El análisis de redes sociales fue desarrollado de una forma poco técnica por las preocupaciones estructurales del antropólogo Radcliffe-Brown a inicios del siglo XX. Desde la década de 1930 hasta 1970 un número creciente de antropólogos y sociólogos comenzaron a construir sobre el concepto de “estructura social” de Radcliffe-Brown y a utilizar metáforas encaminadas a comprender las relaciones a través de las cuales se organizan las acciones sociales, la metáfora de “red” social pasó a primer plano. Desde principios de 1970 una gran cantidad de trabajo técnico y aplicaciones especializadas empezaron a aparecer, y a partir de estos trabajos surgieron los conceptos claves de análisis de redes sociales.
Actualmente las redes sociales, plataformas que permiten interacción social virtual, como twitter producen una cantidad enorme de datos, estos datos no se encuentran estructurados, pero contienen una serie de metadatos que posibilitan estudiar las distintas propiedades de las redes y abstraer información de ellas. Durante el evento de Llactacamp2.0, realizado entre el 13 al 15 de marzo del 2015, se incentivó que los asistentes, y cualquier otra persona interesada, que interactúe en twitter utilizando el hashtag #llactacamp. Para recolectar estos datos se utilizó la librería de twitter de Python y se realizó una consulta mediante el API de la plataforma. Realizada esta consulta se pudo ver que hubo 166 usuarios hablando sobre ciudad y 973 tweets en total. Es a través de estos datos que se trata de responder las siguientes preguntas utilizando diversas herramientas de análisis de redes y visualización.
- ¿De dónde provienen los tweets con mayor influencia del llactacamp?
- ¿Cuál fue el tema más compartido dentro de la red?
- ¿Cuáles fueron los principales temas de conversación alrededor de llactacamp?
- ¿Cuáles fueron esas redes que se formaron?
¿De dónde provienen los tweets con mayor influencia del llactacamp?
Para visualizar la influencia de las distintas ubicaciones de donde se realizaron los tweets, se limpiaron los datos geocodificados mediante Open Refine, Luego se aplicó un algoritmo de centralidad del vector propio con NodeXL para medir la influencia de cada persona dentro de la red. La centralidad del vector propio se calcula evaluando qué tan bien conectado un individuo se encuentra a las partes de la red con mayor conectividad. Los individuos con valores altos de vector propio tienen muchas conexiones, y sus conexiones tienen muchas conexiones y así hasta el final de la red. Una vez calculado la centralidad de vector propio para cada usuario se les agrupo a los usuarios por ciudad y se generó la visualización que se muestra a continuación, el tamaño de los círculos está dado por la centralidad de vector propio multiplicado por la cantidad de tweets y los colores únicamente por la centralidad del vector propio. Esto permite visualizar el alcance que tuvieron los tweets mandados desde distintas ciudades del Ecuador, como se puede visualizar los tweets enviados desde Quito tuvieron el mayor alcance he influencia, seguidos por Cuenca (ciudad donde se realizó el evento).
Se puede realizar un procedimiento similar para visualizar las personas más influyentes dentro de la red y la cantidad de tweets que estos enviaron. En este caso no importa la ubicación de los tweets, únicamente la centralidad de vector propio de cada usuario y la cantidad de tweets que estos realizaron. En la imagen que se muestra a continuación el tamaño de los círculos está dado por el número de tweets que envió cada usuario y el color por la centralidad del vector propio. Una de las cosas interesantes que se pueden visualizar es que @FundacionAvina, aunque no envió una gran cantidad de tweets sobre #llactacamp, es uno de los usuario con mayor influencia dentro de la red.
¿Cuál fue el tema más compartido dentro de la red?
Uno de los metadatos que nos proporciona Twitter es el número de veces que fue retuiteado un tweet específico. Con la aplicación Tableau se generó la visualización que se muestra a continuación, el color y el tamaño de los círculos está dado por el número de retweets de cada tweet. Dentro de los temas que más resaltan, y coinciden con el interés que se mostró durante el evento, es la necesidad de pensar en una ciudad para los niños. El tema que más interés generó fue el convertir a un parqueadero en un parque de bolsillo. A esta actividad se le denominó hackeando la ciudad.
¿Cuáles eran los principales temas de conversación alrededor de llactacamp?
Para visualizar los principales temas de conversación alrededor de #llactacamp se creó un wordcloud con el paquete “wordcloud” dentro del lenguaje de programación R. El tamaño de las letras corresponde a la frecuencia que aparecen dentro de la totalidad de tweets generados con el hashtag #llactacamp. La visualización solo muestra la frecuencia de palabras individuales, para una mejor aproximación a los distintos temas puede ser interesante generar la frecuencia de pares de palabras con el fin de tener una mejor contextualización.
¿Cuáles fueron esas redes que se formaron?
Mediante Gephi, se realizó una visualización para poder ver los subgrupos dentro de la red. Para esto se utilizó el algoritmo de clasificación por modularidad. La modularidad es una medida de la estructura de las redes, este algoritmo busca los nodos que están más densamente conectados entre sí comparados al resto de la red (para una explicación más detallada pueden leer el paper llamado “Fast unfolding of communities in large networks”, publicado por el creador del algoritmo). Los colores representan distintos subgrupos, y las líneas las conexiones existentes entre los distintos usuarios. Usando este tipo de análisis se puede observar como, por ejemplo, @FundacionAVINA actúa como conector a un nuevo grupo de personas que no estaban originalmente conectadas a la red, comprendidas por empresas y personas más vinculadas con temas sociales.
¿Qué pasa cuando aplicamos este tipo de análisis a la ciudad?
Estas formas de analizar redes sociales pueden ser aplicadas a una escala mucha más grande, lo que permite visualizar los distintos grupos o subgrupos dentro de toda una ciudad, y entender como estos interactúa entre sí. Existen investigaciones interesantes que muestran este potencian, por ejemplo:
https://www.youtube.com/watch?v=PhVP1tNeGyY&feature=youtu.be
Autor: Mateo Neira