Abuso del algoritmo de Twitter una de las redes sociales mas usadas para propagar discursos de odio

redes sociales

Entras a Twitter y ves #SoloQuedaVox entre los trending topics de España. Te agobias pensando que son mayoría, ya que normalmente solo ves hashtags de ultraderecha. La realidad es que como resultado de esto se puede abusar del algoritmo de Twitter para generar presencia en las redes sociales.

Vamos a ver un ejemplo

En nuestro caso vamos a analizar un hashtag, #aquiestamoslasfeministas. Este fue creado por feministas radicales trans excluyentes, a partir de ahora TERFs según sus siglas en inglés. Para obtener los tweets del hashtag y sus relaciones hemos usado un programa llamado t-hoarder.

Con el programa Gephi hemos obtenido un grafo donde cada punto es un usuario y cada línea entre dos puntos un retweet. Cada color representa a una comunidad de usuarios que se relacionan mucho entre sí, aunque todos son TERFs y muy afines, por lo que la nube es muy compacta.

Los usuarios con los nombres más grandes son los que han recibido más retweets.

libreías pandas

A partir de ahora usaremos Python para analizar los tweets. Para facilitar el análisis utilizaremos la librería Pandas y para representar los datos Matplotlib.

Gráfico de barras acumuladas

En este gráfico de barras acumuladas vemos un resumen de la actividad del hashtag en el tiempo. Cada color representa una comunidad diferente y en la leyenda ponemos al usuario más influyente de cada una.

Pico por horas

Vemos como a las 7 de la mañana se dispara la actividad. Mirando los Tweets por minuto se ve como pasan de 1 cada varios minutos a 5 a las 7:00h. De esos 5, todos son originales y encontramos 3 comunidades diferentes, lo que nos confirma que estaba preparado.

Nuestra siguiente pregunta es por qué y hacia quién, cuestiones relacionadas entre sí.

Gráfico de barras horizontal

Haciendo una rápida búsqueda en Internet encontramos que el 18 de mayo de 2021 se votó en el Congreso la toma en consideración de la ley trans, así que el hashtag se creó en contra de esta ley. Para analizar hacia quién fue dirigido contamos las menciones más comunes y las representamos en un gráfico de barras horizontal.

Twitter menciones

El hashtag tenía una clara intención política. Aparte es curioso como Irene Montero ni aparece entre las 20 cuentas más mencionadas, siendo ella una de las principales promotoras de la ley.

Gráfico de tarta

Vamos a ver cómo abusan del algoritmo de Twitter. El pico fue ocasionado por 1652 usuarios y tuvo 13150 tweets en dos días. #Felizmartes, con la misma duración y el mismo número de Tweets, tuvo 8455 usuarios, 5 veces más.

La clave está en generar mucha actividad en poco tiempo mediante retweets masivos dentro de una cámara de eco.

Porcentajes

En este gráfico de tarta vemos como la mayoría de participaciones son retweets o tweets copiados. En #felizmartes los tweets originales supusieron un 21.4%, que es un 60% más.

Gráficos con el TOP de porcentaje

Podemos confirmar este comportamiento analizando el porcentaje que supone el top 20 de usuarios de medidas diferentes:

tarta

Con esta serie de gráficos podemos ver que pocos usuarios escribieron casi la mitad de los tweets originales, que hay usuarios muy influyentes que se llevan más de la mitad de los retweets y que hay otro grupo de usuarios creando mucho volumen mediante retweets.

Para ver con más claridad la importancia de los retweets podemos diseñar una medida de esfuerzo basada en la relación entre tweets originales y retweets. Dividimos los retweets entre los tweets originales y vemos que hay 6.3 retweets por cada original. Multiplicamos el número de tweets originales por este valor y le restamos el número de retweets.

Medida de esfuerzo

Conclusiones

Escribir un tweet original requiere más esfuerzo que hacer un retweet y, aunque le hayamos potenciado el peso dentro de la medida, de los 20 usuarios con más participaciones la mayoría son retweeteadores y no es hasta el noveno que vemos a uno que esté en el top gracias a los tweets originales.

Generar una lista de palabras

Por último, también podemos usar Python para generar una lista de palabras de odio y quedarnos solo con los tweets que las contienen. En teoría el hashtag es contra una ley, no contra un colectivo, pero podemos demostrar que eso no es así.

Un ejemplo:

print screen

Gracias a un análisis cuanti y cualitativo de los tweets mediante diversas herramientas hemos demostrado cómo el hashtag #aquiestamoslasfeministas no fue una reacción popular a favor de la reforma de una ley, sino un intento preparado de presionar políticamente para tumbar una ley que favorece al colectivo LGBT y especialmente al colectivo trans.

El debate es necesario, pero tiene que ocurrir de forma constructiva.

Agradecimientos

Artículo escrito por Atenea Vioque quien es una farmacéutica reconvertida en programadora Python y analista de datos.

Este trabajo ha recibido apoyo del Vicerrectorado de Igualdad, Inclusión y Sostenibilidad, Universidad de Granada, Ayudas para el Apoyo y Fomento a la Investigación en Materia de Igualdad, Inclusión y Sostenibilidad Social INV-IGU144-2021. También se agradece  la ayuda y guía de las colaboradoras Jara Juana Bermejo Vega y Pynomaly.

Quizás también te podría interesar el siguiente artículo


You May Also Like