ARS para niños: La centralidad en la película Frozen

¿Quién es el personaje más importante en Frozen? Lo que las redes pueden decirnos sobre el mundo

Autores y revisores
Autores
Petter Holme
*holme@cns.pi.titech.ac.jp
Mason A. Porter
Hiroki Sayama

Jóvenes revisores
Chloe
Stefania

Frontiers for Young Kids

Resumen
¿Cómo podemos determinar la importancia de los personajes en una película como Frozen? Podemos mirarla, por supuesto, pero hay también otras maneras-usando matemáticas y computadoras- para ver quién es importante en la red social de una historia. La idea es computar números llamados centralidades, los cuales son modos de medir quién es importante en las redes sociales. En este trabajo, hablamos acerca de cómo diferentes tipos de centralidades miden la importancia en diferentes modos. También discutimos cómo la gente usa las centralidades para estudiar muchas formas de redes, no sólo las sociales. Los científicos está ahora desarrollando medidas de centralidad que también consideran cambios en el tiempo y diferentes tipos de relaciones.

La película Frozen y las redes sociales.

¿Has visto la película Frozen? Cuenta la historia de dos hermanas huérfanas, Elsa y Anna, que son princesas del reino de Arendelle. Elsa tiene un poder mágico que le permite crear nieve y hielo, pero esta magia es peligrosa para ella y las personas que la rodean. Para proteger a Anna, Elsa la ha estado evitando desde que eran muy jóvenes. En el vigésimo primer cumpleaños de Elsa, es coronada reina de Arendelle. En la fiesta para celebrar su coronación, ella pierde el control de su magia, lanzando a Arendelle a un hechizo de invierno eterno. Elsa se enoja mucho y deja a Arendelle. Anna emprende una búsqueda para recuperar a su hermana y acabar con el hechizo del invierno. En el camino, conoce a muchos personajes memorables, como el cosechador de hielo Kristoff, sus amigos trolls y, por supuesto, el muñeco de nieve Olaf. Anna también se ha visto afectada por la magia de Elsa y está maldita por congelarse gradualmente en el hielo, por lo que es muy importante que Anna y todo Arendelle rompan el hechizo.

En Frozen, muchos de los personajes se conocen, ya sea antes de que comience la historia o después de reunirse durante la película. Elsa (por supuesto) conoce a su hermana Anna, que conoce a Kristoff, que conoce a los trolls. Una colección de personas que se conocen, en combinación con las relaciones entre esas personas, se llama una red social. Una colección de nodos y las conexiones entre nodos. Las redes sociales son importantes. Por ejemplo, ayudan a difundir el conocimiento, porque las personas se dicen unas a otras cuando se hablan o se envían mensajes. En Frozen, por ejemplo, Anna aprende a través de una red social que su hechizo solo puede curarse mediante un acto de amor verdadero. Ella aprende esto de los trolls, a quienes conoció a través de Kristoff.

Ideas Básicas de Medidas de Centralidad.

Las redes sociales pueden decirnos algo acerca de las personas en ellas. Cuando alguien está en una situación difícil, pueden usar un poco de ayuda de sus amigos. ¿Quién tiene más amigos en Frozen? Es difícil decirlo solo con ver la película, pero podemos estudiar otro tipo de red social: la red de quién habla con quién. Esta red, que mostramos en la Figura 1, no es exactamente lo mismo que una red de amistad, pero es mucho más fácil determinar con precisión quién habla con quién en la película que decidir quién es amigo entre sí y qué tan fuerte es. esas amistades son En esta red de conversaciones, Anna habla con nueve personas, por lo que suponemos que tiene nueve amigos. Los matemáticos dicen que Anna es un nodo.
Las cosas en una red que están conectadas a otras cosas. Por ejemplo, en la red social Frozen, los personajes de la película son los nodos. En esta red, que tiene un título.El número total de vecinos de un nodo de nueve, y que esos nueve amigos son sus vecinos. Los nodos a los que se conecta un nodo. Del mismo modo, Elsa tiene un grado de ocho, porque tiene ocho amigos; y Kristoff tiene un grado de seis. Calcular el grado de alguien es una forma de medir su importancia, pero también hay muchas otras formas.




Figura 1 - Una red de los personajes principales de Frozen.
Esta red muestra quién habla con quién en la película. Cuanto más se dicen los dos personajes, más gruesa es la línea entre ellos. Destacamos los personajes particularmente importantes en negro. Cada carácter, como Olaf, es un "nodo" en la red. Olaf habla con tres personajes, Anna, Elsa y Sven, en esta red, por lo que decimos que tiene un "grado" de tres. Anna, Elsa y Sven son los "vecinos" de Olaf en la red.

Observe detenidamente la Figura 1. ¿Podemos averiguar quién es el personaje más importante en Frozen después de mirar la red en esta imagen? Las personas importantes a menudo tienen muchos amigos. Además, los amigos de personas importantes a menudo también son personas importantes. Para medir esto con un número, comenzamos asumiendo al principio que todos los caracteres (es decir, los nodos) son igualmente importantes, con un valor inicial de 1. Luego actualizamos la importancia (llamada centralidad).
Un número que expresa la importancia de un nodo por personas que estudian redes) de todos al sumar las importancias de los personajes con los que están conectados (en otras palabras, sus vecinos). Después de hacer esto una vez, el resultado inicial es igual al grado, es decir, al número de amigos de cada nodo. Dividimos estos números por la suma de las importancias de todos los nodos (esto evita que los números se vuelvan demasiado grandes) para obtener un nuevo conjunto de importancias. Al repetir esto una y otra vez, reemplazando la importancia de cada nodo por la suma de las importancias de sus vecinos y dividiendo los resultados por la suma de todas las importancias en la red, las importancias eventualmente dejan de cambiar. Por favor, intente esto usted mismo usando la Figura 2 como hoja de trabajo; Para redes pequeñas, los números generalmente dejan de cambiar rápidamente. Los números que obtenemos al final del cálculo se denominan centralidades del vector propio.
Un tipo de centralidad que se basa en la idea de que los nodos importantes tienen vecinos importantes, un nombre elegante para el tipo particular de importancia que estamos calculando. Para la red en la Figura 1, si tomamos en cuenta la frecuencia con la que los personajes se hablan, Anna tiene el valor más alto, con 0.295; Kristoff ocupa el segundo lugar, con 0.210; y Elsa viene en tercer lugar, con 0.151. Según estos números, Anna sigue siendo el personaje más importante, pero ahora Kristoff está clasificado por encima de Elsa. Si ignoramos la frecuencia con la que los personajes se hablan entre sí, los números cambian un poco: Anna sigue primero, con 0.146; Elsa es segunda, con 0.132; y Kristoff ahora es tercero, con 0.112.


