Francia enfrenta una revolución típica de Facebook
Las revueltas callejeras en París tienen menos que ver con una pequeña subida de impuestos al combustible que con el poder de las redes sociales para radicalizar a sus usuarios. Por Leonid Bershidsky | Bloomberg
Manifestantes cerca del Arco de Triunfo.
El papel liberador que desempeñaron las redes sociales durante la Primavera Árabe y las protestas rusas de 2011 y 2012 fue ampliamente elogiado. Poco de ese entusiasmo se muestra hoy en día en medio de las violentas protestas de "chalecos amarillos" en Francia, aunque Facebook todavía está haciendo lo que mejor hace: dejar que la gente canalice su furia.
En un artículo de 2011 sobre "la revolución de Facebook", Chris Taylor, del sitio web de noticias de tecnología Mashable, escribió que Facebook era "democracia en acción". Philip Howard, de la Universidad de Washington, quien investigó el papel de la red social en la Primavera Árabe, dijo que el mismo año en que las redes sociales "transmitieron una cascada de mensajes sobre libertad y democracia en el norte de África y Medio Oriente y ayudaron a generar expectativas para el éxito de la revuelta política".
A finales de 2011, participé en las protestas rusas tras una elección parlamentaria amañada. Facebook jugó un papel central en su organización. El patrón emergente: redes de protesta sin líderes que se desarrollan en plataformas propiedad de los Estados Unidos; narraciones de memes que alimentan la indignación popular; Las demandas nebulosas, que se radicalizan rápidamente, alimentadas por una gran cantidad de ira subyacente, llevaron al presidente ruso Vladimir Putin a sospechar que los Estados Unidos organizan acciones en diferentes partes del mundo según el mismo libro de jugadas. Era tan ingenuo como los observadores que pensaban que el papel de Facebook en estos levantamientos populares tenía algo que ver con la libertad o la democracia.
Poco después de que los países que sufrieron las revoluciones de la Primavera Árabe comenzaron a revertirse al autoritarismo o se lanzaron al caos, surgieron preocupaciones sobre la capacidad de las redes sociales para configurar las transiciones democráticas. Pero Facebook y otras plataformas nunca fueron buenas en eso: lo que hicieron fue ayudar a que la gente se emocionara más y más por las cosas que los molestaban. Al amplificar los mensajes e inflar las burbujas de opinión, provocaron un frenesí en el que solo había habido quejas.
Sucede de nuevo en Francia, un país imposible de describir como una autocracia y uno en el que los Estados Unidos no tienen motivos para fomentar una revolución.
Todo comenzó con la decisión del gobierno de aumentar los impuestos en 7.6 centavos por litro en diesel y 3.9 centavos por litro en gasolina. Esto no es una gran indignación. Para alguien que llena un tanque de 50 litros con diesel todas las semanas, la caminata significa 15.2 euros ($ 17.3) al mes en costos adicionales, menos de dos comidas de McDonald's. Pero las protestas, iniciadas a mediados de octubre por un discurso viral en Facebook del acordeonista Jacline Mouraud sobre la política gubernamental contra el automóvil, se han intensificado hasta que produjeron los peores disturbios urbanos del país en más de una década. Durante el fin de semana, 133 personas resultaron heridas, entre ellas 23 policías.
Como en protestas anteriores, estos disturbios son en gran parte sin líder; no necesitan la infraestructura política o mediática de Francia para desarrollarse. Sin embargo, han arrojado a algunos líderes de opinión poco probables, a quienes los manifestantes siguen y cuyas opiniones se amplifican infinitamente a través de los grupos de Facebook del "chaleco amarillo". Uno de ellos es Maxime Nicolle, también conocido como Fly Rider, un nativo de Bretaña de 31 años que ha realizado regularmente transmisiones web de Facebook Live a partir de las protestas cada vez más violentas. Se ha convertido en uno de los ocho voceros del movimiento amorfo facultados para negociar con el gobierno.
"Los pensadores autodenominados se convirtieron en figuras nacionales, gracias a las páginas populares y al revuelo de Facebook Live", escribió Frederic Filloux, ahora investigador en Stanford y anteriormente profesor de periodismo en Sciences Po en París, en Medium. El "evangelio de Nicolle es una mezcolanza de demandas incoherentes, pero ahora es una voz nacional".
El presidente francés, Emmanuel Macron, describió el manifiesto de los "chalecos amarillos" como "un poco de todo y pase lo que pase". Y, de hecho, las demandas originales: la derogación del impuesto a la gasolina de los automóviles, un impuesto de valor agregado mínimo sobre los alimentos. las multas más bajas por infracciones de tránsito, los recortes salariales para los funcionarios electos y el gasto gubernamental más eficiente, ahora se han visto confundidos por los pedidos adicionales de mejores servicios públicos, la disolución del Parlamento y la renuncia de Macron. Ahora se trata de la ira que fluye libremente en todas las direcciones. Como dice Filloux: "Como amplificador absoluto y radicalizador de la ira popular, Facebook ha demostrado su toxicidad para el proceso democrático".
No hay nada democrático en el surgimiento de los administradores de grupos de Facebook como portavoces de lo que pasa por un movimiento popular. A diferencia de Macron y los legisladores franceses, no son elegidos. En una columna de Liberación, el periodista Vincent Glad sugirió que los cambios recientes en el algoritmo de Facebook, que han dado prioridad al contenido creado por grupos sobre el de las páginas, incluidos los de los medios de comunicación tradicionales, han proporcionado el mecanismo para promover a estas personas. El director ejecutivo de Facebook, Mark Zuckerberg, pensó que estaba despolitizando su plataforma y se estaba enfocando en conectar a las personas. Eso no es lo que pasó.
"Los administradores de grupos de Facebook, cuyas prerrogativas se incrementan constantemente por Zuckerberg, son los nuevos intermediarios, que prosperan en las ruinas de los sindicatos, asociaciones o partidos políticos", escribió Glad.
Ya sea difícil descifrar si la ira desatada por el pequeño aumento de impuestos en Francia es real o al menos parcialmente inducida por las cámaras de eco de Facebook sin métodos científicos exactos. Sin embargo, es hora de desechar cualquier ilusión restante de que las redes sociales pueden desempeñar un papel positivo en la promoción de la democracia y la libertad.
Una sociedad libre no puede prohibir Facebook, ni siquiera puede regular por completo su función para mejorar el odio; pero debe ser consciente del riesgo que Facebook y plataformas similares representan para las instituciones democráticas. Irónicamente, la amenaza para los regímenes autoritarios es menor: han aprendido a manipular la opinión en las plataformas con propaganda, piratería, intimidación y tácticas de miedo de la vida real contra los activistas.
Un país como Francia no puede recurrir a tales técnicas. Eso significa más trabajo para la policía y decisiones más difíciles para los políticos que no están dispuestos a someterse al gobierno de la mafia, hasta que los populistas, alentados por las redes sociales, comienzan a ganar las elecciones. Para evitar ese resultado, las personas deberán darse cuenta de lo que realmente hacen las plataformas y comenzar a abandonarlas en tropel.
Las redes de parentesco facilitan la acción colectiva a gran escala.
La caída de la fertilidad produce menos parentesco y una agrupación de parentesco local más fuerte.
El modelo de linajes de parentesco simula las redes de parentesco y la eficiencia de la coordinación.
La caída de la fertilidad crea una crisis ya que muy pocos parientes pueden unirse al proyecto comunitario.
La transición de la fertilidad desencadena el surgimiento de sistemas culturales que reemplazan a los parientes.
Resumen
Las sociedades humanas tradicionales se organizan en torno al parentesco y utilizan redes de parentesco para generar proyectos comunitarios a gran escala. Esto es posible gracias a una combinación de reconocimiento de parentesco lingüístico, un rasgo exclusivamente humano, que está mediado por la fiabilidad de los parientes como colaboradores. Cuando la fecundidad efectiva disminuye, esto resulta en dos efectos simultáneos en las redes sociales: hay menos parientes en los que se puede confiar, y el efecto limitante de la agrupación de parentesco local se vuelve más fuerte. Para capturar este fenómeno, utilizamos un modelo de linajes de parentesco para construir poblaciones con un rango de niveles de fertilidad combinados con un modelo de sincronía conductual para medir la eficiencia de la acción colectiva generada en redes de parentesco dentro de las poblaciones. Nuestros hallazgos sugieren que, siempre que la cooperación efectiva dependa del parentesco, la caída de la fertilidad crea una crisis cuando resulta en muy pocos parientes para unirse al proyecto comunitario. Concluimos que, cuando las sociedades cambien a pequeñas redes de parentesco efectivas, debido a la caída de la fertilidad, el aumento de la distancia relativa a los parientes debido a la urbanización o la alta mortalidad debida a guerras o epidemias, solo podrán permanecer cohesivas socialmente si reemplazan las redes de parentesco desaparecidos con alternativas cuasi-familiares basadas en la membresía de gremios o clubes.
