Mostrando entradas con la etiqueta redes sociales digitales. Mostrar todas las entradas
Mostrando entradas con la etiqueta redes sociales digitales. Mostrar todas las entradas

sábado, 14 de mayo de 2022

Análisis técnico de memes y su difusión

¿Qué es un meme, técnicamente hablando?

Digital Methods Initiative


Explorando la tecnicidad de los memes en diferentes entornos digitales

Miembros del equipo


Alberto Olivieri, Alexander, Alice Noris, Andre Theng, Anton Berg, Anunaya Rajhans, Artur Holiavin, Chloë Arkenbout, Giovanni Daniele Starita, Kristen Zheng, Marcantonio Bracale, Marco Valli, Nabeel Siddiqui, Nina Welt, Octavian, Samson Geboers, Swati

Facilitadores: Prof. Richard Rogers, Dra. Janna Joceli Omena, Giulia Giorgi

Resultados clave

  • Los entornos de software afectan en gran medida la conceptualización y la estética de los memes. De hecho, los géneros y formatos dominantes suelen variar según la plataforma de la que se extraen.

  • El análisis visual revela un espectro de formatos, cuya presencia y frecuencia en los entornos de software puede oscilar considerablemente: por ejemplo, Imgur contiene la mayor cantidad de macros de imágenes, a diferencia del conjunto de datos extraído con CrowdTangle , en el que casi no estaban.

  • En general, las capturas de pantalla de los tweets son el formato de memes que se presenta con mayor frecuencia, cruzando transversalmente los cuatro entornos de software considerados en el análisis.

  • Además del análisis visual, las redes de visión por computadora pueden contribuir a la ontología memética. Mientras que la centralidad de la red de las entidades web dominantes captura lo que es un meme, identificando componentes pre-meméticos como 'texto', 'imagen', 'captura de pantalla', 'título', 'dibujo', 'dibujo', 'cita', las zonas periféricas de la red muestran las peculiaridades del meme ligado a entornos web específicos. Finalmente, los grupos de 'puente' revelan las entidades asociadas con dos o más plataformas para clasificar sus imágenes de memes covid. En general, el análisis revela cómo las diferentes plataformas vernáculas dan forma a las culturas de los memes, arrojando luz sobre lo que es común entre dos o más plataformas, y lo que falta o está ausente.

1. Introducción

La investigación que llevamos a cabo durante la Escuela de Invierno de Métodos Digitales 2022 ofrece una descripción de cómo se identifican y detectan los memes dentro y entre diferentes entornos de software, contribuyendo así al campo más amplio de la investigación de memes. Más específicamente, este trabajo tiene como objetivo mapear la composición técnica de las imágenes meméticas y cómo este tecnicismo se relaciona o es específico de uno o varios entornos de software. El proyecto se basa en un artículo de investigación reciente, "¿Qué es un meme, técnicamente hablando?" (Rogers y Giorgi, en revisión), que concibe los memes como colecciones de artefactos moldeados por el software que los genera.

La investigación existente entiende los memes como artefactos culturales multimodales, que los usuarios crean, remezclan y hacen circular a través de plataformas digitales (Shifman, 2014; Milner, 2016; Davison, 2012). Su origen se remonta a los espacios digitales marginales y, hasta principios de la década de 2010, eran una prerrogativa de las comunidades subculturales que poblaban sitios web como 4chan y Reddit (cfr. Zanettou et al., 2018). Sin embargo, se ha hecho evidente que la relevancia de los memes también se ha extendido a los principales medios digitales, ya que se han convertido en una “práctica ubicua, posiblemente fundamental, de los medios digitales” (Miltner, 2018, p. 412). En este sentido, los memes se consideran un género completo, con conjuntos de reglas y convenciones definidas sociológicamente (Wiggins y Bowers, 2015).

En particular, los académicos han puesto énfasis en diferentes aspectos de los memes, como su tipología (Shifman, 2013; Laineste y Voolaid, 2016; Dynel, 2016), su circulación viral (Spitzberg, 2014) y su papel en diferentes entornos subculturales (Nissenbaum & Shifman, 2017; Miltner, 2018). Además del enfoque vernáculo, un aspecto interesante y relativamente poco estudiado consiste en la exploración de la tecnicidad, materialidad y relacionalidad de los memes ligada a las especificidades de la plataforma. Como lo describe Niederer (2019), esta “tecnicidad del contenido” está delimitada y co-constituida por el portador que los proporciona (p. 18). En este sentido, el punto de partida del presente trabajo es la definición de los memes como productos resultantes de una combinación de posibilidades técnicas, prácticas convencionalizadas y cultura participativa digital.

Tomando prestado el término 'tecnicidad' (Niederer & Van Dijck, 2010) para capturar la idea del meme como 'compuesto tecnológicamente' o 'co-constituido' por su entorno de software (Bucher, 2012), nos dispusimos a investigar los memes como productos en línea que pueden etiquetarse y recopilarse en bases de datos, software de creación de medios o generadores, identificados y etiquetados por software analítico y de visión y devueltos por 'búsqueda de memes' en paneles de datos de investigación y marketing. Cada software genera una colección de memes peculiar, destacando ciertas características y eclipsando otras. Es decir, las colecciones de objetos técnicos representados por los entornos de software tienen diferentes características que dependen de si se acumularon a través de una base de datos, plantillas, análisis, coincidencias u otra lógica. En esta luz,

3. Preguntas de investigación

Siguiendo el marco teórico esbozado anteriormente, esta investigación busca dar respuesta a estas preguntas de investigación:

  1. ¿Cómo contribuye el entorno de software en el que se delimitan los memes a dar forma a diferentes colecciones de memes?

  1. ¿Cómo afecta esa creación de conjuntos o colecciones a la investigación de memes?

A través de este estudio empírico, pretendemos mostrar que diferentes entornos de software contienen una lógica diferente a la formación de colecciones de memes. Con esto en mente, formulamos la siguiente hipótesis: las colecciones de objetos técnicos generados por los entornos de software tienen características únicas que dependen de si se acumularon a través de una base de datos, plantillas, análisis, coincidencias u otra lógica.

4. Conjuntos de datos iniciales

Selección de casos. La base de datos para esta investigación fue ensamblada por participantes de la Escuela de Invierno mediante la recopilación de imágenes en cuatro entornos de software seleccionados. Nuestra selección de plataformas, que podría describirse como una forma de muestreo de máxima variación (Etikan et al., 2016) con un enfoque en la diversidad y heterogeneidad de casos, incluye:

  1. CrowdTangle, una herramienta de marketing de la empresa Meta (ex Facebook), que se empleaba para extraer datos de Instagram y Facebook;

  2. Imágenes de Google;

  3. Imgur, un generador digital que proporciona plantillas para macros de imágenes;

  4. KnowYourMeme, uno de los repositorios de memes más antiguos y conocidos.

Recopilación de datos. Para capturar representaciones contemporáneas de lo que puede constituir un meme según estos entornos de software y enfatizar la comparabilidad, decidimos recopilar contenido memético en torno al tema de la pandemia de Covid-19, ya que lo consideramos un contenido altamente mediatizado que ha dado lugar a un intensa producción de contenido en diferentes plataformas (Murru y Vicari, 2021). Para mejorar aún más la operatividad de los resultados de las imágenes, la recopilación de datos se centró en el contenido en inglés (Pearce et al. 2018). Para garantizar un entorno de software "inglés", se utilizaron redes privadas virtuales, imitando un sistema basado en la ubicación en los Estados Unidos (Rogers, 2019).

