Este blog reúne material del curso de posgrado "Análisis de redes sociales" dictado en la Universidad Nacional del Sur (Argentina).
jueves, 22 de diciembre de 2016
Observación de difusión de noticias falsas a través de Hoaxy
Hay una nueva herramienta para visualizar cómo se difunden noticias falsas en Twitter
Dave Gershgorn - Quartz
Un mapa de "noticias falsas"
Mientras que Facebook trabaja con terceros para advertir a los usuarios sobre noticias falsas en el sitio, otros todavía están tratando de averiguar de dónde viene, y que se está dando esa visibilidad masiva en las redes sociales.
Una nueva herramienta, llamada Hoaxy, intenta hacer exactamente eso: encuentra las demandas falsas más populares, y luego las cartas cuando fueron virales en Twitter y quién las estaba compartiendo. La herramienta también puede hacer comparaciones similares contra sitios de verificación de hechos como Snopes, Politifact y Factcheck.org para mostrar la efectividad de la verdad en contra de estas afirmaciones.
Cuando se busca un término, Hoaxy pasa a través de una lista pública de fuentes conocidas de noticias falsas (como Infowars y NationalReport) y encuentra coincidencias en los titulares y el texto de las historias. A continuación, peines a través de tweets públicos para los enlaces a esas historias, y hace un mapa de quién compartió y retwiteó los enlaces.
Sin embargo, la herramienta viene con una advertencia. Filippo Menczer, profesor de la Universidad de Indiana, que co-dirigir el proyecto, dijo en un comunicado que Hoaxy solamente se basa en las afirmaciones de la falsedad o verdad de que otras personas han hecho.
"No todas las reclamaciones que se pueden visualizar en Hoaxy son falsas, ni estamos diciendo que los verificadores de hechos son 100 por ciento correctos todo el tiempo", dijo. "Corresponde a los usuarios evaluar las pruebas sobre una reclamación y su refutación".
Y al igual que cualquier herramienta de curación automática, es posible que haya sesgos en las listas. Mirando a través de dos reclamaciones falsas populares, que el presidente Barak Obama es un musulmán y Hillary Clinton es el diablo, de Infowar Alex Jones es el epicentro de ambos. ¿Jones realmente es el catalizador de estos engaños que golpean la corriente principal, o es él apenas el punto de datos más grande en esta pequeña porción del Internet?
Follow @davegershgorn
Los fabricantes de Hoaxy, la Universidad de Indiana y el Center for Complex Networks and Systems Research, anteriormente trabajó en otra herramienta que podría decir si un usuario era un bot en Twitter.
domingo, 18 de diciembre de 2016
Intermediación vs Autovalor en la detección de influenciadores
Es la intermediación que importa, no su autovalor: La oscuridad de la influencia
Déjame explicar, antes de pensar que he estado haciendo gárgaras de sopa de letras.
Investigaciones recientes sugieren que las personas más importantes en las redes sociales, en relación con la transmisión de ideas, virus o estados de ánimo, podrían no ser las personas con más seguidores, sino personas que están conectadas a un gran número de individuos a través de caminos más cortos que otros tienen.
En la teoría de la red, estos dos casos son ambos ejemplos de centralidad: maneras de asignar valores a nodos individuales en una red basada en cómo cada nodo se relaciona con los otros.
Las personas más conectadas en una red social -las que tienen el mayor número de conexiones entrantes y salientes- tienen altos valores propios. Estos valores propios pueden ser calculados - como el algoritmo PageRank de Google - ponderando el valor de cada conexión basado en el valor propio del originador.
Pero esta investigación sugiere que una manera diferente de medir la centralidad podría ser más útil para determinar cuánto peso lanzar una persona realmente tiene. Entremeditud es una medida de lo cortas son las cadenas que conecta a una persona con la totalidad de la red. Al igual que PageRank, la interconexión es recursiva: es probable que las personas con la mayor interrelación estén conectadas con otras personas con un alto intermedio.
Esto significa que la gente es influyente porque está conectada con muchas personas influyentes. Pero la influencia no parece estar directamente relacionada con la cantidad de personas a las que está conectado. Es una función de estar conectado a otros que tienen cadenas cortas a muchas otras personas con alto intermedio. O, mirado de otra manera, la interrelación es una medida de cuántos círculos sociales, o escenas sociales, una persona está conectada.
Así que, no es quien sabes, es donde sabes. Es donde usted está situado en la red, y no sólo en el sentido limitado de cuántos contactos inmediatos que tiene.
El misterio sutil de la materia oscura de las redes sociales es que la influencia es oblicua y no se determina fácilmente por los tipos de herramientas que tenemos hoy en día.
No es tu cuenta del seguidor, o quiénes sigues, per se. Pero, en cambio, ¿tiene caminos cortos en otras escenas sociales, tanto entrantes como salientes? Esa es la estructura profunda de estar verdaderamente conectados: pasar por diferentes escenas sociales, actuar como un conducto, un vector, un filtro y un amplificador para las ideas buenas y malas, las mejores percepciones y los virus mortales.
Stowey Boyd and the Messengers
Déjame explicar, antes de pensar que he estado haciendo gárgaras de sopa de letras.
Investigaciones recientes sugieren que las personas más importantes en las redes sociales, en relación con la transmisión de ideas, virus o estados de ánimo, podrían no ser las personas con más seguidores, sino personas que están conectadas a un gran número de individuos a través de caminos más cortos que otros tienen.
- ARVIX blog, Best Connected Individuals Are Not the Most Influential Spreaders in Social Networks
El estudio de las redes sociales ha arrojado más de unas cuantas sorpresas a lo largo de los años. Es fácil imaginar que debido a que los vínculos que se forman entre varios individuos en una sociedad no están gobernados por reglas generales, deben tener una estructura aleatoria. Así que el descubrimiento en los años ochenta de que las redes sociales son muy diferentes fue algo sorprendente. En una red social, la mayoría de los nodos no están conectados entre sí, pero pueden alcanzarse fácilmente mediante un pequeño número de pasos. Esta es la llamada red de mundos pequeños.
Hoy en día, hay otra sorpresa en la tienda para los conocedores de redes cortesía de Maksim Kitsak en la Universidad de Boston y varios amigos. Una de las observaciones importantes de estas redes es que ciertos individuos están mucho mejor conectados que otros. Estos llamados hubs deberían desempeñar un papel mayor en la forma en que la información y los virus se propagan a través de la sociedad.
De hecho, no se ha hecho ningún esfuerzo para identificar a estos individuos y explotarlos para difundir la información con mayor eficacia o para evitar que se propaguen enfermedades.
La importancia de los centros puede haber sido exagerada, dicen Kitsak y amigos. "En contraste con la creencia común, los esparcidores más influyentes en una red social no corresponden a las mejores personas conectadas oa la gente más central", dicen.
A primera vista esto parece un poco contra-intuitivo, pero en la reflexión tiene perfecto sentido. Kitsak y co señalan que hay varios escenarios en los que los centros bien conectados tienen poca influencia sobre la difusión de la información. "Por ejemplo, si un hub existe al final de una sucursal en la periferia de una red, tendrá un impacto mínimo en el proceso de propagación a través del núcleo de la red".
Por el contrario, "una persona menos conectada que está estratégicamente situada en el núcleo de la red tendrá un efecto significativo que conduce a la difusión a través de una gran fracción de la población".