La caída de la fertilidad crea brecha en la confianza: el cambio de la estructura de la red social en la transición demográfica.
Resumen ampliado
En los últimos 70 años, la fertilidad global ha disminuido. Con esta caída en la fertilidad, el número de familiares en la misma generación también ha disminuido. El Prof. Tamás Dávid-Barrett dio una conferencia sobre la brecha de confianza creada por las tasas más bajas de fertilidad y los cambios en la estructura de las redes sociales.
Las sociedades humanas tradicionales se basaron en dos soluciones biológicas para reducir la conducción libre y promover la acción colectiva: mecanismos de selección de parentesco y redes de parentesco sociales muy agrupadas. Como humanos, utilizamos las dos soluciones: interactuamos con otros mientras preferimos interactuar con aquellos con los que estamos relacionados.
Cuando disminuye la fertilidad, también disminuye el número de parientes en la misma generación, lo que significa que tenemos más amigos que hermanos. El cambio en los datos demográficos también tiene cambios en la estructura de las redes sociales: las reducciones de clusters locales, la distancia gráfica promedio disminuye, aumentando el conjunto del contacto social indirecto a dos pasos de distancia.
Ejemplos de grafos de parentesco, con reconocimiento de parentesco hasta primo hermano (θ = 2). Panel (a): caso de alta fertilidad (κ = 7), panel (b): caso de baja fertilidad (κ = 2.5).Fuente: https://www.sciencedirect.com/science/article/pii/S0022519317300152#f0015
Los cambios en la estructura de las redes sociales también disminuyen la velocidad a la que se extiende la reputación en la red, debido a la disminución de la fertilidad y al aumento del tamaño del grupo social. Por lo tanto, la transición demográfica debilita las dos soluciones biológicas de la reducción del free-rider: hay menos familiares para coordinar la acción social a lo largo de las líneas de parentesco, y la reputación se extiende lentamente.
La proporción de descendientes dentro de toda la población (a) una generación hacia abajo y (b) cinco generaciones hacia abajo, como una función del rango percentil de riqueza en la generación base.Línea azul: κ = 2.5, línea roja: κ = 7.0.Promedio de 20,000 repeticiones de simulación;tamaño del grupo: 200 en la generación base.Tenga
en cuenta que el extremo superior de la curva azul es de pendiente
descendente: esto se debe a que los miembros del grupo con la
clasificación más alta comparten un número mayor de ancestros comunes
que los miembros del grupo de rango medio.
Los hallazgos de Dávid-Barrett sugieren que han surgido diferentes mecanismos para llenar la brecha de confianza cuando las sociedades hacen la transición a redes de parentesco pequeñas y efectivas. Para seguir siendo socialmente cohesivos, las sociedades reemplazan las redes de parentesco que desaparecen con un sistema alternativo que facilita la acción colectiva, y en algunos casos, la brecha se llena con la ley o la membresía de gremios o clubes.
Así nació la revolución de Guatemala Los impulsores de la primavera del descontento cuentan a EL PAÍS cómo surgió el movimiento que derribó al presidente Otto Pérez Molina y sacude a Centroamérica Un juez ordena prisión para el expresidente Otto Pérez Molina
J. M. AHRENS Ciudad de Guatemala - El País
Otto Pérez Molina saliendo del juzgado hacia prisión. / LUIS SOTO (AP)
La revolución nació cuando Lucía Mendizábal, de 53 años, dueña de una empresa de bienes raíces en Ciudad de Guatemala, llegó a su casa y se tumbó agotada en la cama. Eran las 20.45 del pasado 16 de abril. La mujer encendió el televisor y el informativo la enojó algo más de lo normal. Se había destapado una trama de fraude aduanero que dirigía el secretario privado de la vicepresidenta, Juan Carlos Monzón, más conocido como El Robacarros por sus antecedentes como ladrón de coches. Asqueada, Mendizábal, una profesional que jamás ha militado en ningún partido, colgó esa misma noche un mensaje en Facebook para sus amigos: “A ver si esta vez hacemos algo”. Sin saberlo, acababa que de ponerse en marcha la asombrosa maquinaria que en pocos meses desataría la mayor ola de indignación ciudadana vivida en Guatemala. Una marea de descontento, pacífica y viral, que derribaría de la presidencia al general Otto Pérez Molina y abriría una puerta a la esperanza en Centroamérica.
Lucía Mendizábal inició en Facebook de manera espontánea la ola de protestas.
A la mañana siguiente, Mendizábal se encontró media docena de respuestas. Una hizo diana. Tan solo preguntaba cuándo y a qué hora daban el paso. Casada y con dos hijas, tomó entonces la decisión de su vida: convocar una manifestación. Con ayuda de siete amigos puso en marcha la iniciativa. Ese mismo domingo se reunieron en torno a un pastel de moras. Eran clase media urbana, de 24 a 55 años. Entre ellos había un diseñador, una galerista, un estudiante de derecho… Juntos escribieron el primer comunicado.
Se definían como un grupo de ciudadanos indignados, defensores de la legalidad, sin afiliación política y disconformes con la corrupción. No recogían firmas y repudiaban la violencia. Tan solo convocaban a una concentración en el Parque de la Constitución para pedir la dimisión de la vicepresidenta y la retirada de la inmunidad presidencial. Su lema era #RenunciaYa; su instrumento, las redes sociales.
La llamada tocó el nervio de Guatemala. El hartazgo ante la corrupción y los largos años de plomo y saqueo detonaron las adhesiones. Surgido de la nada, el movimiento recabó en pocos días 35.000 seguidores en Facebook. Los medios se fijaron en ellos. Las redes ardían con su convocatoria. Se convirtieron en el tema central de conversación. Los políticos no comprendían qué estaba pasando. Algo inédito empezaba a reverberar.
Manifestación en Ciudad de Guatemala contra Pérez Molina. / J. D. (REUTERS)
El primer acto de protesta superó cualquier expectativa. A las 15.00 del sábado 25 de abril, decenas de miles de personas hicieron sonar sartenes, ollas y pitidos en el parque. “Después recogieron con sus propias bolsas los desperdicios para dejarlo todo limpio”, recuerda Mendizábal, que por primera vez habla con su nombre y apellido. En un territorio con un 60% de la población en la pobreza y una tasa de homicidios 50 veces superior a la española, había nacido la esperanza. “Dieron al país una alegría que ya no existía”, recuerda la comisionada de la ONU en Guatemala, Valerie Julliand.
El primer golpe fue devastador para el Gobierno. Una sociedad civil inexistente hasta entonces, había despertado. La vicepresidenta dimitió y, en plena euforia, el grupo de amigos decidió seguir adelante. No estaban solos. Universitarios, campesinos, empresarios, asociaciones cívicas se sumaron a los sábados de protesta. La onda expansiva parecía no tener fin. “Al verles, volví a creer y me sumé. Daba igual la ideología o la edad, solo importaba que había un futuro para Guatemala”, cuenta Iduvina Hernández, de 60 años, una activista que en los setenta sufrió en sus carnes la represión militar.
Alérgicos a dar sus nombres, el grupo original, tras una reorganización interna, pasó a pedir la renuncia del presidente y creo un nuevo lema: #JusticiaYa. Para evitar cualquier tentación de liderazgo, en sus actos no había escenarios. Eran transversales y hacían gala de pluralidad. “Nos han querido encuadrar como post-indignados 15-M. Pero cada país tiene sus características. Aquí fue la corrupción, en España la crisis. Nosotros hemos tratado de ser lo más abiertos posibles, que nuestras demandas no vengan predeterminadas por la ideología”, explica Álvaro Montenegro, de 27 años, ecologista, estudiante de Derecho y organizador de primera hora. “Descubrimos que la gente común puede tomar la iniciativa y hacer valer sus derechos, basta con ser transparente y honesto”, resume Mendizábal.
Álvaro Montenegro, uno de los primeros organizadores de las manifestaciones.
