Polarización discursiva en el 119.º Congreso de Estados Unidos: un análisis computacional de 2025
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este artículo analiza la polarización discursiva en el 119.º Congreso de Estados Unidos a partir de 10 902 intervenciones publicadas en el Congressional Record durante 2025. El corpus reúne 7 748 758 palabras y 482 oradores identificados; las comparaciones partidistas se apoyan en 6 617 intervenciones con afiliación reconocida. Se emplean modelado de tópicos mediante LDA, indicadores léxicos de sentimiento, adversarialidad y heteroglosia adversativa, así como un Índice de Polarización Compuesta (IP) construido para este estudio. El modelo LDA identifica ocho temas y muestra una mayor participación demócrata en el debate político partidista (0,589 frente a 0,431). En su especificación original, el IP es mayor entre los demócratas (2,42) que entre los republicanos (1,88). La comparación a nivel legislador también muestra una diferencia significativa (p = 0,005; g = 0,261) que se debe principalmente a la heteroglosia adversativa (g = 0,447), ya que ni el sentimiento absoluto ni la adversarialidad difieren significativamente entre los dos partidos. Sin embargo, cuando se controla la composición temática, la diferencia en el IP es mucho menor y desaparece cuando se estandarizan sus componentes. Estos hallazgos sugieren que el IP es sensible a su operacionalización y debe tratarse como una medida exploratoria junto con sus componentes y la estructura temática del discurso.
Detalles del artículo
La Revista Universitas-XX1 se alinea con los principios de acceso abierto y colaboración académica al adoptar la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esta licencia garantiza que los contenidos publicados puedan ser utilizados y compartidos ampliamente bajo las siguientes condiciones:
Atribución: Los autores y la revista deben ser reconocidos adecuadamente como los creadores del contenido original, proporcionando la referencia completa y el enlace correspondiente a la publicación.
Uso no comercial: Los contenidos no pueden ser utilizados con fines comerciales, preservando su propósito académico y educativo. Compartir igual: Las obras derivadas deben distribuirse bajo los mismos términos de esta licencia, fomentando la creación de conocimiento accesible y equitativo.
Al implementar esta licencia, la Revista Universitas-XXI refuerza su compromiso con la difusión de investigaciones de calidad, el acceso libre al conocimiento y la promoción de un entorno colaborativo entre investigadores, docentes y estudiantes de todo el mundo.
Esta decisión refleja los valores fundamentales de responsabilidad, ética y transparencia en el ámbito académico, asegurando que los aportes intelectuales sirvan como base para nuevas investigaciones y proyectos, respetando los derechos de los autores y de la comunidad científica.
Para más información sobre esta licencia, puede consultar el siguiente enlace: https://creativecommons.org/licenses/by-nc-sa/4.0/
Referencias
Acampa, S., & Nunziata, F. (2024). The discursive dimensions of pernicious polarization: Analysis of right-wing populists in Western Europe on Twitter. Social Sciences, 13(6), Article 292. https://doi.org/10.3390/socsci13060292
Aroyehun, S. T., Simchon, A., Carrella, F., Lasser, J., Lewandowsky, S., & Garcia, D. (2025). Computational analysis of US congressional speeches reveals a shift from evidence to intuition. Nature Human Behaviour, 9, 1122-1133. https://doi.org/10.1038/s41562-025-02136-2
Ballard, A. O., DeTamble, R., Dorsey, S., Heseltine, M., & Johnson, M. (2023). Dynamics of polarizing rhetoric in congressional tweets. Legislative Studies Quarterly, 48(1), 105-144. https://doi.org/10.1111/lsq.12374
Barbieri, F., Camacho-Collados, J., Espinosa Anke, L., & Neves, L. (2020). TweetEval: Unified benchmark and comparative evaluation for tweet classification. Findings of the Association for Computational Linguistics: EMNLP 2020, 1644-1650. https://doi.org/10.18653/v1/2020.findings-emnlp.148
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022. https://www.jmlr.org/papers/v3/blei03a.html
Cox, L., Cubillos, P., & Le Foulon, C. (2025). Affective polarization and democratic erosion: Evidence from a context of weak partisanship. Political Science Research and Methods, 1-8. https://doi.org/10.1017/psrm.2025.10019
Diermeier, D., Godbout, J. F., Yu, B., & Kaufmann, S. (2012). Language and ideology in Congress. British Journal of Political Science, 42(1), 31-55. https://doi.org/10.1017/S0007123411000160
Gennaro, G., & Ash, E. (2022). Emotion and reason in political language. The Economic Journal, 132(643), 1037-1059. https://doi.org/10.1093/ej/ueab104
Gentzkow, M., Shapiro, J. M., & Taddy, M. (2019). Measuring group differences in high-dimensional choices: Method and application to congressional speech. Econometrica, 87(4), 1307-1340. https://doi.org/10.3982/ECTA16566
Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267-297. https://doi.org/10.1093/pan/mps028
Grossmann, M., & Hopkins, D. A. (2016). Asymmetric politics: Ideological Republicans and group interest Democrats. Oxford University Press.
