Propagación de tijerasNO, Parte III. Experimento completo en BarriBlog Wiki
Con este post se finaliza el estudio de propagación de la campaña de TijerasNo. En este caso se visualiza la tercera cuestión del experimento:¿Influyó Twitter en la propagación?
Se ha escogido una visualización con un layout circular realizada con la herramienta SoNIA. El código de color es:
Azul twitter: para los bloggers que SI tienen usuario en Twitter
Negro: para los que NO tienen usuario Twitter
El tamaño de los nodos es directamente proporcional al número de enlaces entrantes al blog, por tanto los de mayor tamaño son los hubs.
Como se observa en la visualización en las primeras horas del inicio de la campaña hay un conjunto de blogs que tiene dos características: son hubs y tienen usuario Twitter. El resto de la campaña se propagó por blogs que en su mayoría no tienen usuario Twitter.
Llama la atención el escaso número de bloggers partidarios de la ciencia que están en el twitterverse, lo que induce a pensar que twitter no está tan extendido como parece entre los bloggers.
Conclusión
Twitter influyó al propagar la campaña rápidamente a entre blogs que tienen bastante influencia y que actuaron de detonante para extender la campaña en la blogoesfera que se comportó como una lenta mecha que dio lugar a la publicación de más de mil posts el día 7 de octubre y cuya repercusión saltó a otros medios de comunicación.
Twitter y los blogs son dos medios diferentes que se complementan y se necesitan para la propagación de campañas.
En este post visualiza la segunda cuestión del experimento: ¿Cómo fue la propagación? Para ello he tenido que recurrir a herramientas que permitan cierta interactividad y no he encontrado ninguna que me haya convencido al 100%, por lo que muestro dos visualizaciones en distintas herramientas. Se han utilizado SoNIA y Pajek, ambas permiten visualizaciones teniendo en cuenta la evolución en el tiempo.
Visualización con SoNIA
Layout circular con los enlaces invisibles para resaltar los nombres de los Hubs
El código de color es el mismo que se utilizó en la visualización del post anterior:
• Verde los adheridos antes del día D (7 de octubre)
• Rojo los adheridos el día D,
• Azul los adheridos después del día D
El tamaño de los nodos es directamente proporcional al número de enlaces entrantes, por tanto los de mayor tamaño son los hubs.
Como se observa en ambas visualizaciones, en la propagación de los tres primeros días, del 2 al 5 de octubre, participan la mayoría de los Hubs, durante los dos días siguientes ningún Hub se hace eco. El día D, el 7 de octubre, un Hub y bastante blogs poco conectados se apuntan a la campaña, posiblemente debido a la repercusión del evento en medios externos a la blogosfera. Después de la campaña la propagación se apaga lentamente aunque el día 9 de octubre aparece un Hub tardío.
La campaña de “Tijeras No” fue una reacción contra los recortes de I+D en la que afloraron el barrio de blogs vinculados a la Ciencia. La movilización a favor de la Ciencia y la rápida propagación de la campaña despertó mi curiosidad asaltándome una serie de preguntas que han sido la motivación que me ha llevado a recoger los datos de los participantes en la campaña para analizarlos.
Con este experimento se intentará responder a las preguntas:
¿Qué relación existe entre los blogs que han participado en la campaña de la campaña?
¿Cómo fue la propagación?
¿Influyó Twitter en la propagación?
¿Qué relación existe entre los blogs que han participado en la campaña de la campaña?
En el siguiente vídeo contiene una animación de la red que forman los blogs que no amaban los recortes en la ciencia. El código de color es:
Verde los adheridos antes del día D (7 de octubre)
Rojo los adheridos el día D,
Azul los adheridos después del día D
El tamaño de los nodos es directamente proporcional al número de enlaces entrantes, por tanto los de mayor tamaño son los hubs.
La red tiene 1012 nodos y un núcleo pequeño bienconectado (36%) y una extensa periferia sin conectar (64%). El número de enlaces entrantes de cada blog desde los blogs que participaron en la campaña sigue, una power law, como se puede ver en esta visualización que se ha generado en manyeyes. El 20% de los blogs tiene más del 80% de los enlaces.
En el grafo destacan como hubs los siguientes blogs:
Data set: se obtuvo de los comentarios del post de la convocatoria de La aldea irreductible. Consta de 1012 urls de los blogs adheridos a la campaña con su timestamp.