En su avance, la primavera del descontento contó con un aliado incorruptible: la Comisión Internacional contra la Impunidad en Guatemala (CICIG), una fiscalía especial, amparada por la ONU. Bajo el mando del implacable Iván Velásquez, el juez cuyas investigaciones llevaron a prisión en Colombia a medio centenar de congresistas, este organismo se adentró en las entrañas del escándalo aduanero, hasta que el 21 de agosto pasado acusó al presidente Pérez Molina de ser el verdadero líder de la trama. Cohecho, fraude, asociación ilícita. Fue la puntilla. Al día siguiente, una inmensa multitud clamó por su renuncia en el parque de la Constitución. La sacudida tuvo réplicas en todo el país. La ola de indignación dejó claro con quién estaba la ciudadanía. El general se había quedado sin defensas. Sus aliados le dieron la espalda. El miércoles fue desaforado. Al día siguiente, la fiscalía pidió su captura y poco después el juez ordenó su encarcelamiento. Guatemala había derribado a su presidente. El mensaje colgado en Facebook por Lucía Mendizábal aquella noche del 16 de abril había encontrado respuesta.
In the mid-2000s that lab was, however, one of the only places on earth to do the kind of science Couzin wanted. He didn’t care about locusts, per se—Couzin studies collective behavior. That’s swarms, flocks, schools, colonies … anywhere the actions of individuals turn into the behaviors of a group. Biologists had already teased apart the anatomy of locusts in detail, describing their transition from wingless green loners at birth to flying black-and-yellow adults. But you could dissect one after another and still never figure out why they blacken the sky in mile-wide plagues. Few people had looked at how locusts swarm since the 1960s—it was, frankly, too hard. So no one knew how a small, chaotic group of stupid insects turned into a cloud of millions, united in one purpose.
Couzin would put groups of up to 120 juveniles into a sombrero-shaped arena he called the locust accelerator, letting them walk in circles around the rim for eight hours a day while an overhead camera filmed their movements and software mapped their positions and orientations. He eventually saw what he was looking for: At a certain density, the bugs would shift to cohesive, aligned clusters. And at a second critical point, the clusters would become a single marching army. Haphazard milling became rank-and-file—a prelude to their transformation into black-and-yellow adults.
That’s what happens in nature, but no one had ever induced these shifts in the lab—at least not in animals. In 1995 a Hungarian physicist named Tamás Vicsek and his colleagues devised a model to explain group behavior with a simple—almost rudimentary—condition: Every individual moving at a constant velocity matches its direction to that of its neighbors within a certain radius. As this hypothetical collective becomes bigger, it flips from a disordered throng to an organized swarm, just like Couzin’s locusts. It’s a phase transition, like water turning to ice. The individuals have no plan. They obey no instructions. But with the right if-then rules, order emerges.
Couzin wanted to know what if-then rules produced similar behaviors in living things. “We thought that maybe by being close to each other, they could transfer information,” Couzin says. But they weren’t communicating in a recognizable way. Some other dynamic had to be at work.
Rules that produce majestic cohesion out of local jostling turn up everywhere.
The answer turned out to be quite grisly. Every morning, Couzin would count the number of locusts he placed in the accelerator. In the evening, his colleague Jerome Buhl would count them as he took them out. But Buhl was finding fewer individuals than Couzin said he had started with. “I thought I was going mad,” Couzin says. “My credibility was at stake if I couldn’t even count the right number of locusts.”
When he replayed the video footage and zoomed in, he saw that the locusts were biting each other if they got too close. Some unlucky individuals were completely devoured. That was the key. Cannibalism, not cooperation, was aligning the swarm. Couzin figured out an elegant proof for the theory: “You can cut the nerve in their abdomen that lets them feel bites from behind, and you completely remove their capacity to swarm,” he says.
Couzin’s findings are an example of a phenomenon that has captured the imagination of researchers around the world. For more than a century people have tried to understand how individuals become unified groups. The hints were tantalizing—animals spontaneously generate the same formations that physicists observe in statistical models. There had to be underlying commonalities. The secrets of the swarm hinted at a whole new way of looking at the world.
But those secrets were hidden for decades. Science, in general, is a lot better at breaking complex things into tiny parts than it is at figuring out how tiny parts turn into complex things. When it came to figuring out collectives, nobody had the methods or the math.
A flock of red-winged blackbirds forms and re-forms over California’s Sacramento Valley.
Photo: Lukas Felzmann
The first thing to hit Iain Couzin when he walked into the Oxford lab where he kept his locusts was the smell, like a stale barn full of old hay. The second, third, and fourth things to hit him were locusts. The insects frequently escaped their cages and careened into the faces of scientists and lab techs. The room was hot and humid, and the constant commotion of 20,000 bugs produced a miasma of aerosolized insect exoskeleton. Many of the staff had to wear respirators to avoid developing severe allergies. “It wasn’t the easiest place to do science,” Couzin says.
Now, thanks to new observation technologies, powerful software, and statistical methods, the mechanics of collectives are being revealed. Indeed, enough physicists, biologists, and engineers have gotten involved that the science itself seems to be hitting a density-dependent shift. Without obvious leaders or an overarching plan, this collective of the collective-obsessed is finding that the rules that produce majestic cohesion out of local jostling turn up in everything from neurons to human beings. Behavior that seems impossibly complex can have disarmingly simple foundations. And the rules may explain everything from how cancer spreads to how the brain works and how armadas of robot-driven cars might someday navigate highways. The way individuals work together may actually be more important than the way they work alone.
Blue jack mackerel merge into a bait ball, a torus that confuses predators.
Photo: Christopher Swann/Science Photo Library
Aristotle first posited that the whole could be more than the sum of its parts. Ever since, philosophers, physicists, chemists, and biologists have periodically rediscovered the idea. But it was only in the computer age—with the ability to iterate simple rule sets millions of times over—that this hazy concept came into sharp focus.
HOW SWARMS EMERGE
Individuals in groups from neurons and cancer cells to birds and fish organize themselves into collectives, and those collectives move in predictable ways. But the ways those swarms, schools, flocks, and herds flip from chaos to order differ. Here’s a look at some of the behaviorial triggers. —Katie M. Palmer
GOLDEN SHINERS
Behavior: Seek darkness
Presumably for protection, shiners search out dark waters. But they can’t actually perceive changes in light levels that might guide their way. Instead, they follow one simple directive: When light disappears, slow down. As a result, the fish in a school pile up in dark pools and stay put.
ANTS
Behavior: Work in rhythm
When ants of a certain species get crowded enough to bump into each other, coordinated waves of activity pulse through every 20 minutes.
HUMANS
Behavior: Be a follower
Absent normal communication, humans can be as impressionable as a flock of sheep. If one member of a walking group is instructed to move toward a target, though other members may not know the target—or even that there is a target—the whole group will eventually be shepherded in its direction.
LOCUSTS
Behavior: Cannibalism
When enough locusts squeeze together, bites from behind send individuals fleeing to safety. Eventually they organize into conga-line-like clusters to avoid being eaten. They also emit pheromones to attract even more locusts, resulting in a swarm.
STARLINGS
Behavior: Do what the neighbors do
These birds coordinate their speed and direction with just a half dozen of their closest murmuration-mates, regardless of how packed the flock gets. Those interactions are enough to steer the entire group in the same direction.
HONEYBEES
Behavior: Head-butting
When honeybees return from searching for a new nest, they waggle in a dance that identifies the location. But if multiple sites exist, a bee can advocate for its choice by ramming its head into other waggling bees. A bee that gets butted enough times stops dancing, ultimately leaving the hive with one option.
For most of the 20th century, biologists and physicists pursued the concept along parallel but separate tracks. Biologists knew that living things exhibited collective behavior—it was hard to miss—but how they pulled it off was an open question. The problem was, before anyone could figure out how swarms formed, someone had to figure out how to do the observations. In a herd, all the wildebeests/bacteria/starlings/whatevers look pretty much alike. Plus, they’re moving fast through three-dimensional spaces. “It was just incredibly difficult to get the right data,” says Nigel Franks, a University of Bristol biologist and Couzin’s thesis adviser. “You were trying to look at all the parts and the complete parcel at the same time.”
Physicists, on the other hand, had a different problem. Typically biologists were working with collectives ranging in number from a few to a few thousand; physicists count groups of a few gazillion. The kinds of collectives that undergo phase transitions, like liquids, contain individual units counted in double-digit powers of 10. From a statistical perspective, physics and math basically pretend those collectives are infinitely large. So again, you can’t observe the individuals directly in any meaningful way. But you can model them.
A great leap forward came in 1970, when a mathematician named John Conway invented what he called the Game of Life. Conway imagined an Othello board, with game pieces flipping between black and white. The state of the markers—called cells—changed depending on the status of neighboring cells. A black cell with one or no black neighbors “died” of loneliness, turning white. Two black neighbors: no change. Three, and the cell “resurrected,” flipping from white to black. Four, and it died of overcrowding—back to white. The board turned into a constantly shifting mosaic.
