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
