The evolution of political memes: Detekterer og karakteriserer internet memes med multi-modal deep learning

Internet memes kombinerer humor med kulturel relevans og er blevet en allestedsnærværende artefakt i den digitale tidsalder. Som Richard Dawkins beskrev i sin bog The Selfish Gene, opfører memer sig som kulturelle gener, idet de formerer sig og udvikler sig gennem en kompleks proces af “mutation” og “arv”. På internettet aktiverer disse memer iboende fordomme i en kultur eller et samfund og erstatter undertiden logiske tilgange til overbevisende argumenter. På trods af deres store succes på internettet er det ikke blevet undersøgt, hvordan de opdages og udvikles. I denne forskning foreslår og evaluerer vi Meme-Hunter, en multimodal dyb indlæringsmodel til at klassificere billeder på internettet som memer og ikke-memer, og sammenligner den med unimodale tilgange. Vi bruger derefter billedsammenfald, meme-specifik optisk karaktergenkendelse og ansigtsdetektion til at finde og studere familier af memes, der blev delt på Twitter i forbindelse med det amerikanske midtvejsvalg i 2018. Ved at kortlægge meme-mutation i en valgproces bekræfter denne undersøgelse Richard Dawkins’ begreb om meme-evolution.