Conway could play out these rules with an actual board, but when he and other programmers simulated the game digitally, Life got very complicated. At high speed, with larger game boards, they were able to coax an astonishing array of patterns to evolve across their screens. Depending on the starting conditions, they got trains of cells that trailed puffs of smoke, or guns that shot out small gliders. At a time when most software needed complex rules to produce even simple behaviors, the Game of Life did the opposite. Conway had built a model of emergence—the ability of his little black and white critters to self-organize into something new.
Sixteen years later, a computer animator named Craig Reynolds set out to find a way to automate the animated movements of large groups—a more efficient algorithm would save processing time and money. Reynolds’ software, Boids, created virtual agents that mimicked a flock of birds. It included behaviors like obstacle avoidance and the physics of flight, but at the heart of Boids were three simple rules: Move toward the average position of your neighbors, keep some distance from them, and align with their average heading (alignment is a measure of how close an individual’s direction of movement is to that of other individuals). That’s it.
Boids and its ilk revolutionized Hollywood in the early ’90s. It animated the penguins and bats of Batman Returns. Its descendants include software like Massive, the program that choreographed the titanic battles in the Lord of the Rings trilogy. That would all be miraculous enough, but the flocks created by Boids also suggested that real-world animal swarms might arise the same way—not from top-down orders, mental templates of orderly flocks, or telepathic communication (as some biologists had seriously proposed). Complexity, as Aristotle suggested, could come from the bottom up.
The field was starting to take off. Vicsek, the Hungarian physicist, simulated his flock in 1995, and in the late 1990s a German physicist named Dirk Helbing programmed sims in which digital people spontaneously formed lanes on a crowded street and crushed themselves into fatal jams when fleeing from a threat like a fire—just as real humans do. Helbing did it with simple “social forces.” All he had to do was tell his virtual humans to walk at a preferred speed toward a destination, keep their distance from walls and one another, and align with the direction of their neighbors. Presto: instant mob.
By the early 2000s, the research in biology and physics was starting to intersect. Cameras and computer-vision technologies could show the action of individuals in animal swarms, and simulations were producing more and more lifelike results. Researchers were starting to be able to ask the key questions: Were living collectives following rules as simple as those in the Game of Life or Vicsek’s models? And if they were … how?
TAKING SHAPE
Changing simple parameters has profound effects on a swarm. By controlling only attraction, repulsion, and alignment (how similar a critter’s direction is to that of its neighbors), researcher Iain Couzin induced three different behaviors in a virtual collective, all akin to ones in nature.—Katie M. Palmer
DISORDER Alignment with only the closest neighbors produces … nothing but a disordered swarm.
TORUS Raise the alignment and the chaotic swarm swirls into a doughnut shape called a torus.
FLOCK Maximize alignment across the flock and the torus shifts; everyone travels in the same direction.
Before studying collectives, Couzin collected them. Growing up in Scotland, he wanted pets, but his brothers’ various allergies allowed only the most unorthodox ones. “I had snails at the back of my bed, aphids in my cupboard, and stick insects in my school locker,” he says. And anything that formed swarms fascinated him. “I remember seeing these fluidlike fish schools on TV, watching them again and again, and being mesmerized. I thought fish were boring, but these patterns—” Couzin pauses, and you can almost see the whorls of schooling fish looping behind his eyes; then he’s back. “I’ve always been interested in patterns,” he says simply.
When Couzin became a graduate student in Franks’ lab in 1996, he finally got his chance to work on them. Franks was trying to figure out how ant colonies organize themselves, and Couzin joined in. He would dab each bug with paint and watch them on video, replaying the recording over and over to follow different individuals. “It was very laborious,” he says. Worse, Couzin doubted it worked. He didn’t believe the naked eye could follow the multitude of parallel interactions in a colony. So he turned to artificial ones. He learned to program a computer to track the ants—and eventually to simulate entire animal groups. He was learning to study not the ants but the swarm.
For a biologist, the field was a lonely one. “I thought there must be whole labs focused on this,” Couzin says. “I was astonished to find that there weren’t.” What he found instead was Boids. In 2002 Couzin cracked open the software and focused on its essential trinity of attraction, repulsion, and alignment. Then he messed with it. With attraction and repulsion turned up and alignment turned off, his virtual swarm stayed loose and disordered. When Couzin upped the alignment, the swarm coalesced into a whirling doughnut, like a school of mackerel. When he increased the range over which alignment occurred even more, the doughnut disintegrated and all the elements pointed themselves in one direction and started moving together, like a flock of migrating birds. In other words, all these different shapes come from the same algorithms. “I began to view the simulations as an extension of my brain,” Couzin says. “By allowing the computer to help me think, I could develop my intuition of how these systems worked.”
By 2003, Couzin had a grant to work with locusts at Oxford. Labs around the world were quietly putting other swarms through their paces. Bacterial colonies, slime molds, fish, birds … a broader literature was starting to emerge. Work from Couzin’s group, though, was among the first to show physicists and biologists how their disciplines could fuse together. Studying animal behavior “used to involve taking a notepad and writing, ‘The big gorilla hit the little gorilla,’ ” Vicsek says. “Now there’s a new era where you can collect data at millions of bits per second and then go to your computer and analyze it.”
A swarm of locusts.
Photo: Mitsuhiko Imamori/Minden
Today Couzin, 39, heads a lab at Princeton University. He has a broad face and cropped hair, and the gaze coming from behind his black-rimmed glasses is intense. The 19-person team he leads is ostensibly part of the Department of Ecology and Evolutionary Biology but includes physicists and mathematicians. They share an office with eight high-end workstations—all named Hyron, the Cretan word for beehive, and powered by videogame graphics cards.
Locusts are verboten in US research because of fears they’ll escape and destroy crops. So when Couzin came to Princeton in 2007, he knew he needed a new animal. He had done some work with fish, so he headed to a nearby lake with nets, waders, and a willing team. After hours of slapstick failure, and very few fish, he approached some fishermen on a nearby bridge. “I thought they’d know where the shoals would be, but then I went over and saw tiny minnow-sized fish in their buckets, schooling like crazy.” They were golden shiners—unremarkable 2- to 3-inch-long creatures that are “dumber than I could possibly have imagined,” Couzin says. They are also extremely cheap. To get started he bought 1,000 of them for 70 bucks.
When Couzin enters the room where the shiners are kept, they press up against the front of their tanks in their expectation of food, losing any semblance of a collective. But as soon as he nets them out and drops them into a wide nearby pool, they school together, racing around like cars on a track. His team has injected colored liquid and a jelling agent into their tiny backs; the two materials congeal into a piece of gaudy plastic, making them highly visible from above. As they navigate courses in the pool, lights illuminate the plastic and cameras film their movements. Couzin is using these stupid fish to move beyond just looking at how collectives form and begin to study what they can accomplish. What abilities do they gain?
For example, when Couzin flashes light over the shiners, they move, as one, to shadier patches, presumably because darkness equals relative safety for a fish whose main defensive weapon is “run away.” Behavior like this is typically explained with the “many wrongs principle,” first proposed in 1964. Each shiner, the theory goes, makes an imperfect estimate about where to go, and the school, by interacting and staying together, averages these many slightly wrong estimations to get the best direction. You might recognize this concept by the term journalist James Surowiecki popularized: “the wisdom of crowds.”
But in the case of shiners, Couzin’s observations in the lab have shown that the theory is wrong. The school could not be pooling imperfect estimates, because the individuals don’t make estimates of where things are darker at all. Instead they obey a simple rule: Swim slower in shade. When a disorganized group of shiners hits a dark patch, fish on the edge decelerate and the entire group swivels into darkness. Once out of the light, all of them slow down and cluster together, like cars jamming on a highway. “That’s purely an emergent property,” Couzin says. “The sensing ability really happens only at the level of the collective.” In other words, none of the shiners are purposefully swimming toward anything. The crowd has no wisdom to cobble together.
Other students of collectives have found similar feats of swarm intelligence, including some that happen in actual swarms. Every spring, honeybees leave their old colonies to build new nests. Scouts return to the hive to convey the locations of prime real estate by waggling their bottoms and dancing in figure eights. The intricate steps of the dances encode distance and direction, but more important, these dances excite other scouts.
Thomas Seeley, a behavioral biologist at Cornell, used colored paint to mark bees that visited different sites and found that those advocating one location ram their heads against colony-mates that waggle for another. If a dancer gets rammed often enough, it stops dancing. The head-butt is the bee version of a downvote. Once one party builds past a certain threshold of support, the entire colony flies off as one.
