1

LA IMPORTANCIA DE LOS MARGINALES EN LA CREACIÓN

DE COMUNIDADES CONVERSACIONALES ONLINE

Diego de Haro Gázquez

Sergio D’Antonio Maceiras

Resumen:

Desde la introducción y popularización de la teoría que se ha dado en llamar "Two-Step Flow of

Communication" (Katz y Lazarsfeld, 1955), una buena parte de los estudios sobre medios de

comunicación se han centrado en la figura de los "influyentes" (recibiendo este u otro nombre) como

actores clave en los procesos de comunicación social. Esta tendencia se ha visto exacerbada a partir de la

eclosión de los medios sociales online; debido a que la enorme facilidad para cuantificar los procesos

comunicacionales y agruparlos en distintas métricas y estadísticos aparejada al carácter digital de dichos

datos conlleva a su vez una plácida comodidad para la creación de "rankings" de popularidad (medidos

en aplausos, likes, retuits, o lo que fuere).

Por otro lado, el carácter relacional o reticular de estos datos los ha hecho susceptibles de su

estudio mediante la perspectiva del Análisis de Redes Sociales. No obstante, como veremos, cuando se

realizan estudios de comunidades comunicacionales en medios sociales online utilizando técnicas propias

o derivadas del Análisis de Redes Sociales, se tienden a repetir las perspectivas "rankistas" antes

mencionadas.

En esta comunicación expondremos la reflexión epistemológica y metodológica realizada en el

marco del proyecto “Indicadores de eficacia, impacto y retorno en campañas online de la DGT en redes

sociales” (SPIP2014­01316), que nos ha llevado a tratar de identificar no sólo a “los populares del

recreo”, sino también a los “raritos” bien se les llame "marginales" (Weimann, 1982), "sabios"

(Goffman, 1963), etc. Esto es, a pasar de pensar en términos de ranking a construir cartografías

mediante la Mixed-Methods Social Network Research (Domínguez & Hollstein, 2014), que dispersen

nuestra visión analítica, casi a modo de un muestreo estructural cualitativo (Ibáñez, 1986) tradicional.

Palabras clave: Mixed-Methods, Social Media, Influencers, Marginales, Twitter

2

1. MEDIOS SOCIALES, REDES SOCIALES, INFLUENCERS E INTERNET:

UN BREVE RESUMEN CONCEPTUAL

Desde la popularización de Internet como base para multitud de medios sociales

y plataformas de comunicación de distinta índole y características, hemos asistido a la

multiplicación de la información personal que se intercambia a través de las mismas,

creciendo igual de rápido la cantidad de ámbitos de nuestra vida que, de una manera o

de otra, se ven mediados por algún grado de interacción social online.

Estas interacciones tienen distintas particularidades, de las que ahora

destacaremos tres:

i) La gran mayoría de medios sociales y plataformas de comunicación que

podemos encontrar en Internet tienen la característica de ser medios asincrónicos

(Morris & Ogan, 2006). Esto quiere decir, simplemente, que existe un lapso de tiempo

en el que el mensaje del emisor queda "almacenado" en alguna parte a la espera de su

visualización por parte del receptor, que a su vez puede (o no) responder, dando lugar al

proceso de comunicación.

Por tanto, lleva aparejada una propiedad común a ese tipo de medios (como el

correo postal tradicional, etc.), y es que ese "almacenaje" los hace especialmente

susceptibles de ser analizados desde numerosas perspectivas, para cumplir algún

propósito de investigación social. Siguiendo a Venturini (2012:800) podríamos decir

que "through digital mediation, traceability and aggregability become intrinsic

affordances of social phenomena".

ii) Además de esto, esos datos tienen una segunda característica básica, y es su

formato digital. Por digital entendemos que son reducibles, en última instancia, a dígitos

binarios, que forman una unidad primaria de información (el bit, o BInary digiT), y que

mediante largas secuencias (bytes, megabytes, gigabytes, terabytes...) de ellos permiten

representar todo tipo de números, palabras, imágenes, sonidos, vídeos, etc.

Sumando a lo anterior que Internet tiene una topología de red distribuida (Baran,

1964)1, conseguimos la capacidad de obtener y almacenar una cantidad de datos a día de

1 O, en otras palabras, que debido a la configuración de su estructura interna no existe un nodo central

que tenga capacidad de eliminar, censurar o encarecer la comunicación con ningún otro. En su lugar,

3

hoy prácticamente ilimitada, de todo tipo de características, generados en cualquier

parte del mundo, con un coste marginal que tiende a cero2.

iii) Una tercera característica derivada de algo ya mencionado es que Internet es

una red de información (Ibíd.). Esto quiere decir que no sólo se almacenan datos, si no

que estos poseen una direccionalidad, una información relacional aparejada a ellos, y sin

la que no podríamos acceder a los mismos.

Todo dato en Internet procede de un nodo y “viaja” a uno o varios nodos

distintos a él, y es en esta tercera característica esencial en la que se basan los motores

de búsqueda de webs para ofrecernos un listado de resultados cada vez que los usamos

con algún término de nuestro interés, utilizando algoritmos que les dan una importancia

u otra a esos nodos, en función de ciertas características y número de sus vínculos: “La

estructura de la web es compleja y evoluciona en el tiempo. Hay desde sectores

altamente conectados hasta islas que sólo conocen algunos buscadores. La estructura

puede ser usada por los buscadores para jerarquizar los resultados en base a las páginas

más referenciadas utilizando heurísticas como Pagerank (Brin & Page, 1998) usado en

Google o HITS (Kleinberg, 1998).” (Baeza-Yates, 2004:6)

Entender perfectamente estas tres características resulta fundamental para

deducir que en Internet encontramos un medio de investigación de una riqueza inmensa.

Siguiendo a Rogers (2009:8): "For the third era of Internet research, the digital

methods program introduces the term online groundedness, in an effort to conceptualize

research which follows the medium, captures its dynamics, and makes grounded claims

about cultural and societal change. Indeed, the broader theoretical goal of digital

methods is to rethink the relationship between the Web and the ground."

La problemática que se plantea viene entonces, en primera instancia, de las

propias características estructurales del medio. Como hemos adelantado, la información

que podemos encontrar en los distintos medios, plataformas y tecnologías que

componen eso que llamamos Internet es prácticamente ilimitada, y responde a toda

clase de peculiaridades y temáticas.

desde cualquier nodo en cualquier parte de la red podemos encontrar una vía para llegar a cualquier otro nodo que deseemos, por lejano que sea, y por nodos intermedios que eliminemos. 2 Esto es, la variación en el coste total por acceder a una unidad adicional de información.

4

Es decir, nos podemos encontrar con todo el espectro que abarca desde las

grandes bases de datos de "información transaccional" (Savage & Burrows, 2007)

generada por el uso y consumo de los productos propios del capitalismo cognitivo

(Thrift, 2005); hasta la información personal de todo tipo que nosotros mismos,

consumidores de servicios de medios sociales, "colgamos" online en aquella parte de

Internet que habitualmente recibe el nombre de "web 2.0" y que una gran parte, por

sus propias características, es de acceso público.

Centrándonos en esta última categoría, sabemos que la población que forma

parte de esos "generadores de información" es cada vez mayor. En España, el 78,7% de

la población accede a Internet (INE, 2015). En números absolutos estaríamos hablando

de 27,1 millones de personas, y creciendo a un ritmo trepidante.

Sabemos también que el 95% de ellos son usuarios frecuentes (se conectan al

menos una vez a la semana) y que si nos centramos en las personas que hacen un uso

intensivo del mismo (es decir, que se conectan todos los días) obtendremos un total de

22,2 millones de personas (Ibíd.). Es decir, casi las dos terceras partes de la población

española de entre 16 y 74 años.

Esto lleva aparejado radicales cambios en nuestros hábitos de comunicación, y

por tanto de difusión de información, tendencias y modas: el 88,2% de los internautas

declaran usar algún dispositivo móvil (en los tres últimos meses) para conectarse a

Internet desde cualquier parte (Fundación Telefónica, 2015), y el 66,8% participan en

medios sociales generalistas (Facebook, Twitter, etc.).

