México 2019: la disputa por la interpretación
Zonas de activación digital desde la polarización

Si pensamos en el contexto mexicano las dinámicas señaladas por Dorsey, hay que remontarnos al 2012, cuando aparecen los llamados “peñabots” (aunque no fueron exclusivos del PRI), cuentas de Twitter que impulsaron campañas de reproducción automatizada de contenidos, acoso selectivo y coordinación humana, tanto para favorecer la imagen del entonces presidente, Enrique Peña Nieto, como para acallar tendencias y voces críticas en torno a la gestión de Peña. Se puede citar un trabajo pionero de Alberto Escorcia, en su antiguo blog, llamado “Pateando Piedras”, en el que mostraba el crecimiento no orgánico de algunas de las tendencias que fueron generadas en torno a la candidatura de Josefina Vázquez Mota del PAN, durante el proceso electoral de 2012; es importante mencionar también el importante trabajo de Erin Gallagher en relación con los “peñabots”, en el que ha mostrado la altísima coordinación en el esfuerzo por sofocar la conversación en Twitter.

Sin embargo, estas estrategias iniciales, palidecen frente a la sofisticación creciente que a partir de 2014 se ha ido instalando en la discusión en Twitter. Para el caso de México, podemos mencionar al menos tres casos o coyunturas que han marcado un punto de inflexión en la guerra sucia a través de redes, donde la disputa por los hashtags o tendencias se han convertido en frente de guerra, de ataques y noticias falsas; estos casos son, sin lugar a dudas, las etiquetas #YaMeCansé (en 2014), en el caso de Ayotzinapa, #Gasolinazo (en 2017) y #DóndeEstáMarcoAntonio (en 2018).

En el caso de Ayotzinapa, es decir de la desaparición forzada de 43 estudiantes normalistas, se generó una inmensa movilización callejera y en redes, especialmente Twitter en el que prevalecieron a lo largo de varios meses los hashtags #FueElEstado y #YaMeCansé. Este último fue impulsado tras una lamentable frase pronunciada por el entonces Procurador de Justicia, Murillo Karam, durante una rueda de prensa a propósito de los 43 estudiantes desaparecidos. #YaMeCansé se utilizaba con contenidos críticos al gobierno de Peña Nieto:

Este HT, quizás el más poderoso que se ha gestado en México, fue atacado e infectado por una legión de cuentas automatizadas y coordinación humana, que lograban tumbarlo o sacarlo de la lista de tendencias, pero resurgía con un #YaMeCansé2, #YameCansé15, #YaMeCansé23. La comunicación ciudadana, la crítica, la denuncia a través de las redes no han sido asumidas por los gobiernos y otros poderes fácticos que buscan desactivar la protesta a través de estrategias no orgánicas.

En los primeros días de 2017 la molestia y la inconformidad arremetieron, una vez más, contra las decisiones tomadas por el gobierno federal. Esta vez el motivo fue el alza de cerca del 20% en los precios de los combustibles. En redes, el hashtag #Gasolinazo se hizo tendencia desde el 1 de enero. La discusión, de tono crítico y orgánico, fue sostenida por un par de días, sin embargo, se vio intervenida por una etiqueta que se infló de manera artificial, #SaqueaUnWalmart, que incluyó la difusión de imágenes falsas y la convocatoria, en algunos casos exitosa, de generar caos saqueando tiendas de autoservicio. La estrategia pareció ser la de contener una crisis de credibilidad institucional en redes con la construcción de una crisis en las calles, en donde la preocupación legítima de empresas y gente de a pie por los saqueos, hicieran necesario acudir a las autoridades para contener a los “saqueadores”. Algunas de las cuentas que interrumpieron la conversación orgánica ya habían sido identificadas como las que acosaban a activistas y a periodistas en redes.

El 23 de enero de 2018, Marco Antonio Sánchez, estudiante de preparatoria de la CDMX fue arrestado de manera arbitraria por policías de la ciudad. Reapareció 5 días después con señales de tortura, ropa distinta y psicológicamente perturbado. El relato de la ausencia de Marco Antonio fue producido a la par, tanto por autoridades como por familiares y amigos, a través de las huellas del paradero del joven que se pudieron obtener a través de sus últimas publicaciones en redes como Instagram y Facebook². Cuando el joven reapareció, las versiones oficiales trataban de justificar tanto la desaparición de Marco Antonio, apelando a su pobre desempeño académico, como las que trataron de justificar por qué el joven apareció tan deteriorado y con huellas de trastorno mental y emocional, señalando que se debía al consumo de estupefacientes. Numerosas cuentas retuitearon estas versiones, acompañadas de hashtags ofensivos que buscaban construir una imagen de abierto desprestigio para evitar las críticas, que fueron atajadas y desmontadas por testimonios de gente cercana a Marco Antonio que circularon online.