House-hunting bees turn out to be a literal hive mind, composed of bodies. This is no cheap metaphor. In the 1980s cognitive scientists began to posit that human cognition itself is an emergent process. In your brain, this thinking goes, different sets of neurons fire in favor of different options, exciting some neighbors into firing like the waggling bees, and inhibiting others into silence, like the head-butting ones. The competition builds until a decision emerges. The brain as a whole says, “Go right” or “Eat that cookie.”
If a falcon attacks, all the starlings dodge almost instantly—even those on the far side of the flock that haven’t seen the threat.
The same dynamics can be seen in starlings: On clear winter evenings, murmurations of the tiny blackish birds gather in Rome’s sunset skies, wheeling about like rustling cloth. If a falcon attacks, all the starlings dodge almost instantaneously, even those on the far side of the flock that haven’t seen the threat. How can this be? Italian physicist Andrea Cavagna discovered their secret by filming thousands of starlings from a chilly museum rooftop with three cameras and using a computer to reconstruct the birds’ movements in three dimensions. In most systems where information gets transferred from individual to individual, the quality of that information degrades, gets corrupted—like in a game of telephone. But Cavagna found that the starlings’ movements are united in a “scale-free” way. If one turns, they all turn. If one speeds up, they all speed up. The rules are simple—do what your half-dozen closest neighbors do without hitting them, essentially. But because the quality of the information the birds perceive about one another decays far more slowly than expected, the perceptions of any individual starling extend to the edges of the murmuration and the entire flock moves.
All these similarities seem to point to a grand unified theory of the swarm—a fundamental ultra-calculus that unites the various strands of group behavior. In one paper, Vicsek and a colleague wondered whether there might be “some simple underlying laws of nature (such as, e.g., the principles of thermodynamics) that produce the whole variety of the observed phenomena.”
Couzin has considered the same thing. “Why are we seeing this again and again?” he says. “There’s got to be something deeper and more fundamental.” Biologists are used to convergent evolution, like the streamlining of dolphins and sharks or echolocation in bats and whales—animals from separate lineages have similar adaptations. But convergent evolution of algorithms? Either all these collectives came up with different behaviors that produce the same outcomes—head-butting bees, neighbor-watching starlings, light-dodging golden shiners—or some basic rules underlie everything and the behaviors are the bridge from the rules to the collective.
Stephen Wolfram would probably say it’s the underlying rules. The British mathematician and inventor of the indispensable software Mathematica published a backbreaking 1,200-page book in 2002, A New Kind of Science, positing that emergent properties embodied by collectives came from simple programs that drove the complexity of snowflakes, shells, the brain, even the universe itself. Wolfram promised that his book would lead the way to uncovering those algorithms, but he never quite got there.
Couzin, on the other hand, is wary of claims that his field has hit upon the secret to life, the universe, and everything. “I’m very cautious about suggesting that there’ll be an underlying theory that’ll explain the stock market and neural systems and fish schools,” he says. “That’s relatively naive. There’s a danger in thinking that one equation fits all.” Physics predicts the interactions of his locusts, but the mechanism manifests through cannibalism. Math didn’t produce the biology; biology generated the math.
Still, just about any system of individual units pumped with energy—kinetic, thermal, whatever—produces patterns. Metal rods organize into vortices when bounced around on a vibrating platform. In a petri dish, muscle proteins migrate unidirectionally when pushed by molecular motors. Tumors spawn populations of rogue, mobile cells that align with and migrate into surrounding tissues, following a subset of trailblazing leader cells. That looks like a migrating swarm; figure out its algorithms and maybe you could divert it from vital organs or stop its progress.
The same kind of rules apply when you step up the complexity. The retina, that sheet of light-sensing tissue at the back of the eye, connects to the optic nerve and brain. Michael Berry, a Princeton neuroscientist, mounts patches of retinas on electrodes and shows them videos, watching their electrophysiological responses. In this context, the videos are like the moving spotlights Couzin uses with his shiners—and just as with the fish, Berry finds emergent behaviors with the addition of more neurons. “Whether the variable is direction, heading, or how you vote, you can map the mathematics from system to system,” Couzin says.
A crowd of humans.
Photo: Amanda Mustard/Corbis
In a lab that looks like an aircraft hangar, several miles from Princeton’s main campus, an assortment of submersibles are suspended from the ceiling. The cool air has a tang of chlorine, thanks to a 20,000-gallon water tank, 20 feet across and 8 feet deep, home to four sleek, cat-sized robots with dorsal and rear propellers that let them swim in three dimensions.
The robots are called Belugas, and they’re designed to test models of collective behavior. “We’re learning about mechanisms in nature that I wouldn’t have dreamed of designing,” says engineer Naomi Leonard. She plans to release pods of underwater robots to collect data on temperature, currents, pollution, and more. Her robots can also track moving gradients, avoid each other, and keep far enough apart to avoid collecting redundant data—just enough programming to unlock more complex abilities. Theoretically.
Today it’s not working. Three Belugas are out of the tank so Leonard’s team can tinker. The one in the water is on manual, driven by a thick gaming joystick. The controls are responsive, if leisurely, and daredevil maneuvers are out of the question.
Leonard has a video of the robots working together, though, and it’s much more convincing. The bots carry out missions with a feedback-controlled algorithm programmed into them, like finding the highest concentrations of oil in a simulated spill or collecting “targets” separately and then reuniting.
Building a successful robot swarm would show that the researchers have figured out something basic. Robot groups already exist, but most have sophisticated artificial intelligence or rely on orders from human operators or central computers. To Tamás Vicsek—the physicist who created those early flock simulations—that’s cheating. He’s trying to build quadcopters that flock like real birds, relying only on knowledge of their neighbors’ position, direction, and speed. Vicsek wants his quadcopters to chase down another drone, but so far he’s had little success. “If we just apply the simple rules developed by us and Iain, it doesn’t work,” Vicsek says. “They tend to overshoot their mark, because they do not slow down enough.”
Another group of researchers is trying to pilot a flock of unmanned aerial vehicles using fancy network theories—the same kind of rules that govern relationships on Facebook—to communicate, while governing the flocking behavior of the drones with a modified version of Boids, the computer animation software that helped spark the field in the first place. Yet another team is working on applying flocking behaviors to autonomous cars—one of the fundamental emergent properties of a flock is collision avoidance, and one of the most important things self-driving cars will have to be able to do is not run into people or one another.
So far, the Belugas’ biggest obstacle has been engineering. The robots’ responses to commands are delayed. Small asymmetries in their hulls change the way each one moves. Ultimately, dealing with that messiness might be the key to taking the study of collectives to the next level. Ever since the days of Boids, scientists have made big assumptions about how animals interact. But animals are more than models. They sense the world. They communicate. They make decisions. These are the abilities that Couzin wants to channel. “I started off with these simple units interacting to form complex patterns, and that’s fine, but real animals aren’t that simple,” Couzin says. He picks up a plastic model of a crow from his bookshelf. “Here we have a pretty complex creature. It’s getting to the point where we’ll be able to analyze the behavior of these animals in natural, three-dimensional environments.” Step one might be to put a cheap Microsoft Kinect game system into an aviary, bathing the room in infrared and mapping the space.
Step two would be to take the same measurements in the real world. Every crow in a murder would carry miniature sensors that record its movements, along with the chemicals in its body, the activity in its brain, and the images on its retina. Couzin could marry the behavior of the cells and neurons inside each bird with the movements of the flock. It’s a souped-up version of the locust accelerator—combine real-world models with tech to get an unprecedented look at creatures that have been studied intensively as individuals but ignored as groups. “We could then really understand how these animals gain information from each other, communicate, and make decisions,” Couzin says. He doesn’t know what he’ll find, but that’s the beauty of being part of the swarm: Even if you don’t know where you’re going, you still get there.
Ed Yong (edyong209@gmail.com) writes the blog Not Exactly Rocket Science for National Geographic.