La pregunta entonces es cómo encontrar a estos individuos influyentes. Kitsak y el co dicen que la manera de hacer esto es estudiar una cantidad llamada la "descomposición del k-shell" de la red. Eso suena complicado pero no lo es: una k-shell es simplemente una red podada hasta los nodos con más de k vecinos. Los individuos en los k-conchas más altos son los esparcidores más influyentes.
(Via @karllong)
En la teoría de la red, estos dos casos son ambos ejemplos de centralidad: maneras de asignar valores a nodos individuales en una red basada en cómo cada nodo se relaciona con los otros.
Las personas más conectadas en una red social -las que tienen el mayor número de conexiones entrantes y salientes- tienen altos valores propios. Estos valores propios pueden ser calculados - como el algoritmo PageRank de Google - ponderando el valor de cada conexión basado en el valor propio del originador.
No es quien conoces, sino donde lo conoces.
Pero esta investigación sugiere que una manera diferente de medir la centralidad podría ser más útil para determinar cuánto peso lanzar una persona realmente tiene. Entremeditud es una medida de lo cortas son las cadenas que conecta a una persona con la totalidad de la red. Al igual que PageRank, la interconexión es recursiva: es probable que las personas con la mayor interrelación estén conectadas con otras personas con un alto intermedio.
Esto significa que la gente es influyente porque está conectada con muchas personas influyentes. Pero la influencia no parece estar directamente relacionada con la cantidad de personas a las que está conectado. Es una función de estar conectado a otros que tienen cadenas cortas a muchas otras personas con alto intermedio. O, mirado de otra manera, la interrelación es una medida de cuántos círculos sociales, o escenas sociales, una persona está conectada.
Así que, no es quien sabes, es donde sabes. Es donde usted está situado en la red, y no sólo en el sentido limitado de cuántos contactos inmediatos que tiene.
El misterio sutil de la materia oscura de las redes sociales es que la influencia es oblicua y no se determina fácilmente por los tipos de herramientas que tenemos hoy en día.
No es tu cuenta del seguidor, o quiénes sigues, per se. Pero, en cambio, ¿tiene caminos cortos en otras escenas sociales, tanto entrantes como salientes? Esa es la estructura profunda de estar verdaderamente conectados: pasar por diferentes escenas sociales, actuar como un conducto, un vector, un filtro y un amplificador para las ideas buenas y malas, las mejores percepciones y los virus mortales.
Stowey Boyd and the Messengers
martes, 13 de diciembre de 2016
ARS aplicado al riesgo en una cadena de suministro
Mapeo de riesgo de cadena de suministro mediante análisis de redes de plataformas de productos
Philip Nussa, T.E. Graedel, Elisa Alonso, Adam Carroll
Sustainable Materials and Technologies Volume 10, December 2016, Pages 14–22
Resumen
La tecnología moderna hace uso de una variedad de materiales para permitir su correcto funcionamiento. Para explorar en detalle las relaciones que conectan los materiales con los productos que los requieren, trazamos cadenas de suministro para cinco plataformas de productos (una célula solar de telururo de cadmio, una célula solar de germanio, una pala de turbina, una batería de plomo y un disco duro ) Utilizando una ontología de datos que especifica los actores de la cadena de suministro (nodos) y los vínculos (por ejemplo, el intercambio de materiales y las relaciones contractuales) entre ellos. A continuación, proponemos un conjunto de indicadores de red (complejidad del producto, diversidad de productores, longitud de la cadena de suministro y posibles cuellos de botella) para evaluar la situación de cada plataforma en las redes de la cadena de suministro global. Entre los resultados de interés se encuentran los siguientes: (1) la pala de turbina presenta una alta complejidad del producto, definida por los enlaces materiales a la plataforma; (2) la célula solar de germanio es producida por sólo unos pocos fabricantes a nivel mundial y requiere más pasos de transformación física que las otras plataformas del proyecto; (3) incluyendo la cantidad de producción y los países proveedores en la evaluación muestra que una gran parte de los nodos de la cadena de suministro del imán de disco duro se encuentran en países potencialmente no confiables. Concluimos discutiendo cómo el análisis de redes de cadenas de suministro podría combinarse con análisis de criticidad y escenarios de materias primas abióticas para abarcar un panorama integral del riesgo de plataforma de producto.
1. Introducción
Los intercambios actuales de materias primas, bienes manufacturados, dinero e información son globales y altamente interconectados [1], y la reciente escasez de suministros de metales, junto con la alta demanda, han llevado a un mayor interés en examinar cuestiones de riesgo de suministro en el marco de Evaluaciones de la criticidad de los recursos [2], [3] and [4]. Un ejemplo obvio de interrupciones recientes de suministro es el terremoto de magnitud 9,0 y el tsunami asociado que azotó el norte de Honshu, Japón, el 11 de marzo de 2011, perjudicando gravemente la producción minera de aluminio de aluminio de alta pureza, cadmio, cobre fundido y refinado, ferroníquel, Y otros productos de metal [5] and [6]. El mismo desastre causó la interrupción de los suministros de dióxido de titanio utilizados para hacer pinturas negras y rojas, lo que resultó en la interrupción de la producción de vehículos rojos y negros hasta que se pudieron identificar proveedores sustitutos [6] and [7]. En un ejemplo diferente, la decisión de China de restringir la exportación de metales de tierras raras ha amenazado la fabricación de un espectro de productos, desde vehículos híbridos hasta tecnologías energéticas con bajas emisiones de carbono [8]. El crecimiento tecnológico combinado con el aumento de la población y la riqueza se espera que conduzca a un mayor uso de una amplia gama de materiales. En sí misma, se espera que esta tendencia afecte a las cadenas de suministro de materiales existentes, pero cuando se combinan con desastres naturales y / o medidas de política, las interrupciones del suministro podrían ser más frecuentes, prolongadas y graves.
Algunos recursos obviamente son más preocupantes que otros. En 2008, el Consejo Nacional de Investigación de los Estados Unidos propuso un marco para evaluar la "criticidad" del material basado en el riesgo de suministro de un metal y el impacto de una restricción de oferta [4]. Desde entonces, varias organizaciones de todo el mundo han construido sobre ese marco de varias maneras (2, 3, 9, 10), IW [11], [12], [13] y [14] ). Un enfoque complementario de estas ideas implica evaluar el riesgo de oferta en las cadenas de suministro de recursos de materias primas [15] and [16]. Se puede definir que las cadenas de suministro comprenden todas las etapas de producción y entrega de un producto final o de un bien de consumo del proveedor del proveedor al cliente del cliente, incluida la gestión de la oferta y la demanda, el abastecimiento de materias primas y piezas, fabricación y ensamblaje, 17] y [18]. Una evaluación de la cadena de suministro implica el seguimiento del flujo de recursos de la mina para su uso en el producto final y potencialmente también hasta las etapas de reciclado y eliminación.
A nivel de los sectores económicos o de los países, la información procedente de los modelos de producción de insumos económicos (EIO) y los datos comerciales se utiliza cada vez más para examinar el flujo de productos entre los distintos sectores económicos a nivel nacional [19], [20], [21], [ 22], [23] and [24] and multiregional escalas [25] and [26], pero tal información es difícil de desagregar al nivel de empresas o sitios de producción involucrados.
A nivel de las empresas, las cadenas de suministro se pueden construir sobre la base de información recopilada directamente de las empresas involucradas [27] y [28], o de bases de datos en línea que buscan sectores específicos de la industria (por ejemplo, Marklines Automotive Information Platform, Para investigar la cadena de suministro de automóviles de Toyota).
