Bagaimana pandangan politik berubah di media sosial: model TSN4PI yang baru diperkenalkan
Kerangka kerja baru TSN4PI menggabungkan model bahasa besar dan jaringan saraf graf temporal untuk mengidentifikasi pandangan politik pengguna dan memprediksi perubahannya. Para penulis juga merilis dua kumpulan data besar dan menguji pendekatan tersebut pada data X dan Truth Social.

Mengapa Pendekatan Tradisional Tidak Cukup
Media sosial telah menjadi arena utama diskusi politik. Postingan, like, dan repost mencerminkan bagaimana cara pandang orang berubah, tetapi para peneliti kesulitan mengikuti proses ini. Hambatan utamanya sudah lama diketahui:
- Pesan bermuatan politik tenggelam dalam arus konten hiburan dan pribadi.
- Pelabelan manual untuk melatih algoritma mahal dan rentan terhadap subjektivitas.
- Data dari berbagai platform memiliki struktur yang berbeda, sehingga model yang dilatih di satu media sosial tidak berfungsi di media sosial lain.
- Yang paling sulit adalah memprediksi bagaimana pandangan seseorang akan berubah, karena dipengaruhi oleh berita, lingkungan, dan perilaku pengguna lain.
Metode pembelajaran mesin tradisional sering kali gagal: mereka tidak menemukan sinyal yang tepat, atau hanya terbatas pada menyatakan preferensi saat ini.
Bagaimana TSN4PI Bekerja
TSN4PI adalah sistem baru untuk melacak evolusi pandangan politik di media sosial. Arsitekturnya terbagi menjadi dua bagian, masing-masing menangani tugasnya sendiri.
Filtrasi Ideologis
Modul pertama (PIDN) bertanggung jawab memisahkan konten politik dari konten yang tidak relevan. Modul ini menggunakan model bahasa besar dan teknik transfer gaya, yang memungkinkan pemrosesan data bising dari berbagai sumber tanpa pelabelan tambahan. Sederhananya, modul ini belajar memahami isi sebenarnya dari sebuah postingan dan tidak terganggu oleh publikasi hiburan.
Prediksi Pergeseran
Modul kedua (PIPN) melihat ke masa depan. Dengan menggunakan jaringan saraf graf temporal, modul ini menganalisis hubungan pengguna dengan orang lain dan pesan, lalu menilai ke arah mana posisi mereka akan bergeser: apakah ideologi yang ada akan menguat, melemah, atau bahkan berubah total menjadi kebalikannya.

Apa yang Ditunjukkan Pengujian
Para peneliti mengumpulkan dua kumpulan data besar yang terkait dengan platform X dan Truth Social, lalu memberikannya untuk penelitian nirlaba. Pengujian menunjukkan bahwa TSN4PI berhasil menyelesaikan tugasnya. Sistem ini tidak hanya menemukan jejak keyakinan politik, tetapi juga mendeteksi perubahan yang terjadi seiring waktu.
Yang menarik adalah perbedaan antar platform. Di X dan Truth Social, polarisasi audiens muncul dengan cara yang berbeda, dan model ini memungkinkan kita melihat nuansa tersebut. Ini adalah konfirmasi empiris bahwa pandangan politik di internet tidak statis: pandangan tersebut bergeser di bawah pengaruh lingkungan informasi.

Mengapa Ini Penting
Kemampuan untuk melacak evolusi ideologi secara akurat penting tidak hanya untuk penelitian teoretis. Ini membantu memprediksi sentimen publik, mengidentifikasi skema manipulatif, dan membuat algoritma rekomendasi lebih netral. Berkat kumpulan data terbuka, tim lain dapat menguji pendekatan mereka sendiri pada data yang sama, sehingga hasilnya lebih mudah dibandingkan.
Model ini tidak sempurna — perilaku politik manusia terlalu kompleks untuk dimasukkan ke dalam satu formula. Namun kerangka kerja terpadu semacam ini memberikan titik acuan yang dapat menjadi dasar untuk penelitian selanjutnya. Penelitian ini telah diterima untuk dipublikasikan di jurnal bergengsi ACM Transactions on Intelligent Systems and Technology.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
OpenCollab: koordinasi agen yang dapat diprogram, lingkungan eksekusi terkontrol, dan metrik kepatuhan terhadap kebijakan
Framework ini menyatukan penetapan struktur interaksi agen, lingkungan eksperimen bersama, dan pelacakan peristiwa yang terperinci, sementara metrik Adherence yang diperkenalkan menunjukkan sejauh mana pelaksanaan aktual sesuai dengan skema yang dinyatakan. Dalam benchmark, konfigurasi Duo mencapai tingkat SOTA baru, sedangkan varian agen tunggal memiliki konsumsi token terendah.
11 November 2026
Toollery: memilih alat untuk agen LLM dari puluhan ribu opsi tanpa fine-tuning
Toollery membangun indeks pencarian berdasarkan deskripsi keterampilan dan alat, lalu saat ada permintaan hanya meneruskan sekumpulan kandidat terbatas ke model. Dalam eksperimen pada pustaka berskala hingga puluhan ribu fungsi, pendekatan ini mampu mempertahankan kualitas pemilihan dengan top-K tetap, meskipun dampak akhirnya bergantung pada profil beban dan caching di penyedia.
11 November 2026
Diagnostik bertahap agen GUI dalam analisis dasbor: benchmark DashAct
DashAct diperkenalkan sebagai tolok ukur yang terdiri atas 348 trajektori yang diverifikasi manusia, yang menguraikan kerja agen GUI dengan panel interaktif menjadi tiga tahap dan empat kondisi visual. Hasilnya menunjukkan masalah yang terus berulang dalam memprediksi tindakan dan mengaitkannya dengan target visual, serta ketergantungan respons agen pada dukungan kontekstual dan spasial.
11 November 2026