Para ello, buscamos las palabras clave "covid meme" en las plataformas seleccionadas. El tablero de datos de marketing CrowdTangle ofrece la opción de "búsqueda de memes", donde se puede consultar contenido memético en Facebook e Instagram. Además, el tablero nos permite filtrar el idioma (seleccionamos "Inglés") y el tipo de contenido (seleccionamos "Fotos" para Facebook y "Fotos" y "Álbumes" para Instagram). Datos de Google Imágenes, Imgur y Know Your Meme se recopilaron con la herramienta ImageScraper (disponible en GitHub ). El rango de tiempo para los resultados de la búsqueda se restringió al año 2021.

Muestreo del conjunto de datos. Submuestreamos los datos extraídos con CrowdTangle de Instagram y Facebook, eligiendo las primeras 1000 imágenes ordenadas por el número total de interacciones (uno de los metadatos predeterminados proporcionados por CrowdTangle ). Para Imgur y Know Your Meme, se seleccionaron las primeras 1000 imágenes del resultado de la búsqueda, ordenadas por la calificación de interacción de los sitios web. El conjunto de datos de imágenes de Google consta de los primeros 500 resultados de imágenes debido a las limitaciones del alcance de la investigación. La Figura 1 detalla la composición de cada submuestra en términos del número de elementos considerados por entorno de software.

Figura 1. Proceso de creación de conjuntos de datos

5. Metodología

Nuestra investigación toma la forma de un análisis comparativo, destinado a revelar cómo los diferentes entornos de software identifican y agrupan los memes de manera diferente. Mediante el uso de métodos y herramientas digitales como ImageSorter y Google Vision, los memes recopilados se clasifican según sus propiedades formales, visuales y de contenido, lo que da como resultado un conjunto de formatos de memes, algunos más específicos de la plataforma que otros. Lo que un entorno de software representa como un meme diferencia de un entorno a otro. Por ejemplo, lo que Imgur enumera como un meme difiere de lo que Facebook o Instagram consideran como un meme al mirar sus mejores resultados. Estos contrastes se suman al argumento de Rogers y Giorgi (bajo revisión), de que el entorno del software contribuye a dar forma a las colecciones de memes.

El análisis de los datos digitales consistió en dos secciones de trabajo empírico, realizadas respectivamente por dos subgrupos diferentes de participantes. Específicamente, el análisis realizado por el Grupo 1 se basó en el análisis visual (Rogers, 2021), mientras que el Grupo 2 adoptó un enfoque de red de visión por computadora (Omena et. al. 2021; Omena 2021). En el resto de esta sección, ilustraremos ambos procedimientos metodológicos.

Grupo 1 - Exploración de colecciones de memes a través de un software de análisis visual automatizado. Tomando cada submuestra por separado, empleamos el software ImageSorter para analizar visualmente las colecciones devueltas por los cuatro entornos (Rogers, 2021). Al organizar las imágenes con ImageSorter por tono y color, la herramienta nos permitió identificar tanto grupos homogéneos de imágenes (Warren Pearce et al., 2018) como imágenes que se repiten con frecuencia. Contextualmente, también pudimos distinguir entre copias exactas e imágenes similares (Rogers, 2021). Luego profundizamos en el análisis de las similitudes y diferencias de los conglomerados, realizando una lectura atenta de las muestras, con foco en tres rasgos característicos:

  • Tipos de Imágenes Dominantes: qué tipologías de imágenes ocurrieron más en cada muestra, en términos de imágenes similares y copias;

  • Ontología: qué elementos materiales y estéticos caracterizaron cada plataforma;

  • Epistemología: lo que constituye un meme para cada plataforma a partir de las respectivas imágenes de cada muestra.

Además, con la ayuda de Memespector GUI (Chao, 2021), analizamos los metadatos de la imagen para extraer los sitios web donde se encontraron imágenes totalmente coincidentes. Esto nos ayudó a contextualizar la circulación de imágenes en la web (Omena et. al. 2021), para evaluar en qué medida cada submuestra resultó de imágenes relacionadas con otras plataformas o se compartieron principalmente en la misma plataforma de la que las extrajimos.

Grupo 2 - Exploración de colecciones de memes a través de la visión artificial. En un segundo nivel de análisis, seguimos un enfoque de red de visión por computadora (Omena et. al. 2021; Omena 2021) para estudiar las colecciones de imágenes capturadas en diferentes entornos de software. Se requirió una variedad de herramientas y software de investigación para implementar este método, como DownThemAll (Maier, Parodi & Verna, 2007), Memespector GUI (Chao, 2021), Google Spreadsheets, Table2Net y Gephi (Bastian, Heymann & Jacomy, 2009). ).

Construimos una red con salidas de visión por computadora (detección web Google Vision AI, es decir, entidades web) para nuestra colección de imágenes, creando nodos como plataformas (Facebook, Instagram, Imgur y KnowYourMeme ) y entidades web. Las entidades web pueden describirse como una cosa, una persona, un lugar (ubicación) o el nombre de una organización/evento detectado y reconocido en contenido basado en Internet. En nuestro contexto, proporcionaron referencias contextuales y culturales a nuestras colecciones de imágenes, pero yendo más allá del contenido de las imágenes mismas (Omena et. al. 2021). Sin renderizar las imágenes dentro de la red, pudimos dar sentido a la materialidad de los memes al observar las entidades web dominantes (centro de la red) y los contextos culturales específicos de los memes a través de las zonas periféricas de la red y los grupos de entidades web puente.

En la exploración y análisis visual de la red (Venturini, Jacomy & Jensen, 2019), nos enfocamos en las zonas fijas de la red, pero entendiendo el significado de la posición y el tamaño del nodo para el análisis de imágenes (ver Omena & Amaral, 2019). En la red a continuación, el tamaño del nodo de la plataforma significa el total de entidades web asociadas con la colección de imágenes de memes que provienen de una plataforma. El tamaño del nodo de la entidad web significa la cantidad de veces que se usó una entidad determinada para describir una o más imágenes (considerando todas las imágenes que provienen de diferentes plataformas). Siguiendo las posibilidades del algoritmo de diseño gráfico ForceAtlas2 (Jacomy, Venturini, Heymann & Bastian, 2014), la siguiente tabla explica la posición del nodo y cómo interpretamos la red.

Figura 2. ¿Cómo leer una red de plataformas y entidades web asociadas a imágenes de memes covid? Tabla explicativa y descriptiva (arriba) y visualización de red gif (abajo).

6. Hallazgos

6.1 Exploración de colecciones de memes a través de software para análisis visual automatizado.

Los principales hallazgos generados por el enfoque de análisis visual ilustrado en la sección de métodos se visualizan en la Figura 3. Como se ilustra en la barra de espectro superior, hubo varios formatos de imagen en los conjuntos de datos. Cuando se combinaron todos los conjuntos de datos, las capturas de pantalla de los tweets fueron el formato más dominante: una mirada más cercana reveló que este formato predominaba en CrowdTangle , mientras que el conjunto de datos de Imgur contenía la menor cantidad de ocurrencias, como se ilustra en la segunda barra de espectro en la Figura 3.