Por tanto, aunque pueda sonar exagerado (y quizá lo sea), no es de extrañar que

haya quien diga que "[...] las principales actividades económicas, sociales, políticas y

culturales de todo el planeta se están estructurando por medio de Internet. De hecho,

quedar al margen de esas redes es la forma de exclusión más grave que se puede sufrir

en nuestra economía y nuestra cultura." (Castells, 2001:17)

No obstante, lo verdaderamente llamativo de este asunto es que esta otra

afirmación, que tiene más de una década, no nos parezca tan llamativa en el presente:

"[...] el mundo de la investigación académica no ha conseguido ponerse al día de los

«cómos», los «qués» y los «porqués» de la sociedad y la economía basadas en Internet,

con una adecuada producción de datos empíricos.” (Ibíd.)

5

Siguiendo esa reflexión, podríamos argumentar con los datos de que

disponemos, que las barreras entre lo online y lo offline son más finas que nunca, y que

por consiguiente "[...] the conceptual point of departure for the research program is the

recognition that the Internet is not only an object of study, but also a source. Knowledge

claims may be made on the basis of data collected and analyzed by devices such as

search engines. […] It thereby challenges existing methods of data collection […], and

reopens the discussion of the Web as anticipatory medium, far closer to the ground than

one might expect." (Rogers, 2009:8)

Esta polémica queda brillantemente plasmada en el que pronto se convirtió en

uno de los artículos más citados de la historia de la revista Sociology3: "The Coming

Crisis of Empirical Sociology" (Savage & Burrows, 2007).

Texto que destaca la relevancia actual de las distintas disciplinas (desde el

Marketing hasta los "data scientist") que acometen regularmente investigaciones sobre

ciertos aspectos de "lo social", en los que la Sociología empírica tradicional lleva a cabo

un papel marginal o en muchas ocasiones inexistente, precisamente por su rezago en

comprender las implicaciones de los cambios sociales anteriormente comentados, y su

déficit en innovaciones metodológicas para hacerles frente. Algunos de estos aspectos

son los denominados datos transaccionales, o aquellos generados en la "Web 2.0", como

ya hemos comentado.

En ese sentido, si por algo se han caracterizado dichas investigaciones en medios

sociales, de un tiempo a esta parte, es por su fijación en la búsqueda de aquello que se

ha dado en llamar “influencers” (sea esta la denominación exacta, o cualquier otra que

matice unos u otros aspectos: key users, trend setters, early adopters…).

Son ampliamente conocidos servicios como Klout4 y sus múltiples

5 derivados

6,

que básicamente otorgan a los usuarios de medios sociales un número que los clasifica

en un ranking por orden de “influencia”; o aquellas7 publicaciones

8 que hacen lo propio

consultando a expertos y gurús de Internet.

3 http://soc.sagepub.com/reports/most-cited

4 https://klout.com/home

5 http://kred.com/

6 http://www.retweetrank.com/

7 http://www.forbes.com/sites/haydnshaughnessy/2011/12/02/who-are-the-top-10-influencers-in-

social-media/

6

Se trata, obviamente, de una opción como cualquier otra a la hora de hacer frente

a la abundancia inabarcable de generadores de información que encontramos en los

medios sociales online: seleccionar únicamente a los "populares" o "líderes", ya que al

fin y al cabo, el resto de opiniones y líneas de contenido derivarán o estarán marcadas

por estos.

Desde una perspectiva práctica o prescriptiva, de esta posición epistémica

derivan estudios para la realización de planes de contenido, publicidad, etc. que

concluyen en recomendaciones muy concretas (a la par que limitadas, en nuestra

opinión). Estas recomendaciones se pueden resumir en un mantra que una buena parte

de los community managers o equipos de comunicación tienen grabado a fuego en sus

mentes: hay que generar líneas de contenido atractivas para los “influencers”, de manera

que sean compartidas y el mensaje maximice su impacto. Pero en realidad, esta visión

pertenece a una tradición intelectual que dista de ser novedosa.

La obra clásica de Katz y Lazarsfeld “La influencia personal” (1955),

convirtió en hegemónica, durante un largo periodo de tiempo, a toda una corriente de

pensamiento que justificó teóricamente la búsqueda de esos “líderes de opinión” (íbid.;

Lazarsfeld, Berelson y Gaudet, 1944), “influyentes” (Merton, 1949; Weimann, 1994),

“influenciadores” (Rand, 2004), “mavens” (Gladwell, 2000), etc. dentro de la

communication research.

La idea básica que contiene esta corriente teórica es sencilla, pero importante:

frente a las "teorías hipodérmicas" de la comunicación, en las que "cada miembro del

público de masas era personal y directamente 'atacado' por el mensaje" (Wright,

1975:79; citado por Wolf, 1985:10), se plantea la existencia de un grupo diferente,

especial, de individuos "muy implicados e interesados por el tema, y dotados de más

conocimiento sobre el mismo, [a los que] llamaremos líderes de opinión" (Lazarsfeld,

Berelson y Gaudet, 1944:49).

Este grupo se muestra especialmente activo ante las noticias de un determinado

acontecimiento o temática concreta, y son propensos a influenciar a aquella parte

mayoritaria del público no tan involucrada de su entorno (en el que son percibidos con

gran credibilidad), difundiendo su postura al respecto del particular. Así, los medios de

8 http://www.cision.com/us/2014/10/50-top-social-media-pros-to-follow-on-twitter/

7

comunicación no estarían dirigiéndose en realidad a toda la "masa", sino que se

encontrarían compitiendo por el interés de estos líderes de opinión, que posteriormente

influenciarán a sus respectivos entornos. Es por esto que esta teoría se conoce como

"Two-Step Flow of Communication".

Esto sucede, según los teóricos de esta corriente, por múltiples causas, casi todas

procedentes de características personales de estos "influyentes", siendo una de las

principales la credibilidad: "Si la credibilidad de la fuente incide sobre la eficacia de un

mensaje de persuasión, es probable que la fuente impersonal de los media se encuentre

en desventaja respecto a las fuentes en cambio conocidas, propias de las relaciones

interpersonales; además, mientras un mensaje de la campaña electoral es percibido

como destinado a una finalidad muy concreta, la influencia que se desprende de las

relaciones interpersonales puede ser (o aparecer) menos vinculada a finalidades

específicas de persuasión." (Wolf, 1985:29)

Esta teoría, a su vez, ha llegado hasta nuestros días. Y podríamos decir que su

conceptualización actual no difiere en exceso de la realizada desde los años 50: "[...] el

éxito de una epidemia social depende enormemente de la participación en ella de un

cierto tipo de persona, dotada de unos rasgos especiales y poco habituales. [...] se trata

de gente que está a nuestro alrededor y que podemos encontrar en cualquier sitio, pero

pocas veces somos conscientes de la misión crucial que desempeñan en nuestra vida."

(Gladwell, 2000:44).

En definitiva, todas esas definiciones comparten la convicción, en mayor o

menor medida, de que esas personas por sus características especiales son capaces de

modificar la "agenda pública" de un entorno determinado conforme a sus intereses o

preferencias particulares, por lo que concentrando nuestros esfuerzos en seducirles (o

haciendo que nuestras líneas y objetivos de comunicación converjan con los suyos) será

más sencillo que nuestro mensaje penetre en un público amplio.

Esto es algo que incluso podemos percibir desde nuestra socialización más

temprana: los niños que se acercan preferentemente a sus pares considerados más

populares en el recreo, para convertirse a su vez en populares. Y de hecho, este

fenómeno psicosociológico dio origen a algunos de los primeros estudios empíricos

desde la perspectiva del Análisis de Redes Sociales (Moreno, 1934).

8

Pero, ¿y si aquellos niños populares sólo lo fueran, por ejemplo, por sus

habilidades destacadas en la clase de gimnasia la más vistosa o llamativa y su

“agenda” en el resto de áreas fuera más bien limitada? ¿Acaso el reconocimiento por sus

pares como "líderes" repondera al alza el valor de su discurso frente a otros; lo convierte

en "representativo"? O en un sentido prescriptivo, ¿deberíamos supeditar nuestros

intereses a los suyos, en un intento de maximizar nuestra capacidad de “impacto”, aún a

riesgo de la pérdida de identidad y diversidad?

