მეთოდოლოგია: The Guardian-მა გამოავლინა იმიგრაციასთან დაკავშირებით დეპუტატების განწყობების მნიშვნელოვანი „მემარჯვენე“ გადანაცვლება ბოლო ხუთი წლის განმავლობაში, ქვედა პალატაში გამოსვლებისას. ამ ანალიზის ჩასატარებლად, The Guardian-ის მონაცემთა მეცნიერებისა და მონაცემთა პროექტების გუნდებმა, ლონდონის საუნივერსიტეტო კოლეჯთან თანამშრომლობით, შეიმუშავეს შიდა მანქანური სწავლების მოდელი, რათა გაეზომათ ლინგვისტური განწყობები ქვედა პალატის დებატებში საუკუნის განმავლობაში. სტანდარტული განწყობის მოდელებისგან განსხვავებით, The Guardian-ის ვერსია განასხვავებს სპეციალურად იმიგრაციის მიმართ მიმართულ განწყობას ზოგადი, ემოციურად დატვირთული ენისგან ნებისმიერ თემაზე. მოდელის შემუშავების პროცესი მოიცავდა შემდეგ ეტაპებს: მკვლევრებმა პირველ რიგში გამოიყენეს „გამშვები ტერმინების“ სია, რომელიც ხელით იყო შექმნილი და გადამოწმებული იმიგრაციის ისტორიის ექსპერტების მიერ, რათა გამოევლინათ გამოსვლები, რომლებიც ყველაზე სავარაუდოდ იმიგრაციას ეხებოდა. ამ პროცესმა მონაცემები მართვად ნიმუშამდე შეამცირა. იმის უზრუნველსაყოფად, რომ შედეგები არ იყო მიკერძოებული საკვანძო სიტყვების არჩევით, გუნდმა გამოსცადა თავისი დასკვნები, გააანალიზა მრავალჯერ სიტყვების სხვადასხვა კომბინაციით და დაამტკიცა მსგავსი დასკვნები, მიუხედავად ტერმინების კონკრეტული კომბინაციისა. მონაცემთა ნაკრების შესაქმნელად, რომელზეც განწყობის მოდელი იყო გაწვრთნილი, 12-კაციანმა გუნდმა ხელით მონიშნა საპარლამენტო გამოსვლებისა და წვლილის 1250-ზე მეტი ფრაგმენტი საუკუნის განმავლობაში, რომელთაგან თითოეული ხუთ წინადადებამდე იყო. თუ ფრაგმენტი იმიგრაციას ეხებოდა, ის ასეთად იდენტიფიცირდებოდა და შემდეგ კლასიფიცირდებოდა როგორც პოზიტიური, ნეგატიური ან ნეიტრალური. ფრაგმენტები, რომლებიც არ ეხებოდა იმიგრაციას, კლასიფიცირდებოდა როგორც არ ეხება იმიგრაციას. გუნდმა ასევე შეაფასა რამდენიმე დიდი ენობრივი მოდელის (Large Language Models - LLM) შესრულება – რომლებიც გენერაციული ხელოვნური ინტელექტის ფორმაა – მეტი ფრაგმენტის მარკირების მიზნით; სტატისტიკურმა ტესტირებამ მათი სიზუსტის დონე სანდოდ მიიჩნია. ხელოვნური ინტელექტის გამოყენება ამ პროექტში შემოიფარგლებოდა ანოტაციის პროცესით, რამაც გაზარდა სავარჯიშო მონაცემთა ნაკრები, რომელიც გამოიყენებოდა The Guardian-ის მანქანური სწავლების მოდელის შესაქმნელად, გასულ საუკუნეში ანოტირებული საპარლამენტო მასალის 22,600-ზე მეტ ფრაგმენტამდე. The Guardian-ის მანქანური სწავლების მოდელი ასევე გაწვრთნილი იყო იმისთვის, რომ გაეთვალისწინებინა დეპუტატების მიერ გამოყენებული ენის სირთულე და ის ითვალისწინებს, როდის მიმართავენ ისინი თემას ან ციტირებენ სხვას, ვისთანაც არ ეთანხმებიან. ანალოგიურად, გათვალისწინებული იყო სარკაზმიც. მიუხედავად იმისა, რომ არცერთ სტატისტიკურ მოდელს არ შეუძლია ადამიანის ენის ყველა ნიუანსის აღბეჭდვა, განსაკუთრებით მაღალ სუბიექტურ ამოცანაში, მოდელმა მიაღწია სიზუსტის დონეს, რომელიც შეესაბამება რეცენზირებულ კვლევებში ჩვეულებრივ მოხსენებულ დონეებს. გაწვრთნის შემდეგ, სპეციალურად შექმნილი მოდელი გამოყენებულ იქნა საუკუნოვანი დებატებისა და ქვედა პალატაში წარმოთქმული გამოსვლების ანალიზისთვის, დაფიქსირდა თითქმის 238,000 ფრაგმენტი, რომელიც იმიგრაციას ეხებოდა 1925 წლიდან 2025 წლის ბოლომდე, თითოეულ მათგანს მიენიჭა „განწყობის ეტიკეტი“. ყოველწლიური საერთო განწყობის ქულა გამოითვალა მხოლოდ იმიგრაციასთან დაკავშირებული ფრაგმენტების გამოყენებით (სრული გამოსვლა შეიძლება აერთიანებდეს იმიგრაციასთან დაკავშირებულ და არადაკავშირებულ ფრაგმენტებს). შემდეგ ყოველწლიური ქულა გამოითვალა პოზიტიური ფრაგმენტებიდან ნეგატიური ფრაგმენტების რაოდენობის გამოკლებით და შედეგის გაყოფით იმიგრაციის შესახებ ყველა ფრაგმენტის რაოდენობაზე. ეს ასევე ინდივიდუალურად გაკეთდა ანალიზში გამოკვეთილი ძირითადი პარტიებისთვის. რადგან მოდელი აგებული იყო საპარლამენტო გამოსვლებში განწყობის ჯამური გაზომვისთვის, ის არ გამოიყენება ინდივიდუალური წვლილის განწყობის შესატყობინებლად. ანალიზი ასევე გამორიცხავს დროის პერიოდებს კონკრეტული პარტიებისთვის, როდესაც იმიგრაციის შესახებ საკმარისი მასალა არ იყო ხელმისაწვდომი თანმიმდევრული პერიოდის განმავლობაში.