Aunque a menudo se representan como una serie de pasos que conducen a la distribución de un producto final, las cadenas de suministro se asemejan más a una red. En el contexto del análisis de la cadena de suministro, el uso del análisis de redes es relativamente nuevo [28], [30], [31], [32], [33], [34] y [35]. Sin embargo, las medidas formales de la red se han utilizado, por ejemplo, para comprender la interconexión y la resistencia de la economía de EE.UU. [36], examinar la solidez de la world wide web [37], investigar la estructura de la red de alimentos [38], y Estudiar las redes metabólicas [39] y las redes de comunicaciones [40].
Un pequeño número de estudios recientes hacen uso de tablas físicas de insumo-producto [16] o datos comerciales [15] para investigar las cadenas de suministro de metales, la topología de la red y los riesgos conexos de la cadena de suministro. Sin embargo, debido en parte a la dificultad de obtener datos e información sobre la cadena de suministro para materiales y productos a nivel de empresa [6], [27], [28] and [29], las evaluaciones de la criticalidad de los recursos actuales generalmente no tienen en cuenta los aspectos de riesgo Relacionados con la topología de las cadenas de suministro. A pesar de estos retos, se ha reconocido la necesidad de una mejor cartografía de las cadenas de suministro de materiales, por ejemplo, en el contexto de la seguridad nacional estadounidense [41].
En este estudio, investigamos las cadenas de suministro de metal para cinco plataformas de productos: (1) células solares de telururo de cadmio, (2) células solares de germanio, (3) palas de turbina, (4) baterías de plomo y (5) Estos representan plataformas que consisten en una amplia gama de metales diferentes e implican a diferentes productores. Las cadenas de suministro se construyeron con una estructura de datos diseñada para evaluar las capacidades industriales a nivel nacional, que luego se analizó utilizando indicadores del análisis de redes (Nooy et al., Scott 2000 y Wasserman 1994). Describimos primero el mapeo de la cadena de suministro para cinco plataformas tecnológicas. A continuación describimos las métricas de red utilizadas y discutimos cómo interpretarlas en términos de riesgo de la cadena de suministro. Finalmente, presentamos los resultados del análisis de redes para las cinco plataformas tecnológicas y presentamos una herramienta de análisis de riesgo compuesta plausible.
2. Material y métodos
2.1. Cadenas de suministro
Uno de los objetivos de este estudio es basarse en evaluaciones críticas de los materiales de riesgo, incluyendo los datos de la red de la cadena de suministro. Como tal, desarrollamos una metodología que podría utilizarse en una variedad de productos y materiales y que utilizaría datos accesibles y no patentados. Para este estudio, el riesgo se evaluó desde la perspectiva de los Estados Unidos, en lugar de la perspectiva de una empresa individual o del mundo entero.En un contexto empresarial, las cadenas de suministro se describen generalmente como constituidas por empresas que producen y suministran materiales y piezas y las que las transforman en productos [27]. En ese contexto, se considera que las empresas están vinculadas entre sí en función de las relaciones entre proveedores y clientes, y una cadena de suministro eficiente y flexible es importante para lograr la ventaja del mercado [42]. Para evaluar las capacidades industriales, una cadena de suministro para una plataforma tecnológica puede describirse de manera más general como consistente en todas las empresas que tienen la capacidad de producir materiales y piezas y transformarlas en productos, independientemente de las relaciones individuales proveedor-cliente. La estructura de datos utilizada para evaluar las cinco tecnologías presentadas en este documento debe considerarse dentro del contexto de las capacidades industriales, en oposición a las distintas relaciones proveedor-cliente. En otras palabras, este trabajo presenta el ámbito de las redes de suministro plausibles en lugar de las reales (aunque observamos que la misma metodología descrita en este documento usando el análisis de redes también puede aplicarse a cadenas de suministro específicas si la información sobre las relaciones individuales proveedor-cliente es Disponible, por ejemplo, a una empresa o agencia gubernamental).
La cadena de suministro para cada una de nuestras cinco plataformas tecnológicas consta de varios metales, como se resume en la Tabla 1. La complejidad de la plataforma abarca desde dos elementos (célula solar Ge) hasta trece elementos (pala de turbina). Debido a que el objetivo de este estudio es la interpretación y el uso de las métricas de red en el contexto del análisis de la cadena de suministro, consideramos solamente una lista preliminar de metales al trazar las cadenas de suministro para cada plataforma tecnológica. Todas las plataformas consideradas representan productos semiacabados, ya que la producción del producto final (acabado) requeriría, en la mayoría de los casos, etapas posteriores y materiales / subconjuntos adicionales. Información adicional: Sección 1. Las cadenas de suministro investigadas en este documento están todas basadas en información disponible públicamente.
Platform # | 1 | 2 | 3 | 4 | 5 |
---|---|---|---|---|---|
Platform | Cadmium telluride (CdTe) solar cell | Germanium (Ge) solar cell | Turbine bladea | Lead-acid battery | Hard drive magnetb |
Elements considered | Cd, Te, Cu | Ge, Cu | Ni, Co, Al, Cr, Ta, W, Mo, Re, Hf, Y, B, Pt, Zr | Pb, Sb | Nd, Fe, B, Sm, Co |
Primary commodities | Cd: companion from Zn Te: companion from Cu Cu: host element | Ge: companion from Zn, coalc Cu: host element | Ni: host element Co: bachelor elementd Al: host element Cr: bachelor elementd Ta: host element W: bachelor elementd Mo: host element Re: companion from Mo Hf: companion from Zr Y: companion with other rare earths B: bachelor elementd Pt: host element Zr: companion from Ti | Pb: host element Sb: host element | Nd, Fe, B (NIB) Sm, Co (SmCo) |
Data Sources | [43]; [44]; [45]; [46]; [47] | [48]; [49]; [50]; [51]; [52]; [45]; [53] | [46] | [54]; [45]; [55] | [56]; [45]; [46] |
- a
- b
- The magnetic material currently used in hard-disk heads is a neodymium-iron-boron alloy which has largely replaces the samarium-cobalt magnet developed in the 1960s [59]. In this paper both types of magnets are considered.
- c
- Zinc is sometimes a byproduct of coal combustion (fly ash) from energy generation.
- d
- A host element is one that typically contains other elements in its ores. A companion is an element that is recovered from host element ores. A bachelor element is one that occurs by itself in geological deposits.
Las relaciones proveedor-proveedor de la estructura de datos, que generalmente son confidenciales en cuanto a los negocios, no fueron el centro de esta evaluación. En su lugar, utilizamos una metodología de mapeo de red titulada SMART (Strategic Materials Analysis & Reporting Topography). La estructura de datos de red de la cadena de suministro SMART [60] consiste en dos tipos principales de relaciones. En el componente de enfoque de materiales, los materiales están enlazados de mineral a óxido a partes a la plataforma tecnológica. En el componente de enfoque corporativo, las empresas y las instalaciones están vinculadas a estos materiales para indicar su capacidad para producir y transformar los materiales en la plataforma tecnológica. Bajo esta estructura de datos, los tipos de material (por ejemplo, material, elemento, parte, plataforma), tipos de organización (por ejemplo, empresa, industria) y tipos de sitio (por ejemplo, depósitos, instalación de minería o refinación) se asignan como nodos individuales. Estos nodos se enlazan entre sí describiendo la relación entre cada par de nodos como se muestra en la Tabla 2, creando así una red dirigida (pero no ponderada). Una figura esquemática que ilustra la estructura de datos se muestra en la Fig. 1 para la plataforma de células solares CdTe.