Obviando esta analogía infantil, podríamos decir que una idea no muy lejana

subyace en la siguiente reflexión que el sociólogo Duncan Watts se hace en su libro

introductorio al Análisis de Redes Sociales (2004:52-53):

“En vez de pensar en las redes como entidades que evolucionan, los analistas de

redes han tendido de hecho a tratarlas como una materialización congelada de esas

fuerzas. Y en vez de entender las redes como meros conductos a través de los cuales la

influencia se propaga según sus propias reglas, han tratado a las propias redes como una

representación directa de la influencia […] Implícito en la aproximación [a las redes

desde el concepto de centralidad] está la asunción de que las redes que parecen ser

distribuidas, no lo son realmente […] Pero, ¿qué pasa si no hay un centro? ¿Qué si hay

muchos centros no necesariamente coordinados ni incluso del mismo lado? ¿Qué pasa si

las innovaciones importantes no se generan en el núcleo sino en la periferia donde los

capos gestores de información están demasiado ocupados para mirar?”

Es decir, que incluso aceptando el concepto de influencia entendido como

centralidad en una red de comunicación, este tiene dos caras: por un lado, efectivamente

podrían existir figuras con capacidad de influir (o al menos impactar) a una gran

cantidad de público, pero por otro, esto desvela el público que marca su propia agenda,

aquellos que se alejan de los discursos de los “populares”, es decir, “los diferentes”; los

cuales pueden ser objeto de idéntica atención. En otras palabras, no es la "centralidad"

(entendida en términos intuitivos) la única característica a destacar de la estructura de

una red.

El propio Watts publicó años después un artículo (2007) analizando la figura del

"líder de opinión" dentro de los estudios de redes sociales de comunicación,

concluyendo que "that what we call the 'Influentials Hypothesis' that a small minority

9

of special individuals wields disproportionate influence over the majority is not

supported by systematic empirical evidence" (ibíd.:202).

De la misma manera, dentro de la teoría de la comunicación son varios los

investigadores procedentes de la Two-Step Flow of Communication que han

reponderado con posterioridad la figura y el rol del "líder de opinión" en el estudio del

proceso de comunicación, como por ejemplo Gabriel Weimann discípulo de Elihu

Katz en su artículo "On the Importance of Marginality: One More Step into the Two-

Step Flow of Communication" (1982). En él sugiere la idea "that marginality should be

considered advantageous in the process of communication flow, not only due to the

personal traits of marginals but to the unique combination of the structural benefits of

marginality" (ibíd.: 765), comprobando esta hipótesis a partir de un estudio realizado

mediante encuesta en la "comunidad conversacional" de un kibbutz israelí.

A partir del análisis de estos datos, llega a la formulación de un modelo "de

múltiples pasos" que plantea la necesidad de análisis de los grupos conversacionales

"marginales" esto es, ajenos a los "gregarios y bien integrados" grupos centrales

debido al interés analítico encontrado en sus diferentes discursos: "Focusing on the

interpersonal sources of 'opinion leaders' and taking one step backwards from the

'centrals', we find 'marginals' serving as 'scouts' or 'importers' of information from their

'external' sources" (ibíd.:771-772).

Si aceptamos pues que no son sólo los "populares del recreo" los que deben ser

foco de nuestra atención en un sentido analítico, ¿cómo encontrar entonces a estos

“desviados” de la norma, si se encuentran en comunidades conversacionales alejadas de

aquellas en las que tenemos el foco de manera habitual, y fácil acceso? La respuesta

proveniente del Análisis de Redes Sociales es clara: encontrado a los conectores o

"puentes".

El ya clásico estudio empírico de Granovetter (1973) sobre las estrategias de

búsqueda de empleo en dos comunidades de Boston pone de relieve la importancia

fundamental de las "personas de enlace" y su capacidad de transmitir información clave

a través de lo que él llamó "los vínculos débiles" (ibíd.). En el mismo sentido apuntan

los trabajos de Ronald Burt (1995; 1999) sobre los "huecos estructurales" es decir, dos

o más grupos claramente definidos por sus interacciones intra-grupales; sin individuos

10

que los conecten extra-grupalmente dentro de las redes de una organización, y la

importancia estratégica de ejercer de "puente" entre los mismos como una forma de

liderazgo dentro de dicha organización.

No obstante, siguiendo la advertencia del propio Granovetter sobre el "theory-

gap in Social Network Analysis" (1979), hemos localizado referencias dentro de la

teoría sociológica a esta figura que hace las veces de "persona de enlace" entre los

"marginales" y los "normales".

En su estudio sobre la desviación (1963), Goffman habló de una figura a la que

llamó “sabios”. Con esto hacía alusión a aquellos individuos que se encuentran en la

intersección de los grupos mayoritarios esto es, participan del debate “normal” pero,

a la vez, generan un debate paralelo con una comunidad alejada del mismo a la cual

están conectados y se sienten identificados.

Este fenómeno, a su vez, puede suceder por distintas razones. Por ejemplo,

debido al estrecho contacto que un individuo "integrado" tiene con un grupo social que

posee un determinado estigma, a través de su actividad profesional: "[...] un tipo de

persona sabia es aquella cuya sabiduría proviene de sus actividades [...] que satisfacen

tanto las necesidades de quienes tienen un estigma particular como las medidas que la

sociedad adopta respecto a estas personas. Por ejemplo, las enfermeras y los terapeutas

pueden llegar a ser sabios, [...] los atentos dependientes de las tiendas que venden

manjares delicados, [...] el agente de policía, debido a su trato constante con criminales

[etc.]" (Goffman, 1963:46).

O, de otra parte, a causa de otro tipo de relaciones sociales indirectas: "Un

segundo tipo de persona sabia es aquella que se relaciona con un individuo

estigmatizado a través de la estructura social; [...] la esposa fiel del enfermo mental, la

hija del ex presidiario, el padre del inválido, el amigo del ciego, la familia del verdugo,

están obligados a compartir parte del descrédito de la persona estigmatizada con la cual

los une una relación. [...] Debe agregarse que las personas que de este modo adquieren

un grado de estigma, pueden, a su vez, estar relacionadas con otras que contraen algo de

la enfermedad de forma indirecta." (ibíd.)

Sin ánimo de hacer una analogía estricta de aquellos "marginales" dentro de una

comunidad conversacional con aquellos portadores de un estigma a los que se refiere

11

Goffman, sin duda podremos establecer ciertas similitudes entre ese rol social esa

posición en una estructura que ocupan las personas "sabias" en uno y otro caso.

Realizando, en definitiva, esta tarea buscando y estudiando los grupos

conversacionales marginales, diferentes, dispersos; a través de esas personas

intermedias que los vinculan en lugar de centrarnos únicamente en los populares o

influencers estaremos realizando, por un lado, un ejercicio de rigor metodológico. Al fin

y al cabo, no se aleja tanto del procedimiento de "dispersión" que llevamos a cabo a la

hora de construir una muestra cualitativa para una investigación mediante grupos de

discusión, en la que "la formación de grupos, selección y agrupamiento de participantes,

no responde a criterios estadísticos, sino estructurales (no se trata de una muestra de

términos o elementos, sino de una «muestra» de relaciones)" (Ibañez, 1986:89).

Por otro lado, en un sentido más prescriptivo u orientado a la realización de un

plan de comunicación para medios sociales (donde más proliferan en los últimos años

este tipo de estudios), esta perspectiva se demuestra considerablemente más pluralista,

abierta, y en un cierto sentido, democrática; lo que resulta especialmente importante en

el caso de la comunicación de instituciones al servicio público, pero también de

ciudadanos particulares o marcas. Esto es debido a que no sólo reflejaremos las

interacciones de aquellos individuos o grupos situados en el centro de "la curva normal

de las opiniones", sino que también aquellos que se alejan de la misma serán

visibilizados con claridad; y en consecuencia, también las disensiones, conflictos y

controversias (Venturini, 2010).