Para cualquier investigador social los procesos sociales actuales se encuentran desarrollándose por carriles que muy pocos hubiesen previsto hace tan sólo 15 años atrás. Enormes cambios políticos han sido guiados por una mano invisible social que ha ido señalizando la velocidad y dirección de movimientos de acción colectiva increíblemente coordinados. Un elemento en común de estos recientes cambios sociales son las redes sociales digitales. Emprendimientos comerciales como Facebook y Twitter han sido canal de comunicación de mareas humanas en Estados Unidos (Wang y Wang, 2012), el Reino Unido, Irán (Shangapour y otros, 2011), España (Aragón y otros, 2012), Grecia, Tailandia (Bajpai y Jaiswall, 2011) y muchos otros puntos geográficos. La Primavera Árabe sin dudas emerge como el movimiento colectivo más contundente de la historia social reciente de los países musulmanes de la cuenca del Mediterráneo. Túnez, Egipto, Libia y actualmente Siria presentan elocuentes casos de cómo una ciudadanía acallada coordinó sus esfuerzos para iniciar procesos de acción colectiva que terminaron con regímenes históricos.
En grados de menor impacto institucional y repercusión social, diversos movimientos sociales como marchas o protestas en Argentina han sido coordinados mediante el uso extensivo de las redes sociales digitales, denominadas por antonomasia como “las redes sociales”.
Ahora bien, calzando los zapatos de un investigador social, ¿qué objeto de estudio representan esas redes sociales? ¿En que cambia el análisis respecto a las redes sociales como tradicionalmente se la conocía? ¿Qué podemos decir de estos movimientos realizados desde la baja visibilidad de las vías digitales?
Un evento testigo sobre el que pudo experimentarse fue la marcha programada para 8 de Noviembre de 2012. Los participantes buscaban hacer escuchar críticas al desempeño del gobierno argentino. Twitter y Facebookf fueron los principales canales de transmisión entre las decenas de organizadores y adherentes a la marcha y cacerolazo, así como también de quienes no apoyaban dicha manifestación y la cuestionaban o desalentaban. Veremos en este ensayo como esa nube difusa de adherentes y detractores puede ser capturada, visualizada, identificada y someramente analizada.
Exploremos algunos aspectos con herramientas al alcance de la mano de cualquier interesado y veamos hacia dónde nos lleva el sendero.
Desenredando
Cualquier académico o curioso intelectual que haya tenido el interés y una simple preparación en el uso de software académico puede obtener herramientas para lograr respuestas a preguntas básicas. Cuando ingresamos al mundo de las redes sociales conviene preguntarse primero qué es una red social. Una definición simple es la dice que es un conjunto de individuos o entidades que se relacionan (o conectan) de alguna manera. Un enfoque totalizador teórico y empírico del ámbito académico de estas formas de interacción es el llamado análisis de redes sociales . Es intuitivo capturar la idea: cuando la conducta individual está limitada por las decisiones que toman otros actores, entonces más que enfocarse en entender la conducta individual aislada conviene enfocarse en la forma en que estas conexiones modelan la conducta de cada actor. La red es un sujeto de estudio único y comprende a los sujetos y sus relaciones en un todo. Tiene una poderosa representación gráfica que se llama grafo o sencillamente red y se comprende de nodos (puntos) y enlaces (flechas apuntando desde quien inicio el enlace hacia quien recibe lo que se modela como conexión en cada red específica) como se ve en la Figura 1. En ese caso en particular, es la representación de los mensajes enviados y recibidos por correo electrónico del autor, la cual modelada de esta manera es una red social. Uno puede entender muchas situaciones sociales como redes.
Figura 1. Un ejemplo de la representación gráfica de una red social: la red de emails del autor
Por ejemplo, puede haber redes de amistad, donde los actores (amigos) se conectan entre ellos (surgiendo enlaces en forma de flechas que relacionan a quienes son amigos entre sí). También puede haber relaciones comerciales, donde los nodos pueden representar empresas y las flechas pueden representar la existencia de algún intercambio con otra empresa. En el caso que nos atañe, los nodos serán gente suscrita a una red social y los enlaces serán quienes participan en ciertas discusiones. Específicamente vamos a explorar un caso específico y delimitado de la red Twitter (Langue, 2012) donde las conexiones van a surgir de actores que quieran participar en una discusión determinada. La idea es presentar esta inquietud y ver como con relativa facilidad se pueden acceder a datos para ser analizados e interpretados.
Secuencias
Los medios de comunicación reportan un inminente evento social: un cacerolazo y manifestación programada para el 8 de Noviembre de 2012 convocado para quienes no están de acuerdo con el gobierno argentino. La convocatoria fue acordada y decidida por diversos usuarios de distintas redes sociales (principalmente, Facebook y Twitter) pero también a través de emails. Al ser un evento convocado a través de redes sociales puede ser seguido desde la propia computadora personal. Más precisamente, todo el evento puede ser seguido, observado y escrutado desde la propia computadora personal conectada a la red, como si uno fuese el jefe coordinador de una campaña de encuestas. ¿Cómo se puede hacer para capturar los datos de esta red? Varias herramientas online se ofrecen gratuitamente para dicha tarea. Uno puede recurrir a productos libres como Gephi , Cytoscape o Pajek , por nombrar sólo algunos. Uno que resulta simple de aprender y manejar es un complemento de Excel (es decir, un subprograma que se maneja completamente dentro de dicha planilla de cálculo) llamado Node XL . Solo hay que descargarlo, instalarlo y dejar un archivo de base Excel en el escritorio a través del cual se accede al programa en sí, el cual opera completamente dentro de Excel. La Figura 2 muestra la interface del programa una vez instalado operando dentro de la planilla de cálculo plenamente. Se observa un gráfico de una red al frente y, si bien no se ve, de fondo opera una planilla de cálculo tradicional, específicamente programada para recibir datos de red (puede consultarse online el manualen inglés).
Figura 2. Interface Node XL
El complemento permite realizar todo el análisis de redes sociales tradicional, del cual describiremos algunos pocos tópicos necesarios más adelante. En nuestro caso en particular, esta herramienta nos ayuda a llegar a una red social: Twitter. Node XL permite acceder a los datos de tweets de Twitter, pudiéndose obtener información de usuarios (NodeXL < Import < From Twitter List Network), buscar quienes utilizan una palabra clave específica (NodeXL < Import < From Twitter Search Network) o listas de seguidores de o seguidos por un usuario (NodeXL < Import < From Twitter User Network). Twitter permite hacer búsquedas de datos en su red pero otorga permisos temporales. Para ello, se debe tener una cuenta habilitada en Twitter y la empresa proporciona un ticket habilitante (una palabra clave). Una vez validado el ticket se pueden realizar las búsquedas, teniendo ventanas de 5/10 minutos por vez para luego tener que esperar una hora hasta poder hacer la siguiente búsqueda, siempre dependiendo del tamaño de la red. La idea para este trabajo fue aprovechar la capacidad de búsqueda en la red de Twitter y extraer información específica de nuestro interés.
Específicamente, los mensajes del movimiento de organización para apoyar la movilización del 8 de Noviembre fueron identificados dentro de la red bajo un hashtag (palabra clave que aglutina las entradas de quienes quieren discutir esa tópico) denominado #8N mientras que quienes disentían de apoyar la manifestación canalizaron sus opiniones en el hashtag #8NYoNoVoy. Entonces, manos a la obra. Cuando queremos importar datos desde Twitter, Node XL nos abre un menú como el que se ve en la Figura 3. El primer renglón nos dice (traducido) “Agregar un vértice para cada persona cuyo su tweet reciente contenga:”. Al agregar 8N realizará la tarea de ir a buscar en la red quienes twitearon mensajes con ese hashtag. Para nuestro estudio, usaremos también a quienes hayan utilizado el hashtag principal de la gente que no apoyaba la manifestación: 8NYoNoVoy. Los datos fueron extraídos de la red el 7 de Noviembre desde las 14 a las 17 horas y el día de la manifestación entre las 14 y las 21 horas.
Figura 3. Menú para importar por búsqueda en Twitter
¿A qué debiéramos prestarle atención?
Uno podría inicialmente destacar dos ámbitos de análisis en términos de una red social. En primer lugar, aspectos que nos describen a la red como un todo. En ese sentido hay mediciones que se realizan para obtener respuestas. Podemos hablar de cuantas conexiones se realizan frente a las potencialmente posibles y remitirnos de ese modo al concepto de densidad o conectividad de red. Podemos ver si los nodos están todos conectados entre sí o no y así hablar de componentes conectados de la red o ver si se juntan de alguna manera visualmente distinguible y referirnos a agrupamientos o clusters. En la Figura 4 se observan dos agrupamientos o clusters, el primero integrado por (Pat, Will, Roger, Joe, Rick, Linda, Tim, Tyler, Sam) y el segundo por (Bob, Pete, Red, Kim, Sue, Sally, Pam). Otro tema interesante es conocer la distribución de grados (es decir la forma en que los enlaces se distribuyen entre los nodos). En definitiva, estos indicadores globales de la red nos indican las características de su arquitectura, es decir, el marco en el cual se conectan los agentes individuales y que puede ayudarnos a interpretar el siguiente ámbito de análisis.