Figura 2: procedimiento paso a paso para calcular las centralidades del vector propio de los nodos en una red.

Ilustramos este procedimiento con una red simple. Podemos usarlo como una forma de medir la importancia de diferentes personajes en la película Frozen.

En este punto, puede que se esté preguntando por qué a alguien le molesta calcular números como la centralidad del vector propio para medir la importancia. Está claro al ver a Frozen que la mayoría de las cosas suceden debido a la magia de Elsa, ¿entonces tal vez debería ser el personaje más importante? Sin embargo, eche un vistazo a la red en la Figura 1: es una red de quién habla con quién, no de quién realiza qué acción causa ese evento mayor. La red en la Figura 1 nos dice quién es importante para la narración de la película Frozen, en lugar de quién es importante para causar los eventos en Arendelle.

Podemos hacer un cálculo similar para una red narrativa, que es una red de los eventos que causan otros eventos [1]. En este caso, es mucho más difícil construir la red. La Figura 3 es un intento de comenzar a hacer tal red; ¿Tal vez puedas completarlo? En dicha red, los eventos causados ​​por Elsa pueden tener grados realmente grandes y centralidades de vectores propios. Esto significa que, aunque Anna es el personaje más importante para contar la historia de Frozen, en cambio, es Elsa la más importante para los eventos que conforman la historia.


Figura 3 - Una red narrativa simple pero incompleta de eventos cerca del comienzo de Frozen.

Las redes están en todas partes

Ahora que hemos ilustrado la idea de calcular números como centralidades, retrocedamos un poco. ¿Por qué deberíamos preocuparnos por estas redes sociales y cálculos? La razón es que las redes están en todas partes en nuestra vida cotidiana, y aprender sobre redes nos ayuda a entender una gran variedad de cosas diferentes [2, 3]. Daremos algunos ejemplos.

Un ejemplo realmente importante de una red es Internet. Internet es una gran red mundial de computadoras, tabletas, teléfonos y otros dispositivos que están interconectados por cables y conexiones inalámbricas. Podemos pensar en internet como una red social de computadoras. Cada computadora tiene "amigos" (otras computadoras que están conectadas a ella), y esos amigos son puertas de entrada a diferentes partes de la red, como en la red social de personajes de Frozen. Cuando envía un mensaje de texto desde un teléfono, una tableta o una computadora, se transmite a uno de sus amigos, a un amigo de sus amigos, y así sucesivamente, hasta que el mensaje llegue al destinatario (su amigo). Conocer las propiedades de esta gigantesca red de computadoras es importante por muchas razones prácticas. Por ejemplo, los ingenieros quieren saber qué dispositivos tienen mayor importancia (centralidad) y cuántos pasos en promedio son necesarios para pasar de un dispositivo a otro. En una red grande como Internet, ¿hay muchos pasos o hay muy pocos de ellos [3]?

Otros ejemplos de redes son las interacciones ecológicas en la naturaleza. Las especies biológicas interactúan entre sí de muchas maneras diferentes. Una de las interacciones más importantes es quién come a quién, lo que se llama "depredación". Podemos escoger una especie (una rana, por ejemplo) y hacer una lista de otras especies que la comen (como serpientes y mapaches) y que se comen por ella (como insectos y gusanos). Si también hacemos estas listas para cada una de las especies, eventualmente obtendremos un gran conjunto de relaciones (llamadas "redes alimenticias"), que ilustran las relaciones de depredación entre muchas especies. Esto es bastante diferente de las amistades y conversaciones que discutimos anteriormente, pero podemos aprender mucho sobre ecología estudiando este tipo de red. Por ejemplo, la centralidad de una especie puede indicar la cantidad de daño ecológico que se produciría si esa especie se extingue.

Estos ejemplos ilustran el poder de las representaciones matemáticas como las redes. Podemos usar las mismas herramientas matemáticas para estudiar muchas redes diferentes, aunque los componentes reales de la red, como los personajes, las computadoras o las especies biológicas, pueden ser muy diferentes. Hay muchos otros ejemplos de redes además de los que discutimos aquí. ¿Se te ocurre alguno?

¿Qué más podemos estudiar sobre las redes?

En los ejemplos de redes que discutimos anteriormente, no permitimos que las redes cambien, a pesar de que las personas hacen nuevos amigos todo el tiempo, como cuando van a una nueva escuela. Tampoco distinguimos entre diferentes tipos de relaciones. En Frozen, por ejemplo, Elsa y Anna son hermanas, pero Anna y Olaf son amigas.

Hoy en día, los científicos están investigando activamente formas de extender los cálculos a situaciones más complicadas, como las redes en las que los nodos y las conexiones se agregan, modifican o eliminan a lo largo del tiempo [4]. Debido a que la red de quién habla con quién en Frozen se desarrolla a lo largo del tiempo con el flujo de la historia, es conveniente medir los caracteres importantes de manera que permita que la importancia cambie con el tiempo. Otra característica destacada de las redes sociales es que hay muchos tipos de relaciones a la vez, no solo amistades; y los investigadores están desarrollando activamente formas de medir nodos importantes de una manera que combina múltiples relaciones. Esto es útil no solo para las redes sociales, sino también para otros tipos de redes. En la naturaleza, por ejemplo, los animales no solo se comen unos a otros; también interactúan entre sí de otras maneras, y las complejas estructuras sociales de los animales dependen de estas diversas relaciones [5].

El estudio de redes es un área de investigación apasionante que vincula ideas de matemáticas, ciencias sociales, física, ciencias de la computación, ecología y muchas otras materias. Uno de los principales problemas en el análisis de redes es determinar las mejores maneras de medir la importancia de las personas, los animales y otras entidades. A través de nuestra ilustración con la historia de Frozen, le hemos dado una ventana a esta emocionante área de estudio.

Glosario

Red: Una colección de nodos y las conexiones entre nodos.

Nodo: Las cosas en una red que están conectadas a otras cosas. Por ejemplo, en la red social Frozen, los personajes de la película son los nodos.

Grado: El número total de vecinos de un nodo.

Vecinos: Los nodos a los que se conecta un nodo.

Centralidad: Un número que expresa la importancia de un nodo.

Centralidad del vector propio: Un tipo de centralidad que se basa en la idea de que los nodos importantes tienen vecinos importantes.

Referencias

[1] ↑ Bearman, P., Moody, J., and Faris, R. 2003. Networks and history. Complexity 8:61–71. doi: 10.1002/cplx.10054

[2] ↑ NetSciEd. (Eds). 2015. Network Literacy: Essential Concepts and Core Ideas. Available online at: http://tinyurl.com/networkliteracy. (Accessed 5 July, 2019).

[3] ↑ Newman, M. E. J. 2018. Networks, 2nd Edn. Oxford: Oxford University Press.