Haidt, J. (2012). The righteous mind: Why good people are divided by politics and religion. Vintage Books.
He, P., Gao, J., & Chen, W. (2021). DeBERTaV3: Improving DeBERTa using ELECTRA-style pre-training with gradient-disentangled embedding sharing. arXiv. https://doi.org/10.48550/arXiv.2111.09543
Iyengar, S., Lelkes, Y., Levendusky, M., Malhotra, N., & Westwood, S. J. (2019). The origins and consequences of affective polarization in the United States. Annual Review of Political Science, 22, 129-146. https://doi.org/10.1146/annurev-polisci-051117-073034
Jensen, J., Naidu, S., Kaplan, E., & Wilse-Samson, L. (2012). Political polarization and the dynamics of political language: Evidence from 130 years of partisan speech. Brookings Papers on Economic Activity, 2012(2), 1-81. https://doi.org/10.1353/eca.2012.0017
Külz, J., Spitz, A., Abu-Akel, A., Günnemann, S., & West, R. (2023). United States politicians’ tone became more negative with 2016 primary campaigns. Scientific Reports, 13, Article 10495. https://doi.org/10.1038/s41598-023-36839-1
Laurer, M., van Atteveldt, W., Casas, A., & Welbers, K. (2024). Less annotating, more classifying: Addressing the data scarcity issue of supervised machine learning with deep transfer learning and BERT-NLI. Political Analysis, 32(1), 84–100. https://doi.org/10.1017/pan.2023.20
Lakoff, G. (2004). Don't think of an elephant! Know your values and frame the debate. Chelsea Green Publishing.
Lee, F. E. (2009). Beyond ideology: Politics, principles, and partisanship in the U.S. Senate. University of Chicago Press.
Levitsky, S., & Ziblatt, D. (2018). How democracies die. Crown Publishing.
Loureiro, D., Barbieri, F., Neves, L., Espinosa Anke, L., & Camacho-Collados, J. (2022). TimeLMs: Diachronic language models from Twitter. In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics: System Demonstrations (pp. 251-260). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.acl-demo.25
Martin, J. R., & White, P. R. R. (2005). The language of evaluation: Appraisal in English. Palgrave Macmillan.
McCarty, N., Poole, K. T., & Rosenthal, H. (2016). Polarized America: The dance of ideology and unequal riches (2nd ed.). MIT Press.
Monroe, B. L., Colaresi, M. P., & Quinn, K. M. (2008). Fightin' words: Lexical feature selection and evaluation for identifying the content of political conflict. Political Analysis, 16(4), 372-403. https://doi.org/10.1093/pan/mpn018
Mouffe, C. (2005). On the political. Routledge.
Pereira, C., da Silva, R., & Rosa, C. (2025). How to measure political polarization in text-as-data? A scoping review of computational social science approaches. Journal of Information Technology & Politics, 22(2), 172-185. https://doi.org/10.1080/19331681.2024.2318404
Poole, K. T., & Rosenthal, H. (1997). Congress: A political-economic history of roll call voting. Oxford University Press.
Řehůřek, R., & Sojka, P. (2010). Software framework for topic modelling with large corpora. In Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks (pp. 45-50). ELRA.
Rheault, L., Beelen, K., Cochrane, C., & Hirst, G. (2016). Measuring emotion in parliamentary debates with automated textual analysis. PLOS ONE, 11(12), Article e0168843. https://doi.org/10.1371/journal.pone.0168843
Röder, M., Both, A., & Hinneburg, A. (2015). Exploring the space of topic coherence measures. In Proceedings of the Eighth ACM International Conference on Web Search and Data Mining (pp. 399-408). https://doi.org/10.1145/2684822.2685324
Russell, A. (2021). Minority opposition and asymmetric parties? Senators’ partisan rhetoric on Twitter. Political Research Quarterly, 74(3), 615-627. https://doi.org/10.1177/1065912920921239
United States Government Publishing Office. (2025). Congressional Record: 2025 (Volume 171), 119th Congress, 1st Session. GovInfo. https://www.govinfo.gov/app/collection/crec/
United States Project. (2025). Congress-legislators: Members of the United States Congress, 1789-present [Data set]. GitHub. https://github.com/unitedstates/congress-legislators
van Dijk, T. A. (2003). Ideología y discurso: Una introducción multidisciplinaria. Ariel.
Young, L., & Soroka, S. (2012). Affective news: The automated coding of sentiment in political texts. Political Communication, 29(2), 205-231. https://doi.org/10.1080/10584609.2012.671234