte das Modell für Kommentare unter einem Nomen-Post 16,7 Prozent feindselige Antworten voraus, gegenüber 14,8 Prozent unter adjektivischen Posts – absolut 1,9 Prozentpunkte, relativ etwa 13 Prozent. Interessant ist dabei auch die Beobachtung, dass die reine Gesamt-Häufigkeit von Nomen-Labels auf einer Seite nach Kontrollen kein statistisch signifikanter Treiber bleibt: Es scheint stärker um das konkrete Wording des einzelnen Posts zu gehen als um den „Sprachstil“ der gesamten Seite.
In der zweiten Hauptanalyse drehten die Forschenden den Fokus gezielt auf generisches Sprechen. Sie betrachteten dafür 26.026 Posts und 437.744 Kommentare, die sich auf politische Gruppen oder Subgruppen statt auf einzelne Personen beziehen. Posts mit generischen Aussagen erzielten auch hier einen höheren Anteil feindseliger Antworten: Das Odds Ratio lag vor Adjustierungen bei 1,22 und sank nach Einbeziehung von Nomen-Nutzung, Post-Feindseligkeit sowie Zielgranularität auf 1,20. Auf einer typischen Seite, in der 29 Prozent der Posts generisch formuliert sind, wurde ein Anteil parteiischer Kommentare von 22,2 Prozent unter generischen Posts prognostiziert, gegenüber 19,2 Prozent unter nicht-generischen Formulierungen – 3,0 Prozentpunkte absolut, rund 16 Prozent relativ. Gleichzeitig zeigte sich bei Betrachtung auf Seitenebene ein gegenläufiges Muster: Seiten, die insgesamt häufiger generische Aussagen posten, hatten nach weiteren Faktoren sogar etwas weniger feindselige Kommentare. Die Autorinnen und Autoren führen das darauf zurück, dass andere Unterschiede zwischen Seiten dominieren können. In derselben Analyse blieb aber die zentrale Botschaft stabil: Nomen-Labels und generische Formulierungen sagten feindselige Antworten unabhängig voneinander vorher, und die Muster traten auch konsistent auf, wenn es um „Democrats“ oder „Republicans“ ging. Selbst innerhalb desselben Schreibers über mehrere Posts hinweg blieben die Wortwahl-Effekte sichtbar, was eher dafür spricht, dass die Sprache die Kommentierung beeinflusst, statt nur bereits feindselige Personen „anzuziehen“.
Damit ist die Richtung klar, die Kausalität aber bleibt in dieser Form begrenzt. Die Studie beobachtet existierende Social-Media-Aktivität und weist deshalb selbst darauf hin, dass nicht kontrollierte Faktoren sowohl die Art der Formulierung als auch die feindselige Reaktion mitbestimmen könnten. Dazu kommen Messgrenzen: Die automatischen Klassifikatoren sind nicht perfekt, die Modellgüte liegt in den Tests grob bei etwa 73 Prozent „Recall“ für feindselige Kommentare und bei rund 68 Prozent „Präzision“ bei den erkannten feindseligen Treffern. Außerdem sind die Effekte eines einzelnen Posts klein und könnten durch explizite Nachrichtenereignisse über innerparteiliche Konflikte oder „einhellige“ Abstimmungen in den Hintergrund treten. Dennoch geben die Autorinnen und Autoren zwei praktikable Interpretationen: Erstens könnten Wortwahlgewohnheiten sich über Netzwerke ausbreiten, wenn Menschen Sprechweisen übernehmen. Zweitens bleiben selbst wenige zusätzliche feindselige Antworten im sichtbaren Diskursraum und können den Eindruck verstärken, die Gegenseite sei besonders ablehnend. Um das in echte Handlungsempfehlungen zu übersetzen, nennen die Forschenden als nächsten Schritt experimentelle Replikationen im Feld: etwa kontrollierte Tests, in denen ein Anbieter die Parteirhetorik in Social-Media-Posts zufällig variiert und über längere Zeiträume beobachtet, ob sich die Kommentarqualität tatsächlich verbessert.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Wie Wortwahl in politischen Posts Hasskommentare auf Facebook vorhersagt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Wie Wortwahl in politischen Posts Hasskommentare auf Facebook vorhersagt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Wie Wortwahl in politischen Posts Hasskommentare auf Facebook vorhersagt« bei Google Deutschland suchen, bei Bing oder Google News!