Después de semanas de indagación sobre lo que realmente ocurrió con el joven (aún hoy sin resolver), lo que se hizo evidente fue que el espacio digital también es utilizado para echar a andar operaciones sincronizadas, campañas de representación negativa de un caso que pueda poner en riesgo las acciones institucionales.

La aceleración digital, con su inmediatez y su aparente transparencia, ha transformado de manera profunda las ideas sobre verdad y verosimilitud.

La verdad se construye a partir de la producción de marcos interpretativos legítimos, esto es, las ideas, los supuestos y los estereotipos con los que la sociedad construye la interpretación de los acontecimientos, han sido producidos históricamente a través de un conjunto de “marcos” más que válidos, validados, provenientes sobre todo de instituciones como gobiernos, medios de comunicación, escuelas, iglesia, etc. Estos marcos producen lo que podemos nombrar como “políticas de visibilidad” (Reguillo, 2007), que hacen ver y hacen creer.

Estas políticas no sólo producen la representación de un sujeto o de un suceso, sino que también condicionan el abanico de sentimientos con el que nos permitimos comprender la realidad, es decir, las políticas de visibilidad a su vez se hacen cargo de una suerte de “administración social de las pasiones”. Esta administración se encarga de modular el juego entre visibilidad y ocultamiento, entre silencio y discurso, con los que la colectividad dirige o no su comprensión de las cosas.

En la era de internet, las políticas de visibilidad están atravesadas por lo que se dice y hace en las redes sociodigitales. Cuando el modo de abordar la discusión online se produce desde una lógica de polarización y confrontación, el abanico de sentimientos negativos y de ideas con las que podemos entrar a la discusión de un tema, se hace más estrecho y dificulta las posibilidades de conversación.

Uno de los mayores riesgos de la exacerbación de las emociones en el entorno digital excluyendo las posibilidades de diálogo en entornos digitales, es el de reducir el margen de acceso a la construcción de lo real, es decir, acotar las voces y las opciones de abordar temas, acciones institucionales, y todo aquello que tenga un margen importante de incidencia en la vida pública.

Este informe aborda un fenómeno que ha ido escalando en las últimas semanas: la polarización en Twitter, que definimos como la radicalización de zonas de “opinión” y juicios que muestran o un abierto rechazo o una postura acrítica o de franca defensa ante una noticia, discusión, imagen o figura pública y que puede o no ser producida artificialmente en entornos digitales.

Como estudio de caso, tomamos los lamentables sucesos en la ciudad de Minatitlán, Veracruz, del pasado día 19 de abril, cuando un comando armado irrumpió en un salón de fiestas conocido como “Los Potros”, matando a 13 personas, incluido un bebé de un año. Así alrededor del hashtag #Minatitlan, al que consideramos como un hashtag condensador (que articuló la crítica y la defensa al gobierno), se seleccionaron 5 hashtags que “opositores” y “defensores” de la figura presidencial pusieron a funcionar después del suceso. Este es un análisis comparativo que busca mostrar el modo en que se operan en Twitter distintas estrategias para activar, desactivar, azuzar, desacreditar o incluso atacar cuentas, personas y tendencias.

La descarga y visualización de datos se ciñó a Twitter, por ser la red social en la que se produjo y alcanzó mayor visibilidad el conjunto de tendencias observadas en esta coyuntura.

