Enligt en första i sitt slag, städer med högre förekomst av en viss typ av rasistiska tweets rapporterade mer faktiska hatbrott relaterade till ras, etnicitet, och nationellt ursprung.

Ett forskargrupp vid New York University analyserade platsen och språkliga egenskaper hos 532 miljoner tweets som publicerades mellan 2011 och 2016. De utbildade en maskininlärningsmodell - en form av artificiell intelligens - för att identifiera och analysera två typer av tweets:de som är riktade - direkt ställer sig bakom diskriminerande åsikter-och de som är självberättande-som beskriver eller kommenterar diskriminerande kommentarer eller handlingar. Teamet jämförde förekomsten av varje typ av diskriminerande tweet med antalet faktiska hatbrott som rapporterades under samma tidsperiod i samma städer.

Forskningen leds av Rumi Chunara, en biträdande professor i datavetenskap och teknik vid NYU Tandon School of Engineering och biostatistik vid NYU College of Global Public Health, och Stephanie Cook, en biträdande professor i biostatistik och social- och beteendevetenskap vid NYU College of Global Public Health.

"Vi fann att mer riktade, diskriminerande tweets publicerade i en stad relaterad till ett högre antal hatbrott, "sa Chunara." Denna trend i olika typer av städer (t.ex. urban, lantlig, stor, och liten) bekräftar behovet av att mer specifikt studera hur olika typer av diskriminerande tal online kan bidra till konsekvenser i den fysiska världen. "

Analysen omfattade städer med ett brett spektrum av urbanisering, varierande grad av befolkningsmångfald, och olika nivåer av sociala medier. Teamet begränsade datauppsättningen till tweets och partiskhetsbrott som beskriver eller motiveras av ras, etnisk eller nationell ursprungsbaserad diskriminering. Hatbrott kategoriseras och spåras av Federal Bureau of Investigation, och brott motiverade av ras, etnicitet, eller nationellt ursprung representerar den största andelen hatbrott i landet. Statistik för brott mot sexuell läggning fanns inte i alla städer, även om forskarna tidigare studerat denna form av partiskhet.

Gruppen identifierade också en uppsättning diskriminerande termer och fraser som vanligtvis används på sociala medier över hela landet, samt termer som är specifika för en viss stad eller region. Dessa insikter kan visa sig vara användbara för att identifiera grupper som kan vara mer sannolika mål för rasistiskt motiverade brott och typer av diskriminering på olika platser. Medan de flesta tweets som ingår i denna analys genererades av faktiska Twitter -användare, laget fann att i genomsnitt 8% av tweets som innehåller riktat diskriminerande språk genererades av bots.

Det fanns ett negativt samband mellan andelen ras/etnicitet/nationellt ursprung-baserade diskrimineringstweetar som var självberättelser av erfarenheter och antalet brott baserade på samma fördomar i städer. Chunara noterade att även om erfarenheter av diskriminering i den verkliga världen är kända psykologiska stressfaktorer med hälso- och sociala konsekvenser, konsekvenserna av online-exponering för olika typer av diskriminering online-självberättelser kontra riktade, till exempel - behöver ytterligare studier.

Dessa resultat representerar en av de största, mest omfattande analyser av diskriminerande inlägg på sociala medier och partiska brott i verkligheten i detta land, även om forskarna betonar att de specifika orsaksmekanismerna mellan sociala medier hatprat och verkliga våldshandlingar måste utforskas.