[4] ↑ Taylor, D., Myers, S. A., Clauset, A., Porter, M. A., and Mucha, P. J. 2017. Eigenvector-based centrality measures for temporal networks. Multiscale Model. Simul. 15:537–74. doi: 10.1137/16M1066142

[5] ↑ Finn, K. R., Silk, M. J., Porter, M. A., and Pinter-Wollman, N. 2019. The use of multilayer network analysis in animal behaviour. Anim. Behav. 149:7–22. doi: 10.1016/j.anbehav.2018.12.016

Facebook y el síndrome de Capgras

Para entender Facebook, estudiar el síndrome de Capgras

Este trastorno mental nos da una visión única de la era digital.




Nautilo
Ilustración: Dadu Shin


Por Robert Sapolsky | Medium

Comenzamos con el caso de una mujer que experimentó una tragedia insoportable. En 1899, esta novia parisina, Madame M., tuvo su primer hijo. Sorprendentemente, el niño fue secuestrado y sustituido por un bebé diferente, que pronto murió. Ella entonces tenía niñas gemelas. Uno se convirtió en una adultez saludable, mientras que el otro, una vez más, fue secuestrado, una vez más reemplazado por un bebé diferente y moribundo. Ella entonces tenía gemelos. Uno fue secuestrado, mientras que el otro fue fatalmente envenenado.

Madame M. buscó a sus bebés secuestrados; al parecer, no fue la única víctima de este trauma de pesadilla, ya que a menudo escuchaba los gritos de grandes grupos de niños secuestrados que se levantaban de los sótanos de París.


INFLUENCIA FREUDIANA: el psiquiatra francés de principios de siglo, Joseph Capgras (arriba) especuló con la presunción de que los delirios podrían reflejar algún tipo de enfermedad cerebral. Pero bajo la poderosa influencia cultural de Freud, en lugar de eso, se subió al carro psicodinámico. Ilustración: Jackie Ferrentino

En 1918, Madame M. convocó a la policía para ayudarla a rescatar a un grupo de niños encerrados en su sótano. Pronto ella estaba hablando con un psiquiatra. Ella le dijo que era descendiente directo de Luis XVIII, la reina de las Indias y del duque de Salandra. Tenía una fortuna de entre 200 y 125 mil millones de francos, y había sido sustituida como una niña pequeña en una conspiración para negarle este dinero. Estaba constantemente bajo vigilancia, y la mayoría, si no todas, de las personas con las que se encontraba fueron sustituidas por dobles, o incluso dobles de las dobles.

El psiquiatra, Joseph Capgras, escuchó pacientemente. Es la psicosis delirante: pensamiento desordenado, grandiosidad, paranoia, pensó. Tarifa bastante estándar. Pero, de nuevo, nadie había descrito la ilusión particular de que un ser querido fuera reemplazado por un doble idéntico. ¿De qué podría tratarse?

Insistes en que nunca has visto a esta persona antes, pero tu circuito cerebral sabe exactamente quién es.

Más tarde, describiendo a Madame M. en un reporte de caso, Capgras y su interno Jean Reboul-Lachaux escribieron, “El sentimiento de extrañeza se desarrolla en ella, y se empuja con el sentimiento de familiaridad que es inherente a todo reconocimiento. Pero no invade totalmente su conciencia; no distorsiona ni sus percepciones ni sus imágenes de memoria ”. Para Capgras, esto fue extraordinario. El reconocimiento y la familiaridad provocaron diferentes emociones en Madame M. Su problema era que no podía reconciliar las dos emociones. La ilusión de los dobles no fue una ilusión sensorial, "sino la conclusión del juicio emocional".

Los "delirios de Capgras", como los psiquiatras eventualmente llamaron la creencia de que los seres queridos han sido reemplazados por impostores idénticos, no son solo rarezas de archivo. Nuestra comprensión moderna del trastorno nos dice mucho sobre cómo el cerebro tiene módulos separados para analizar los aspectos cognitivos del reconocimiento y para sentir los aspectos emocionales de la familiaridad. Nos muestra que si bien la cognición y la emoción pueden ser disociadas neurobiológicamente, el comportamiento tiene mucho más sentido cuando se las deja solas para que se entrelazen.

Como neurocientífico contemporáneo, veo la historia de los delirios de Capgras como un ejemplo perfecto de la transformación de nuestro pensamiento sobre el cerebro y el comportamiento. El síndrome era, al principio, la propiedad intelectual de los científicos para quienes la mente tenía poco que ver con el cerebro. Para ellos, los delirios de Capgras, como todos los delirios y todo lo demás que caería en la cartera de psiquiatría, era un problema metafísico de la mente y la psique.
Pero a lo largo de este siglo, se ha llegado a reconocer que cada pensamiento, emoción o comportamiento es el producto final directo del cerebro material. Las formas en que los delirios de Capgras son el producto de tal materialismo nos dicen mucho acerca de las diferencias entre los pensamientos que dan lugar al reconocimiento y los sentimientos que dan lugar a la familiaridad. Como veremos, estas líneas de falla funcionales en el cerebro social, cuando se combinan con los avances en el mundo en línea, han dado lugar a la generación contemporánea de Facebook. Han hecho del síndrome de Capgras una ventana a nuestra cultura y nuestra mente hoy, donde nada es reconocible pero todo parece familiar.

Los delirios de Madame M. parecen tener perfecto sentido como respuesta al trauma que experimentó en su vida. En medio de sus estragos sobre envenenamientos y secuestros, cuatro de sus cinco hijos habían muerto en la infancia. Dada esa realidad, podría haber cosas mucho peores que una creencia delirante protectora de que sus hijos están vivos en algún lugar. Pero los psiquiatras de la época no estaban orientados a la posibilidad de delirios derivados del trauma que ha producido un cerebro biológicamente dañado.

En cambio, la teorización sobre la fuente de los delirios de Capgras tomó un giro psicodinámico. Freud ya había declarado en 1911 que los delirios eran causados ​​por impulsos intensamente reprimidos; este sabor general de la interpretación se modificó fácilmente para los detalles de los delirios de Capgras. En la década de 1930, la opinión psiquiátrica general se decidió por una interpretación psicodinámica estándar de los delirios de Capgras. El dogma freudiano gira, por supuesto, en torno a la represión sexual y los sentimientos conflictivos de amor y odio que todos llevamos con respecto a las personas más cercanas a nosotros. En ese marco, aquellos que no son lo suficientemente fuertes psicológicamente como para manejar tal ambivalencia sucumben a Capgras: los seres queridos tienen que dividirse en una versión mala (el impostor en la escena) y una buena (que ha sido secuestrada). Voila! (Excepto por tener que explicar por qué Madame M. tenía sentimientos increíblemente ambivalentes sobre la mayoría de la población de París, así como sobre los dobles destinados a tener sus propios dobles).

