Ley natural: Los tweets políticos generan polarización

Un grafo muestra cómo los tweets moralmente indignados permanecen dentro de su burbuja política

Los tweets rojos y azules no interactúan mucho. (William Brady et al)


Escrito por Olivia Goldhill | Quartz


"America first"

Miles de personas en todo el mundo han hecho emocionadamente un punto político con un tweet bien afilado e ingenioso. Todo lo que se necesita es 140 caracteres para hacer un argumento rotundo, y el hombre se siente bien para obtener unos retweets.
Pero, independientemente de lo persuasivos o divertidos que sean sus tweets, es probable que no sea bien recibido por alguien que no esté de acuerdo con usted. Un estudio de más de medio millón de tweets, publicado recientemente en las Actas de la Academia Nacional de Ciencias, muestra que los tweets moralmente indignados tienden a ser ampliamente retweeted dentro de sus esferas políticas, pero rara vez escapan de sus burbujas.
Los investigadores, dirigidos por el psicólogo William Brady de la Universidad de Nueva York, comenzaron analizando el lenguaje utilizado en 563.312 tweets sobre tres temas polémicos: control de armas, matrimonio entre personas del mismo sexo y cambio climático. Ellos ordenaron los tweets según su uso del lenguaje moral (por ejemplo, la palabra "deber"), lenguaje emocional (por ejemplo, "miedo") y lenguaje que es tanto moral como emocional (por ejemplo, "odio"). Los tweets que eran estrictamente morales o puramente emocionales no tenían un mayor número de retweets, pero los investigadores encontraron un aumento del 20% en retweets por palabra moral-emocional añadida.

A continuación, los investigadores analizaron cuánto de este intercambio ocurrió en redes ideológicas. Ellos estimaron la inclinación ideológica de cada tweeter usando un algoritmo que mide la persuasión política basada en redes seguidoras. Para cada tweet, calcularon el número de retweets de aquellos con la misma ideología que el autor, en comparación con aquellos con una ideología diferente. En general, encontraron mucho más retweets en grupo que fuera de grupo para mensajes sobre el control de armas y el cambio climático. (Los resultados para los tweets de matrimonio del mismo sexo tienden en la misma dirección, pero no son estadísticamente significativos).
El gráfico de red anterior es una visualización de esos hallazgos, con el azul representando a tweeters liberales y rojo representando conservadores. Los puntos representan tweets en todos los temas políticos, mientras que las líneas representan retweets. Aunque hay cierta interacción entre los dos grupos, el rojo y el azul permanecen en gran medida separados. Incluso las palabras más morales o emocionales, al parecer, no son lo suficientemente poderosas como para inducir un retweet desde el otro lado del pasillo.

Detectando influyentes con Pagerank

Cómo encontrar líderes de opinión clave: La campaña #IstandwithCEU

Center for Network Science

Siguiendo nuestro análisis anterior, estudiamos la prevalencia de la campaña #IstandwithCEU en Twitter. Esto incluye el examen de 54k tweets realizados por 15k usuarios durante dos meses con un alcance social total de 180M.

Hemos reconstruido la red de retweets de los usuarios mediante la introducción de un enlace dirigido entre dos usuarios si uno retwitea el otro. Calculamos la importancia de los nodos utilizando el algoritmo llamado PageRank (PR) propuesto por los fundadores de Google. Este método cuantifica el nivel de influencia de cada usuario en la muestra dada. El concepto subyacente es similar a un sistema de votación: si un usuario retweeting a alguien, entonces el usuario retweeted es endosado, y el nivel de respaldo es proporcional a la influencia del retweeter (por ejemplo, el número de seguidores).

El análisis muestra que el puntaje PR está correlacionado con el recuento de seguidores, lo que significa que el éxito y la apreciación anteriores están lógicamente relacionados con la influencia actual y la atención adquirida. Esto es apoyado por la visualización de red también. El color nos dice que hay usuarios que tienen muchos seguidores pero que no son tan influyentes (Fig. 1: nodos grandes en color blanco, Fig. 2: debajo de la línea punteada) y aquellos que no tienen tantos seguidores pero tienen un Gran influencia (Fig. 1: pequeños nodos con color rojo, Fig. 2: puntos por encima de la línea punteada).


 Fig. 1. La red de retweets de los 1000 usuarios más influyentes activos en la campaña. Los nodos representan a los usuarios, su tamaño es proporcional al número de sus seguidores, y su color codifica la centralidad PR de escala de blanco (baja importancia) a rojo (alta importancia).

Hemos encontrado que aunque la intuición ingenua sugeriría que los usuarios altamente seguidos (hasta varios millones de seguidores) son los más importantes para lograr un amplio alcance social, hay un número de usuarios menos populares (con alrededor de 10k seguidores) entre la opinión clave Líderes. Esto significa que además de un alto reconocimiento general, una serie de tweets de calidad y una cantidad razonable de seguidores influyentes pueden en gran medida aumentar el alcance social mediante la inducción de oleadas de retweets entre los usuarios influyentes.


Fig. 2. El puntaje de PageRank versus el recuento de seguidores de cada usuario (representado por un punto) que twittó en el tema #IstandwithCEU. La línea discontinua representa una fórmula analítica (ley de potencia), mientras que los puntos grises dispersados ​​a su alrededor son la tendencia acumulando los datos.
Por Milán Janosov y Zsombor Koman

El más precioso mapa de los tweets

Crean un mapa con cada tuit enviado en los últimos tres años en el mundo

Eric Fischer, responsable de Mapbox, un servicio de creación y publicación cartográfico, ha elaborado un mapa con cada tuit enviado en los últimos tres años y medio en todo el planeta.