Nodos | Ejemplo de enlace |
---|---|
Materials and components | Ore “produced into” oxide |
Platform | Materials and components “produced into” platform |
Company | Company “operates” refining facility or “produces” oxide |
Deposit | Ore “occurs in” a deposit |
Facility | Oxide “produced at” facility |
Fig. 1.
Diagrama esquemático de la cadena de suministro para la plataforma de células solares CdTe, generada por el sistema SMART. Las fuentes de datos para las minas, fundiciones y refinerías, así como las empresas que controlan estas instalaciones se proporcionan en la información de apoyo.
En la Fig. 1, los nodos de material están conectados entre sí a través de enlaces que representan pasos de transformación física. Los nodos de tipo de material están vinculados a sus respectivos productores (por ejemplo, mina, fundición y refinería) ya las organizaciones involucradas en las operaciones. Se puede incorporar información adicional a la red utilizando distintos estilos de vínculos entre tipos de material, tipos de organización y tipos de sitio, que describen, por ejemplo, la propiedad de una organización, materiales almacenados por una organización u organizaciones con filiales. En el presente estudio nos centramos en un número limitado de metales en cada aplicación de producto, pero el mismo enfoque para construir y analizar la red también puede aplicarse a otros recursos abióticos y bióticos, así como a plataformas de productos más complejas (que consisten en más materiales ).
2.2. Análisis de red
2.2.1. Métricas de red
Todas las cadenas de suministro se construyeron de acuerdo con la estructura de datos SMART y luego importados en el Gephi 0.8.2 beta software de análisis de red [61] para su posterior análisis. El software Gephi permite la visualización y análisis de redes de diversos tamaños utilizando métricas de red. Como se muestra en la Tabla 3, usamos cuatro métricas de red (discutidas a continuación) para investigar las características de una plataforma tecnológica en su red de cadena de suministro.Complejidad del producto (grado entrante) | Diversidad de productores (grado saliente) | Longitud media de la cadena de suministro (centralidad de proximidad, no dirigida) | Número máximo de pasos de transformación física (excentricidad, dirigida) | |
---|---|---|---|---|
Descripción de la métrica de reda | El número de enlaces entrantes representa el número de materiales (por ejemplo, elementos, materiales, partes o componentes) necesarios para obtener la plataforma. | El número de enlaces salientes representa: (1) el número de nodos de material descendente (en los casos en que el nodo no es una plataforma final) y (2) el número de sitios de producción. | El promedio de pasos desde el nodo bajo investigación a cualquier otro nodo en la red. Indicador de pasos de transformación física y relaciones contractuales. | Indica sólo pasos de transformación física. |
Interpretación del riesgo de la cadena de suministroa | Mayor centralidad en grado se traduce en una mayor complejidad del producto. | Una mayor conectividad se traduce en una mayor diversidad de productores o múltiples usos. | Más pasos de transformación física aumentan la probabilidad de distorsión. Cada relación contractual agrega una capa de información o flujos monetarios. | Más pasos se traducen en mayor probabilidad de distorsión de los flujos físicos. |
- a
2.2.1.1. Centralidad de grado entrante
La centralidad de grado entrante es una medida de la complejidad de la plataforma de producto con respecto al número de materiales entrantes (atributos de enlace: "vinculado a", "producido en" y "utilizado para producir"). Por ejemplo, una cuchilla de turbina requiere claramente muchos más metales o metaloides para funcionar (en grado = 13) que, por ejemplo, una batería de plomo-ácido (en grado = 2). El valor en grado dependerá obviamente de la integridad de las cadenas de suministro con respecto al número de materiales considerados en una plataforma de producto. Sin embargo, puede permitir una comparación inicial a través de una variedad de plataformas de productos. Observamos que los nodos de material con mayor grado de grado pueden ser más propensos a enfrentarse a desafíos de oferta simplemente debido al mayor número de materiales upstream requeridos. La medida en grado podría mejorarse al incluir también información sobre el número de materiales potencialmente sustituibles en la evaluación. Para una serie de usos finales primero y segundo tal información se da, por ejemplo, en [62].2.2.1.2. Centralidad de grado saliente
La centralidad de grado saliente se refiere a la vinculación de un nodo de material con otro material o nodos de tipo de sitio. Un mayor grado de salida se refiere a un mayor número de organizaciones que participan en la fabricación de la plataforma del producto. Por ejemplo, la batería de plomo-ácido está ampliamente fabricada (salida = 35), y la interrupción del suministro es menos probable que, por ejemplo, una celda solar de germanio o una pala de turbina, producidas por sólo unos pocos fabricantes a nivel mundial. Información: Tabla S7). De manera similar, la medida de la centralidad del grado (la suma de centralidad de entrada y salida para un nodo) se puede aplicar a cualquiera de los otros nodos de material a lo largo de la cadena de suministro para obtener una primera impresión de materiales potencialmente suministrados solamente por unos pocos suministros Actores de la cadena.2.2.1.3. Centralidad de la cercanía
La medida de cercanía en una red se puede utilizar para determinar la longitud de la ruta más corta promedio entre la plataforma del producto y todos los otros nodos de la red. Las plataformas de productos con menor centralidad de proximidad están conectadas a cadenas de suministro más cortas y, por lo tanto, es menos probable que encuentren distorsión en los flujos físicos y de información. Como tales, sus cadenas de suministro están en menor riesgo.2.2.1.4. Excentricidad
Esta medida considera hasta qué punto la plataforma de producto es del actor de cadena de suministro más alejado. Refleja el número máximo de pasos de transformación física necesarios para producir la plataforma del producto.2.3. País productor y cuota de producción
La red resultante de la topología SMART consiste en flujos físicos y flujos de información, pero no incluye datos sobre la intensidad de los enlaces (es decir, información sobre la cantidad de flujo de materiales (o información) de un nodo material a otro). Debido a que la cantidad de material intercambiado entre los diferentes nodos es importante para destacar a actores importantes de la cadena de suministro (por ejemplo, algunas empresas pueden suministrar la mayor parte de una materia prima y, por lo tanto, es crucial para el funcionamiento general de la cadena de suministro) Puede ser confidencial corporativo, utilizamos la clasificación ordinal para incluir la información del país y el tamaño del productor en el análisis.Para abordar el riesgo de suministro impuesto por las instalaciones ubicadas en países desafiantes o sitios de producción que aportan una gran proporción de flujo de material físico a un nodo material, incorporamos una medida de riesgo de riesgo del productor (RAR) (Tabla 4). En general, cuanto mayor sea la proporción de un recurso material suministrado por un solo productor o fabricante, mayor será el riesgo de que los suministros de ese recurso puedan quedar indisponibles por alguna razón. En nuestro enfoque indicamos cualitativamente (es decir, distinguimos entre productores pequeños, medianos o grandes) la contribución de los nodos de tipo de sitio (u organizaciones si la información a nivel de sitio no se incorpora a la evaluación) implicada en la producción de un material.