Con la explicación freudiana implementada, las discusiones sobre los delirios de Capgras a menudo se convirtieron en una cuestión de gusto clasificatorio. Algunos vieron a Capgras como un engaño propio (con sus propias causas psicodinámicas especiales). Otros lo vieron como simplemente uno de una serie de "síndromes de identificación errónea" con raíces psicodinámicas. Entre ellos se incluyen los delirios de Fregoli, donde el paciente cree que varias personas son en realidad la misma persona disfrazada; El síndrome de Cotard, la creencia de que su sangre u órganos se han fugado o que usted no existe en absoluto; o paramnesia reduplicativa, la sensación de que un lugar familiar ha sido copiado y sustituido. Mientras tanto, otros sabios psiquiátricos que se inclinaban hacia el abultamiento taxonómico simplemente agrupaban todo esto junto con los delirios de la variedad de jardín que son secundarios a la psicosis.

Durante más de medio siglo, los delirios de Capgras se sentaron cómodamente en el ámbito de la psiquiatría. En los años 60 y 70, quedó claro que los delirios también pueden ocurrir en individuos con trastornos como la esquizofrenia y el Alzheimer. Esto no revolvió muchas plumas clasificatorias. Después de todo, si su memoria está disminuyendo hasta el punto en que los seres queridos comienzan a ser irreconocibles, las reclamaciones de parentesco de sus seres queridos deben parecer bastante sospechosas, los actos de los impostores. (Mi padre, en el tramo final de una demencia sustancial, una vez le gritó agitadamente a mi madre: "¿Dónde está mi esposa, mi esposa real, tú no eres mi esposa, eres, eh, algo comunista?") Demencia los delirios de Capgras relacionados fueron vistos como simplemente delirios y confabulaciones de variedades de jardín que son secundarias al fracaso cognitivo, mientras que cualquier otro ejemplo sigue teniendo un significado psicodinámico.

Sin embargo, los delirios de Capgras estaban a punto de sufrir una de las revoluciones más grandes de la medicina del siglo XX. Fue impulsado por las ondas de choque enviadas por el descubrimiento en la década de 1950 de que el uso de un medicamento para bloquear un determinado tipo de receptor de neurotransmisores fue mucho más útil para un esquizofrénico que años de psicoterapia. Esto fomentó el reconocimiento de que todo comportamiento está arraigado en la biología, que las aberraciones del comportamiento y los trastornos neuropsiquiátricos son tan "reales" biológicamente como, por ejemplo, la diabetes.

Ella llamó a la policía para ayudarla a rescatar a un grupo de niños encerrados en su sótano.

Irónicamente, el propio Capgras, en sus primeros escritos, especuló brevemente que los delirios podrían reflejar algún tipo de enfermedad cerebral, antes de subirse al carro psicodinámico. Luego, un documento oscuro en 1930 sugirió tentativamente lo mismo, y fue ignorado de manera rotunda. No fue hasta una serie de estudios en la década de 1970 que dos hechos llegaron a ser apreciados.

Primero, si examinas los cerebros de las personas con delirios de Capgras, a menudo encontrarás evidencia clara de enfermedad cerebral. La apreciación de esto se produjo lentamente, simplemente porque las técnicas disponibles en ese momento (electroencefalografía (EEG), escáneres cerebrales de primera generación) detectaron anomalías solo en un subconjunto de individuos. Pero a medida que se incorporaron técnicas más sensibles, como las imágenes cerebrales funcionales, se hizo evidente que un porcentaje sustancial de pacientes de Capgras tenía enfermedades cerebrales orgánicas, generalmente centradas en el daño o la atrofia de la corteza frontal.

Este segundo hecho fue la otra cara del primero: si el cerebro, particularmente partes de las regiones corticales frontales, sufriera daños, las personas desarrollarían delirios de Capgras de vez en cuando.

Un buen ejemplo se ve en un estudio de 2013 de una mujer que había sufrido una hemorragia intracerebral en su corteza frontal derecha. Después de años de rehabilitación, había recuperado la función, teniendo algunos problemas de orientación espacial residual. Y aunque reconoció fácilmente a la mayoría de las personas en su vida, incluidos su hija y su nieto, ella insistió en que su esposo había sido reemplazado por un impostor. Sí, sí, ella lo admitiría, se parece a mi esposo, y me ha ayudado mucho durante mi recuperación, pero ciertamente no es mi esposo; mi esposo esta en otra parte Ella identificó fácilmente las fotos de su esposo, pero este hombre que estaba delante de ella no era él. También creía que su casa había sido reemplazada por un duplicado exacto.

Los delirios de Capgras se habían convertido en la provincia de los insultos neurológicos agudos. El daño discreto en el cerebro puede producir a alguien que puede identificar las características de un ser querido, pero que insiste en que la persona que vive y respira es un impostor. Lo que resulta que nos dice mucho sobre una de las grandes falsas dicotomías sobre el cerebro.

Comenzando al menos con Descartes, ha habido una distinción dualista entre "mente" y "cerebro", o en un spin-off que ha involucrado a los neurocientíficos particularmente recientemente, entre "cognición" y "emoción". En la vista estándar, los dos últimos son funcional y neurobiológicamente separables, y se encuentran en algún tipo de lucha épica y perpetua por el control de su comportamiento. Además, esta dicotomización típicamente ha dado lugar a la idea de que uno de los dos, en cierto sentido una mezcla de ética y estética, debería dominar al otro.

Una dicotomía entre cognición y emoción, ahora sabemos, es falsa, claramente explorada en el libro de 1994 del neurocientífico Antonio Damasio, El error de Descartes. Los dos interactúan sin cesar, tanto funcional como neurobiológicamente. Y, lo que es más importante, lo harán mejor, porque lo que consideramos como una función normal requiere una integración extensa de los dos.

Esto se ve cuando se trata de tomar decisiones, especialmente en una circunstancia emocionalmente provocada. Considere dos regiones clave de la corteza prefrontal. Primero, está la corteza prefrontal dorsolateral (dlPFC), una de las partes más cerebrales y cognitivas del cerebro; En concordancia con eso, es la región del cerebro que ha evolucionado más recientemente y la que ha madurado más lentamente. El daño selectivo al dlPFC produce a alguien que toma decisiones terribles. A menudo, este paciente es impulsivo, incapaz de posponer la gratificación y tiene una incapacidad para cambiar su comportamiento en respuesta a la retroalimentación. Esta es alguien que, en un escenario de elección, puede verbalizar la estrategia óptima: "Sé cómo funciona esto, voy a esperar la segunda recompensa porque es mucho más grande", y luego no pueden dejar de elegir el pésimo, pago instantáneo.