Precisamente, la otra dimensión de análisis es la individual. Este enfoque nos indica qué individuos tienen un rol importante en la red dependiendo de algún criterio y esos roles están asociados al término centralidad. Cada tipo de centralidad asigna una métrica (un valor) a un individuo en la red y del ordenamiento de esos valores se obtiene la posición jerárquica de cada nodo en la red según ese criterio. Esos criterios se basan en distintas formas de interpretar la posición de un agente en la red. Por ejemplo, la centralidad de grado nos indica qué nodo tiene mayor cantidad de enlaces entrantes y salientes. Podemos distinguir entre centralidad por enlaces entrantes (in-degree) o enlaces salientes (out-degree) cuando la forma de la relación modelada implica no reciprocidad (yo soy fan de una banda de rock, pero la inversa no se verifica) (Linda, en la Figura 4). Cuando la relación modelada es simétrica (por ejemplo, un vínculo de amistad: yo soy amigo de Pedro ergo, Pedro es amigo mío) entonces la centralidad de grado es la que concretamente mide la importancia del actor. Cuando más enlaces se establecen con un agente más importante es el mismo porque la circulación en la red lo convierte en un centro de recolección y distribución de información. Podemos nombrar inmediatamente a la centralidad de cercanía, la cual registra qué nodo está ubicado a menor distancia (siguiendo la cantidad de enlaces intermedios que unen a nodos distantes en la red) entre todos los agentes. Un nodo con alta centralidad de cercanía estaría ubicado “a mitad de camino” de todos los agentes y ello le daría el rol de ruta obligada de traspaso de información en la red (Roger, en la Figura 4). Una tercer acepción de centralidad es la de intermediación la cual valora muy particularmente a aquellos agentes que se hallan en posición de puente entre grupos dispersos de la red. Esa posición de intermediarios los convierte en importantes porque pueden decidir cómo y a quién traspasar la información (Conrad, en la Figura 4). Finalmente para este breve resumen, la centralidad de autovector (eigenvector) es la más formal y contempla analizar la información de todas las conexiones para favorecer a los agentes mejor conectados en términos de la estructura de conexión global. Es decir, la centralidad eigenvector premia a los agentes mejor conectados pero también a aquellos que están conectados a los mejor conectados (Linda, en la Figura 4).
Figura 4. Ejemplos de centralidad de grado (grado nodal), centralidad por cercanía, centralidad de intermediación (grado de intermediación) y centralidad de autovector (eigenvector) (Analytic Technologies)
Finalmente, un último índice es el de centralidad de Pagerank. Este indicador se determina a través de los enlaces entrantes a un nodo. PageRank fue desarrollado originalmente para la indexación de páginas web (Page es uno de los fundadores de Google), pero puede aplicarse a las redes sociales siempre que se utilicen relaciones asimétricas, por ejemplo, una red de retweet en Twitter es un excelente candidato.
Una vez que importamos los datos, la primera tarea es verlos gráficamente. La Figura 5 muestra las capturas realizadas por Node XL, por hashtag y por día. Obsérvese que existe un gran “ovillo” de relaciones en el medio y abajo se encuentra ordenadamente muchos nodos individuales. Bien, los grandes “ovillos” centrales se denominan técnicamente componentes conectados y ello refiere a grupos de nodos que están conectados de una manera tal que existe una forma de ir siguiendo los enlaces de nodo en nodo hasta llegar a cualquier otro del componente. Cuando alguna conexión se corta, entonces el grupo se desconecta y aparecen loscomponentes desconectados . Precisamente los componentes desconectados son los que se aprecian ordenados y sin relación con el componente conectado debajo.
Figura 5. Visualizaciones de la red por hashtag y por día
Dicho esto, podemos observar lo siguiente: El hashtag de promoción de la manifestación (#8N) siempre tuvo mayor cantidad de twitteros que participaron (mayor cantidad de nodos) pero el hashtag de crítica a la manifestación (#8NYoNoVoy) siempre generó más tráfico (mayor cantidad de enlaces). Más aún, quienes utilizaron el hashtag #8NYoNoVoy participaron más agrupadamente (menor cantidad de componentes desconectados) en comparación con los del hashtag de apoyo a la manifestación. Eso puede decirnos algo de esfuerzo más coordinado en el primer caso y atomización en el segundo caso.
Si observamos cómo fue la cantidad de tweets temporalmente publicada, podemos ver una simple fotografía del #8N por solo media hora un día antes de la manifestación en la Figura 6. La pendiente de esos datos de dispersión indica una creciente actividad de publicación de tweets el día previo.
Figura 6. Cantidad de tweets en media hora (hashtag #8N el día 7/11/12)
Es interesante señalar que en el meollo de la manifestación la tasa de subida de mensajes se detuvo de modo abrupto. Obsérvese la Figura 7 cómo hacia las 18 horas se habían subido casi 7000 tweets, pero en las dos horas que siguieron (la hora previa y la posterior a la manifestación) muy pocos mensajes fueron publicados (probablemente porque quienes participaban en la marcha lo estaban haciendo de manera efectiva y quienes la desalentaban ya no veían sentido en alterar la voluntad de nadie estando tan cerca el evento en sí). Por último, hacia las 22 horas y con los resultados publicitados por los medios de comunicación y la desconcentración de los manifestantes, nuevamente se publicaron una enorme cantidad de mensajes.
Figura 7. Cantidad de tweets por franja horario (ambos hashtags sumados, 8/11/12)
Una vez recolectada la información del día de la manifestación la misma puede solaparse para presentar una imagen poderosa de una red compitiendo por la difusión de un mensaje. Eso se observar en la Figura 8. Los enlaces naranja corresponden al hashtag #8NYoNoVoy y el verde al #8N. Obsérvese que automáticamente el gráfico ayuda mediante bloques a identificar distintos grupos. A la derecha se encuentran los componentes desconectados y pequeños componentes conectados. Ahora, empezando por la izquierda, vemos tres grupos grandes. El primero es un grupo que une una serie de mensajes donde gente que apoya y gente que no apoya la manifestación se trenzan en discusiones cruzadas. En el segundo grupo predominan mensajes de desaliento a la marcha y en el tercero al final, predominan los mensajes de aliento a la manifestación. ¿Alguien pensó que las redes sociales no son algo bello?
Figura 8. Interacción de ambos grupos el 8 de Noviembre de 2012 (18 a 21.30 hs)
 
Una vez detectadas las redes sobre las cuales se va a trabajar, uno puede tomar medidas individuales con la centralidad de grado de los nodos (actores). Este indicador destaca aquellos agentes de la red que mantienen mayor cantidad de relaciones con otros agentes (las iniciadas por él/ella más las iniciadas por terceros para con él/ella). La distribución de esta centralidad de grado para los twitteros divididos por el hashtag se observa a continuación en la Figura 9. ¿Qué nos dice esta figura? Se dibujan ordenados los datos individuales del valor de la centralidad de grado de cada nodo según hashtag. Obsérvese como partiendo de valores altos (más de 350) tiende pronunciadamente hacia valores muy bajos (0 o 1). Cada punto representa información de un solo nodo. Ello implica que en ambos hashtags existió una minoría de agentes con muchas conexiones (en nuestro caso, que siguen o son seguidos por otros twitteros). El hecho de que ambas frecuencias se extiendan largamente sobre valores bajos implica que la gran mayoría de los twitteros que participaron de los hashtags tenían pocos seguidores y seguían a pocos también. En la literatura académica este tipo de distribución se denomina distribución de ley de potencia ( power law ) siendo el nombre menos académico pero igualmente utilizado de distribución de “colas gordas” ( fat tails ). Una observación a simple vista nos dice que la distribución de centralidad de grado del hashtag #8NYoNoVoy en el tramo hasta aproximadamente el nodo 200 por encima del otro hashtag, implicando que el primero posee entre sus filas a nodos con mayor centralidad de grado en promedio (es decir, con twitteros mas importantes según este criterio)
Figura 9. Distribución de la centralidad de grado entre los usuarios de Twitter
 
Esa misma información puede obtenerse, a su vez, observando la relación entre la cantidad de seguidores y la cantidad de referentes que tiene un nodo en particular. La figura 10 nos muestra los datos de cada nodo de la red (incluyendo ambos hashtags) mirando en el eje horizontal la cantidad de los seguidores (followers) y en el eje vertical la cantidad de twitteros a los que se sigue (followed). Ambos datos están transformados por el logaritmo natural (ln) del dato puro. Es decir, los datos del eje vertical y horizontal representan el logaritmo natural del valor real. Esta transformación de los datos no afecta ni el orden ni las distancias de la información original pero permite visualizarla más directamente (el gráfico con los datos originales no es tan claro como este). El tamaño de cada esfera se refiere a la cantidad de tweets que cada uno ha enviado. Lo que se deduce del gráfico es que los twitteros con mayor cantidad de seguidores son también quienes más siguen a otros twitteros y también quienes más mensajes postean.