Estos datos se han transformado con la herramienta lestat para calcular los enlaces entre los blogs. Este es el dataset en formato textual separado por tabulaciones.
Recursos gráficos: se usa la visualización de un grafo en el que los nodos son los blogs y sus enlaces los arcos. Se realizarán distintos layauts según la necesidad de análisis y se establece una simbología basada en:
El color: se utiliza el color para clasificar los distintos nodos. Por ejemplo se aplica el color para distinguir con que celeridad se han apuntado los blogs a la campaña o qué blogs tienen usuario Twitter y cuales no.
Tamaño: se aplican distintos tamaños a los nodos según su importancia dentro del grafo. Uno de los criterios de importancia es el número de enlaces entrantes que tiene cada blog, lo que permite identificar visualmente cuales son los hubs de esta red.
En este caso se ha usado la herramienta java Gephi, que es muy adecuada por sus features para visualizar redes de cierto tamaño. El formato de entrada a la herramienta es gexf que incluye el tiempo como atributo para poder realizar visualizaciones dinámicas, aunque aún no han liberado esa funcionalidad. ¡¡¡¡Estoy expectante de que lo hagan!!!!
Para los más curiosos dejo los datos de entrada para Gephi para que puedan ver con sus propios ojos cómo funciona la herramienta:
Se han generado dos visualizaciones
Genérico: con sólo los nombres de los hubs para facilitar una visualización en pequeño tamaño. Fichero con los datos gexf y proyecto para cargar en gephi
Detallado: con los nombres de todos los blogs para poder navegar el grafo haciendo zoom y viendo todos los detalles de los nodos. Fichero con los datos gexf y proyecto para cargar en gephi
El zoom en Gephi se controla con la rueda del ratón.
El 10 de noviembre Twitter me activó la nueva función Re-Tweet (RT) que está probando con algunos usuarios. Tengo por costumbre hacer RT de los tweets que considero interesantes así que no tardé mucho en probarlo.
La verdad es que me defraudó la implementación de RT ya que no sigue el mismo criterio con el que se esta usando actualmente y se desvirtúa su función
El RT embebido en el texto del tweet tiene las siguientes características:
Es abierto: aparece en la cadena de RTs todos los que han participado tengan o no conexión entre ellos.
Es trazable: se puede ver quienes forman parte de la cadena de propagación.
Es sociable: es una vía para conocer a nuevos Twitteres a los que aún no seguimos o que los que han participado en la cadena del RT te conozcan.
No es filtrable: al ser un tweet normal no se filtra en en las listas.
El RT que está actualmente en versión beta:
No es abierto: solo se distribuye a los followers y se presenta como un tweet que tú aconsejas leer.
No es trazable: no aparece en la cadena de RTs todos los que han participado, sólo el autor original del tweet.
No es sociable: se reduce el número de twetteres que podemos conocer por los RTs.
Es filtrable: al ser un tweet especial se filtra de las listas como se hace con los @replay.
Me ha sorprendido esta nueva funcionalidad de Twitter que posibilita la creación de listas tanto públicas como privadas. Las listas vienen a suplir la precariedad del hashtag para seguir temas de interés pero además abren un abanico de nuevas posibilidades como la de proporcionar una imagen más precisa del usuario. Muchos habrán observado que existen usuarios que tienen miles de followers/followings con apenas dos tweets. Yo me pregunto ¿cómo es esto posible? Probablemente sean spam y ahora con las listas tendrán que mejorar sus programas para simular ser usuarios reales.
Creo que esta nueva feature puede cambiar a corto plazo la forma de escuchar las conversaciones en Twitter. En una primera impresión estas son las facilidades que veo:
Organizarán el barullo de las conversaciones cuando se escucha a demasiados usuarios.
Facilitarán la segmentación de las conversaciones por grupos de interés.
Permitirán conocer a usuarios con similares intereses.
Se autorregulará la calidad de las listas: las listas mejores serán las más seguidas.
Se detectarán a los “headhunter” que saben hacer una buena selección por tema.
Se descubrirán a los “gurús” que están en todas las listas de un tema.
Se identificará el “focus” de cada usuario.
Se podrán detectar los Hubs, Authorities y Bridges más fácilmente.
Pero tantas ventajas siempre tienen un efecto colateral: se me ha quedado obsoleta la especificación de requisitos del PFC (Proyecto fin de carrera) sobre Twitter.