Mientras tanto, existe la corteza prefrontal ventromedial "emocional" (vmPFC), que es el conducto entre la corteza frontal y el sistema límbico. El daño selectivo al vmPFC produce a alguien que también toma decisiones terribles, pero de un tipo diferente. Esta persona tiene tremenda dificultad para decidir algo; él o ella carece de intuición "visceral" en tales asuntos. Además, las decisiones tienden hacia el pragmatismo frío y sin corazón. Cuando se encuentre con alguien, podría decir: "Hola, veo que usted tiene bastante sobrepeso", y cuando se lo reprenda más tarde, responderá con un desconcertado: "Pero es verdad".

Cuando se trata de la toma de decisiones, particularmente en un contexto social, lo que vemos como comportamiento apropiado refleja un equilibrio entre la emoción y la cognición. Lo que muestran los delirios de Capgras es que se produce un equilibrio similar cuando se trata de identificar a quienes conocemos mejor.

¿Cómo identificamos a un ser querido? Bueno, él tiene ojos de un color conocido; textura distintiva del cabello; una postura particular; esa cicatriz en su barbilla de cuando era un niño. Cosas que sabemos. Este es el ámbito de una parte altamente especializada del cerebro de los primates, el giro fusiforme, que reconoce las caras, especialmente las de importancia.



Pero esto es solo la mitad de la historia. ¿De qué otra manera identificamos al Otro Significativo? Bueno, volvemos a imaginar cómo era sostenerla en nuestros brazos la primera vez; su aroma de cerca convoca mil recuerdos; notamos su breve sonrisa sardónica, sabiendo que eso significa que también está aburrida por el anfitrión de la cena. Cosas que sentimos. Y este es el ámbito neurológico del "sistema de procesamiento facial extendido", una red difusa que incluye una variedad de regiones corticales y límbicas.

La identificación se encuentra en la intersección del reconocimiento fáctico y un sentido de familiaridad. En este marco, los delirios de Capgras surgen cuando hay un daño selectivo en la red de procesamiento de cara extendida, lo que afecta la sensación de familiaridad. El reconocimiento fáctico está intacto; usted sabe que esta persona se parece a su ser querido. Pero simplemente no se sienten familiares.

En el estudio de 2013, la mujer con capgras delirios sobre su marido, después de su hemorragia, se sometió a imágenes cerebrales mientras observaba imágenes de personas familiares y desconocidas. En los sujetos de control, ambos tipos de caras activaron el área de la cara fusiforme, mientras que las caras familiares también activaron regiones cerebrales asociadas con la intención y la intersección de la emoción y la memoria. ¿Y la mujer con las ilusiones? Tenía una activación normal del fusiforme, pero ninguna activación en las otras regiones. Su reconocimiento facial estaba bien, mientras que el significado emocional de la cara se había evaporado.

Pero esto solo te lleva a la mitad del engaño. Supongamos que hay uno de esos momentos extravagantes en los que su otro significativo dice o hace algo fuera de lo normal, se siente desconocido. Wow, eso no es como él, pensamos. Sin embargo, no llegamos a la conclusión de que debe haber sido reemplazado por un impostor idéntico. En cambio, encontramos una explicación más plausible: es decir, porque no durmió mucho. El daño neurológico que da lugar a los delirios de Capgras no solo perjudica la sensación de familiaridad, sino también las capacidades reflexivas y evaluativas que lo llevarían a rechazar su hipótesis de impostor como algo absurdo. En cambio, los pacientes de Capgras a menudo se vuelven hiper-detallados en sus observaciones, como un medio para confabular una explicación para un mundo que tiene poco sentido. Ah-ha, mi otro significativo tiene una brecha entre sus dientes frontales, pero no tan grande como con este impostor. Buen intento, amigo.

El reconocimiento intacto de Capgras, pero la sensación de familiaridad dañada, tiene un lado negativo neurológico, algo que se destacó por primera vez en 1990 por Hadyn Ellis y Andrew Young en el Reino Unido. Esto es prosopagnosia, un defecto visto con daño a la circunvolución fusiforme. La gente ya no reconoce rostros, incluidos los de seres queridos, celebridades o personajes históricos famosos. Esto puede ser muy preocupante, y los pacientes pueden ir a tientas a los rudimentos de la función normal con los algoritmos de reconocimiento más mecánicos. Ah, si esta persona que me visita en la habitación del hospital tiene esta cara con forma, esta marca de nacimiento en particular, entonces es mi cónyuge.

Pero lo que convierte a la prosopagnosia adquirida en el espejo de los delirios de Capgras es el hecho de que con la primera, en medio de la destrucción del reconocimiento cognitivo, el sentido afectivo de la familiaridad sigue ahí. Muéstrale a una persona con prosopagnosia una serie de rostros: no, no reconozco a esta persona, tampoco a esa, con una foto de un ser querido en la secuencia, y verás la misma desautorización, no, no reconozco a esta. - Pero el sistema nervioso autónomo responde a la familiaridad. Cambios en la frecuencia cardíaca, cambios de conductancia galvánica de la piel. El reconocimiento se disparó, insistes en que nunca antes habías visto esta cara en tu vida, pero el circuito afectivo del cerebro sabe exactamente quién es; esta es la persona que me hace sentir segura, cuya sonrisa, forma y olor me han saludado. Cada mañana desde que nos unimos a nuestras vidas.

¿QUIÉN ERES ?: Al igual que los delirios de Capgras, la ceguera facial representa una ruptura entre el reconocimiento y la familiaridad. La lucha por identificar a un amigo cercano se puede ver en pinturas fascinantes como "Roy I", un retrato del artista pop Roy Lichtenstein (L), de Chuck Close, afligido por la ceguera.
La artista abstracta Agnes Martin aparece en la pintura de la R, "Agnes". Foto: Chesnot / Getty Images

Las dislocaciones terribles y complementarias de los delirios y prosopagnosia de Capgras muestran lo que sucede cuando separa el equilibrio unido de cognición y emoción. Los módulos separados de nuestros cerebros subyacen a funciones disociables, pero rara vez nos van bien cuando esas funciones se disocian. La disociación de la cognición y la emoción, del reconocimiento y la familiaridad, es lo que hace que los delirios de Capgras sean una metáfora del estado de nuestras mentes en la actualidad.

¿Cómo identificamos a un ser querido? Este es el ámbito del cerebro de los primates.