País del proveedor | Tamaño de la organización | ||
---|---|---|---|
Pequeño | Medio | Grande | |
Potencialmente poco confiable | 6 | 8 | 9 |
Algo confiable | 3 | 5 | 7 |
USA o muy confiable | 1 | 2 | 4 |
La información sobre el país proveedor (es decir, donde un nodo está ubicado geográficamente) también se incorpora en la evaluación. Esto se hace utilizando la ubicación de cada nodo de tipo de sitio y tipo de organización y aproximadamente especificando la relación del país proveedor con los Estados Unidos (por ejemplo, el nodo ubicado en los Estados Unidos u otro país muy confiable, en un país confiable , En un país algo confiable, o en un país potencialmente poco confiable). Para esta determinación utilizamos la nomenclatura de la Política de Fabricación y Base Industrial (MIBP) del Departamento de Defensa de los Estados Unidos (DOD) [63]:
- "Muy fiable" se refiere a los Estados Unidos, Australia, Canadá, Finlandia, Italia, los Países Bajos, Suecia y el Reino Unido (estos países tienen un acuerdo de seguridad de suministro con los Estados Unidos);
- "Confiable" se refiere a Nueva Zelanda, Japón, Corea del Sur, y todos los países de la UE-28 excepto los listados arriba;
- "Potencialmente poco confiable" se refiere a Rusia, China, Irán, Corea del Norte y Ucrania (a partir del otoño de 2015);
- "Algo confiable" se refiere a todos los demás países.
A continuación se obtiene la calificación general de riesgo de riesgo del productor (RAR) (que incorpora la cantidad de producción y el país proveedor) como se muestra en la Tabla 4, con una puntuación más alta que indica un mayor riesgo.
Por ejemplo, 5N y Umicore producen la mayoría de las obleas Ge metal y Ge usadas en células solares Ge (es decir, son grandes productores) [48], [49] and [53]. Sus instalaciones se encuentran en Estados Unidos y Canadá ("USA o muy confiable"). La puntuación de evitación de riesgo resultante sería, por lo tanto, igual a cuatro.
Por último, cabe señalar que sólo construimos y analizamos la cadena de suministro como una "instantánea" en el tiempo. Sin embargo, en realidad las cadenas de suministro pueden cambiar con el tiempo, por ejemplo, los nodos pueden surgir o desaparecer y, por lo tanto, un gráfico de cadena de suministro construido durante un año puede no ser representativo de la situación en cualquiera de los años dados. Si existen datos para mapear las cadenas de suministro en varios años, se pueden aplicar las mismas métricas de red para captar la situación en cada año y una puntuación de riesgo resultante puede ser la puntuación media o más alta encontrada para cada indicador a lo largo de los años analizados. Además, nuestras redes no capturan la dinámica posible debido a las decisiones tomadas por los actores individuales de la cadena de suministro ("agentes"). Por ejemplo, diferentes usuarios finales de materiales pueden ser capaces de pagar más por un material determinado que otros. Tal dinámica podría ser incluido en el futuro utilizando herramientas de modelado basado en agentes [64] and [65].
3. Resultados y discusión
3.1. Comparación de la plataforma de productos
Los resultados del análisis de red para las cinco plataformas se muestran en la Tabla 5. Una de las redes se visualiza en la Fig. 2 como ejemplo, con todas las demás visualizaciones de red presentadas en la Información de soporte: Sección 3.1.Fig. 2.
Representación visual de la cadena de suministro de la célula solar CdTe, número de nodos: 617, número de aristas (enlaces): 999. La red se presenta utilizando algoritmos dirigidos por fuerza [66] y [67].
En las cinco plataformas de productos, el número de nodos oscila entre 250 para la cadena de suministro de plomo-ácido y 672 para la pala de turbina (Información de apoyo: Sección 3.1). Cuatro de las medidas de red, en grado, fuera de grado, centralidad de cercanía normalizada y excentricidad (Tabla 3), permiten comparaciones directas entre plataformas de productos.
Por ejemplo, un imán de disco duro está a una media de 2,26 pasos de distancia de cualquier otro nodo de la red, mientras que la célula solar Ge requiere aproximadamente un paso adicional (cercanía = 3,44) para alcanzar los otros nodos de la red.
A primera vista, puede resultar sorprendente que la pala de turbina, que tiene una red relativamente grande con 672 nodos (información de apoyo: figura S9), se encuentra que es la plataforma con la segunda centralidad de proximidad más baja (cercanía = 2,51). Sin embargo, esto puede explicarse por el hecho de que la plataforma de la pala de turbina está situada cerca del centro del gráfico y tiene conexiones directas con todos los materiales, mientras que la célula solar de germanio (información de soporte: Fig. S8) está situada más cerca de la periferia de El gráfico, en virtud de su dependencia de germanio, un subproducto de metal.
Encontramos que la célula solar Ge está a un máximo de 5 pasos de distancia de todos los nodos de material, mientras que la cuchilla de turbina, la batería de plomo ácido y el imán de disco duro están a sólo 2 pasos de distancia de otros nodos de material de la red. Debe observarse que un mayor número de etapas de transformación se traduce en una mayor probabilidad de interrupciones del suministro.
En general, la célula solar Ge parece ser más propensa a las interrupciones de suministro que las otras plataformas de productos investigados. Esto se debe al hecho de que sólo existen pocos productores de la plataforma de productos y más etapas de la cadena de suministro están involucradas para alcanzar la plataforma de producto final. Por otra parte, en el caso de las plataformas de productos de imanes de disco duro y de palas de turbina, una parte mayor de los actores de la cadena de suministro se encuentran en países desafiantes o dependen de sitios de producción que contribuyen con gran parte del flujo de material físico. Cabe señalar que las métricas de red proporcionan sólo una imagen parcial del riesgo de suministro asociado con un material y deben complementarse con indicadores adicionales, por ejemplo, del análisis de criticidad de materias primas (véase también Conclusiones y perspectivas).
Obsérvese también que, para permitir comparaciones adecuadas, las cadenas de suministro deben construirse con un nivel de detalle similar. Por ejemplo, incluir una etapa de transformación de material adicional que tenga lugar dentro de la misma instalación que un paso separado en la red incrementaría medidas tales como la excentricidad y la centralidad de cercanía. Para un análisis comparativo, las plataformas tecnológicas deberían idealmente evaluarse también en la misma posición en la cadena de suministro (por ejemplo, a nivel del producto semiacabado o final).
