I Congreso de Postgrado fcfm: ingeniería, ciencias e innovación

43 Santiago, 10 al 12 de agosto, 2022 CARACTERIZACIÓN NO-SUPERVISADA DEL ENCUADRE COMUNITARIO EN WHATSAPP Ricardo Córdova 1* , Felipe Bravo Márquez 1,2 , Hernán Sarmiento 1 ¹Departament de Ciencias de la Computación, Universidad de Chile, IMFD Chile. ²CENIA, Chile. *Email: rcordova@dcc.uchile.cl RESUMEN Chile ha experimentado una de las elecciones presidenciales más polarizadas en el último tiempo, potenciadas por el estallido social del 2019 y el plebiscito constitucional del 2020. Frente a esta situación, la gente se organiza me- diante redes sociales para ayudar a sus candidatos a ganar las elecciones. En este trabajo analizamos el Encuadre Comunitario y la Polarización presentes en los mensajes compartidos por aplicaciones de mensajería instantánea durante la segunda vuelta de la elección presidencial chilena del 2021 mediante el marco de trabajo diseñado por Sarmiento et Al [1], enfocándonos en el preprocesamiento requerido para el modelamiento de tópicos de los chats comunitarios y la visualización de los sentence embeddings de los mensajes comunitarios. Observamos la baja coincidencia en los tópicos compartidos por ambas comunidades y la baja coincidencia en los conceptos vecinos entre comunidades de los términos claves que definen cada tópico, así como una alta probabilidad de sentimientos negativos hacia los candidatos opositores y una probabilidad intermedia de sentimientos positivos hacia el propio candidato de cada comunidad. AGRADECIMIENTOS Agradecimientos al equipo PE4 del IMFD que proporcionaron los datos e ideas para desarrollar este trabajo. REFERENCIAS [1] H. Sarmiento, E. Graells-Garrido, F. Bravo-Marquez, y B. Poblete. Identifying and characterizing new expres- sions of community framing during polarization. In Proceedings of the 16th The International AAAI Conference on Web and Social Media. (2022). [2] C. R Sunstein. The law of group polarization. University of Chicago Law School, John M. Olin Law & Economics Working Paper. 91 , (1999). [3] M. E. McCombs y D. L. Shaw. The evolution of agenda-setting research: Twenty-five years in the marketplace of ideas. Journal of communication, 43 , 58–67. (1993). [4] K. Darwish, P. Stefanov, M.l Aupetit y P. Nakov. Unsupervised user stance detection on twitter. In Proceedings of the International AAAI Conference on Web and Social Media. 14 , 141–152 (2020). [5] J. Caetano, J. Oliveira, H. Seixas Lima, H. T. Marques-Neto, G. Magno, W. Meira Jr, y V. Almeida. Analyzing and characterizing political discussions in whatsapp public groups. 4 , 1804.00397. (2018). [6] D. Demszky, N. Garg, R. Voigt, J. Zou, J. Shapiro, M. Gentzkow y D. Jurafsky. 2019. Analyzing polarization in so- cial media: Method and application to tweets on 21 mass shootings. In NAACL-HLT. 1 , (2019). [7] N. Reimers y I. Gurevych. Sentence-bert: Sentence embeddings using siamese bert-networks. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics. (2019) [8] D. M. Blei, A. Y. Ng, y M. I. Jordan. Latent dirichlet allocation. Journal of machine Learning research. 3 , 993– 1022. (2003). C I E NC I A D E DATOS 02