Los pasos que seguimos fueron los siguientes:

• A partir de la descarga de #Minatitlan, se identificaron 5 hashtags que se vincularon a la discusión en torno a la masacre.
• En el periodo que comprende del 15 al 23 de abril, se hicieron las descargas⁴ de estas tendencias.
• Se identificaron tres hashtags que son pro AMLO, movidas por la #REDAMLOVE: #AMLOElPuebloTeApoya, #ElPuebloEstaConAMLO, #AMLOElPuebloEstaContigo. Dos hashtags son anti AMLO: #RenunciaAMLO y #AMLORenuncia, cuyo modo de operación y expansión resulta difícil de asir, porque es mucho más disperso.
• El número de tweets descargados está representado en la tabla 1.
• Para comenzar el análisis del comportamiento de las cuentas, se identificaron los usuarios más activos que aparecen en cada hashtag, tanto en las tendencias “pro”, como en la “anti” AMLO.
• El paso siguiente fue seleccionar las primeras 35 cuentas más activas, debido a que después de un proceso de filtrado, el número de interacciones (grado de entrada o de salida), cae dramáticamente de un cantidad llamativa a una cantidad promedio y empieza a perder intensidad. A esta métrica, como criterio cualitativo de filtrado, le llamamos “hubs articuladores”, que implica que son los que sostienen una red determinada⁵.
• A partir del filtrado de estos hubs, se analizaron sus relaciones de usuario a usuario (conversaciones entre cuentas que incluyen menciones, respuestas y retuiteos) y de usuario a hashtag (que analiza cómo las cuentas interactùan con una tendencia (el número de veces que usan un HT, cómo los combinan, a qué cuentas incluyen en sus interacciones a partir de una determinada etiqueta o HT)
• Se identificó el porcentaje de retuits dados, el número de tweets alcanzados en el pico más alto de actividad de una cuenta; los tweets totales por día y por semana emitidos por cada cuenta analizada con los filtros cualitativos; se consideró en el análisis, el número de seguidores y de tweets, la fecha de creación de la cuenta y su biografía⁶. Estas observaciones y mediciones son indicativos de los comportamientos de las cuentas, ya sean orgánicos o atípicos, es decir artificialmente producidos.

La tabla siguiente muestra la cantidad de tweets descargados y se especifica que para efectos del análisis comparativo, se utilizó el mismo periodo de descarga, aunque la “vida” de estas tendencias se hubiera prolongado más allá del 23 de abril.

Finalmente y antes de abordar propiamente el análisis de las redes en confrontación, queremos mencionar que el grafo tridimensional que abre el informe, se compone de la descarga de tweets con menciones a los hashtags que se describen arriba; este tipo de visualización de redes sociodigitales, que Signa_Lab desarrolló en los últimos meses con el uso de librerías open source⁷, permite una navegación mucho más profunda y captar mejor las relaciones entre nodos y aristas (ver glosario), gracias a la distribución de componentes de la red en el espacio tridimensional y la navegación interactiva que permite sobre el mismo.

En este caso, se decidió reunir en un solo grafo las tendencias anti y pro AMLO, con el fin de captar mejor las dinámicas y lógicas de comportamiento de lo que llamamos zonas de activación digital en confrontación. De la totalidad de relaciones entre hashtags descargadas, se filtraron los nodos y comunidades que tienen mayor preponderancia para la estructura de la red. La comunidad azul permite ver una concentración de relaciones discursivas entre hashtags anti AMLO, con una fuerte carga racista que recupera para ponerla a funcionar en otro registro la frase, ahora hashtag #AMLOUnPeligroParaMéxico, y una serie de llamados a la descalificación del presidente y sus seguidores.

En el otro extremo de la red, podemos ver las relaciones entre hashtags utilizados por la zona pro AMLO, donde destaca de manera evidente #AMLOElPuebloTeApoya. Este hashtag fue combinado en mayor medida con otros hashtags en los contenidos de sus tuits, lo cual se visibiliza en el tamaño del texto que etiqueta su nodo.

La ventana desplegada en la parte inferior del grafo, es una interfaz de control para el usuario, donde se puede modificar dinámicamente la distancia promedio entre los nodos de la red, recuperar su estado inicial y visibilizar los pesos de las aristas, representados por conjuntos de partículas en las aristas, de acuerdo a la cantidad de coincidencias en tweets que hubo entre dos hashtags. Al visibilizar los pesos, podemos ver las relaciones discursivas más recurrentes en las redacciones de tweets de cada zona.

Grafos 2 y 3. Hashtags a favor/en contra y su relación con usuarios.

A partir de la descarga de los principales hashtags impulsados a favor y en contra de AMLO en Twitter, generamos las siguientes dos visualizaciones que muestran las relaciones de los usuarios hacia un hashtag. La distribución de colores indica el número de comunidades existentes en esa red particular, que se calculan a través de un algoritmo a partir de la densidad de conexiones entre usuarios y los hashtags que utilizan.