3.2. Destacando actores importantes: organizaciones (Cuadro S8)
3.2.1. Centralidad de grado
Las medidas de red calculadas para nodos de tipo organización y sitio también se pueden utilizar para identificar actores importantes de la cadena de suministro. Para las organizaciones, la centralidad fuera de los grados indica el número de enlaces a los nodos del tipo de sitio que son propiedad o están operados por una empresa en particular. Una puntuación más alta se interpreta como reflejo de menor riesgo (desde la perspectiva del nodo investigado), debido a una mayor propiedad (operación) de los sitios de producción. Como se muestra en el Cuadro S8, las empresas identificadas por su elevada centralidad son, por lo general, empresas multinacionales (por ejemplo, Grupo México, Codelco, Anglo American) o países (por ejemplo, China, India) con un gran número de minas, fundiciones y refinerías. Estos actores de la cadena de suministro operan o poseen una cartera diversificada de sitios de producción y son menos propensos a sufrir interrupciones en la cadena de suministro (por ejemplo, el cierre de una mina debido a huelgas, cambios en la legislación o desastres naturales) que las contrapartes del tipo de organización conectadas a Menos sitios de producción o materiales. Si estos actores experimentan un huelgo en la cadena de suministro en un lugar, queda un número suficiente de otros sitios de producción para continuar las operaciones. Por ejemplo, en la cadena de suministro de células solares Ge, Grupo México (empresa) y China (país) se destacan como teniendo influencia sobre un gran número de sitios de producción (como lo indican sus elevadas puntuaciones de centralidad fuera de grado).3.2.2. Centralidad de cercanía
Los nodos de organización con alta cercanía (Tabla S8) están situados en la periferia de la red de la cadena de suministro, lejos de otros actores de la cadena de suministro. Para estos nodos, la probabilidad de interrupciones del suministro debido a la interrupción de los flujos físicos y / o el intercambio de información es alta. Por ejemplo, en la cadena de suministro de baterías de plomo-ácido, Kirguistán participa en la propiedad de una única mina de antimonio y, por tanto, en la periferia de la red (cercanía = 4,98). La eliminación de esta conexión única desconectaría el país de la red restante. Además, se requieren varios pasos para pasar de la producción de antimonio a la fabricación de la batería de plomo-ácido. Por otro lado, China posee numerosos sitios de producción (minas y fundiciones) que proporcionan concentrado de plomo y metal. Por lo tanto, el país está más estrechamente relacionado con los otros nodos de la red (cercanía = 3,34) y tendrá una mayor influencia sobre la cadena de suministro que Kirguistán. Tenga en cuenta, sin embargo, que la medida de cercanía es más útil para resaltar la distancia media de la plataforma del producto a todos los demás actores de la cadena de suministro.3.2.3. Centralidad de intermediación
La centralidad de intermediación mide el número de trayectos más cortos que pasan a través de un nodo específico de todos los nodos a todos los demás (información de apoyo, sección 2.4). Los nodos con alta centralidad de intermediación actúan como puentes entre otros nodos. En el caso de las organizaciones, una alta centralidad de intermediación indica, por ejemplo, la propiedad o el funcionamiento de múltiples sitios de producción. La remoción de un nodo con alta centralidad de intermediación es más probable que resulte en la interrupción del material o de los flujos de información que si se eliminara un nodo aleatorio. Nuevamente, las grandes multinacionales y algunos países (China, India) tienden a tener una alta centralidad entre los mismos. (Tabla S8). Para la cadena de suministro de células solares Ge, por ejemplo, Umicore Optical Materials (EE.UU.), un gran productor de wafers Ge, se encuentra entre las cinco organizaciones más importantes en términos de centralidad de intermediación. La Tabla S13 y la Fig. S17 muestran la posición de China en la cadena de suministro de germanio utilizando la medida de centralidad de intermediación. China está involucrada en la operación o propiedad de una variedad de sitios de producción que, ellos mismos, están vinculados a nodos de material que están altamente interconectados (incluyendo bucles) o situados cerca del centro del gráfico. Como resultado, tanto el nodo de tipo de organización titulado "Estado de China" como algunos nodos de tipo de sitio conectados directamente muestran altas centralidades de interconexión. Estos nodos pueden ser considerados como actores importantes en la cadena de suministro porque están involucrados en el aprovisionamiento de más de un material, ya sea directamente a través de la producción o indirectamente a través de la propiedad de la misma organización (es decir, país o empresa). La eliminación de cualquiera de estos nodos es probable que afecte el funcionamiento de la red global de cadena de suministro, y destacar estos nodos es por lo tanto importante.3.3. Destacando actores importantes: sitios de producción (Tabla S9)
Como se mencionó en la sección anterior, aplicar métricas de red a través de todos los sitios de producción puede ayudar a identificar instalaciones importantes (minas, fundiciones, refinerías) a través de las cinco redes de cadena de suministro que consideramos (Tabla S9). La centralidad de mayor grado indica que los sitios que producen más de un material o que son operados / poseídos por un número mayor de organizaciones, lo que se traduce en un menor riesgo (desde la perspectiva del nodo tipo sitio). Por ejemplo, en las cadenas de suministro de células solares Ge, la refinería de cobre / fundición de Ilo, ubicada en Perú, produce tanto cobre blíster / lodo anódico como cobre metal, y es operada tanto por Grupo México como por Glencore (Figura S15). La centralidad de proximidad identifica aquellos sitios de producción que se encuentran en la periferia (alta cercanía) o más cerca del centro del gráfico (baja cercanía). Por ejemplo, en la cadena de suministro de células solares Ge, los nodos tipo sitio con las centralidades de mayor proximidad son los que participan en la recuperación de cenizas de carbón que contienen germanio, como se muestra en la Fig. S16, porque están más alejados de todos los demás nodos de la cadena de suministro. Por último, la centralidad intermedia identifica sitios de producción que pueden actuar como cuellos de botella. La alta centralidad de intermediación indica a los productores que están involucrados en la producción de múltiples materiales que afectan a una fracción mayor de la cadena de suministro. Un ejemplo se da en la Fig. S18 para la célula solar de germanio en la que la mina de cobre Tesoro y la refinería ubicada en Chile están involucradas en la extracción de cobre metálico y también en la producción final de metal de cobre. Por lo tanto, la eliminación de un nodo con alto intermedio puede afectar el funcionamiento de la red de producción global.3.4. Cantidad de producción y país proveedor (Cuadro S10)
Los niveles de producción, los países de abastecimiento y las puntuaciones de Riesgo de Riesgo (RAR) resultantes se muestran en la Tabla S10 para los ocho nodos principales de cada cadena de suministro. Cabe señalar que en nuestra evaluación se utilizan parcialmente los datos de 2005 de las empresas para las fases de extracción, fundición y refinado [45], que no pueden captar la evolución reciente en los países de abastecimiento, por ejemplo, China se ha convertido en un proveedor importante de una serie de metales y metaloides Incluidos en la evaluación. Los sitios de producción y las organizaciones identificadas con la medida RAR se encuentran en países potencialmente no fiables (de mayor riesgo) (por ejemplo, China, Rusia, Ucrania) que contribuyen en gran medida al suministro global de un material. Por último, la Tabla S11 muestra la fracción de nodos con una puntuación RAR ≥ 8. Para el imán de disco duro, aproximadamente el 23% de los nodos con una puntuación RAR asignada tienen una puntuación RAR de 8 o más, mientras que sólo el 3% de los nodos Esta diferencia se debe a un mayor número de metales en el imán del disco duro, como las tierras raras, el cobalto y el boro, que se producen en cantidades significativas en países potencialmente poco fiables (véase también el cuadro S10).3.5. Visualización de los resultados del análisis
Todos los resultados del análisis de la red pueden visualizarse fácilmente para ilustrar la posición de las empresas, los sitios de producción, los materiales y las plataformas de productos en la red global de la cadena de suministro SMART. Los ejemplos de visualización y una discusión detallada para la cadena de suministro de células solares de germanio, se proporcionan en la Información de apoyo: Sección 3.6.4. Conclusiones y perspectivas
Las cadenas de suministro de cinco plataformas tecnológicas que utilizan una variedad de metales potencialmente críticos se generaron a partir de datos públicamente disponibles mediante una nueva metodología de métricas de red. Se evaluaron las métricas de la red para estas plataformas y se proporcionó información sobre la complejidad del producto, el número de productores, la distancia media y máxima de una plataforma de productos a todos los actores de la cadena de suministro y el nivel de desafío relacionado con la obtención de materiales de países potencialmente no fiables. Además, esta metodología puede poner de relieve a los actores de la cadena de suministro que pueden actuar como posibles "puntos calientes" o "porteros". De esta manera, las métricas propuestas pueden proporcionar información que no sería fácilmente obtenible por una simple inspección visual de la cadena de suministro.El Análisis de la Red de Cadena de Suministro también se muestra eficaz para proporcionar información sobre las potenciales restricciones de oferta y los cuellos de botella para las cadenas de suministro donde la estructura de datos ilumina las capacidades industriales a nivel nacional. Estas métricas de red podrían basarse en evaluaciones de la criticidad de los recursos que proporcionen información importante relacionada con los potenciales de sustituibilidad, las implicaciones ambientales de la producción y las limitaciones de la disponibilidad de recursos [11] , [12], [13] y [14]).