Si bien algunos de los conjuntos tenían formatos superpuestos, también había distinciones claras entre ellos. Mirando las especificidades de la plataforma, la mayor cantidad de macros de imágenes (es decir, imágenes con texto sobre una imagen y generalmente vistas como un formato de meme tradicional) se encontró en Imgur, mientras que CrowdTangle (Facebook e Instagram) contenía la menor cantidad de macros de imágenes. Por su parte, el conjunto de datos recuperado de CrowdTangleformatos destacados como retratos (imágenes de prensa de personas famosas, portadas de revistas y selfies), imágenes de texto de redes sociales (texto sin formato que está formateado en un diseño específico con colores específicos como una imagen para Historias de Instagram o publicaciones de Facebook, por ejemplo), redes sociales tarjetas de declaración (información que está formateada con texto e imágenes, para noticias o citas inspiradoras, por ejemplo) e infografías (que a menudo contienen gráficos y tablas). KnowYourMeme incluía múltiples plantillas de macros de imágenes (imágenes sin texto que se utilizan en los generadores de memes) y logotipos, mientras que los datos de Google Image mostraban imágenes de mercancías.

Al observar la aparición de imágenes, surge que las muestras extraídas de los conjuntos de datos de Google Images e Imgur contienen una cantidad significativa de imágenes similares. Estos conjuntos también presentaban una cantidad relativamente pequeña de imágenes iguales (duplicados), que en su mayoría eran macros de imágenes.

Al observar estos resultados, se puede argumentar que los entornos de software afectan en gran medida los conjuntos de imágenes recopilados. De hecho, los géneros dominantes de imágenes tienden a variar según la plataforma de la que se extraen. Si uno considerara como memes solo los formatos presentes en todos los conjuntos de datos, entonces los memes serían capturas de pantalla de tweets.

Figura 3. El espectro de formatos de memes y su circulación en la web.

6.2 Exploración de colecciones de memes a través de la visión artificial.

La detección de entidades web de #Google Vision como una herramienta precisa para identificar memes

La siguiente imagen-pared se genera con la técnica de reducción de dimensionalidad UMAP y se agrupa mediante PixPlot. Como puede ver, cómo las entidades web de Google Vision son sorprendentemente precisas en la identificación de memes, superando a Crowdtangle. Todas las imágenes tienen 'meme' en su descripción de entidad web, y la clasificación devuelve todos los memes de facto, construidos a través de plantillas familiares y macros de imágenes. La precisión de Google Vision al separar los memes de los que no son memes destaca la especificidad del medio de los memes: son colecciones digitales nativas, co-constituidas por los entornos de software en los que se difunden y circulan. De hecho, la detección de entidades web considera los sitios de circulación entre sus parámetros, mejorando así su precisión de clasificación. En otras palabras, si una imagen circula en un entorno memético y es parte de una extensa colección de imágenes similares, entonces esta imagen es probablemente un meme. Por lo tanto,

Figura 4. Uso de Pixplot para interrogar la precisión de las entidades web para la identificación de memes.

#Redes de visión por computadora para dar sentido a la colección de imágenes de memes

Las redes de visión por computadora se construyen sobre las características de visión por computadora, como la clasificación de imágenes y la detección de entidades web. Aquí utilizamos la detección de entidades web, yendo más allá y detrás del contenido de la imagen inmediata, y utilizando el entorno web como fuente de conocimiento contextual y cultural para aumentar y enriquecer el análisis de la imagen. A partir de las entidades web detectadas, construimos una red bipartita con un nodo de plataforma al que se vinculan las entidades web específicas de la plataforma. En el centro, encontramos entidades web compartidas, mientras que en la periferia las entidades web están asociadas con entornos web específicos y culturas de memes (Imgur, FB, IG, KnowYourMeme ). Entre pares de plataformas, podemos ver grupos puente que representan entidades web compartidas, en otras palabras, qué plataformas tienen en común.

Las redes de visión por computadora se construyen sobre las características de visión por computadora, como la clasificación de imágenes y la detección de entidades web. Aquí utilizamos la detección de entidades web, yendo más allá y detrás del contenido de la imagen inmediata, y utilizando el entorno web como fuente de conocimiento contextual y cultural para aumentar y enriquecer el análisis de la imagen. A partir de las entidades web detectadas, construimos una red bipartita con un nodo de plataforma al que se vinculan las entidades web específicas de la plataforma. En el centro, encontramos entidades web compartidas, mientras que en la periferia las entidades web están asociadas con entornos web específicos y culturas de memes (Imgur, FB, IG, KnowYourMeme ). Entre pares de plataformas podemos ver grupos puente que representan entidades web compartidas, en otras palabras, qué plataformas tienen en común.

 

Figura 5. Los elementos formales y temáticos que constituyen las imágenes de los memes covid. Entidades web compartidas asociadas con la colección de imágenes de memes multiplataforma (arriba).

Un análisis del grupo central muestra cómo las redes de visión artificial pueden contribuir a la ontología memética. La centralidad de la red de las entidades web dominantes, que funcionan como puentes entre plataformas, muestra a través de la planitud para el análisis de redes cómo la jerarquía ontológica de los modelos de visión por computadora captura lo que es un meme. Entidades como 'texto', 'imagen', 'captura de pantalla', 'título', 'caricatura', 'dibujo', 'cita' son componentes pre-meméticos que aún no son memes. En otras palabras, los elementos formales de los memes, sus bloques de construcción y las condiciones necesarias son, desde una perspectiva de red, entidades web multiplataforma. Estas entidades web centrales constituyen las primitivas ontológicas y epistemológicas del medio memético: qué es un meme, cómo podemos reconocerlo y cómo podemos crearlo. Como podemos ver, el único clúster temático en el centro está compuesto por entidades relacionadas con Covid, reflejando el diseño de consulta original y representándolo como centralidad de red. Un razonamiento similar se aplica a la ontología de un 'meme covid': debe decir algo sobre la pandemia, la campaña de vacunación y comprometerse con la política. Podemos argumentar que la investigación de memes realizada a través de redes de visión por computadora a menudo arrojará resultados similares: en el centro encontraremos primitivos meméticos, formales y temáticos, mientras que las constelaciones periféricas expresarán culturas de memes locales. debe decir algo sobre la pandemia, la campaña de vacunación y comprometerse con la política. 

Figura 6. Las zonas periféricas: culturas meme y vernáculos de plataforma

En las zonas periféricas de la red vemos una clara división. Por un lado, los memes covid están más orientados a la corriente principal, siendo Facebook presentado por la política dominante, mientras que Instagram es la cultura dominante. Por otro lado, vemos memes de nicho relacionados con la cultura nerd (Imgur) y la política alternativa (Know Your Meme). Ambos casos refuerzan el argumento de los memes como colecciones que responden al entorno de software en el que se insertan.