Para realizar esta labor, por tanto, hemos de habilitar una metodología que nos

ofrezca una adecuación óptima, isomorfa tanto a las características estructurales del

medio como a los patrones de interacción y la tipología de datos que podemos producir

en/a partir de él. Esto queda plasmado en la siguiente propuesta técnico-metodológica.

12

2. PROPUESTA METODOLÓGICA

Los objetivos de investigación del proyecto “Indicadores de eficacia, impacto y

retorno en campañas online de la DGT en redes sociales” (SPIP2014­01316) requerían

tanto una evaluación de las distintas campañas y líneas de comunicación mantenidas por

la institución en Twitter, como un análisis de las tipologías y características

diferenciales de su público; con especial atención a la localización de aquellos perfiles

que podrían corresponder con “conductores de riesgo”.

Para poder trabajar en dichos objetivos, se construyeron en primera instancia 49

redes dinámicas, que fueron la base sobre la que apoyamos el análisis reticular y

sirvieron para sustentar una posterior aproximación cualitativa de las interacciones

comunicacionales conformadas dentro de este espacio virtual de la Dirección General

de Tráfico.

Están englobadas en un periodo de estudio de 3 meses (desde marzo hasta mayo

de 2015) e incluyen las interacciones completas de 10 periodos semanales con el

usuario @DGTes con tres visualizaciones por cada uno de los periodos, centradas en

las tres principales métricas o enfoques por los que se ha optado, como explicaremos

más adelante, el seguimiento de dos hashtags creados por este usuario

(#CampanaControlVelocidad y #OperacionDGTPuenteMayo) desde su nacimiento a su

extinción, y el seguimiento de 5 semanas del hashtag internacional #SeguridadVial.

El objetivo final de estas redes dinámicas, que una vez trabajadas sobre las

formalizaciones posteriormente descritas hemos dado en llamar "cartografías

conversacionales", no es otro que servir como delimitación del campo de estudio,

resaltando los principales focos de interacción y comunidades conversacionales.

En este sentido, nuestra intención última está orientada a la construcción de

segmentaciones analíticamente relevantes, concepto inspirado en la reciente propuesta

metodológica de Marres denominada "Issue Mapping" (2015), para su aplicación a los

estudios de Ciencia, Tecnología y Sociedad en entornos digitales.

Se trata de una adaptación de la "construcción de cartografías de controversias"

propuestas por Latour y otros (ver Venturini, 2010; para una breve historiografía de la

13

cuestión) enfocadas "to observe and describe social debate especially, but not

exclusively, around technoscientific issues." (Venturini, 2010:258).

En nuestro caso, sin embargo, los "asuntos" que trataremos de localizar y

demarcar no son "controversias" en el sentido estricto al que hacen referencia los

primeros estudios en tecnociencia provenientes de la Teoría del Actor-Red (Callon,

1981); sino en un sentido más amplio, como el que podemos encontrar en cualquier

espacio virtual a través de medios sociales. Esto es: la cotidianidad del consenso y el

disenso de distintos grupos de personas interaccionando comunicacionalmente en

diversas plataformas de medios sociales.

Lo que rescatamos, pues, de la propuesta del "issue mapping" es precisamente su

apuesta por el "move beyond impartiality" (Marres, 2015:11) en lo relacionado con la

polémica del "sesgo digital".

De manera resumida: partimos de la afirmación rotunda de la existencia de

"sesgo" en el conocimiento que podemos extraer de los medios sociales, de la misma

manera que podríamos afirmar siguiendo en este sentido lo que es un axioma

generalizado dentro de los estudios de Ciencia, Tecnología y Sociedad, y en particular

del "Programa Fuerte" (Bloor & Barnes, 1998) el sesgo (o intereses partidarios)

existentes en la producción de cualquier tipo de conocimiento, se pruebe este

"verdadero" o "falso".

Siendo este nuestro punto de partida, no intentaremos "reducir" de forma alguna

el sesgo proveniente de la intermediación digital en la interacción comunicacional, en

un intento de liberar los asuntos y debates "objetos de estudio" de las distorsiones del

medio, planteándolos como un "objeto puro". Sino al contrario: ambas cuestiones la

conversación, disputa o temática escogida para su observación; como todo sesgo

derivado de las características estructurales del medio deben formar parte de nuestro

objeto de estudio, que pasa, por tanto, a una suerte de "estado de incertidumbre o

indefinición" inicial.

El motivo de esta decisión metodológica deriva de que tanto ese sesgo como el

debate observado sobre el que fuera nuestro objeto de estudio inicial, están íntimamente

relacionados y causan un impacto social diferenciado, que va a su vez a retroalimentar y

modificar el debate. Pongamos un ejemplo: cuando leemos en la prensa tradicional la ya

14

habitual mención a que tal o cual debate público se ha convertido en "trending topic";

no sólo se está haciendo alusión a las posiciones dentro del mismo o a la existencia de

una controversia, sino de manera directa al sesgo característico del medio social

Twitter, relacionado con la intensificación de un hashtag en una franja horaria muy

concreta. Siempre y cuando, claro está, dicho hashtag sea considerado "aceptable" para

el algoritmo promocional de Twitter: "[...] Twitter does not censor profanity from public

tweets, but it does remove it from their algorithmic evaluation of which terms are

Trending" (Gillespie, 2015:6).

En ese sentido, observamos la proliferación de estrategias comunicativas no sólo

dentro del posicionamiento y enfrentamiento habitual de cualquier debate público o

privado; sino derivadas de las características estructurales del medio (siguiendo con el

ejemplo de Twitter: el uso de ciertos hashtags, la publicación de determinados tuits por

la mañana en lugar de por la noche donde los programas televisivos acaparan los

Trending Topics, etc.). Estrategias que a su vez modifican la visibilidad de unas

posiciones frente a otras por tanto aquellas de mayor relevancia en la agenda pública,

y que en consecuencia no pueden ser obviadas en una investigación.

No obstante, en la reafirmación de recoger dichos sesgos, tenemos que tener en

cuenta el riesgo de que "el medio" decida por nosotros lo que es un asunto o posición

importante. De la misma manera que en la cuestión del "peligro del ranking de

influyentes" (sobre el que hemos reflexionado y el cual tratamos de evitar), dado que

estamos realizando una reflexión metodológica para el estudio de la "cotidianidad del

consenso y el disenso en un espacio virtual" (definido bien por una temática o

"término de búsqueda", bien por uno o varios usuarios particulares); no podemos

derivar indicadores de la relevancia de una posición concreta dentro del mismo de los

indicadores de "promoción" del medio en sí, sino que debemos construir nuestras

propias métricas en la búsqueda de una "objetividad de segundo grado" (Latour, 2005).

Esto es, sencillamente, la consecución de la objetividad mediante la multiplicación de

los puntos de vista subjetivos, lo cual lograremos mediante la triangulación de los

métodos, y la formalización de indicadores que asuman perspectivas diferentes.

En ese sentido, podemos englobar este tipo de análisis dentro de lo que se ha

dado en llamar Mixed-Methods Social Network Research (Domínguez & Hollstein,

2014). Siguiendo a Edwards (2010), podemos decir que parte de la premisa de hacer una

15

mezcla de técnicas cualitativas y cuantitativas que permita al investigador observar la

estructura o forma de una red desde un punto de vista "exterior" a la vez que

profundizar en el contenido y procesos de esa red desde una perspectiva "interior“. En

nuestro caso, la triangulación metodológica está diseñada y estructurada de la siguiente

manera:

1) En primera instancia, se realizará una labor de recogida sistemática de todo el

material cualitativo generado en los espacios virtuales objetos de estudio tanto en las

redes egocéntricas de Twitter, es decir, las interacciones con el propio usuario; como en

los denominados "focos temáticos" o hashtags, creados (o no) por el usuario.

2) A continuación −gracias a la estructura reticular de este tipo de datos− se

representará este material comunicativo en forma de grafo, y posteriormente se trabajará

a partir de las herramientas de análisis y algoritmos considerados óptimos para cada

perspectiva, con el objetivo de desvelar aquello que pretendemos vislumbrar: cuáles son

las comunidades conversacionales centrales en el espacio, pero también (y sobre todo)

cuáles son las diferentes, periféricas o marginales (Weimann, 1982).

