El hashtag #ZapataDimisión en 360º

Hace una semana Antonio Delgado me propuso escribir sobre el hashtag #ZapataDimisión pero en ese momento tenía que dar prioridad a la revisión de un artículo vital para mi tesis y lo dejé aparcado. He sacado un pequeño hueco para poder elaborar los datos y obtener conclusiones sobre este caso que marcará un antes y un después en el uso de las redes sociales.

Últimamente Twitter se está convirtiendo en un campo de batalla en el que los usuarios se polarizan ante cualquier suceso. Cuando una polémica llega a ser TT(Trending Topic) alcanza una visibilidad general más allá de timeline, traspasando algunas veces los límites de Twitter para colarse como noticia en los medios tradicionales. Por ese motivo los TT tienen un enorme potencial divulgador y siempre nos preguntamos hasta que punto son espontáneos o manipulados.

Los TT se podrían comparar a un incendio en el que se desconoce si ha sido natural o provocado hasta que se analizan los puntos desde los que se originó y los factores que favorecieron su propagación. De la misma manera vamos a abordar el análisis del TT #ZapataDimision, analizando el origen del hashtag, su primeras propagaciones, cómo se fue extendiendo, cuales fueron los altavoces de la propagación y cuál fue el papel de los medios.

Origen y propagación

El primer tuit que se detectó con el hashtag #zapatadimision fue el de José Luis Vázquez a las 17:17 del día 13 de junio.

@casiopeaexpres Es inadmisible que alguien como usted represente siquiera a una hormiga. @AhoraMadrid #zapatadimisión

— José Luis Vázquez (@jlvazmar) June 13, 2015

Este hashtag fue utilizando desde su inicio en distintas modalidades, con mayúsculas y minúsculas y con acento o sin él. Esto denota espontaneidad en el origen y que no fue una campaña organizada. Además, el crecimiento fue orgánico, no obedeció a ninguna sincronización. La propagación empezó a aumentar cuando intervinieron usuarios con muchos seguidores realizando RTs o publicando tuits, entre ellos @hermanntertsch (19:01, 19:23, 22:10, 22:11, 22:44, 22:45), @pedroj_ramirez (20:25, día 14 0:16), @DavidSummersHG (20:53), @mrm8488 (22:13), @kastillo62 (23:10), @alfonso_ussia (23:23), @isanseba (23:31, 23:53, día 14 0:50, 0:51, 1:02, 1:21), @hugokeppler (23:40, día 14 0:40), @oneto_p (23:54), @JesusEncinar (día 14 0:57), @josecdiez (día 14 1:00), @JuanfraEscudero (1:14), @CubaSinFrontera (día 14 2:23). A las 00:02:12 del día 14 de junio fue 5º TT en Madrid.

El día 14 a las 8 de la mañana se reactivó, siendo los usuarios que pudieron contribuir a su difusión mediante RTs o tuits: @josecdiez (9:07, 10:39, 11:18), @hermanntertsch (9:21, 9:55, 9:58), @pedroj_ramirez (9:22, 9:23, 9:38), @JesusEncinar (10:30, 10:40), @martinvars(10:32, 10:43), @fredhermel (10:47), @jatirado (10:53, 10:55, 10:58). A las 10:16 empezó a ser TT en España en el puesto 6º llegando a ser el primero a las 11:47.

La siguiente imagen interactiva contrasta la propagación global con la propagación polarizada. Para determinar la polaridad de los usuarios que participaron se utilizó la relación de RT. Los usuarios tienden a hacer RT de los mensajes con los que están de acuerdo, esto produce que unos usuarios estén más relacionados entre sí que otros y se formen comunidades. Por este método (ver metodología en el pie del post) se clasificaron a los usuarios como anti-Zapata y pro-Zapata y se segregaron sus tuits en dos conjuntos separados para ver su evolución en el tiempo. Estos dos grupos representan el 94,74% del total de los tuits, el 5,26% restante corresponde a los usuarios inciertos (hicieron RT de distinta polaridad) y a los que no hicieron RT. La fiabilidad de esta clasificación se comprobó manualmente con una muestra aleatoria de 300 tuits en cada uno de los datasets. Para los tuits anti-Zapata la fiabilidad fue del 94,33% y para los pro-Zapata del 92%.

Podemos apreciar cómo el crecimiento de los tuits fue orgánico, creciendo la difusión en pequeños saltos posiblemente inducidos por usuarios con muchos seguidores que hicieron RT o tuitearon. El día 13 prácticamente se propagaron tuits anti-Zapata (las gráfica de tuits globales y anti-zapata se solapan). Los tuits pro-Zapata aparecieron el día 14 en el momento que fue TT en España. Salvo a las 18:00 los tuits contrarios superaron a los tweets favorables a Zapata. Podemos deducir que tuvo un origen espontáneo y que la propagación fue favorecida por usuarios con muchos seguidores de tendencia política liberal-conservadora o simpatizantes con la comunidad judía.

¿Mucho ruido y pocas nueces?

Una manera de comprender la verdadera dimensión de un TT es evaluar cuantos tuits fueron originales, cuantos fueron RTs y cuál fue la distribución de RTs por usuario. La participación en las redes sigue una distribución de la Ley de potencias en la que una minoría es el origen de la mayoría de la información que circula. A grandes rasgos podemos identificar a la masa crítica que originó la mayoría de los mensajes.