Las entidades web asociadas a los memes covid de Facebook exponen la pandemia y sus noticias relacionadas, también eventos actuales con especial enfoque en noticias políticas, personalidades políticas, políticas y políticas del país. Los memes están desconectados de la cultura pop y las referencias a la cultura de Internet. A continuación, ejemplos de entidades web asociadas exclusivamente con los memes covid de Facebook.

  • Memes como política dominante/figuras políticas:

    • modi, greg abbott, servicio nacional de salud, ron desantis, gobernador, florida, gobierno de la india

  • Los memes como noticias principales:

    • oficina de información de prensa, ministerio de salud, variante omicron, investigador diario filipino, transmisión de covid, ocupar demócratas, variante lambda, lavado de manos, covid largo, dosis, variante lambda

Figura 7. Red de entidades web de Facebook

En Instagram vemos una relación directa con los aspectos principales de la cultura pop. Por ejemplo, deportes y celebridades con entidades como messi, ronaldo, real madrid, equipo de fútbol de inglaterra . Además, el lenguaje visual obvio de Instagram, por ejemplo, moda, glamour y exageración, se identificó a través de entidades como socialité, vestimenta, turquesa, gafas de sol, criptomonedas, bitcoin, ethereum, belleza, estado físico, modelo . La cultura memética de los memes covid en Instagram no está directamente relacionada con la pandemia, las noticias o la política.

Figura 8. Red de entidades web de Instagram

Las entidades web exclusivas del entorno de software de Imgur se asocian principalmente con referencias culturales pop y se ubican en el cruce de la cultura pop y la cultura de Internet. Dentro de ellos, podemos detectar dos conjuntos distintos pero interrelacionados: el primero contiene referencias a la cultura nerd, mostrando entidades como Harry Potter, Batman, Voldemort, Hobbit, Studio Ghibli, Star Wars, Lord of the Rings, Dungeons and Dragons, Pixar, y Fullmetal Alchemist . El segundo conjunto parece estar relacionado con la cultura viral de internet y los fenómenos culturales en general: entre las entidades encontramos 'i can has cheezburger', tiger king, dog videos, okay boomer, guitar, depression .

Figura 8. Red de entidades web de Imgur

Mirando las entidades web asociadas con el archivo web Know Your Meme, surge un grupo de referencias de nicho y, por lo tanto, no convencionales. Al mismo tiempo, hay una falta sustancial de referencias a la política dominante oa la cultura dominante de las celebridades. En cambio, es posible identificar un enfoque general en los fenómenos de Internet y específico en la web vernácula profunda (Tuters, 2019), como lo sugieren entidades como wojak, corona chan, space karen, wookiepedia, 4 chan, deviantart, cheems . Además de eso, se puede observar que las referencias políticas son más representativas de las ideologías políticas extremas (tanto de extrema derecha como de extrema izquierda), como lo insinúa un grupo de entidades asociadas a la ideología Alt-right:Pepe the Frog, derecha, anthony fauci, espectro político, brújula política, autoritarismo y controversias sobre vacunas.

Figura 9. Red de entidades web KnowYourMeme

Mirando las entidades web de los cuatro clústeres, se puede argumentar que KnowYourMeme e Imgur juntos son más específicos y menos convencionales, con respecto a los otros dos entornos web considerados. Finalmente, la red también permite mirar el “al revés” de cada entorno de software, que contiene las entidades web comunes a las otras plataformas. En este sentido, es posible definir la producción memética de un espacio digital específico a partir de sus “sombras”, es decir, considerando lo que falta en los memes que produce y difunde. Es el caso del clúster de entidades web compartidas por Instagram, Know Your Meme e Imgur pero no por Facebook, como know your meme, broma, risa, entretenimiento, youtube, video viral, grogu, imgflip.

Figura 10. La “sombra de Facebook” o “al revés”

7. Discusión

Esta investigación, realizada durante la Escuela de Invierno de Métodos Digitales 2022, analiza la tecnicidad de los memes en relación con las especificidades de la plataforma. Este estudio sigue la trayectoria de investigación establecida por Rogers & Giorgi (en revisión) en su artículo '¿Qué es un meme, técnicamente hablando?', que propone demarcar la tecnicidad de los memes como colecciones de contenido generado por entornos de software.

Hablando epistemológicamente, cuando se observan los hallazgos, vale la pena discutir algunos puntos. En primer lugar, al observar qué es un meme técnicamente hablando con una lente lógica de tablero de marketing de redes sociales, esto constituye la ontología más amplia de lo que se considera un meme; Aquí no solo está presente el formato macro de imagen clásico, sino también muchos otros formatos diferentes. En segundo lugar, al observar qué es un meme técnicamente hablando con una lente lógica de generador y servidor de alojamiento de imágenes, esto constituye la ontología más estrecha de lo que se considera un meme; un formato macro de imagen clásico. En tercer lugar, al observar qué es un meme técnicamente hablando con un archivo de base de datos y una lente lógica de motor de búsqueda, la ontología se encuentra en algún punto intermedio; las macros de imagen clásicas se combinan con un par de otros formatos. Por último,

Desde el punto de vista del análisis de visión por computadora, inferimos qué es un meme a través de la detección de entidades web de Google Vision. La técnica de creación de redes permitió el análisis multiplataforma de imágenes utilizando todos los idiomas de Google y su soporte de tecnología Vision, pero sin ver las imágenes. No solo pudimos informar qué constituyen técnicamente los memes covid, sino que también captamos las lenguas vernáculas de los memes en varias plataformas. Inferimos temas específicos de la plataforma derivados de entidades web al cerrar la lectura de la periferia y las zonas medias de la red. Aquí, el análisis de memes requirió la experiencia de un equipo multidisciplinario y el reconocimiento de la tecnicidad del medio memético y sus entornos web.

8. Conclusión

La pregunta de investigación de qué es un meme, técnicamente hablando y cómo las plataformas de software construyen las colecciones de memes, es muy amplia. Nuestro proyecto de investigación solo ha comenzado a rascar la superficie de cómo se puede investigar empíricamente la tecnicidad de los memes. Al observar los resultados, se puede argumentar en general que lo que constituye un meme depende en gran medida del entorno del software, ya que un entorno web contextual específico de la plataforma y las definiciones difieren ampliamente según la plataforma. De hecho, este proyecto proporciona hallazgos empíricos que respaldan la afirmación principal de Rogers y Giorgi (en revisión), es decir, que los memes tienen una tecnicidad que los afecta materialmente como colecciones en estudio.

Aunque limitados, estos hallazgos también nos permiten concluir con una declaración especulativa sobre lo que lo anterior podría significar para la investigación de memes en general. La definición ontológica de lo que es un meme, basada en el entorno de software que analizamos, es más amplia de lo que los investigadores probablemente clasificarían como un meme (la macro de imagen clásica) e incluye más formatos de imagen. Esto implica que cuando los investigadores utilizan estas herramientas para realizar investigaciones de memes, lo que están investigando se está moviendo hacia un modo más amplio de análisis de imágenes virales, pasando de un tipo de investigación más vernáculo de nicho.

9. Referencias

Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An Open Source Software for Exploring and Manipulating Networks. Third International AAAI Conference on Weblogs and Social Media, 361–362. https://doi.org/10.1136/qshc.2004.010033

Bucher, T. (2012). A technicity of attention: How software 'makes sense'. Culture Machine, 13, 1-23.