Para el 99 por ciento de la historia de los homínidos, la comunicación social consistió en interacciones cara a cara con alguien que has cazado y alimentado con la mayor parte de tu vida. Pero luego los componentes de reconocimiento y familiaridad se separaron por la tecnología moderna. Con "tecnología moderna", me refiero a un invento nuevo que surgió hace unos milenios: puedes comunicarte con alguien poniendo rasguños de tinta en un pedazo de papel, y luego enviar ese papel a una gran distancia donde lo descifrarían. Espere, conoce a alguien por sus microexpresiones, sus feromonas, su totalidad, no mediante la evaluación implícita de la frecuencia de las palabras en su letra o el garabato de su firma. Este fue un primer golpe tecnológico al sentido habitual de familiaridad de los primates. Y los retos se han acelerado exponencialmente desde allí. ¿Es este mensaje de texto de mi ser querido, me parece familiar? Bueno, eso depende. ¿Qué emoticon usaron?

Así, la vida moderna no solo ha disociado el reconocimiento y la familiaridad, sino que ha empobrecido a este último en el proceso. Esto se ve agravado por nuestra frenética habilidad en la multitarea, especialmente en la multitarea social. Un estudio reciente de Pew informó que el 89 por ciento de los propietarios de teléfonos celulares utilizaron sus teléfonos durante su reunión social más reciente. Reducimos nuestras conexiones sociales a simples hilos para que podamos mantener la mayor cantidad posible de ellas. Esto nos deja con señales de familiaridad que son restos frágiles de lo real.

Esto puede llevar a un problema; Es decir, que nos volvemos cada vez más vulnerables a los impostores. Nuestras vidas en las redes sociales están llenas de simulaciones y simulaciones de simulaciones de la realidad. Nos contactan en línea personas que afirman que nos conocen, que desean salvarnos de las violaciones de la ciberseguridad, que nos invitan a abrir sus enlaces. Y quienes probablemente no sean quienes dicen ser.

Por cualquier lógica, esto debería inducirnos a todos a tener delirios de Capgras, para encontrar plausible que todos los que nos encontramos son un impostor. Después de todo, ¿cómo es posible que la fe en la veracidad de una persona no se vea afectada cuando enviaste todo ese dinero al tipo que afirmó que era del IRS?

Pero algo muy diferente ha ocurrido en su lugar. Esta disminución de la familiaridad de los primates frente a la tecnología nos lleva a confundir a un conocido con un amigo, simplemente porque los dos tienen una racha de Snapchat durante los últimos días, o porque a ambos les gustan las mismas páginas de Facebook. Nos permite intimar con personas cuya familiaridad demuestra ser falsa. Después de todo, ahora podemos enamorarnos de personas en línea cuyo cabello nunca hemos olido.

A lo largo de la historia, el síndrome de Capgras ha sido un espejo cultural de una mente disociativa, donde los pensamientos de reconocimiento y los sentimientos de intimidad se han separado. Sigue siendo ese espejo. Hoy pensamos que lo que es falso y artificial en el mundo que nos rodea es sustancial y significativo. No es que los seres queridos y los amigos se confundan con simulaciones, sino que las simulaciones se confunden con ellos.

Contaminación de información vía bot sociales: Puede ser muy fácil

Contaminación de la información por bots sociales.

Xiaodan Lou, Alessandro Flammini, Filippo Menczer
ArXiv




Las redes sociales son vulnerables a los robots sociales engañosos, que pueden hacerse pasar por humanos para amplificar la información errónea y manipular las opiniones. Poco se sabe acerca de las consecuencias a gran escala de tales operaciones de contaminación. Aquí presentamos un modelo de información basado en agentes con preferencia de calidad y atención individual limitada para evaluar el impacto de diferentes estrategias que los robots pueden explotar para contaminar la red y degradar la calidad general del ecosistema de información. Descubrimos que penetrar en una fracción crítica de la red es más importante que generar contenido que llame la atención y que apuntar a usuarios aleatorios es más dañino que apuntar a nodos centrales. El modelo es capaz de reproducir patrones empíricos sobre la amplificación de la exposición y la viralidad de la información de baja calidad. Discutimos las ideas proporcionadas por nuestro análisis, con un enfoque en el desarrollo de contramedidas para aumentar la resistencia de los usuarios de las redes sociales a la manipulación.

1907 06130

Leer más publicaciones en Calaméo

Políticas de infraestructura a través de datos de conexiones de celulares en países no desarrollados

El potencial de los datos de los teléfonos móviles para informar la planificación de la infraestructura en los países en desarrollo

Hadrien Salat, Zbigniew Smoreda, Markus Schläpfer
ArXiv





Los datos del censo de alta calidad no siempre están disponibles en los países en desarrollo. En cambio, los datos de los teléfonos móviles se están convirtiendo en un proxy para evaluar la densidad de la población, la actividad y las características sociales. Ofrecen ventajas adicionales para la planificación de la infraestructura, como la actualización en tiempo real, incluida la información de movilidad y el registro de la actividad temporal de los visitantes. Combinamos varios conjuntos de datos de Senegal para evaluar el potencial de los datos de teléfonos móviles para reemplazar datos de censos insuficientes para la planificación de infraestructura en países en desarrollo. Como un caso aplicado, probamos su capacidad para predecir con precisión el consumo doméstico de electricidad. Mostramos que, contrariamente a lo que se cree, la actividad promedio de los teléfonos móviles no está bien correlacionada con la densidad de población. Sin embargo, puede proporcionar mejores estimaciones de consumo de electricidad que los datos del censo básico. Más importante aún, utilizamos con éxito las técnicas de agrupación de redes y curvas para mejorar la precisión de las predicciones, recuperar un buen potencial de mapeo de la población y reducir la recopilación de datos informativos para la planificación a muestras sustancialmente más pequeñas.

1907 04812

Leer más publicaciones en Calaméo

Explicando diferencias de género en la academia: La duración de la carrera explica mucho

Comparación histórica de la desigualdad de género en las carreras científicas entre países y disciplinas

Junming Huang, Alexander J. Gates, Roberta Sinatra, Albert-Laszlo Barabasi
(Enviado el 9 de julio de 2019)
PDF



Existe una amplia evidencia, aunque fragmentada, de diferencias de género en la academia, lo que sugiere que las mujeres están poco representadas en la mayoría de las disciplinas científicas, publican menos artículos a lo largo de una carrera y su trabajo adquiere menos citas. Aquí, ofrecemos una imagen completa de las discrepancias de género longitudinales en el rendimiento a través de un análisis bibliométrico de las carreras académicas mediante la reconstrucción de la historia completa de la publicación de más de 1,5 millones de autores con identidad de género cuya carrera editorial terminó entre 1955 y 2010, cubriendo 83 países y 13 disciplinas. Encontramos que, paradójicamente, el aumento de la participación de las mujeres en la ciencia en los últimos 60 años fue acompañado por un aumento de las diferencias de género tanto en la productividad como en el impacto. Sin embargo, lo más sorprendente es que descubrimos dos invariantes de género, al encontrar que hombres y mujeres publican a una tasa anual comparable y tienen un impacto equivalente en su carrera para el mismo tamaño de trabajo. Finalmente, demostramos que las diferencias en las tasas de deserción y la duración de la carrera explican una gran parte de las diferencias informadas en cuanto a la carrera en la productividad y el impacto. Este panorama integral de la desigualdad de género en el mundo académico puede ayudar a reformular la conversación sobre la sostenibilidad de las carreras de las mujeres en el mundo académico, con importantes consecuencias para las instituciones y los responsables de la formulación de políticas.