3) Por último, se analizará esta cartografía conversacional construida mediante

enfoques de etnografía virtual (Hine, 2000), con los que se semantizará el espacio y, en

un sentido prescriptivo, permitirá elaborar líneas y estrategias de comunicación que se

ajusten a la estructura y discursos desvelados.

Pasaremos a continuación a detallar el proceso de extracción y tratamiento de

datos en su faceta más técnica:

En primer lugar, se procede a la obtención de las matrices de datos que serán la

materia prima para el resto de análisis a partir de peticiones selectivas a la REST API

de Twitter9. En nuestro caso, hemos optado por la utilización de la librería "Social

Network Importer"10

corriendo sobre el software "NodeXL"11

, puesto a libre disposición

de los investigadores que lo requieran por la SocialMedia Research Foundation12

; que

nos permite gestionar tanto peticiones como las autentificaciones (OAuth) que Twitter

requiere para poder realizarlas.

9 https://dev.twitter.com/rest/public

10 https://socialnetimporter.codeplex.com/

11 http://nodexl.codeplex.com/

12 http://www.smrfoundation.org/

16

A continuación, se convierten estos datos a formato de grafo, tomando como

nodo cada usuario que ha mencionado o retuiteado en al menos una ocasión al usuario

@DGTes (directa o indirectamente), o bien ha mencionado o retuiteado el hashtag a

analizar en ese momento; y como arcos cada mención o retuit a cualquier usuario dentro

de cada tuit generado por el mismo. Esta operación se ha realizado con el software libre

Gephi13

.

Figura 1: Visualización de la red generada por las interacciones con el usuario @DGTes en el periodo 1

Esto nos dará una red donde se encuentran recogidas las interacciones

comunicacionales que los usuarios incluidos en la búsqueda (aquellos que cumplen las

condiciones antes impuestas) han tenido en el periodo de una semana.

En el caso de las redes egocéntricas de Twitter, hay que mencionar que el "ego"

(el usuario único cuya interacción con el mismo es puesta como condición para la

13

http://gephi.github.io/

17

recogida de los datos) es eliminado para evitar distorsiones en las métricas y la

estructura de la red (ya que, lógicamente, estará conectado con todos los demás nodos).

Figura 2: Misma visualización y mismo periodo que en la "figura 1", pero se ha eliminado el usuario cuya

interacción con él es la condición de entrada a la matriz de datos.

A continuación, se realiza una distribución de los nodos en el espacio con una

combinación de los algoritmos Fruchterman-Reingold (Fruchterman y Reingold, 1991)

y Force Atlas 2 (Jacomy et al., 2011); que situará en la periferia del layout (o

distribución visual) a los usuarios aislados (aquellos que no han generado interacción

alguna) y en el centro del mismo a las comunidades conversacionales más activas, o con

mayor grado de interacción.

18

Figura 3: Tras la aplicación de los algoritmos de distribución, la localización de grupos de conversación

se hace más intuitiva, aunque de momento se trata de una mera percepción visual. Se aprecian los grandes

núcleos conversacionales centrales y otros semi-periféricos, así como un número más elevado de

comunidades "marginales" e individuos aislados ("chating alone").

Posteriormente, hemos aplicado el algoritmo de clustering Chinese Whispers

(Biemann, 2006) de formalización sencilla, pero óptimo para redes con el elevado

número de nodos y baja densidad de conexiones como las que nos hemos encontrado en

cada periodo de Twitter que ubicará cada usuario en un grupo único en función de sus

interacciones con el resto de usuarios. A cada grupo o clúster se le asigna un número

entero determinado para su identificación, que haremos coincidir con un color único en

la visualización. Como excepción se encuentran los usuarios aislados, que son

colocados de manera arbitraria en un clúster o conglomerado común.

19

Figura 4: el algoritmo de clustering asocia un color a cada nodo indicando el conglomerado de

pertenencia en función de la densidad y dirección de sus vínculos al resto de nodos. Los algoritmos de

clustering y los de layout elegidos se basan en principios formales parecidos, por lo que, como podemos

observar, existe cierta coincidencia entre la disposición "geográfica" del nodo y la pertenencia a un

conglomerado determinado.

Por último, el tamaño de los nodos se hace proporcional (aunque siempre

manteniendo un ratio entre 9 y 60 píxeles) a la métrica derivada del Análisis de Redes

Sociales que queramos resaltar, para facilitar su identificación a simple vista, y la

localización de los distintos segmentos analíticamente relevantes.

20

Figura 5: Aquí hemos realizado una visualización del tamaño de cada nodo proporcional a su puntuación

en el algoritmo de PageRank (Brin & Page, 1998), que es tanto el utilizado por la mayoría de estudios en

medios sociales que hacen uso de técnicas derivadas del análisis de redes sociales para la detección de

"influyentes"; como el usado por el buscador Google para la localización de páginas webs "populares".

En este caso, vemos de un tamaño mucho mayor al resto los nodos de @guardiacivil (verde),

@informaciondgt (gris) e @infoemerg (negro); cuentas gestionadas por instituciones públicas con un

gran número de seguidores, que interaccionan a menudo con @DGTes.

Es importante aquí destacar el papel de las tres métricas seleccionadas en la

búsqueda de la ya mencionada "objetividad de segundo grado", que nos darán las

perspectivas para la localización, interpretación y evaluación de las comunidades

conversacionales. A saber:

Grado de salida ponderado (Weighted Out-Degree): El grado de un nodo o

actor concreto equivale al número de actores con los que tiene una relación

21

directa (o en otras palabras, el número de aristas que inciden en el nodo). Al

tratarse de un grafo dirigido (es decir, un grafo en el que la relación del nodo A

con B no implica una relación del nodo B con el A; o en otras palabras, no es

necesariamente simétrica), podemos diferenciar entre grado de entrada o salida.

Si nos centramos ahora en aquellos arcos (conexiones direccionales) salientes, y

además tenemos en consideración el número de veces que dos mismos nodos

cumplen la condición para generar un vínculo entre ellos, obtendremos el grado

de salida ponderado.

La interpretación en este tipo de red de esta métrica es sencilla: se trata de los

usuarios con mayor intensidad de actividad en el periodo. Los que más han

participado en la conversación dentro del periodo mediante menciones,

respuestas, retuits, etc.

La elección de la misma como una de las tres perspectivas de esta propuesta

técnico-metodológica viene derivada por su consideración como una

operacionalización adecuada de lo que en un sentido más intuitivo podría ser un

"trend" local. Al igual que hemos advertido de la importancia de no dejarnos

llevar por los indicadores propios del medio (e.g. "trending topics") para

ponderar nuestra atención analítica en las distintas posiciones del debate,

también hemos justificado la necesidad de recoger las estrategias por movilizar

dichos indicadores a favor de los actores.

En ese sentido, el grado de salida ponderado resulta un buen indicador de un

"trend" delimitado únicamente a nuestro espacio virtual construido como

anteriormente hemos explicado, permitiéndonos ubicarlo de manera precisa

dentro de nuestra cartografía conversacional (en lugar de observándolo en un

ranking del "top ten").

Eso nos permite responder a las preguntas: ¿quién o quienes están movilizando

esas estrategias para posicionar sus mensajes? ¿Forman parte de la misma

comunidad conversacional, o son varias comunidades diferentes? ¿Qué

22

posiciones tratan de visibilizar? ¿Qué otras comunidades conversacionales

interactúan con ellas?

PageRank: Si antes hemos explicado el significado del grado de salida (y de

manera indirecta del grado de entrada), podríamos considerar el PageRank como

una variación del grado de entrada ponderado.

De hecho, es una derivación del denominado autovector o vector propio

(eigenvector) de una matriz, desarrollada por la empresa Google (Brin & Page,

1998), donde cada nodo de la red recibe puntuaciones relativas basadas en el

principio de que los nodos con altas puntuaciones contribuyen en mayor medida

a la puntuación del nodo en cuestión que un número igual de conexiones con

nodos de baja puntuación.