Chao, J. (2021). Memespector GUI: Graphical User Interface Client for Computer Vision APIs (Version 0.2) [Software]. Available from https://github.com/jason-chao/memespector-gui.

Davison, P. (2012). The language of internet memes. The social media reader, 120-134.

Dynel, M. (2016). “I has seen Image Macros!” Advice Animals memes as visual-verbal jokes. International Journal of Communication, 10, 29.

Jacomy M, Venturini T, Heymann S, Bastian M (2014) ForceAtlas2, a Continuous Graph Layout Algorithm for Handy Network Visualization Designed for the Gephi Software. PLoS ONE 9(6): e98679. https://doi.org/10.1371/journal.pone.0098679

Laineste, L., & Voolaid, P. (2016). Laughing across borders: Intertextuality of internet memes. The European Journal of Humour Research, 4(4), 26-49.

Maier, Nils; Parodi, Federico & Verna, Stefano (2007). DownThemAll (Version 4.04) [browser extention] . Available from https://www.downthemall.org/

Medialab Tools. Table2Net Available from https://medialab.github.io/table2net/

Milner, R. M. (2018). The world made meme: Public conversations and participatory media. MIT Press.

Miltner, K. M. (2014). “There’s no place for lulz on LOLCats”: The role of genre, gender, and group identity in the interpretation and enjoyment of an Internet meme. First Monday.

Miltner, K. M. (2018). Internet memes. The SAGE handbook of social media, 55, 412-428.

Niederer, S. (2019). Networked Content Analysis: The case of climate change. (1 ed.)

(Theory on Demand; No. 32). Hogeschool van Amsterdam, Lectoraat Netwerkcultuur.

Niederer, S., & Van Dijck, J. (2010). Wisdom of the crowd or technicity of content? Wikipedia as a sociotechnical system. New media & society, 12(8), 1368-1387.

Nissenbaum, A., & Shifman, L. (2017). Internet memes as contested cultural capital: The case of 4chan’s/b/board. New Media & Society, 19(4), 483-501.

Omena, J. J. (2021). Digital Methods and Technicity-of-the-Mediums. From Regimes of Functioning to Digital Research [Universidade Nova de Lisboa]. Available from https://run.unl.pt/handle/10362/127961

Omena, J. J., Elena, P., Gobbo, B., & Jason, C. (2021). The Potentials of Google Vision API-based Networks to Study Natively Digital Images. Diseña, (19), 1-1.

Omena, J. J., & Amaral, I. (2019). Sistemas de leitura de redes digitais multiplatform. In J. J. Omena (Ed.) Métodos Digitais: Teoria-Prática-Crítica. Lisboa: ICNOVA. ISBN: 978‐972‐9347‐34‐4

Rogers, R. (2019). Doing digital methods. Sage.

Rogers, R. (2021). Visual media analysis for Instagram and other online platforms. London. SAGE Publications Ltd.

Rogers, R., and Giorgi, G. (under review). ‘What is a meme, technically speaking?’.

Shifman, L. (2014). Memes in digital culture. MIT press.

Tuters, M. (2019). LARPing & liberal tears: Irony, belief and idiocy in the deep vernacular web. Available from https://mediarep.org/bitstream/handle/doc/13282/Post_Digital_Cultures_37-48_Tuters_LARPing_Liberal_Tears.pdf?sequence=1

Venturini, T., Jacomy, M., & Jensen, P. (2019). What do we see when we look at networks. arXiv preprint arXiv:1905.02202.

Pearce, W., Özkula, S. M., Greene, A. K., Teeling, L., Bansard, J. S., Omena, J. J., & Rabello, E. T. (2020). Visual cross-platform analysis: Digital methods to research social media images. Information, Communication & Society, 23(2), 161-180.

Spitzberg, B. H. (2014). Toward a model of meme diffusion (M3D). Communication Theory, 24(3), 311-339.

Wiggins, B. E., & Bowers, G. B. (2015). Memes as genre: A structurational analysis of the memescape. New media & society, 17(11), 1886-1906.

Zannettou, S., Caulfield, T., Blackburn, J., De Cristofaro, E., Sirivianos, M., Stringhini, G., & Suarez-Tangil, G. (2018, October). On the origins of memes by means of fringe web communities. In Proceedings of the Internet Measurement Conference 2018 (pp. 188-202).

 

sábado, 15 de mayo de 2021

Pérdidas de bienestar por usar plataformas de redes sociales en línea

¿Facebook y otras plataformas de redes sociales son malas para nuestro bienestar?

de Esteban Ortiz-Ospina
Our World in Data


  • Varias encuestas muestran que los usuarios frecuentes de las redes sociales tienden a tener problemas de ansiedad, depresión y problemas para dormir. Los periódicos a menudo interpretan esta correlación de manera causal y pintan una imagen aterradora en la que las redes sociales son las culpables de los problemas de salud mental grandes y persistentes.
  • Si profundiza, encontrará que las comparaciones entre personas con diferentes niveles de uso de las redes sociales pueden producir resultados contradictorios; dependiendo de cómo divida los datos, obtendrá una perspectiva diferente.
  • Las encuestas que rastrean a las personas a lo largo del tiempo sugieren que la relación es recíproca (la depresión y el uso de las redes sociales van de la mano), y el uso de las redes sociales solo predice un pequeño cambio en el bienestar a lo largo del tiempo.
  • Estudios experimentales grandes y creíbles han encontrado que dejar Facebook tiene un impacto causal positivo pero pequeño a corto plazo en el bienestar, detectable solo en algunas medidas de resultado específicas.
  • En general, la evidencia no respalda los amplios titulares de los periódicos. Hay mucho que aprender sobre cómo hacer un mejor uso de estas complejas plataformas digitales, pero para ello necesitamos datos más granulares para desglosar los diferentes efectos que ciertos tipos de contenido tienen en grupos de población específicos.

Facebook, Youtube, Whatsapp, WeChat e Instagram son las cinco principales plataformas de redes sociales a nivel mundial, con más de mil millones de usuarios activos cada una. En la mayoría de los países ricos, la proporción de jóvenes que utilizan las redes sociales en línea supera el 90% y los adolescentes pasan en promedio más de 4 horas en línea todos los días.

En las noticias se nos dice repetidamente que las redes sociales son malas para nosotros. Las historias a menudo son alarmantes, lo que sugiere que las redes sociales y los teléfonos inteligentes son responsables de tendencias negativas radicales, desde el aumento de las tasas de suicidio en los EE. UU. hasta la pérdida generalizada de la memoria y la reducción de la capacidad de sueño y atención.

Estos titulares preocupantes a menudo van acompañados de recomendaciones implícitas o explícitas para limitar la cantidad de tiempo que pasamos en las redes sociales. De hecho, los teléfonos inteligentes de hoy vienen con aplicaciones integradas de "tiempo de pantalla" que nos permiten rastrear y limitar la cantidad de tiempo que pasamos en línea.