1907 04103

Leer más publicaciones en Calaméo

Modelos epidémicos basados en estructuras de red simuladas

Inferencia de red a partir de la observación a nivel poblacional de epidemias

F. Di Lauro, J.-C. Croix, M. Dashti, L. Berthouze, I.Z. Beso


El paradigma de redes es ampliamente aceptado como el estándar de oro en el modelado de sistemas complejos tales como epidemias o actividad neuronal en el cerebro; sin embargo, en la mayoría de los casos, se desconoce la naturaleza exacta de la red en la que se desarrolla dicha dinámica. Esto ha motivado una cantidad significativa de trabajo en la inferencia de la red. Si bien una gran cantidad de trabajo se ocupa de inferir la estructura de red basada en datos temporales detallados a nivel de nodo, en este trabajo abordamos el escenario más desafiante de inferir la familia de la red subyacente cuando solo se dispone de datos de incidencia temporal a nivel de población. Un obstáculo clave es la alta dimensionalidad prohibitiva del modelo epidémico estocástico resultante. Para abordar esto, aproximamos el modelo susceptible-infectado-susceptible (SIS) en redes mediante un proceso de Nacimiento-Muerte, cuyas tasas codifican la estructura de la red subyacente y la dinámica de la enfermedad. Usando simulaciones sistemáticas, proponemos un modelo parsimonioso (tres parámetros) de estas tasas y mostramos que diferentes familias de redes bien conocidas se mapean en distintas regiones del espacio de parámetros de este modelo. Este resultado proporciona una caracterización a priori de diferentes familias de redes. Luego, dados los datos de la epidemia temporal a nivel de la población, empleamos un clasificador bayesiano para derivar distribuciones posteriores en diferentes familias de redes. Demostramos que la metodología propuesta produce excelentes resultados cuando se prueba en redes sintéticas y del mundo real. Nuestro marco se extiende fácilmente a muchas familias de redes y procesos de difusión y podría proporcionar un nuevo punto de referencia en la inferencia de redes a partir de datos a nivel de población.

Tópicos:	Populations and Evolution (q-bio.PE); Physics and Society (physics.soc-ph)
Citar como:	arXiv:1906.10966 [q-bio.PE]
	(or arXiv:1906.10966v1 [q-bio.PE] para esta versión)

1906 10966

Leer más publicaciones en Calaméo

Cómo, con qué, para qué: Herramientas para investigar datos de Twitter

Uso de Twitter como fuente de datos: una visión general de las herramientas de investigación en redes sociales (2019)

LSE Impact Blog

Twitter y otras plataformas de redes sociales representan un recurso grande y en gran parte sin explotar para datos y pruebas sociales. En esta publicación, Wasim Ahmed actualiza su serie recurrente en el Blog de Impacto, para ofrecerle los últimos desarrollos en métodos y metodologías digitales para investigar Twitter y otras plataformas de medios sociales.

Esta publicación se basa en las ediciones de 2015 y 2017 de esta publicación, captura tendencias y eventos clave que están configurando la investigación en redes sociales para los científicos sociales y proporciona una colección de métodos y herramientas de investigación para el análisis de datos de redes sociales.

Desde la edición de 2017 de esta publicación de blog, he visto usos aún más únicos e interesantes de los datos de las redes sociales en una amplia variedad de disciplinas de investigación, como sociología, informática, medios y comunicación, ciencia política e ingeniería, solo por mencionar pocos. Las plataformas de medios sociales generan una gran cantidad de datos diariamente sobre una variedad de temas y, en consecuencia, representan una fuente clave de información para cualquiera que busque estudiar la sociedad del siglo XXI.

Twitter sigue siendo la plataforma más popular para la investigación académica, ya que aún proporciona sus datos a través de una serie de interfaces de programación de aplicaciones (API). En contraste, las consecuencias de la "violación de datos" de Cambridge analytica han llevado a ciertas plataformas de redes sociales a limitar los datos proporcionados a través de sus interfaces de programación de aplicaciones. Sin embargo, aunque puede que no sea posible obtener datos de todas las plataformas de redes sociales, aún es posible realizar una investigación cualitativa y cuantitativa, como entrevistas y encuestas, con miembros de comunidades en línea.

Los estudios en redes sociales se pueden encuadrar a partir de una amplia variedad de teorías, construcciones y marcos conceptuales de una amplia variedad de disciplinas y recomendaría echar un vistazo a este documento: Social media research: Theories, constructs, and conceptual frameworks, que resume muy bien algunos de estos enfoques.

También hay una serie de enfoques de investigación que se pueden utilizar como Netnography y Digital Ethnography, que proporcionan marcos para realizar investigaciones en el mundo en línea. La netnografía, por ejemplo, puede basarse en la descarga de datos directamente desde una plataforma de redes sociales, anotando observaciones personales de una comunidad en línea y entrevistando a usuarios de redes sociales. Además, también hay una serie de métodos específicos para el análisis de datos de redes sociales que se resumen en la Tabla 1 a continuación.