Mapbox

¿Cómo hacer que alguien retweetée tus mensajes?

La Ciencia Secreta de los Retweets
Hay un secreto para persuadir a los extraños que retweeten tus mensajes. Y un algoritmo de aprendizaje automático que lo ha descubierto.

MIT Technology Review



Si envía un tweet con un extraño pedirles que retweet, es probable que no te sorprendas si te ignoran por completo. Pero si usted envía un montón de tweets como este, tal vez algunos podrían llegar a ser transmitidos.

¿Por qué? ¿Qué hace que alguien retweetee la información de un extraño? Esa es la pregunta que se plantea hoy por Kyumin Lee de la Universidad Estatal de Utah en Logan y unos pocos amigos desde el centro de investigación Almaden de IBM en San José.

Estos chicos dicen que mediante el estudio de las características de los usuarios de Twitter, es posible identificar a los extraños que tienen más probabilidades de transmitir su mensaje a otros. Y al hacer esto, los investigadores dicen que han sido capaces de mejorar la tasa de retweeteo de los mensajes enviados por extraños hasta 680 por ciento.

Entonces, ¿cómo lo hacen? La nueva técnica se basa en la idea de que algunas personas son más propensas a tweetear que otros, sobre todo en ciertos temas y en determinados momentos del día. Así que el truco es encontrar a estos individuos y orientarlos cuando es probable que sean más eficaces.

Así que el enfoque era sencillo. La idea es estudiar los individuos en Twitter, examinado sus perfiles y su comportamiento de twitteo del pasado, buscando pistas que podrían ser más propensos a retweetear ciertos tipos de información. Después de haber encontrado a estas personas, envíe sus tweets a ellos.

Esa es la teoría. En la práctica, es un poco más complicado. Lee y coautores querían probar la respuesta de la gente a dos tipos de información: noticias locales (en San Francisco) y tweets acerca de la gripe aviar, un problema importante en el momento de su investigación. Entonces crearon varias cuentas de Twitter con unos cuantos seguidores, específicamente para transmitir este tipo de información.

A continuación, se seleccionan las personas a recibir sus tweets. Para los programas de noticias locales, se buscaron los usuarios de Twitter geolocalizados en el área de la Bahía , la búsqueda de más de 34 mil de ellos y la elección de 1900 de forma aleatoria.

A continuación, un enviaron el mismo mensaje a cada usuario del formato:

"@ SFtargetuser " Un hombre murió y otros tres resultaron heridos en un tiroteo ... http://bit.ly/KOl2sC " Plz RT esta noticias de seguridad"

Así que el tweet incluye el nombre del usuario, un título corto, un enlace a la historia y una solicitud de retweet.

De estas 1.900 personas, 52 retweetearon el mensaje que recibieron. Eso es un 2,8 por ciento.

Para obtener la información de la gripe aviar, Lee y coautores buscaron por personas que ya habían enviado a Twitter noticias acerca de la gripe aviar, buscando sobre 13.000 de ellos y eligiendo 1900 al azar. De éstos, 155 retweetearon el mensaje que recibieron, una tasa de retweet de un 8,4 por ciento.

Pero Lee y coautores encontraron una forma de mejorar significativamente estos tipos de retweet. Volvieron a las listas originales de los usuarios de Twitter y recogieron información pública disponible sobre cada uno de ellos, tales como su perfil personal, el número de seguidores, la gente que los siguió, sus 200 Tweets más recientes y si se retweeteaban el mensaje que había recibido.

A continuación, el equipo utilizó un algoritmo de aprendizaje automático (machine learning) para buscar correlaciones en estos datos que pueden predecir si alguien tenía más probabilidades de retweets. Por ejemplo, se analizó si las personas con cuentas mayores eran más propensos retweet o cómo la relación de amigos a los seguidores influyó en la probabilidad retweet, o incluso cómo los tipos de palabras negativas o positivas que utilizaron en los tweets anteriores mostró ningún enlace. También buscaron en el momento del día en que la gente era más activo en twitteando .

El resultado fue un algoritmo de aprendizaje de máquina capaz de captar usuarios que tenían más probabilidades de hacer retweets en un tema en particular.

Y los resultados muestran que es sorprendentemente eficaz. Cuando el equipo envió tweets de locales de información a las personas identificadas por el algoritmo, el 13,3 por ciento retweetió que, en comparación con sólo el 2,6 por ciento de las personas escogidas al azar.

Y tienen mejores resultados cuando cronometrados petición para que coincida con los períodos en los que la gente había sido más activo en el pasado. En ese caso, la tasa de retweet se elevó a 19,3 por ciento. Eso es una mejora de más del 600 por ciento.

Del mismo modo, la tasa de información de la gripe aviar se elevó de 8,3 por ciento para los usuarios elegidos al azar a un 19,7 por ciento para los usuarios elegido por el algoritmo.

Eso es un resultado importante que los vendedores, los políticos, las organizaciones de noticias se miraba con envidia.

Una pregunta interesante es cómo pueden hacer esta técnica de aplicación más general. Se plantea la posibilidad de una aplicación que permite a cualquier persona para entrar en un tema de interés y que a su vez crea una lista de las personas con más probabilidades de retweet en ese tema en las próximas horas.

Lee y colegas no mencionan ningún plan de este tipo. Pero si no lo explotan, entonces seguramente habrá otros que lo hará.

Ref : arxiv.org/abs/1405.3750 : Who Will Retweet This? Automatically Identifying and Engaging Strangers on Twitter to Spread Information

Publish at Calameo or read more publications.