Al mismo tiempo, la mayoría de nosotros estaría de acuerdo en que las plataformas de redes sociales digitales pueden hacernos la vida más fácil de muchas maneras: abrir puertas a nueva información, conectarnos con personas que están lejos y ayudarnos a ser más flexibles en el trabajo.

¿Qué nos dice la investigación sobre el impacto causal del uso de las redes sociales en nuestro bienestar?

En pocas palabras: por mi lectura de la literatura científica, no creo que la evidencia disponible hoy apoye los titulares de los periódicos.

Sí, hay evidencia que sugiere un efecto negativo causal, pero el tamaño de estos efectos causales es heterogéneo y mucho, mucho menor de lo que sugieren los titulares de las noticias.

Todavía hay muchas buenas razones para reflexionar sobre el impacto de las redes sociales en la sociedad, y todos podemos aprender mucho para hacer un mejor uso de estas complejas plataformas digitales. Pero esto requiere ir más allá de las afirmaciones universales.

Echemos un vistazo a la evidencia.

Comparaciones entre individuos

La mayoría de las noticias que afirman que las redes sociales tienen un impacto negativo en el bienestar se basan en datos de encuestas que comparan a personas con diferentes niveles de uso de las redes sociales como evidencia. En el cuadro siguiente, muestro un ejemplo concreto de este tipo de análisis correlacional.



El gráfico muestra la cantidad promedio de tiempo que las personas pasan en las redes sociales cada día, entre las personas que están y no están contentas con la cantidad de tiempo que pasan en estas plataformas.

Los datos provienen de una aplicación llamada Moment, que rastrea la cantidad de tiempo que los usuarios pasan en las plataformas de redes sociales en sus teléfonos inteligentes. La aplicación también hace a las personas una pregunta de sí o no: "¿Estás contento con el tiempo que dedicas?"

Como podemos ver, hay bastante heterogeneidad entre las plataformas, pero el patrón es claro: las personas que dicen estar contentas con la cantidad de tiempo que pasan en las redes sociales pasan menos tiempo en estas plataformas. O dicho de otra manera, usar más las redes sociales se correlaciona con menos satisfacción.

Esto es ciertamente interesante, pero debemos tener cuidado de no sacar conclusiones precipitadas: la correlación en realidad plantea tantas preguntas como respuestas.1

¿Se mantiene este patrón si controlamos las características del usuario como la edad y el sexo? ¿Obtendríamos resultados similares si nos centramos en otras medidas de bienestar más allá de "estar contento con el tiempo invertido"?

La respuesta a ambas preguntas es no'. Dependiendo de las variables de resultado en las que se concentre y de las características demográficas que tenga en cuenta, obtendrá un resultado diferente. Por tanto, no es sorprendente que algunos estudios académicos empíricos hayan encontrado correlaciones negativas; mientras que otros en realidad informan correlaciones positivas.2

Amy Orben y Andrew Przybylski publicaron un artículo a principios de este año en la revista Nature donde ilustraron que dada la flexibilidad para analizar los datos (es decir, a pesar de la cantidad de opciones posibles que tienen los investigadores cuando se trata de procesar e interpretar la gran cantidad de datos de estas grandes encuestas), los científicos podrían haber escrito miles de artículos que describan asociaciones positivas, negativas y no significativas. Las diferentes formas de medir el bienestar y el uso de las redes sociales producirán resultados diferentes, incluso para la misma población.3

Incluso las respuestas a algunas de las preguntas más fundamentales no están claras: ¿sabemos realmente en qué dirección podría ir la relación? ¿El uso frecuente de las redes sociales se traduce en una menor felicidad, o es al revés? ¿Las personas ansiosas, estresadas o deprimidas son particularmente propensas a usar las redes sociales?

Esto nos lleva a otra rama de la literatura: estudios longitudinales que rastrean a las personas a lo largo del tiempo para medir los cambios en el uso y el bienestar de las redes sociales.
Tiempo dedicado a las aplicaciones de redes sociales: usuarios felices frente a usuarios infelices

Estudios sobre el uso y el bienestar de las redes sociales a lo largo del tiempo.

Un estudio longitudinal que ha recibido mucha atención sobre este tema fue publicado por Holly Shakya y Nicholas Christakis en el American Journal of Epidemiology en 2017. Utilizó datos de una encuesta que siguió a un grupo de 5,208 estadounidenses durante el período 2013-2015, y encontró un aumento en la actividad de Facebook se asoció con una disminución futura en la salud mental informada.4

Dos años más tarde, Amy Orben, Tobias Dienlin y Andrew Przybylski publicaron un artículo en Proceedings of the National Academy of Sciences utilizando una fuente de datos similar. Se basaron en una encuesta longitudinal del Reino Unido que abarcó a 12.672 adolescentes durante el período 2009-2016 y llegaron a una conclusión diferente. Descubrieron que había una relación pequeña y recíproca: el uso de las redes sociales predijo pequeñas disminuciones en la satisfacción con la vida; pero también sucedió que la disminución de la satisfacción con la vida predijo aumentos posteriores en el uso de las redes sociales.5

Al resumir su investigación en The Guardian, Amy Orben y Andrew Przybylski explicaron:
 

“Encontramos algunas tendencias pequeñas a lo largo del tiempo, en su mayoría agrupadas en datos proporcionados por adolescentes ... Pero, y esto es clave, no es una exageración decir que estas los efectos eran minúsculos para los estándares de la ciencia y triviales si se quiere informar las decisiones personales de los padres. Nuestros resultados indicaron que el 99,6% de la variabilidad en la satisfacción de las adolescentes con la vida no tenía nada que ver con cuánto usaban las redes sociales ".
En su artículo, Orben y sus coautores argumentan nuevamente que estos grandes conjuntos de datos permiten muchos tipos diferentes de pruebas empíricas; por lo que es natural esperar resultados contradictorios entre los estudios, especialmente si hay ruido en la medición y los verdaderos tamaños del efecto son pequeños.6

Orben y sus coautores probaron miles de pruebas empíricas y, de hecho, algunas de estas pruebas podrían haberse interpretado por sí solas como evidencia de un fuerte efecto negativo en las redes sociales, pero claramente la imagen más amplia es importante. Al observar los resultados de todas sus miles de pruebas, concluyeron que los efectos de las redes sociales eran matizados, pequeños en el mejor de los casos y recíprocos a lo largo del tiempo.7



Experimentos de Facebook

Es difícil establecer impactos causales a través de estudios observacionales que rastrean el bienestar de las personas a lo largo del tiempo.

Primero, hay problemas de medición. Las encuestas a largo plazo que realizan un seguimiento de las personas son costosas e imponen una gran carga a los participantes, por lo que no permiten la recopilación de datos en profundidad y de alta frecuencia y, en cambio, se centran en tendencias generales en una amplia gama de temas. Orben y sus coautores, por ejemplo, se basan en la encuesta Understanding Society Survey del Reino Unido, que cubre una amplia gama de temas como la vida familiar, la educación, el empleo, las finanzas, la salud y el bienestar. Específicamente sobre el uso de las redes sociales, esta encuesta solo pregunta cuántas horas los adolescentes recuerdan usar aplicaciones durante los días de semana normales, lo que por supuesto es una medida informativa pero ruidosa del uso real (un hecho que Orben y los coautores mencionan en su artículo).