O en otras palabras, si el grado de entrada nos dice cuáles son los nodos en la red

más mencionados o buscados por el resto, PageRank además nos indica cuáles

son los nodos mencionados o buscados por otros usuarios que a su vez son muy

mencionados o buscados.

Cabe mencionar que existen multitud de re-definiciones en la formalización de

este algoritmo, algunas abiertas y de gran popularidad en la comunidad científica

(Kleinberg, 1999), otras muchas "cerradas" con aplicaciones dentro del mundo

de los negocios y el marketing digital14

; precisamente por tratarse de aquel que

habitualmente va a organizar y guiar nuestra visión en el ciberespacio según la

posición epistémica antes examinada (es decir, aquella que convierte redes de

interacción en rankings de influencers).

No obstante, al margen de esta reflexión, efectivamente puede ser interpretado

como un indicador de la "credibilidad" o "fiabilidad" que se otorga a la posición

de un nodo concreto desde el punto de vista de su comunidad conversacional, en

tanto en cuanto es referenciado o tomado como fuente por otros nodos con

amplio público. Haciendo una simplificación extrema, podríamos afirmar que es

un buen indicador de una posición "oficial" o "institucional".

14

https://klout.com/; http://www.qscores.com/; https://www.cloze.com/; https://commun.it/; http://kred.com/; http://www.engagio.com/; http://www.peerindex.com/; etc.

23

En la posterior fase cualitativa, puede promover las siguientes preguntas: ¿cuáles

son las posiciones ampliamente respaldadas o divulgadas por distintas

comunidades conversacionales? ¿Se concentran en la misma comunidad, o

encontramos estas "posiciones de autoridad" en distintas comunidades? ¿Se trata

de posiciones enfrentadas, o mantienen idénticas posturas?

Centralidad por intermediación (Betweeness): Se trata de la métrica que nos

parece más interesante para el caso concreto de las comunidades

conversacionales en medios sociales; y que nos servirá como contrapunto a los

algoritmos de centralidad derivados del PageRank.

Viene definida por el número de caminos entre dos nodos cualesquiera que

pasan por un nodo determinado, frente al número de caminos posibles entre esos

dos nodos. Podríamos decir que es una medida del poder que detenta un nodo

determinado a raíz del "monopolio" de los caminos que conducen a uno o varios

grupos concretos. O al menos esta es la operacionalización tradicional que en los

estudios sobre élites de poder realizados desde el Análisis de Redes Sociales se

hace de la misma.

De entrada, podemos encontrarle interesantes connotaciones empíricas, ya que

se ha demostrado que son los usuarios que difunden en mayor medida y con más

eficacia un mensaje o línea de comunicación concretos en medios sociales online

(Grabowicz et al., 2012; Park & Suh, 2013).

Esto es así porque nos ayudan a localizar las oportunidades de comunicación

abiertas por los agujeros estructurales (Burt, 1995; 1999) en las comunidades

conversacionales. En nuestro ejemplo aplicado: si somos capaces de localizar un

usuario que se muestre abierto a la interacción con @DGTes, teniendo ese

usuario detrás a una comunidad con la que interacciona, pero que la misma no

interacciona con @DGTes (salvo de manera indirecta a través de este usuario

peculiar), habremos encontrado un puente para poder transmitir un mensaje a

una comunidad a la que no podríamos llegar de otra manera.

Por último, en un sentido teórico resulta especialmente interesante porque, con

esta construcción particular de la red, puede entenderse como una formalización

para encontrar a los usuarios "diferentes", o lo que en lenguaje goffmaniano

24

llamaríamos "sabios" (Goffman, 1963): aquellos usuarios que, perteneciendo a

una comunidad conversacional alejada de la nuestra, mantienen ciertas

conexiones con las comunidades más "mainstream", y hacen las veces de

conectores entre ambas.

Esto nos permite localizar dichas comunidades y profundizar en las mismas de

manera cualitativa, sirviéndonos como un método para realizar una suerte de

"muestreo estructural" (Ibáñez, 1986).

Figura 6: Aquí hemos cambiado la visualización proporcional al algoritmo de PageRank que

veíamos en la figura 5, por un tamaño proporcional a la centralidad por intermediación

(betweeness centrality). Como podemos observar, las cuentas antes localizadas como

"influyentes" han sido sustituidas por la Plataforma Motera para la Seguridad Vial (@_pmsv), y

alrededor de la misma un grupo de usuarios y asociaciones moteras (como @angrybikers, etc.)

que, pese a no "conversar" a menudo con la DGT, sí que lo hacen con la PMSV; y esta a su vez

parece mencionar a la DGT en algunas publicaciones. La PMSV es un "sabio", una institución

que es capaz de conectar la comunicación entre los "moteros" y la Dirección General de Tráfico.

25

3. ADELANTO DE RESULTADOS

En primer lugar, cabe destacar que el número de interacciones con la cuenta de

la Dirección General de Tráfico mediante menciones, respuestas o retuits es de una

media de aproximadamente 2.000 usuarios únicos a la semana. Se trata de una cuenta

muy citada por comunidades conversacionales muy diferentes, por lo que no es

casualidad que sea el usuario de Twitter vinculado al Gobierno de España con mayor

puntuación en Klout15

.

Además, con un público potencial de más de 95.000 seguidores, se encuentra

muy por encima de las audiencias que encuentran organismos e instituciones europeas

dedicadas a la seguridad vial en el mismo medio, como es el caso de la británica16

,

francesa17

, finlandesa18

, danesa19

o noruega20

(todas ellas con muy destacables

campañas de comunicación). Esto nos da una idea del potencial de este medio social

para maximizar la efectividad de las campañas divulgativas y de prevención de

accidentes que realiza esta institución como una de sus funciones principales.

En este caso, tras el análisis de las redes de interacciones entre los usuarios

recopiladas durante los meses de marzo, abril y mayo según la metodología desarrollada

anteriormente, hemos podido detectar los siguientes patrones y regularidades en la

comunicación, que parecen repetirse de manera similar en los distintos periodos.

De esa media aproximada de 2.000 usuarios generando interacciones por

periodo analizado, podríamos decir que entre la mitad y la tercera parte de los

mismos no generan a su vez nuevas menciones, respuestas o interacciones. Se

trata de usuarios aislados que retuitean esporádicamente a la cuenta @DGTes,

responden a una publicación sin ninguna otra respuesta a su vez, o bien la

mencionan sin respuesta por parte de la misma o algún otro usuario.

15

http://topinfluencers.net/map/?organization_id=201 16

https://twitter.com/THINKgovuk 17

https://twitter.com/RoutePlusSure 18

https://twitter.com/Liikenneturva 19

https://twitter.com/SikkerTrafik 20

https://twitter.com/tryggtrafikk

26

Periodos semanales

analizados

Número de usuarios únicos

(nodos) que interaccionan

con @DGTes en el periodo

Número de

interacciones

Usuarios que no

provocaron ninguna

interacción*

1 [hasta el 08/03/2015] 1946 1354 967 [50%]

2 [hasta el 16/03/2015] 1736 2196 726 [42%]

3 [hasta el 24/03/2015] 1654 2572 553 [33%]

4 [hasta el 01/04/2015] 2196 1955 608 [28%]

5 [hasta el 16/04/2015] 1669 1882 447 [27%]

6 [hasta el 30/04/2015] 1492 1423 543 [36%]

7 [hasta el 07/05/2015] 2891 2279 1274 [44%]

8 [hasta el 15/05/2015] 1487 1383 508 [34%]

9 [hasta el 23/05/2015] 1982 1857 800 [40%]

10 [hasta el 31/05/2015] 2119 2146 761 [36%]

Media 1917 1905 719 [37%]

Tabla I: Usuarios únicos que conforman la red de interacciones por periodo, y porcentaje de los mismos

que no han causado interacción conversacional alguna *(excepto la impuesta como condición para ser

incluidos en la red mencionar, citar, o retuitear al usuario @DGTes)

En cuanto a la otra mitad, sus interacciones mutuas tienden a agregarlos en

comunidades conversacionales de temáticas e intereses claramente definidos. Lo

podemos observar fácilmente con la visualización de las interacciones del

periodo correspondiente a la primera semana de marzo, de la que hemos extraído

al propio usuario @DGTes:

27

Figura 7: Grafo de la interacción del periodo semanal 1 [finalizado el 08/03/2015] con tamaño de los

nodos proporcional al grado de salida ponderado.