Los datos no son sorprendentes, suelen ser casi siempre de esta manera. De 130.954 tuits globales, 104.580 fueron RTs (79,86%), por lo tanto, solo un 20,14% fue información original. De los 80.867 tuits anti-Zapata, 65.527 fueron RTs (81,03%), siendo original el 18,97%.

Para ver la distribución de los RTs se clasificaron los usuarios anti-Zapata en función de su actividad (el detalle de la clasificación en la metodología) y se encontró que los altavoces, 508 usuarios, recibieron 52.415 RTs, es decir, el 2,65% de los usuarios obtuvieron el 79,99% de los RTs contrarios a Zapata.

En la siguiente gráfica interactiva se puede ver la clasificación de usuarios anti-Zapata en función del impacto de sus tuits. Pulsando en cada grupo aparece en la zona inferior los usuarios del grupo ordenados en función del número de RTs recibidos.

De la misma manera también podemos ver en la siguiente gráfica interactiva la actividad de los usuarios anti-Zapata para hacer RT. Encontramos que 2.830 usuarios realizaron 37.641 RTs, es decir, que el 14,74% de los usuarios realizaron el 57,44% de los RTs.

El núcleo duro de los que movieron los tuits no llegó a 3.500 usuarios. Podemos concluir que hubo más ruido que nueces.

El papel de los altavoces y los medios de comunicación

Para ver cómo los altavoces y los medios de comunicación influyeron en la propagación hemos creado tres gráficas alineadas temporalmente. La primera corresponde a la evolución por hora de los tuits totales, anti-Zapata y pro-zapata. La segunda, muestra a la difusión de los veinte tuits más difundidos, tanto anti-Zapata como pro-Zapata (se ha utilizado un código de color para agruparlos: azul los anti-Zapata, morado los pro-Zapata y verde los neutrales. Pasando el ratón por la gráfica aparece el texto del tuit y el número de RTs que tuvo en esa hora). La tercera gráfica representa la propagación de los tuits de los medios y de los periodistas.

Durante el día 13 se observa que el patrón de difusión de las gráficas segunda y tercera condicen debido a que los mensajes de @pedroj_ramirez e @isanseba estaban casi todos en el top 20 y no hubo otros periodistas que publicaran tuits. El día 14, el perfil de propagación de los periodistas pierde peso frente a nuevos altavoces tanto anti-Zapata como pro-Zapata.

Se podría concluir que los mensajes de @pedroj_ramirez e @isanseba ayudaron a la creación del TT del día 13 pero en del día 14 intervinieron además otro tipo de altavoces.

¿A favor o en contra de Zapata?

La polarización de los usuarios queda reflejada en este grafo de RTs. A la izquierda, en una única comunidad, se encuentran los que apoyaron a Zapata y a la derecha los que le atacaron, formados por varios grupos: simpatizantes con la comunidad judía y personas de ideología liberal-conservadora.

(Pulsar en la imagen para verla a un tamaño mayor)

Metodología

• Los datos se obtuvieron con la API REST de Twitter, método search, solicitando los tuits que contuvieran los hashtags «#ZapataDimision OR #dimisióndeZapataySoto»
• Se capturaron 130.954 tuits de 37.979 usuarios diferentes desde 2015-06-13 17:17:37 hasta 2015-06-15 14:39:09
• Para determinar la polaridad de los usuarios no se ha recurrido al análisis semántico de los tuits (no soy experta en esta tecnología) en su lugar que se ha utilizado la relación de RT. Los usuarios tienden a hacer RT de los mensajes con los que están de acuerdo, esto produce que unos usuarios estén más relacionados entre sí que otros y se que se formen comunidades. La polaridad se ha obtenido del grafo de RTs procesado con Gephi. Se detectaron varias comunidades cuyos usuarios se clasificaron en: anti-Zapata (19.205 usuarios), pro-Zapata (13.782 usuarios) e inciertos que hicieron RT de distinta polaridad (1.378 usuarios)
• Una vez identificados los usuarios anti o pro Zapata, se segregaron sus tuits a fin de poder analizarlos por separado. Se clasificaron 80.867 como anti-zapata (61,75%), 43.193 tweets pro-zapata (32,98%) y un 5,26% sin clasificar por ser inciertos o por no haber hecho RT. La fiabilidad de esta clasificación se comprobó manualmente con una muestra aleatoria de 300 tuits en cada uno de los datasets. Para los tuits anti-Zapata la fiabilidad fue del 94,33% y para los pro-Zapata del 92%
• Se clasificaron los usuarios anti-Zapata según su actividad e impacto en estas categorías
  • Altavoz: cuando el número de RTs recibidos fue cuatro veces mayor que el volumen de tuits emitidos. Hay tres grupos: el altavoz alto formado por los usuarios con más impacto que acapararon el 20% de los RTs, los altavoces medios son los siguientes usuarios más retuiteados que obtuvieron un 30% de los RTs y los altavoces bajos el resto
  • Networker: con actividad alta, un número de RTs recibidos superior a la media, y el número de tuis publicados-recibidos está balanceado
  • Retuiteador: con actividad alta y con más RTs que tweets propios
  • Replicador: la mayoría de sus tuits son replies. Al no aparecer los replies en los timelines, no suelen recibir RTs
  • Monologista: actividad por encima de la media y el número de RTs recibidos bajo
  • Normal: resto de los usuarios que no cumplen estos patrones de comportamiento específicos
• Se analizó la propagación de los 20 tuits más difundidos y los tuits de los medios y periodistas para ver en qué manera favorecieron la propagación general
• La visualización del grafo de RTs se realizó con Gephi