Tabla 1: Resumen de los métodos de investigación

Método	Descripción
Análisis de contenido	El análisis de contenido se puede utilizar para etiquetar sistemáticamente texto, audio y / o comunicación visual de las redes sociales, y puede proporcionar un resultado numérico. Un estudio de ejemplo que utiliza el análisis de contenido en tweets se puede acceder aquí. Una descripción útil del método se puede encontrar aquí. Está bien tomar una muestra aleatoria sistemática de entre el 1% y el 10% del conjunto de datos en función del volumen de datos recuperados.
Análisis temático	El análisis temático implica un proceso riguroso para ubicar patrones dentro de los datos a través de la familiarización, la codificación y el desarrollo y revisión de temas. Un ejemplo de un estudio que utiliza el análisis de redes sociales se puede encontrar aquí. Una guía útil para aplicar el análisis temático se puede encontrar aquí. El análisis temático también puede ser conocido como análisis del discurso. De manera similar al análisis de contenido, está bien tomar una muestra aleatoria sistemática de entre el 1% y el 10% del conjunto de datos, según el volumen de datos recuperados.
Análisis de redes sociales	El análisis de redes sociales se puede utilizar para medir y mapear las relaciones entre individuos, organizaciones, páginas web y entidades de información y / o conocimiento. Consulte este artículo y el material complementario para conocer cómo incorporar el análisis de redes sociales en un estudio. Aquí se puede acceder a un recurso útil para analizar datos de redes sociales utilizando el análisis de redes sociales.
Machine Learning	El aprendizaje automático o machine learning es un tipo de inteligencia artificial que permite que las computadoras aprendan sin ser programadas. También puede involucrar a personas que etiquetan un subconjunto de datos y permite que la computadora aprenda y codifique el resto de los datos. Aquí se puede acceder a un estudio que utiliza el aprendizaje automático para analizar los perfiles de los usuarios de Twitter.
Análisis semántico (Lingüistica)	El análisis semántico puede examinar el significado del lenguaje utilizado y también la relación entre los casos de palabras, frases y cláusulas. Aquí se puede acceder a una presentación útil que utiliza análisis semántico para examinar Twitter. Describe un estudio realizado por el Dr. Mark McGlashan.
Análisis de series de tiempo	El análisis de series de tiempo rara vez se utiliza un método en sí mismo y generalmente se combina con otros métodos. Traza la frecuencia de las redes sociales a través del tiempo. A menudo se utiliza para complementar otros tipos de análisis. Mi tesis doctoral proporciona un ejemplo de la utilización del análisis de series de tiempo junto con otros métodos de investigación, como el contenido y el análisis temático. Se puede acceder aquí.

La Tabla 2 a continuación proporciona una descripción general de las herramientas para recuperar datos de redes sociales

Tabla 2: Una revisión de las herramientas para 2019

Herramienta	SO	Se descarga/accede desde	Plataformas*
Audiense	Basado en la Web	https://audiense.com/	Twitter
Brand24	Basado en la Web	https://brand24.com/features/#4	Twitter, Facebook, Instagram, Blogs, Forums, Videp
Brandwatch	Basado en la Web	https://www.brandwatch.com/	Twitter, Facebook, YouTube, Instagram, Sina Weibo, VK, QQ, Google+, Pinterest, blogs en línea
Chorus (gratis)	Windows (Desktop advisable)	http://chorusanalytics.co.uk/chorus/request_download.php	Twitter
COSMOS Project (gratis)	Windows & MAC OS X	http://socialdatalab.net/software	Twitter
Echosec	Basado en la Web	https://www.echosec.net	Twitter, Instagram, Foursquare, Panoramio, AIS Shipping, Sina Weibo, Flickr, YouTube, VK
Followthehashtag	Basado en la Web	http://www.followthehashtag.com	Twitter
IBM Bluemix	Basado en la Web	https://www.ibm.com/cloud-computing/bluemix	Twitter
Keyhole	Basado en la Web	https://keyhole.co/	Twitter, Instagram, Facebook
Mozdeh (gratis)	Windows (se recomienda pc)	http://mozdeh.wlv.ac.uk/installation.html	Twitter
Netlytic	Basado en la Web	https://netlytic.org	Twitter, Facebook, YouTube, RSS Feed
NodeXL	Windows	http://nodexl.codeplex.com	Twitter, YouTube, Flickr, Wikipedia
NVivo	Windows y MAC	http://www.qsrinternational.com/product	Twitter, capacidad de importar
Pulsar Social	Basado en la Web	http://www.pulsarplatform.com	Twitter, Facebook topic data, blogs en línea
Social Elephants	Basado en la Web	https://socialelephants.com/en/	Twitter, Facebook, Instagram, YouTube
Symplur (Healthcare focus)	Basado en la Web	https://www.symplur.com/	Twitter
SocioViz	Basado en la Web	http://socioviz.net	Twitter
Trendsmap	Basado en la Web	https://www.trendsmap.com	Twitter
Trackmyhashtag		https://www.trackmyhashtag.com/	Twitter
Twitonomy	Basado en la Web	http://www.twitonomy.com	Twitter
Twitter Arching Google Spreadsheet (TAGS) (gratis)	Basado en la Web	https://tags.hawksey.info	Twitter
Visibrain	Basado en la Web	http://www.visibrain.com	Twitter
Webometric Analyst (gratis)	Windows	http://lexiurl.wlv.ac.uk	Twitter (con capacidad de extracción de imágenes), YouTube, Flickr, Mendeley, Other web resources

*Algunas herramientas pueden permitir el acceso a otras plataformas y la capacidad de importar sus propios datos.

Recientemente, también se ha vuelto cada vez más difícil para los académicos acceder a datos históricos de Twitter con una serie de servicios para académicos que están llegando a su fin. Esto ha dado lugar a servicios como los proporcionados por ScrapeHero, que permiten a los usuarios obtener datos históricos de Twitter de forma gratuita mediante el uso de web scraping. Sin embargo, esta forma de recuperar Twitter no es recomendable.

Para investigar otras plataformas en Internet, como foros web, blogs y otras plataformas de medios sociales, existen herramientas como Scrape Storm, que es un raspador de web visual basado en la inteligencia artificial y pretende poder recuperar datos de casi cualquier plataforma.

También hay una serie de aplicaciones avanzadas de análisis de datos y estadísticas que se pueden usar para analizar datos de redes sociales, como:

• R
• SPSS
• KNIME
• Weka
• Tableau
• Gephi
• Leximancer

Estos paquetes deben investigarse al decidir qué aplicación se utilizará para un proyecto. También me gustaría mencionar la lista de herramientas de Iniciativas de Métodos Digitales, y la lista de herramientas de la Universidad Ryerson de su Laboratorio de Medios Sociales. Para recuperar datos de Twitter también vale la pena revisar el DMI-TCAT (gratis). SAGE Ocean publicó recientemente una revisión adicional de 100 herramientas de redes sociales.

Para el análisis de imágenes, recomendaría revisar la visión de Google Cloud AI y también existen herramientas como Instaloader que le permiten descargar fotos de Instagram de cuentas públicas. Se realizó un estudio realmente interesante en Instagram y se analizó el hashtag #CheatMeal utilizando el análisis de contenido temático y se puede acceder aquí.

Otro campo en rápido desarrollo de la investigación en redes sociales se centra en la ética. Es importante realizar una investigación ética en redes sociales y recientemente publiqué un capítulo de libro de acceso abierto, que examina el uso de Twitter como fuente de datos y brinda una descripción general de los desafíos éticos, legales y metodológicos. Se puede acceder al capítulo aquí.

Debido a una serie de solicitudes, también he empezado a realizar eventos de capacitación regulares (consulte la lista aquí) con la posibilidad de asistencia virtual. El primero de estos eventos se llevó a cabo en la Escuela de Economía y Ciencias Políticas de Londres el 17 de mayo de 2019 y nuestro hashtag # SMRM19 contiene una gran cantidad de material informativo, ya que el evento fue tweeteado en vivo.