Como vemos, incluso esas comunidades conversacionales no se encuentran

estrictamente aisladas entre ellas en la mayor parte de los casos, sino que algunos

usuarios interaccionan con otras. Su posición en el layout depende de esos "vínculos

débiles", situándose más cercanamente al centro del mismo conforme aumenta la

densidad de estos vínculos.

Esta estructura general se corresponde a lo que Smith (et al., 2014) denomina

"community clusters", para hacer referencia a la existencia de distintos grupos de

conversación con temáticas paralelas e intereses diversos, que desarrollan su propia

agenda mediante citas, menciones o retuits entre sus componentes, aunque

modificándose la composición de los mismos conforme avanza la conversación en los

28

resquicios de las líneas de comunicación "oficiales", bien por ser afines, bien por ser

radicalmente opuestas.

Conocer esta particularidad de las interacciones comunicativas dentro de este

espacio virtual concreto, tiene claras aplicaciones a la hora de hacer una utilización de

esta metodología destinada a la elaboración de líneas de contenido para equipos de

comunicación; ya que, si bien es complicado interaccionar con todos y cada uno de los

usuarios que a su vez lo hacen con la cuenta @DGTes, sería deseable que ninguna

comunidad conversacional definida quedase sin participación por parte de la institución.

Dentro de esta última variedad de usuarios los agrupados en comunidades

claramente definidas, encontramos a su vez cuatro tipologías de características

similares, que se repiten en los distintos periodos. Seguiremos con el ejemplo anterior

para ilustrar las mismas:

Comunidades institucionales: Se trata de comunidades formadas por un

usuario central con afinidad temática/institucional a la DGT, que la menciona o

retuitea con cierta regularidad, y a su vez es retuiteado por una amplia audiencia

(siendo poco habitual que se respondan o mencionen entre ellos, sino que

interaccionan directamente con el usuario central, lo que siguiendo el modelo de

Smith (íbid.) se denominaría una "broadcast network").

En todos los periodos encontramos ejemplos de estas comunidades, siendo

fácilmente localizables buscando los nodos con mayor puntuación en el

algoritmo de PageRank. En el periodo 1 podemos observar que encajan con esta

tipología las comunidades alrededor del usuario @guardiacivil, aquella otra en

la que se encuentra @infoemerg y otras cuentas pertenecientes a Protección

Civil de distintas localidades; o el conglomerado formado a su vez por distintas

comunidades, centralizadas por el usuario secundario de la DGT con

información sobre el estado del tráfico y carreteras @informaciondgt, y buena

parte de su público objetivo (como el Twitter no oficial @forodgt, u otras

cuentas relacionadas con el tráfico en Madrid @madridprotcivil,

@policiademadrid, @lomejordemadrid, etc.).

29

Figura 8: Comunidades institucionales localizadas en el periodo 1. Grafo de la interacción con

tamaño de los nodos proporcional a la puntuación en el algoritmo PageRank.

Se observa que la audiencia virtual que interacciona dentro de esta tipología de

comunidad, lo hace una buena parte de las veces de manera "endogámica",

limitándose al simple retuit, y en muchas ocasiones de temas relacionados sólo

tangencialmente con la seguridad vial y el tráfico.

Comunidades puente: Observamos en todos los periodos una tipología de

usuarios especialmente vinculados o comprometidos de manera directa o

indirecta con alguna de las áreas de actuación de la DGT, por lo que es habitual

que respondan a las publicaciones de sus materias de interés, o la mencionen a

menudo de manera conjunta a otros nodos clave en sus líneas de comunicación

habitual.

30

Debido a esas características estructurales, pueden ser localizadas atendiendo al

grado de centralidad por intermediación (betweeness) de cada periodo. Veamos

unos ejemplos:

Figura 9: Comunidades puente localizadas en los periodos 1 (izquierda) y 5 (derecha). Grafo de la

interacción con tamaño de los nodos proporcional al grado de centralidad por intermediación

(betweeness)

En los grafos reproducidos en la figura 9, pertenecientes a los periodos

semanales 1 [finalizado el 08/03/2015] y 5 [finalizado el 16/04/2015] se pueden

localizar con facilidad (gracias a la proporcionalidad del tamaño de los nodos

con la métrica indicada) dos ejemplos de la tipología de interacción a la que nos

referimos.

En el caso del periodo 1 se trata de la comunidad conformada por el debate que

dio comienzo con un álbum de fotos que la asociación sin ánimo de lucro

“Plataforma Motera para la Seguridad Vial” (@_pmsv) publicó, etiquetando a

algunos de los participantes, entre los que se encontraban el programa de radio

“Luz de Cruce” o un editor de la revista “Motorpasión”.

31

Si nos fijamos en el periodo 5, observamos que en realidad hemos señalado tres

comunidades separadas conforme a la clasificación del algoritmo Chinese

Whispers, pero que tras profundizar cualitativamente demuestran tener temáticas

similares.

Reflejan los debates iniciados por los usuarios @AceraPeatonal, @bicilibre,

@mejorporcalzada, @conbici, @ciclocafres, etc. centrados en la disconformidad

de ciertas agrupaciones, tanto de ciclistas como de peatones, con los carriles-bici

ubicados en las aceras, manifestando su deseo de reubicarlos a las calzadas.

El estilo de los tuits varía, desde la reivindicación basada en la difusión de

información y noticias21

, hasta las tiras humorísticas22

.

En el caso de ambos ejemplos, desde la cuenta @DGTes no se realizaron

interacciones con ninguna de estas comunidades conversacionales, lo que hace

perder oportunidades de llegar a públicos alejados y de composiciones diferentes

al que habitualmente poseen como audiencia virtual potencial (sus followers).

Comunidades "de actualidad": Se trata de aquellas comunidades que reflejan

una temática de actualidad, con fuerte impacto mediático o polémica; que atañen

a la DGT de manera directa o indirecta. Suelen estar formadas por nodos con

grados de salida ponderados localmente elevados (muy activos), y no será difícil

que a la vez coincidan con una "comunidad puente" en el sentido de que,

además de lo señalado, sea una comunidad conversacional iniciada por un

usuario "puente" pero cuyos "miembros" no interaccionan de manera habitual

con @DGTes, por tratar contenidos ajenos a su interés.

Uno de los ejemplos más claros que nos hemos encontrado durante el periodo de

análisis es el de las reivindicaciones de los Agentes Forestales y de Medio

Ambiente de Andalucía (con varios usuarios centrales, como el de la Asociación

Profesional de Agentes de Medio Ambiente de Andalucía @aamaa_es)

21

https://twitter.com/bicilibre/status/588411705539043328 22

https://twitter.com/AceraPeatonal/status/586137022991097856

32

relacionadas con el conflicto que existe entre estos y la DGT, a la que culpan de

no poder utilizar las luces de emergencia (“rotativos azules”), al contrario que en

otras comunidades autónomas, a raíz de la denominada Ley de Montes.

Figura 10: Comunidad de actualidad localizada en el periodo 2. Grafo de la interacción con tamaño de los

nodos proporcional al grado de salida ponderado.

Comunidades temáticas periféricas: Por último, hay un tipo de comunidades

que aparecen en la periferia del layout, conectadas de manera escasa o nula con

el resto, y muchas veces con un nodo con un grado moderado de centralidad por

intermediación.

Se trata de usuarios muchas veces empresas o marcas que, de manera

esporádica, han citado a la DGT por algún tema relacionado circunstancialmente

con sus líneas de contenido, aunque no sea su tónica habitual.

33

Desde hoteles rurales, turismo de montaña, empresas de sillas para bebes o

compañías de seguros; este tipo de interacción nos abre la oportunidad de

alejarnos aún más que en el caso de las comunidades puente del "público

objetivo" de la DGT, captando (siempre y cuando se responda a la interacción

con un buen contenido) nuevos usuarios que hagan la composición de nuestra

audiencia virtual más heterogénea.