En segundo lugar, existen limitaciones derivadas de las variables no observables. Es probable que los usuarios frecuentes de las redes sociales sean diferentes de los usuarios menos frecuentes en formas que son difíciles de medir; no importa cuántas preguntas incluya en una encuesta, siempre habrá factores relevantes que no puede tener en cuenta en el análisis.

Dadas estas limitaciones, una alternativa obvia es realizar un experimento: puede, por ejemplo, ofrecer a las personas dinero para que dejen de usar Facebook por un tiempo y luego verificar el efecto comparando estos "participantes tratados" con un grupo de control al que se le permite continuar. usar Facebook como de costumbre.8

Varios artículos recientes siguieron este enfoque. Aquí discutiré uno de ellos en particular, porque encuentro su enfoque particularmente convincente. El análisis se basa en una muestra mucho más grande que otros experimentos, y los investigadores registraron un plan de análisis previo para asegurarse contra las críticas de "flexibilidad analítica" discutidas anteriormente.9

Este experimento fue realizado por cuatro economistas: Hunt Allcott, Sarah Eichmeyer, Luca Braghieri y Matthew Gentzkow. Reclutaron a 2753 usuarios de Facebook en los EE. UU. y seleccionaron al azar a la mitad de ellos para que dejaran de usar Facebook durante cuatro semanas. Descubrieron que la desactivación de Facebook condujo a mejoras pequeñas pero estadísticamente significativas en algunas medidas de bienestar autoinformado.10

El gráfico a continuación muestra un resumen de los tamaños de efecto estimados. Como podemos ver, para todas las medidas los efectos son pequeños (ascienden a solo alrededor de una décima parte de la desviación estándar de la variable estudiada), y en la mayoría de los casos los efectos no son estadísticamente significativos (los 'bigotes' denotan intervalos de confianza del 95% suelen incluir un efecto de tamaño cero) .11

Allcott y los coautores también comparan los efectos del tratamiento con las correlaciones observacionales en su muestra y concluyen: “las magnitudes de nuestros efectos causales son mucho más pequeñas que las que hubiéramos estimado usando el enfoque correlacional de mucha literatura anterior” .12

Se ha replicado el efecto experimental relativamente pequeño del uso de las redes sociales sobre el bienestar subjetivo. Otro experimento realizado casi al mismo tiempo y con un enfoque muy similar, arrojó resultados similares13.

Mecanismos

En los EE. UU., donde se han realizado muchos de estos estudios, aproximadamente dos tercios de las personas obtienen noticias de las redes sociales, y estas plataformas ya se han convertido en una fuente de noticias de mayor acceso que los periódicos impresos.

Creo que este vínculo entre las redes sociales, el consumo de noticias y el bienestar es clave.

En su experimento, Allcott y sus coautores descubrieron que abandonar Facebook no llevó a las personas a utilizar fuentes de noticias alternativas en línea o fuera de línea; por lo que aquellos en el grupo de tratamiento informaron pasar menos tiempo consumiendo noticias en general. Esto nos dice que el efecto de las redes sociales en el bienestar no solo es relativamente pequeño, sino que probablemente también esté mediado por los tipos específicos de contenido e información a los que las personas están expuestas.14

El hecho de que el consumo de noticias a través de las redes sociales pueda ser un factor importante que afecta el bienestar no es sorprendente si consideramos que las noticias suelen estar sesgadas hacia el contenido negativo, y hay investigaciones empíricas que sugieren que las personas se activan, a nivel fisiológico, cuando se exponen a contenido de noticias negativo.15

Construir y reforzar una narrativa general aterradora sobre "los terribles efectos negativos de las redes sociales en el bienestar" no es útil porque no reconoce que las redes sociales son un ecosistema grande y en evolución donde miles de millones de personas interactúan y consumen información de muchas maneras diferentes.

¿Cuáles son las conclusiones clave?

La primera conclusión es que la asociación entre las redes sociales y el bienestar es compleja y recíproca, lo que significa que las correlaciones simples pueden ser engañosas. Un análisis cuidadoso de los datos de la encuesta revela que, sí, existe una correlación entre las redes sociales y el bienestar; pero la relación funciona en ambos sentidos. Esto queda claro a partir de los estudios longitudinales: un mayor uso de las redes sociales predice disminuciones en la satisfacción con la vida; y la disminución de la satisfacción con la vida también predice aumentos posteriores en el uso de las redes sociales.

La segunda conclusión es que el efecto causal de las redes sociales en el bienestar probablemente sea pequeño para la persona promedio. La mejor evidencia empírica sugiere que el impacto es mucho menor de lo que sugieren muchas noticias y la mayoría de la gente cree.

Hay mucho que aprender sobre cómo hacer un mejor uso de estas plataformas digitales, y hay una discusión importante sobre los costos de oportunidad de pasar una gran parte de nuestro tiempo en línea. Pero para esto tenemos que mirar más allá de los titulares de los periódicos.

Necesitamos investigación con datos más granulares para desempacar diversos patrones de uso, para comprender los diferentes efectos que ciertos tipos de contenido tienen en grupos de población específicos. El tiempo solo es una mala métrica para medir los efectos. Como dijo Andrew Przybylski: nadie diría que deberíamos estudiar las causas de la obesidad investigando el "tiempo de comer".

De cara al futuro, la conversación sobre políticas y las noticias deberían ser mucho más sobre estrategias para promover contenido e interacciones positivas, que sobre restricciones únicas en el "tiempo de pantalla" de las redes sociales.


