Incidentes Asociados
Entregas de armas. Sanciones de la UE. Minorías étnicas. Estos fueron los tres temas sobre los que los medios húngaros informaron con más frecuencia entre el otoño de 2021 y la primavera de 2022, según dos investigadores que analizaron miles de artículos publicados por los medios húngaros. Benjamin Novak, estudiante de doctorado en la Universidad Johns Hopkins y ex reportero de The New York Times en Hungría hasta 2022, y Martin Wendiggensen, politólogo y también estudiante de doctorado en la Universidad Johns Hopkins, trabajaron juntos para explorar si las narrativas de los medios húngaros coincidían. los de las publicaciones de propaganda rusa, y descubrió que ese era en gran medida el caso.
El sentimiento nacional cambió y aparecieron en Hungría mensajes de apoyo a los objetivos rusos a mediados de septiembre de 2021, meses antes de que las tropas rusas invadieran Ucrania.
"Sólo podemos especular sobre la motivación de los medios húngaros para repetir cada vez más la propaganda rusa a partir de ese momento", afirma Wendiggensen, que presentó los resultados de la investigación en la reciente [conferencia de seguridad LabsCon](https://www.labscon. yo/).
Lo que es seguro, dice, es que a partir del otoño de 2021 en adelante, no solo aumentó rápidamente el número de artículos que cubren las tres áreas temáticas, sino que a partir de ese momento los temas siempre siguieron los mismos patrones narrativos: el suministro de armas es malo porque prolonga guerras, Ucrania trata mal a las minorías étnicas y las sanciones de la Unión Europea son malas para la economía húngara.
Entrenamiento del modelo ML
La investigación de Novak se basó en el análisis manual de los artículos, mientras que Wendiggensen entrenó un modelo de aprendizaje automático (ML) para analizar el corpus de artículos. Lo sorprendente de su investigación es que el hombre y la máquina llegaron al mismo resultado sin consulta previa, lo que sugiere que el aprendizaje automático puede ser un método confiable para identificar campañas de desinformación.
Wendiggensen enseñó a la máquina a capturar la frecuencia de conjuntos completos de temas (no sólo palabras individuales) y analizarlos para determinar el tono de la nación. Su aplicación utilizó bloques de código proporcionados por su colega y especialista en aprendizaje automático Kohei Watanabe. En el primer paso, el software capturó de forma independiente, sin intervención humana, todos los artículos de prensa que se habían descargado previamente y desglosados en componentes, como título, fecha y texto del cuerpo. Luego, la aplicación asoció cada una de los 26 millones de palabras recopiladas con un vector geométrico multidimensional. Las relaciones entre los términos se establecieron basándose en los ángulos en los que se posicionaron los vectores y las distancias entre los vectores, dice Wendiggensen.
Para aumentar la precisión de las relaciones, este espacio no se limita a las tres dimensiones habituales. En cambio, el software rastrea los vectores a través de cientos de dimensiones.
"Así, después de un tiempo, el modelo reconoce que, por ejemplo, 'sanciones' y 'Bruselas' y 'negativas' están estrechamente relacionadas", explica Wendiggensen. "Al calcular los vectores de relación, podemos aplicar las matemáticas a las palabras".
Al concluir esta fase, el modelo ML identificó los mismos tres temas principales que había encontrado Novak.
"El objetivo al desarrollar el modelo de aprendizaje automático era hacer que las similitudes fueran matemáticamente expresables y, por tanto, estadísticamente fiables", afirma Wendiggensen.
Putin bueno, UE malo
En la segunda fase de su investigación, Wendiggensen le dio al software palabras opuestas, como "bueno" y "malo" o "malvado" y "benigno". Con base en esta dimensión objetivo puntuada introducida por humanos, el modelo ML asignó una puntuación a cada artículo. El modelo ML no analizó palabras individuales para calcular la puntuación; más bien, trabajó con oraciones para establecer relaciones entre ellas. El modelo mantiene las declaraciones de las oraciones individuales como metainformación, de modo que incluso los pensamientos que abarcan varias oraciones podrían capturarse y calificarse en su totalidad.
El punto de inflexión para la cobertura prorrusa llegó a mediados de septiembre de 2021, dice Wendiggensen. El software tarda sólo 15 minutos en evaluar la polaridad, lo que permite a los investigadores seguir controlando el panorama de los medios.
"Aún hoy estos tres temas siguen siendo dominantes", afirma Wendiggensen. "Ningún otro tema tratado en los medios húngaros representa más del 15% de todos los artículos sobre Ucrania."
Una de las razones por las que los mensajes prorrusos pudieron arraigarse tanto es porque Hungría carece de pluralismo mediático, es decir, de la capacidad de obtener diferentes puntos de vista de diferentes medios de comunicación. El gobierno actual controla directa e indirectamente todos los informes: el holding de medios estatal MTVA controla todas las estaciones de radiodifusión públicas, por ejemplo. Las empresas amigas del gobierno poseen medios de prensa regionales y un holding central coordina las aproximadamente 500 empresas de medios progubernamentales.
A continuación: vídeos, seguimiento a largo plazo
Si bien las narrativas sobre el suministro de armas y las minorías étnicas corresponden en gran medida a la propaganda rusa, los medios húngaros agregaron un poco de color local al tema de las sanciones. Se utilizaron sanciones posibles y reales contra Rusia para explicar el mal estado de la economía húngara.
En el siguiente paso, los investigadores también quieren procesar vídeos publicados por cadenas de televisión húngaras. Disponen ya de unas buenas 8.000 horas de imágenes en movimiento, con guiones de narración transcritos mediante software. Esto aumentó la colección de palabras en 60 millones.
Posteriormente, Novak y Wendiggensen quieren recurrir a la información transnacional sobre las redes paneuropeas de derecha. Esto no se quedará en un mero análisis mediático. Más bien, también se considerarán las narrativas antieuropeas difundidas por representantes políticos.
"Nuestro objetivo final es crear un conjunto de datos que otros investigadores puedan analizar a voluntad", afirma Wendiggensen.
A partir de una colección tan estructurada de palabras y frases publicadas, sería posible, por ejemplo, realizar un seguimiento de cómo cambian los mensajes con el tiempo. O se podrían encontrar respuestas a preguntas como: "¿Pierden los medios su liberalidad cuando la economía nacional va peor?".
"Queremos que las relaciones teóricas sean mensurables", afirma Wendiggensen.