Por último, a nuestro juicio, una evaluación exhaustiva para determinar cuáles son los materiales más preocupantes que otros debería incluir también aspectos relacionados con la previsión de la oferta y la demanda futura de metales, utilizando varios argumentos escénicos (véanse, por ejemplo, las [68] y [69] ]). Por lo tanto, podemos imaginar una "Metodología de Riesgo Compuesto" para las cadenas de suministro de metal que consistiría en (a) Análisis de Red de Cadena de Suministro, (b) Evaluación de Criticidad y (c) Análisis de Escenarios de la futura oferta y demanda de metales. Aplicación del escenario La evaluación de las medidas de riesgo puede ser particularmente eficaz para fines de defensa y seguridad: a) Muchos productos actuales de alta tecnología con larga vida útil (por ejemplo, motores a reacción) están diseñados en torno a la disponibilidad continua de determinados metales, Con actualizaciones de materiales de reemplazo durante periodos de 10 a 30 años; (B) Los nuevos diseños de plataformas dependen de la disponibilidad continua de metales en particular durante su fabricación, lo que para plataformas grandes (por ejemplo, en el sector aeroespacial) puede llevar años o décadas desde el diseño hasta el despliegue.
Fig. 3.
Posible marco esquemático para la evaluación del riesgo compuesto para un material combinando análisis de escenarios, análisis de criticidad de recursos y análisis de redes de cadena de suministro entre sí. SR: Riesgo de aprovisionamiento, EI: Implicaciones ambientales y VSR: Vulnerabilidad a la restricción de suministro [3].
sábado, 10 de diciembre de 2016
Clintonians vs Trumpians: Periodistas polarizados a muerte
Narrativas paralelas
Los partidarios de Clinton y Trump realmente no se escuchan en Twitter
Por Alex Thompson - Vice News
Cuando Donald Trump llegó a la victoria en el Colegio Electoral el 8 de noviembre, tal vez ningún grupo se sorprendió más que los periodistas, que habían comprado en las encuestas mostrando que Hillary Clinton estaba constantemente varios puntos porcentuales por delante en los estados clave.
Pero puede haber otra razón por la que no lo vieron venir: Los periodistas pasan mucho tiempo en Twitter, y su burbuja de información rara vez incluye partidarios de Trump. Eso es de acuerdo con un nuevo análisis del proyecto Electome en el MIT Media Lab proporcionado exclusivamente a VICE News.
El análisis del MIT -que usó el conjunto completo de datos de la compañía de medios sociales- muestra que en Twitter, los partidarios de Trump formaron un grupo particularmente insular cuando hablaban de política durante las elecciones generales. Tenían pocas conexiones con partidarios de Clinton o con los principales medios de comunicación. Por el contrario, los partidarios de Clinton estaban más astillados y verificaban que los periodistas a menudo se superponían dentro de sus redes seguidoras mutuas.
Los datos no pueden sacar ninguna conclusión definitiva sobre por qué los usuarios de Twitter se volvieron tan polarizados durante la campaña de 2016, pero proporciona una mirada sorprendente en cómo lo hicieron. Quizás las redes de Twitter más orientadas a Clinton exponen una sutil forma de sesgo político, o tal vez los partidarios de Trump se separaron de estos usuarios para evitar hechos incómodos.
"Todo esto pinta una sombría imagen del discurso político en línea", dijo John West, periodista de datos del MIT Media Lab, quien trabajó en el estudio. "Es uno balcanizado por la ideología y la cuestión-interés, con poco potencial para el flujo de información entre los capullos en línea - o entre el fuerte y importante grupo de exclusivos Trump seguidores y los usuarios de medios institucionalizados que se supone que son el sistema inmunológico del discurso político.
En los Estados Unidos, la gente twitteó mil millones de veces sobre las elecciones de 2016 desde agosto de 2015 hasta el día de las elecciones (8 de noviembre), según Twitter. El volumen de la conversación -incluso de los propios candidatos- proporcionó al MIT un tesoro de datos sobre la forma en que los estadounidenses discutieron una de las contiendas presidenciales más polémicas de la historia.
Electome descubrió que seguir a Trump o Clinton en el sitio de redes sociales era un indicador fiable de apoyo para ese candidato. Dos investigadores del MIT Media Lab analizaron de forma independiente a cientos de seguidores exclusivos de Trump y Clinton para anotar su nivel de apoyo a los candidatos. "En casi todos los casos, ser un seguidor exclusivo de un candidato era predictivo de apoyo para ese candidato", dijo Soroush Vosoughi, un asociado postdoctoral en el Laboratorio de Máquinas Sociales del MIT que trabajó en el proyecto.
Como se puede ver en las imágenes, ese soporte tuvo un efecto en el flujo de información de un usuario, ya que la gente parecía cortarse de los usuarios que apoyaban a un candidato diferente.
Electome utilizó sus algoritmos de aprendizaje automático para medir todas las conversaciones políticas entre el 1 de junio y el 18 de septiembre de este año sobre temas como armas, inmigración, terrorismo, empleo, asuntos raciales, personas de la tercera edad y la Seguridad Social, la economía y la educación. El grupo primero buscó lo que llamó términos de "alta precisión" y hashtags como "2ª Enmienda" y "#buildthewall" que claramente se relacionaban con temas específicos como armas e inmigración. A partir de ahí, utilizó esas palabras para enseñar a su sistema de clasificación a expandir los posibles términos y hashtags que podrían relacionarse con ciertos temas, incluyendo errores de ortografía de los mismos.
Vosoughi dijo que Electome también se esforzó por seguir la conversación política en tiempo real para hacer que sus categorías de emisión fueran lo más precisas posible. "Dado que la conversación en torno a las elecciones es muy dinámica y nuevos términos y frases se introducen en la conversación constantemente, nuestro sistema automáticamente se re-entrena una vez a la semana para que esté al tanto de los términos y frases más actualizados" él dijo.
Los científicos de datos construyeron una red de todos los seguidores mutuos alrededor de cada edición, filtrados hacia fuera los usuarios que intentaban probablemente conseguir seguidores siguiendo muchas otras cuentas, y después funcionaron un algoritmo del PageRank para determinar los 50 usuarios más importantes en las conversaciones sobre cada uno tema.
A partir de ahí, Electome trazado los 50 usuarios y sus seguidores en los mapas que muestran la conversación política. Los mapas no muestran la totalidad de los mil millones de tweets políticos de este ciclo, pero las imágenes ofrecen una sofisticada representación de esa red.