Figura 11: Comunidad temática periférica localizada en el periodo 1. Grafo de la interacción con tamaño

de los nodos proporcional al grado de centralidad por intermediación.

En el ejemplo reproducido observamos uno de los casos encontrados dentro de

esta tipología. Se trata de un tuit23

que generó numerosos retuits por parte de

otros usuarios de un hotel rural de montaña (@hotelizas) a propósito de una

galería fotográfica dónde mostraba el acceso a la zona completamente nevado.

23

https://twitter.com/HotelIzas/status/572118423888654337

34

4. CONCLUSIÓN

Con estos breves ejemplos tratamos de mostrar que, realizando una reflexión

previa acerca de la naturaleza de las herramientas técnicas de que disponemos, y

haciendo uso de metodologías mixtas —apoyando y posibilitando un trabajo

cualitativo gracias a las técnicas y constructos teóricos del Análisis de Redes

Sociales—, podemos ser capaces de localizar y “muestrear” los distintos

discursos, consensos y disensos; pese a la inicial inabarcabilidad de los mismos.

Esto es, afrontar el dilema de disponer de datos cualitativos a una escala

cuantitativa24

, evitando limitarnos a la realización de meros agregados o

rankings de “popularidad”.

5. REFERENCIAS BIBLIOGRÁFICAS

Baeza-Yates, R. (2004). Excavando la web. El profesional de la información,

13(1), 4-10.

Baran, P. (1964). On distributed communications. U.S. Air Force Project: The

RAND Corporation.

Biemann, C. (2006). "Chinese Whispers - an Efficient Graph Clustering

Algorithm and its Application to Natural Language Processing Problems". HLT-

NAACL-06 Workshop on Textgraphs-06, New York, USA.

Bloor, D., Barnes, B. (1998). "Sociology of knowledge". En E. Craig (Ed.),

Routledge encyclopedia of philosophy. Londres: Routledge.

Brin, S., Page, L. (1998). "The Anatomy of a Large-Scale Hypertextual Web

Search Engine". Seventh International World-Wide Web Conference (WWW

1998), Abril 14-18, Brisbane, Australia.

Burt, R. (1995) [2015]. Huecos estructurales: la estructura social de la

competitividad. Madrid: Centro de Investigaciones Sociológicas.

Burt, R. (1999). The social capital of opinion leaders. Annals of the American

Academy of Political and Social Science, 566, 37-54.

Callon, M. (1981). Pour une sociologie des controverses technologiques.

Fundamenta Scientae, 2, 381-399.

24

Tuit atribuído a Francesco D'Orazio (https://twitter.com/lescarr/status/620536968468922368)

35

Castells, M. (2001). La galaxia Internet. Madrid: Areté.

Domínguez, S., Hollstein, B. (2014). Mixed Methods Social Networks Research:

Design and Applications. Cambridge, U.K.: Cambridge University Press.

Edwards, G. (2010). Mixed-method approaches to social network analysis.

National Centre for Research Methods, 15.

Fruchterman, T., Reingold, M. (1991). Graph Drawing by Force-Directed

Placement. Software-Practice & Experience (Wiley), 21 (11), 1129–1164.

Fundación Telefónica, (2015). Informe "Sociedad de la Información en España

2015" (en línea). http://www.fundaciontelefonica.com/

Gillespie, T. (2015). The relevance of algorithms (en línea).

http://www.tarletongillespie.org/essays/Gillespie%20-

%20The%20Relevance%20of%20Algorithms.pdf

Gladwell, M. (2000) [2007]. La clave del éxito (The Tipping Point). Madrid:

Taurus.

Goffman, E. (1963) [2008]. Estigma. La identidad deteriorada. Madrid:

Amorrortu Ediciones.

Grabowicz, P., Ramasco, J., Moro, E., Pujol, J. , Eguiluz, V. (2012). Social

Features of Online Networks: The Strength of Intermediary Ties in Online

Social Media. PLoS ONE, 7(1).

Granovetter, M. (1973) [2000]. La fuerza de los vínculos débiles. Política y

Sociedad, 33, 41-56.

Granovetter, M. (1979). The Theory-Gap in Social Network Analysis. En P.

Holland y S. Leinhardt (Ed.), Perspectives on Social Research (pp. 501-518).

Nueva York: Academic Press.

Hine, C. (2000) [2004]. Etnografía Virtual. Barcelona: UOC.

Ibáñez, J. (1986) [2002]. Perspectivas de la investigación social: el diseño en las

tres perspectivas. En Ferrando et al., El análisis de la realidad social: Métodos y

técnicas de investigación. Madrid: Alianza Editorial.

INE (2015). Encuesta sobre equipamiento y uso de tecnologías de información y

comunicación en los hogares 2015.

Jacomy, M., Venturini, T., Heymann, S. , Bastian, M. (2011). ForceAtlas2, A

Graph Layout Algorithm for Handy Network Visualization. Discussion paper,

36

Paris, 29 de Agosto (en línea)

http://webatlas.fr/tempshare/ForceAtlas2_Paper.pdf

Katz, E., Lazarsfeld, P. (1955) [1979]. La influencia personal: el individuo en el

proceso de comunicación de masas. Barcelona: Editorial Hispano Europea.

Kleinberg, J. (1999). Authoritative sources in a hyperlinked environment.

Journal of the ACM, 46 (5), 604–632.

Latour, B. (2005) [2008]. Reensamblar lo social: una introducción a la teoría

del actor-red. Buenos Aires: Manantial.

Lazarsfeld, P., Berelson, B., Gaudet, H. (1944) [1968]. The people's choice: how

the voter makes up his mind in a presidential campaign. Nueva York: Columbia

University Press.

Marres, N. (2015). Why Map Issues? On Controversy Analysis as a Digital

Method. (En línea).

http://research.gold.ac.uk/11342/1/Marres_Why_Map_Issues_jan2015.pdf

Merton, R. K. (1949) [1968]. Patterns of Influence: Local and Cosmopolitan

Influentials. En Social Theory and Social Structure (pp. 441-474). Nueva York:

Free Press.

Moreno, J. (1934) [1954]. Fundamentos de la sociometría. Buenos Aires:

Paidós.

Morris, M., Ogan, C. (2006). The Internet as Mass Medium. Journal of

Communication, 46 (1), 39-50.

Park, J. H., Suh, B. (2013). The Impact of Influential’s Betweenness Centrality

on the WOM Effect under the Online Social Networking Service Environment.

PACIS 2013 Proceedings. Paper 60.

Rand, P. (2004). Identifying and Reaching Influencers. American Marketing

Association Journal. (En línea) http://us.prolog.biz/resource1.html

Rogers, R. (2009). The End of the Virtual: Digital Methods. Amsterdam:

Vossiuspers UvA.

Savage, M., Burrows, R. (2007). The Coming Crisis of Empirical Sociology.

Sociology (SAGE), 41, 885-899.

Smith, M., Rainie, L., Shneiderman, B., Himelboim, I. (2014). Mapping Twitter

Topic Networks: From Polarized Crowds to Community Clusters. Pew Research

37

Center. (En línea). http://www.pewinternet.org/files/2014/02/PIP_Mapping-

Twitter-networks_022014.pdf

Thrift, N. (2005). Knowing Capitalism. U.K.: Sage Publications.

Venturini, T. (2010). Diving in magma: how to explore controversies with actor-

network theory. Public Understanding of Science, 19(3), 258-273.

Venturini, T. (2012). Building on faults: how to represent controversies with

digital methods. Public Understanding of Science, 21(7), 796-812.

Watts, D. (2003) [2006]. Seis grados de separación. La ciencia de las redes en

la era del acceso. Barcelona: Paidós.

Watts, D. (2007). Challenging the Influentials Hypothesis. Measuring Word Of

Mouth, 3, 201-211.

Weimann, G. (1982). On the Importance of Marginality: One More Step into the

Two-Step Flow of Communication. American Sociological Review, 47(6), 764-

773.

Weimann, G. (1994). The Influentials: People Who Influence People. Nueva

York: State University of New York Press.

Wolf, M. (1985). La investigación en la comunicación de masas. Barcelona:

Paidós.