El contagio tuit a tuit: la crisis del ébola

El contagio tuit a tuit: la crisis del ébola

La identificación automática de comunidades añade valor al análisis de redes sociales, poniendo de relieve a determinadas personas que son líderes de opinión o influenciadores. Es decir, personas que, si fueran eliminadas del grupo de conversación, harían que perdiera en cierta forma su sentido.

Este post ha sido escrito por Marta Guerrero

Hoy en día es ya posible medir lo que quieren los ciudadanos: lo expresan en las redes sociales (entre otros medios), y dan a conocer sus opiniones, gustos, intereses y emociones. El análisis semántico de los contenidos nos permite indagar en el lado más subjetivo de nuestras propuestas, inquietudes o quejas, pero además podemos añadir un valor extra a través de las interrelaciones.

El análisis de grupos o redes nos permite distinguir qué personas lideran la conservación sobre un tema, cómo se agrupan, qué afinidades les unen, qué les separa, cómo varía esto en el tiempo. La tecnología de procesamiento automático para poder analizar y descubrir estos contenidos es ya una realidad, aunque quizá no todos seamos tan conscientes de ello. Os voy a mostrar qué paso en Twitter el año pasado durante la crisis del ébola.

PUEDES HACER ZOOM SOBRE LA IMAGEN EN ESTE ENLACE

  5c8b18ae2000009d037020a0

Lo primero que hemos hecho es analizar los casi 3 millones de datos obtenidos en Twitter para 758.138 usuarios diferentes. Durante la primera semana, del día 7 al 12 de octubre casi se llegó a 1,7 millones, siendo el día cumbre el 8 de octubre, con más de 380.000 tuits. Después hemos extraído los grupos de conversación, ya que no todos estos usuarios conversan entre sí. Debido a la gran cantidad de datos obtenidos, se han depurado, dejando aquellos que son más mencionados. Es decir, se han limpiado los datos, descartando el ruido, para poder llegar a aquella información que es más valiosa.

En el grafo de comunidades aparecen 11 colores distintos que representan las 11 comunidades más importantes. En ellas observaréis los principales protagonistas de cada una. Fijaos en los usuarios que aparecen en las diferentes comunidades. Vemos que los usuarios que participan en cada una de ellas son muy diferentes: la comunidad amarilla está liderada por los medios de comunicación, mientras que la comunidad roja está liderada por la comunidad en defensa de los animales. Observamos también las comunidades que lideran organizaciones no gubernamentales, y otras lideradas por partidos políticos.

Añadiendo el análisis automático de los contenidos, podemos medir qué lenguaje utilizan, qué hashtags usan, cuál es su opinión, las palabras que utilizan. Poder extraer y comparar lo que se dicen en los diferentes grupos de conversación, nos puede permitir valorar qué piensan los distintos grupos, con qué palabras se comunican, cuáles son sus inquietudes y opiniones.

En esta imagen se muestra una ficha analítica de cada una de las comunidades, creada a través de la herramienta Lynguo.

En la ficha técnica vais a encontrar:

  • El número de tuits de la comunidad.
  • Los 4 usuarios más mencionados.
  • Los 4 usuarios que más comentarios generan.
  • Los 4 hashtags más usados.
  • El top 3 de los tuits más retuiteados.
  • La evolución de la conversación.
  • El sentimiento de los comentarios: la valoración de los usuarios (porcentaje de tuits positivos, negativos y neutros).
  • Las 4 palabras más representativas.

¿Cuál es la importancia de combinar el análisis de redes y semántico?

La identificación automática de comunidades añade valor al análisis de redes sociales, poniendo de relieve a determinadas personas que son líderes de opinión o influenciadores. Es decir, personas que, si fueran eliminadas del grupo de conversación, harían que perdiera en cierta forma su sentido. Además, este análisis permite establecer ciertas afinidades de manera automática, ya que las personas que conversan en torno a un tema y que conforman un grupo de conversación suelen establecer una relación de afinidad. Por otro lado, el análisis del contenido de los comentarios espontáneos nos acerca al sentimiento de los usuarios, nos permite cuantificarlo y conocer aquellas palabras con las que los usuarios nos identifican, así como descubrir tendencias. Parece claro que dos análisis tan potentes pueden unirse para así aportar mayor valor a los datos, midiendo el sentimiento de los usuarios en combinación con sus interacciones.

  5c8b18af240000f7054cd59c