Notas finales

  1. Un ejemplo concreto de cómo se reporta esta evidencia correlacional en las noticias se puede encontrar en este artículo de The Economist, donde se presenta un cuadro muy similar bajo el título “Cómo el uso intensivo de las redes sociales está vinculado a las enfermedades mentales”.
  2. A continuación, se muestran algunos ejemplos de estudios que informan una correlación positiva entre el uso de las redes sociales y el bienestar subjetivo: - Kim, J. y Lee, J. (2011). Los caminos de Facebook hacia la felicidad: efectos del número de amigos en Facebook y la autopresentación sobre el bienestar subjetivo. CyberPsychology, Behavior, and Social Networking, 14 (6): 359–364 - Gonzales, A. L. y Hancock, J. T. (2011). Espejo, espejo en mi muro de Facebook: Efectos de la exposición a Facebook sobre la autoestima. Ciberpsicología, comportamiento y redes sociales, 14 (1-2): 79–83. - Valenzuela, S., Park, N. y Kee, K. F. (2009). ¿Existe capital social en un sitio de red social ?: uso de Facebook y satisfacción con la vida, confianza y participación de los estudiantes universitarios. Journal of Computer-Mediated Communication, 14 (4): 875–901.
  3. También es importante mencionar que las correlaciones entre el uso de las redes sociales y el bienestar no son generalmente comparables entre países y épocas. Por ejemplo, los comentaristas a menudo destacan que las tasas de depresión y suicidio entre los adolescentes en los EE. UU. Han aumentado desde el surgimiento de los teléfonos inteligentes, y que esto es una clara señal de alerta. Sin embargo, como explicó Andrew Przybylski en una entrevista reciente, esto simplemente no es una observación general: “No se ven cosas así en países más saturados de tecnología o en otros países industrializados. No se ve, dos o tres años por delante de Estados Unidos, los surcoreanos y los japoneses tienen tasas elevadas de autolesiones o depresión ”.
  4. La referencia completa es: Shakya, H. B. y Christakis, N. A. (2017). Asociación del uso de Facebook con el bienestar comprometido: un estudio longitudinal. Revista estadounidense de epidemiología, 185 (3), 203-211. En línea aquí.
  5.  La referencia completa es: Orben, A., Dienlin, T. y Przybylski, A. K. (2019). El efecto duradero de las redes sociales en la satisfacción con la vida de los adolescentes. Actas de la Academia Nacional de Ciencias, 116 (21), 10226-10228. En línea aquí.
  6. Es más, si el límite para un hallazgo estadísticamente significativo es del 5% y prueba 100 hipótesis independientes de las cuales en realidad ninguna es cierta, todavía encontrará (con la expectativa) 5 asociaciones significativas en cualquier dirección simplemente por casualidad. Aquí hay un buen ejemplo y una discusión de cómo funciona esto: https://fivethirtyeight.com/features/science-isnt-broken/#part1.
  7. Una evidencia más que confirma esta conclusión, proviene de un estudio más reciente a largo plazo que siguió a 500 adolescentes durante ocho años consecutivos, entre las edades de 13 y 20, y encontró que “el aumento del tiempo dedicado a las redes sociales no se asoció con aumento de los problemas de salud mental en todo el desarrollo ". La referencia completa es Coyne, S. M., Rogers, A. A., Zurcher, J. D., Stockdale, L. y Booth, M. (2019). ¿El tiempo dedicado al uso de las redes sociales afecta la salud mental ?: Un estudio longitudinal de ocho años. Computers in Human Behavior, 106160. Disponible en línea aquí.
  8. Experimentos como este nos dirán el efecto a corto plazo entre los participantes del experimento. Por supuesto, esto no es una solución milagrosa; uno podría plantear inquietudes sobre cuán generalizables son las estimaciones (por ejemplo, ¿los participantes son representativos de la población general? ¿Los efectos permanecen en el tiempo?) Ningún método es perfecto, pero los experimentos abordan el tema de la causalidad, por lo que brindan evidencia crítica para comprender el vínculo entre las redes sociales y el bienestar.
  9. La referencia completa es: Allcott, H., Braghieri, L., Eichmeyer, S. y Gentzkow, M. (2019). Los efectos de las redes sociales en el bienestar (núm. W25514). Oficina Nacional de Investigación Económica. Disponible en línea aquí.
  10. Reclutan participantes dándoles tarjetas de regalo electrónicas. En términos generales, la idea era que a los participantes se les pagara por jugar a la lotería: todos recibían el incentivo monetario, pero solo aquellos que "perdían la lotería" tenían que desactivar su cuenta.
  11. El documento proporciona la siguiente definición para las variables: La variable felicidad es la respuesta promedio a dos preguntas de la Escala de felicidad subjetiva (Lyubomirsky y Lepper 1999), que pregunta qué tan felices fueron los participantes durante las últimas cuatro semanas y qué tan felices fueron en comparación con sus compañeros. La satisfacción con la vida es la suma de las respuestas a tres preguntas de la Escala de satisfacción con la vida (Diener et al. 1985), como el nivel de acuerdo con la afirmación: "Durante las últimas 4 semanas, estuve satisfecho con mi vida". La soledad es la escala de soledad de tres elementos (Hughes et al. 2004). Finalmente, deprimido, ansioso, absorto y aburrido reflejan cuánto tiempo durante las últimas cuatro semanas los encuestados sintieron cada emoción, utilizando preguntas del módulo de bienestar de la Encuesta Social Europea (Huppert et al. 2009). Los mensajes de texto diarios nos permitieron medir los aspectos del bienestar subjetivo más importantes para registrar en el momento en lugar de retrospectivamente. Este enfoque se basa en el método de muestreo de experiencias de Csikszentmihalyi y Larson (2014) y Stone y Shiffman (1994). La variable felicidad por SMS es la respuesta a la pregunta: "En general, ¿qué tan feliz te sientes ahora en una escala de 1 (nada feliz) a 10 (completamente feliz)?" La variable emoción positiva de SMS es una variable indicadora de si el participante reporta una emoción positiva cuando se le pregunta: "¿Qué describe mejor cómo se sintió durante los últimos diez minutos?", Con posibles respuestas como "enojado", "preocupado", "cariñoso". / tierna ”, etc. Finalmente, SMS not lonely utiliza la respuesta a la pregunta:“ ¿Qué tan solo te sientes ahora mismo en una escala del 1 (para nada solo) al 10 (muy solo)? ”
  12. Para tener una idea de las magnitudes de estos efectos, los autores discuten los tamaños del efecto en sus unidades originales, centrándose en las medidas con los efectos más grandes. La felicidad es la respuesta promedio a dos preguntas en una escala de 1 (una persona no muy feliz) a 7 (una persona muy feliz). El promedio de la línea final del grupo de control es 4.47 de un posible 7, y la desactivación provocó un aumento promedio de 0.12. Por supuesto, esto es muy, muy pequeño. De hecho, los autores explican que, dado lo pequeños que son estos tamaños de efecto, es poco probable que tuvieran el poder estadístico suficiente para detectar cualquier efecto si hubieran utilizado tamaños de muestra similares a los de experimentos anteriores en este campo, todos los cuales son muy importantes. menor.
  13. En este otro experimento, dejar Facebook durante una semana condujo a una disminución pequeña pero estadísticamente significativa en los sentimientos de depresión autoinformados, sin embargo, no hubo un efecto significativo en otras medidas de satisfacción con la vida. La referencia completa es: Mosquera, R., Odunowo, M. M., McNamara, T., Guo, X. y Petrie, R. (2018). Los efectos económicos de Facebook.
  14. Este efecto también se ha replicado: el otro experimento contemporáneo que siguió un enfoque similar (Mosquera et al. 2019), encontró que las personas que enfrentan una restricción de Facebook redujeron su consumo de noticias.
  15. Un nuevo artículo publicado en Proceedings of the National Academy of Sciences concluye que en todo el mundo, el ser humano promedio se activa más fisiológicamente por las noticias negativas que por las positivas. Los autores llegan a esta conclusión a través de un experimento: los participantes vieron 7 historias de BBC World News ordenadas al azar en una computadora portátil mientras usaban audífonos con cancelación de ruido y sensores en sus dedos para capturar la conductancia de la piel y el pulso del volumen sanguíneo. El experimento se realizó con 1.156 participantes en 17 países: Brasil, Canadá, Chile, China, Dinamarca, Francia, Ghana, India, Israel, Italia, Japón, Nueva Zelanda, Rusia, Senegal, Suecia, Reino Unido y Estados Unidos. . La referencia completa es Soroka, S., Fournier P., & Nir L., (2019) Evidencia transnacional de un sesgo de negatividad en las reacciones psicofisiológicas a las noticias. Procedimientos de la Academia Nacional de Ciencias. DOI: 10.1073 / pnas.1908369116. Disponible en línea aquí.