Figura 10. Diagrama de dispersión log-log entre Followers y Followed con información de la cantidad de tweets en el tamaño de la esfera (#8NYoNoVoy, día 8/11/12)
Protagonistas
Los usuarios protagonistas de las dos jornadas pueden ser identificados mediante las métricas de centralidad respectiva de cada red. En la Figura 11 se aprecian los twitteros que obtuvieron las diez primeras posiciones de centralidad de Pagerank. Dicho criterio valorará en mayor medida a aquellos usuarios que hayan sido más citados. Las interconexiones entre quienes utilizaron más asiduamente el hashtag #8NYoNoVoy se aprecian a simple vista como más densas que las de quienes utilizaron el otro hashtag.
FIGURA 11
Subgrafos de los 10 principales twitteros según centralidad de Pagerank por hashtag y por día.
De manera interesante, una breve revisión de los tweets y perfiles de esta reducida muestra de actores muy importantes puede dar luz a que rol jugaron en cada jornada, sea alentando o desalentando la manifestación. La Figura 12 muestra como figuras centrales de desaliento de la marcha aprovecharon el hashtag (#8NYoNoVoy) el día previo y el día mismo de su realización, respectivamente. Asimismo, los twitteros que la desalentaban participaron de forma activa en el otro hashtag también en el día previo.
FIGURA 12
Figura 12. Aliento o desaliento a la marcha de los 10 primeros nodos centrales por Pagerank de cada hashtag en cada día respectivo
Los mensajes
Una forma de conocer en un trazo grueso qué palabras identifican los mensajes de quienes adhieren a cada hashtag puede ser extrayendo un patrón de los tweets que cada uno ha emitido desde su cuenta de Twitter. En la red se puede hacer uso de una técnica denominada “nube de palabras” (word cloud) que permite destacar las palabras repetidas en los mensajes mediante diferencias de tamaño para ayudar al reconocimiento visual de las mismas (Agarwal y otros, 2011). Estas palabras comunes sustentan el mensaje de cada hilo de hashtag. Para realizar una nube de palabras con resultados visuales de buena calidad y gratuitamente se puede recurrir al servicio de Wordle el cual permite flitrar las palabras más comunes por idioma. La Figura 13 muestra entonces la nube de palabras del hashtag #8NYoNoVoy. Destacan palabras como “Peronista”, “Estudiante”, “Militante”, “Nacional”, “Hincha” y “Nac”.
Figura 13. Descripción personal de la Comunidad con #8NYoNoVoy
La Figura 14, finalmente, deja observar que las palabras “Estudiante”, “Hincha”, “Periodista”, “Peronista”, “Nacional”, “Argentina” y “vida” se destacan en los mensajes del hashtag #8N.
Figura 14. Descripción personal de la comunidad con #8N
Muchas palabras en común hay entre ambos hashtags dado que, como se mencionó antes, los principales actores tanto de promoción como de desaliento de la manifestación los usaron para difundir su mensaje. En cualquier caso, queda clara que una parte sensible de quienes participaron en este movimiento de acción colectiva por medio de redes sociales fueron jóvenes (“Estudiante”, “Hincha”) identificados con el alguna de las muy variadas ramas del Peronismo (“Peronista”) , destacándose entre quienes alentaban la manifestación la profesión de “Periodista” mientras que en quienes la desalentaban emergía como palabra distintiva “Militante”.
Fin del ejercicio
A grandes rasgos puede resumirse la información diciendo que hubo mucha actividad de twitteo a favor y, más aún, en contra de la manifestación del 8 de Noviembre en Twitter. Quienes estuvieron a favor fueron más en cantidad y tendían a enviar menos mensajes y eran twitteros más aislados. Por otro lado, quienes desalentaban la marcha parecían ser menos en cantidad pero actuando más dinámicamente y en forma más interconectada. Asimismo durante la marcha en sí hubo poca actividad en Twitter respecto de cualquiera de los hashtags, siendo más pronunciada la actividad dos horas antes y dos horas después del evento. Los twitteros que más participaron fueron aquellos que tenían más seguidores y, a su vez, seguían a mayor cantidad de otros usuarios habiendo al mismo tiempo posteado mayor cantidad histórica de tweets. Se observa también que la mayor actividad del hashtag de desaliento se produjo en gente que poseía la mayor importancia relativa dentro de la red. Las palabras de los mensajes identificarían a un común de gente joven y estudiante coincidente con alguna interpretación del peronismo y como elementos diferenciadores podría ser profesionales de la comunicación (aliento) y militantes (desaliento).
En definitiva, todo esto fue un ejercicio simple que requiere conocer un poco la teoría de las redes sociales modernas pero que cuenta con numerosas fuentes y software de apoyo en línea y de manera gratuita. Resulta interesante observar que las redes sociales en línea han sido por mucho tiempo asociadas al ocio, la recreación, el comercio electrónico, entre otros. En períodos recientes, sin embargo, están siendo asociadas a poderosos movimientos sociales capaces de operar efectivamente en la transformación política a partir de la participación ciudadana con efectos reales. Como elementos de coordinación de voluntades coherentes y dispersas geográficamente las redes sociales representan para muchos el sueño utópico de una democracia directa. En cualquier caso, estos movimientos en red resultan objetos de estudio a los que hay que comprender y analizar en su dimensión para poder entender cómo se generan, cómo son sus interrelaciones, qué influencia tienen y qué atributos individuales emergen como explicativos del rol de formación y difusión de ideas y opiniones. Las herramientas para capturarlos y analizarlos están ahí, esperando que un investigador curioso pague el costo de aprendizaje para poder emitir una opinión técnica de este objeto de estudio.
Referencias
Agarwal, N., M. Lim y R.T. Wigand (2011). “Collective Action Theory Meets the Blogosphere: A New Methodology”. Communications in Computer and Information Science 136 (3): 224-239.
Aragón, P., K. Kappler, A. Kaltenbrunner, J.G. Neff, D. Laniado y Y. Volkovich (2012). “Tweeting the campaign: Evaluation of the Strategies performed by Spanish Political Parties on Twitter for the 2011 National Elections”. Internet, Politics, Policy 2012. Londres.
Bajpai, K. y A. Jaiswal (2011). “A Framework for Analyzing Collective Action Events on Twitter”. Proceedings of the 8th International ISCRAM Conference – Lisboa, Portugal, Mayo
Ghosh, S. B. Viswanath, F. Kooti, N.K. Sharma, G. Korlam, F. Benevenuto, N. Ganguly, y K.P. Gummadi (2012). “Understanding and Combating Link Farming in the Twitter Social Network”. International World Wide Web Conference, Lyon, Francia.
Grusell, M. y L. Nord (2012). “Three Attitudes to 140 Characters: The Use and Views of Twitter in Political Party Communications in Sweden”. Public Communication Review 2(2). [http://epress.lib.uts.edu.au/journals/index.php/pcr/article/view/2833]
Langue, F. (2012) “Humanidades Digitales e investigación americanista: de las redes investigadoras a los usos de Twitter”. Red-Historia 2, 10 de Agosto
Lusher, D. y R. Ackland (2011). “A Relational Hyperlink Analysis of an Online Social Movement”. Social Structure Vol. 12, No.5. [http://www.cmu.edu/joss/content/articles/volume12/Lusher/]
Shangapour, S. , S. Hosseini y H. Hashemnejad (2011). “Cyber social-networks and social movements Case study: Tehran (2009-10)”. International Journal of Scientific & Engineering Research 2 (1).
Wang, C-J. y P-P. Wang (2012). “Discussing Occupying Wall Street on Twitter: Longitudinal Network Analysis of Equality, Emotion, and Stability of Public Discussion” Presentado en la 65th Annual Conference of the World Association for Public Opinion Research (WAPOR 2012), Junio 14-16, Hong Kong.
Larrosa, Juan MC. "Un ejercicio de estudio de una acción colectiva: El 8N en Twitter" [en línea], Red-historia, 3, ISSN 2250-5636, February, 2013. URL: http://historiapolitica.com/redhistoria/2013/02/8n-en-twitter/.