Hay una fuerte advertencia a todo esto: los usuarios de Twitter son un subconjunto de auto-selección no necesariamente representativo de América. Los datos no incluyen la conversación en Facebook, por ejemplo, que informó que 128 millones de personas en los Estados Unidos utilizaron su plataforma social para hablar de la elección desde el 23 de marzo de 2015 hasta el 1 de noviembre de este año, Para sus cálculos. A estos usuarios de Facebook les gustó, publicaron, comentaron o compartieron cosas sobre la elección.
Sin embargo, Twitter es una red grande de 67 millones de usuarios mensuales activos en los Estados Unidos que pueden convertirse en un vibrante y a menudo caustico foro político. Los resultados de Electome sugieren que incluso cuando los votantes tienen acceso instantáneo a más información y perspectivas que nunca, se segregan en grupos de personas con ideas afines, a menudo con poca conexión con quienes tienen otras opiniones.
Los periodistas eran tan culpables como los partidarios de separarse. Mediante el sacrificio a través de los usuarios verificados, Electome mapeó donde muchos periodistas cayeron dentro de la conversación y encontró que estaban en su mayoría desconectados de los partidarios de Trump.
Esto podría ayudar a explicar por qué muchos periodistas fueron sorprendidos desprevenidos por la profundidad del apoyo de Trump - y por qué la búsqueda de alma en los medios de comunicación continúa mucho después del Día de las Elecciones.
Los partidarios de Clinton y Trump realmente no se escuchan en Twitter
Por Alex Thompson - Vice News
Cuando Donald Trump llegó a la victoria en el Colegio Electoral el 8 de noviembre, tal vez ningún grupo se sorprendió más que los periodistas, que habían comprado en las encuestas mostrando que Hillary Clinton estaba constantemente varios puntos porcentuales por delante en los estados clave.
Pero puede haber otra razón por la que no lo vieron venir: Los periodistas pasan mucho tiempo en Twitter, y su burbuja de información rara vez incluye partidarios de Trump. Eso es de acuerdo con un nuevo análisis del proyecto Electome en el MIT Media Lab proporcionado exclusivamente a VICE News.
El análisis del MIT -que usó el conjunto completo de datos de la compañía de medios sociales- muestra que en Twitter, los partidarios de Trump formaron un grupo particularmente insular cuando hablaban de política durante las elecciones generales. Tenían pocas conexiones con partidarios de Clinton o con los principales medios de comunicación. Por el contrario, los partidarios de Clinton estaban más astillados y verificaban que los periodistas a menudo se superponían dentro de sus redes seguidoras mutuas.
Los datos no pueden sacar ninguna conclusión definitiva sobre por qué los usuarios de Twitter se volvieron tan polarizados durante la campaña de 2016, pero proporciona una mirada sorprendente en cómo lo hicieron. Quizás las redes de Twitter más orientadas a Clinton exponen una sutil forma de sesgo político, o tal vez los partidarios de Trump se separaron de estos usuarios para evitar hechos incómodos.
"Todo esto pinta una sombría imagen del discurso político en línea", dijo John West, periodista de datos del MIT Media Lab, quien trabajó en el estudio. "Es uno balcanizado por la ideología y la cuestión-interés, con poco potencial para el flujo de información entre los capullos en línea - o entre el fuerte y importante grupo de exclusivos Trump seguidores y los usuarios de medios institucionalizados que se supone que son el sistema inmunológico del discurso político.
En los Estados Unidos, la gente twitteó mil millones de veces sobre las elecciones de 2016 desde agosto de 2015 hasta el día de las elecciones (8 de noviembre), según Twitter. El volumen de la conversación -incluso de los propios candidatos- proporcionó al MIT un tesoro de datos sobre la forma en que los estadounidenses discutieron una de las contiendas presidenciales más polémicas de la historia.
Electome descubrió que seguir a Trump o Clinton en el sitio de redes sociales era un indicador fiable de apoyo para ese candidato. Dos investigadores del MIT Media Lab analizaron de forma independiente a cientos de seguidores exclusivos de Trump y Clinton para anotar su nivel de apoyo a los candidatos. "En casi todos los casos, ser un seguidor exclusivo de un candidato era predictivo de apoyo para ese candidato", dijo Soroush Vosoughi, un asociado postdoctoral en el Laboratorio de Máquinas Sociales del MIT que trabajó en el proyecto.
Como se puede ver en las imágenes, ese soporte tuvo un efecto en el flujo de información de un usuario, ya que la gente parecía cortarse de los usuarios que apoyaban a un candidato diferente.
Electome utilizó sus algoritmos de aprendizaje automático para medir todas las conversaciones políticas entre el 1 de junio y el 18 de septiembre de este año sobre temas como armas, inmigración, terrorismo, empleo, asuntos raciales, personas de la tercera edad y la Seguridad Social, la economía y la educación. El grupo primero buscó lo que llamó términos de "alta precisión" y hashtags como "2ª Enmienda" y "#buildthewall" que claramente se relacionaban con temas específicos como armas e inmigración. A partir de ahí, utilizó esas palabras para enseñar a su sistema de clasificación a expandir los posibles términos y hashtags que podrían relacionarse con ciertos temas, incluyendo errores de ortografía de los mismos.
Vosoughi dijo que Electome también se esforzó por seguir la conversación política en tiempo real para hacer que sus categorías de emisión fueran lo más precisas posible. "Dado que la conversación en torno a las elecciones es muy dinámica y nuevos términos y frases se introducen en la conversación constantemente, nuestro sistema automáticamente se re-entrena una vez a la semana para que esté al tanto de los términos y frases más actualizados" él dijo.
Los científicos de datos construyeron una red de todos los seguidores mutuos alrededor de cada edición, filtrados hacia fuera los usuarios que intentaban probablemente conseguir seguidores siguiendo muchas otras cuentas, y después funcionaron un algoritmo del PageRank para determinar los 50 usuarios más importantes en las conversaciones sobre cada uno tema.
A partir de ahí, Electome trazado los 50 usuarios y sus seguidores en los mapas que muestran la conversación política. Los mapas no muestran la totalidad de los mil millones de tweets políticos de este ciclo, pero las imágenes ofrecen una sofisticada representación de esa red.
Hay una fuerte advertencia a todo esto: los usuarios de Twitter son un subconjunto de auto-selección no necesariamente representativo de América. Los datos no incluyen la conversación en Facebook, por ejemplo, que informó que 128 millones de personas en los Estados Unidos utilizaron su plataforma social para hablar de la elección desde el 23 de marzo de 2015 hasta el 1 de noviembre de este año, Para sus cálculos. A estos usuarios de Facebook les gustó, publicaron, comentaron o compartieron cosas sobre la elección.
Sin embargo, Twitter es una red grande de 67 millones de usuarios mensuales activos en los Estados Unidos que pueden convertirse en un vibrante y a menudo caustico foro político. Los resultados de Electome sugieren que incluso cuando los votantes tienen acceso instantáneo a más información y perspectivas que nunca, se segregan en grupos de personas con ideas afines, a menudo con poca conexión con quienes tienen otras opiniones.
Los periodistas eran tan culpables como los partidarios de separarse. Mediante el sacrificio a través de los usuarios verificados, Electome mapeó donde muchos periodistas cayeron dentro de la conversación y encontró que estaban en su mayoría desconectados de los partidarios de Trump.
Esto podría ayudar a explicar por qué muchos periodistas fueron sorprendidos desprevenidos por la profundidad del apoyo de Trump - y por qué la búsqueda de alma en los medios de comunicación continúa mucho después del Día de las Elecciones.
Suscribirse a:
Entradas (Atom)