Aprovechar las redes de productores de contenido y la percepción de los usuarios para detectar comunidades discursivas en línea

Por qué las conversaciones en línea se agrupan en bandos

Cualquiera que haya navegado por las redes sociales durante una elección ha sentido lo rápido que las conversaciones se dividen en campos opuestos. Sin embargo, solo una pequeña parte de las cuentas inicia realmente esos debates; la mayoría de nosotros nos limitamos a dar me gusta, compartir o retuitear. Este artículo pregunta cómo esas pocas voces visibles configuran el debate general y muestra una forma de mapear las "cámaras de eco" políticas mirando primero a los líderes y solo después a sus audiencias.

Pocos oradores, muchos oyentes

En plataformas como Twitter/X, la participación es muy desigual. Un grupo relativamente pequeño de usuarios —políticos, partidos, marcas mediáticas y otras figuras públicas— produce la mayor parte de las publicaciones que impulsan la conversación política. La mayoría de las cuentas consume y redistribuye principalmente ese contenido, por ejemplo mediante retuits. Los autores sostienen que estos líderes, porque hablan con frecuencia y arrastran su reputación pública, suelen adoptar posiciones más claras y estables que los usuarios ordinarios. Si podemos agrupar de forma fiable a los líderes, entonces podemos inferir la posición del público en general observando a quién amplifican.

Dos maneras de ver quiénes están juntos

El estudio presenta un marco que divide a todos los usuarios en dos conjuntos: productores de contenido (líderes) y el resto (la audiencia). A continuación construye una red de relaciones entre los líderes y aplica algoritmos estándar de detección de comunidades sobre esa red más pequeña y limpia. La decisión clave es cómo definir los vínculos entre líderes. En una versión, llamada MonoDC, los líderes están conectados cuando se retuitean entre sí con frecuencia, capturando la aprobación directa y las señales dentro de los círculos políticos. En la otra versión, llamada BiDC, los líderes se vinculan cuando son retuiteados por audiencias similares, de modo que dos políticos con seguidores superpuestos acaban en el mismo campo incluso si nunca interactúan directamente.

Filtrando el ruido de los datos sociales

Los datos crudos de las redes sociales son extremadamente ruidosos: algunos tuitean constantemente, otros rara vez; algunas publicaciones se vuelven virales por casualidad. Para evitar confundir actividad aleatoria con estructura real, los autores usan herramientas de la teoría de la información para filtrar sus redes. Comparan las interacciones observadas con lo que cabría esperar en un mundo aleatorizado donde cada usuario mantiene el mismo nivel general de actividad pero las conexiones se barajan. Solo se conservan los lazos que son mucho más fuertes de lo que ese "mundo aleatorio" predeciría. Este filtrado es ligero para la versión de retuits directos (MonoDC) pero crucial para la versión de audiencia compartida (BiDC), donde la simple popularidad podría crear similitudes engañosas.

Figuras públicas como anclas de los bandos en línea

Los investigadores prueban su enfoque en tres grandes debates políticos italianos en Twitter/X en 2022: la elección presidencial, una crisis de gobierno y las elecciones generales. Es importante que todos los datos proceden de antes de que la plataforma introdujera la verificación de pago, cuando la marca azul señalaba mayoritariamente reconocimiento público, no una suscripción. Los autores tratan las cuentas verificadas como líderes y clasifican manualmente a unos pocos cientos de ellas por partido y coalición electoral. Encuentran que, incluso antes de cualquier filtrado, los enlaces de retuit entre estos políticos verificados ya caen en bloques políticos distintos. Cuando aplican sus métodos basados en líderes y filtrados estadísticamente, la correspondencia con partidos y coaliciones del mundo real se vuelve mucho más fuerte que con los algoritmos estándar ejecutados sobre la red de retuits completa y sin filtrar.

Qué funciona —y qué funciona menos bien

MonoDC, que se basa en los retuits directos entre líderes, es particularmente bueno para identificar partidos individuales: los políticos tienden a impulsar principalmente a su propio bando. BiDC, que agrupa líderes por audiencias compartidas, refleja mejor las coaliciones electorales más amplias que agrupan a varios partidos bajo un mismo paraguas. Los autores también prueban maneras alternativas de seleccionar líderes, como cuentas con muchos seguidores o un alto "índice de retuits". Estas selecciones basadas en la actividad funcionan peor. Tienden a incluir a periodistas y comentaristas cuyas audiencias abarcan líneas ideológicas, difuminando los límites entre los bandos. En contraste, las figuras políticas verificadas antes de 2022, cuyos roles fuera de línea las vinculan a partidos específicos, proporcionan una columna vertebral más estable para mapear el discurso en línea.

Por qué esto importa para entender el debate digital

Para un lector no especializado, el mensaje principal es que la conversación política en línea no es un mercado plano de ideas. En cambio, está estructurada alrededor de un conjunto relativamente pequeño de actores reconocibles, y el resto de nosotros revela nuestras inclinaciones por los mensajes que decidimos difundir. Al identificar primero a esos líderes, filtrar cuidadosamente sus conexiones y solo después asignar a los usuarios comunes a comunidades, los autores pueden recuperar gran parte del mapa político subyacente a partir de datos limitados. Su enfoque, aunque desarrollado en Twitter/X italiano, puede aplicarse en principio a muchas plataformas donde unas pocas cuentas visibles moldean lo que ven las masas, ofreciendo una forma práctica de estudiar las cámaras de eco incluso cuando las plataformas limitan el acceso a datos o cambian sus reglas de verificación.

Cita: Guarino, S., Mounim, A., Caldarelli, G. et al. Leveraging content producer networks and user perception to detect online discursive communities. Sci Rep 16, 11911 (2026). https://doi.org/10.1038/s41598-026-39477-5

Palabras clave: polarización en redes sociales, comunidades políticas, discurso en Twitter, análisis de redes, cámaras de eco en línea