Para comprender estas visualizaciones, definimos algunos de los elementos claves que conforman un grafo, que es la representación visual de las interacciones entre usuarios, tweets y hashtags.

El siguiente grafo muestra los hashtags que tuvieron mayor grado de entrada, es decir, mayor peso en la conversación:

Visualización de la conversación en Twitter alrededor de los hashtags #AMLOElPuebloTeApoya, #ElPuebloEstaConAMLO, #AMLOElPuebloEstaContigo, #RenunciaAMLO, #AMLORenuncia con relaciones de usuarios a hashtags. Tamaño de nodos por grado de entrada.

Comunidades: 85
Nodos: 23,340
Aristas: 51,706

El siguiente grafo hace más visibles a las cuentas con mayor grado de salida, es decir, que utilizaron estos hashtags en sus tweets con mayor frecuencia, cuyo análisis se presenta más abajo

Visualización de la conversación en Twitter alrededor de los hashtags #AMLOElPuebloTeApoya, #ElPuebloEstaConAMLO, #AMLOElPuebloEstaContigo, #RenunciaAMLO, #AMLORenuncia con relaciones de usuarios a hashtags. Tamaño de nodos por grado de salida.

Comunidades: 85
Nodos: 23,340
Aristas: 51,706

Aún cuando ambas zonas consiguieron una visibilidad similar en sus hashtags más utilizados, el comportamiento de las redes detrás del impulso de éstos, difiere visiblemente. En la zona “anti AMLO”, la actividad por cuenta muestra una mayor distribución, es decir, son pocos los casos en los que una sola cuenta generó tal grado de interacción como para sobresalir respecto al resto de la red. No es posible saber si esto se deba a un comportamiento orgánico que puede indicar una actividad individual menos intensa pero más constante o, si se trata de estrategias de automatización y operación políticas más discretas, más sofisticadas que las utilizadas en la zona “pro Amlo”.

Desde las redes que impulsan hashtags pro AMLO, fundamentalmente a través de la autodenominada #RedAMLOVE, se puede identificar una alta concentración de actividad por cuenta y una conversación densamente conectada entre sí. Esto no sugiere que sean redes impulsadas por automatismos necesariamente, pero sí hace evidente una articulación profunda y coordinación sostenida a lo largo de la conversación. Puede apreciarse también una clara cohesión discursiva entre los hashtags utilizados a favor de AMLO, que retoman y parafrasean palabras clave para detonar una producción de constantes hashtags de defensa a la figura presidencial, sus colaboradores, decisiones, de manera insistente, como si en la generación de tendencias se jugara el éxito o el fracaso de la gestión del Presidente López Obrador.

En cambio, aunque puede identificarse una cohesión discursiva similar en ciertos componentes en la zona anti AMLO, las interacciones entre las cuentas o usuarios que utilizan los hts, aunque parecerían tener un impacto menor por su dispersión, logran aparecer como contenidos orgánicos no impulsados.

Así, por ejemplo en la zona pro AMLO, una constante es la de hacer llamados a los que se identifican con la #RedAMLOVE para impulsar el uso de de ciertos hts, que en las últimas semanas emergen como respuesta casi inmediata a las críticas, tendencias o comentarios, es posible identificar sin equívocos el primer llamado a la utilización de etiquetas o hashtags para contrarrestar estas tendencias:

Esta cuenta Fafhoo, es entre otras, lo que en Signa_Lab se denomina como cuentas MC (maestro de ceremonias por sus siglas en inglés, término que se toma del rap, y que alude al rapero que lleva el micrófono, capta las emociones que se mueven en la escena y hace llamados), que constantemente llaman a la red a reaccionar a diferentes coyunturas en las que aparecen críticas al Presidente. Otra cuenta relevante de esta naturaleza que ha sido suspendida en Twitter es la de @bachesesamlover (Mónica Arango), que ahora utiliza la plataforma VK (VKontakte), el equivalente ruso de Facebook, red desde la que hace llamados a la #RedAmlove para posicionar hashtags.

Como se puede apreciar, entre las tendencias (etiquetas o hashtags) proamlo y antiamlo hay grandes diferencias en lo que toca a la visibilidad de la operación. Insistimos en que el hecho de que en la zona antiamlo, no sea posible identificar prácticas tan evidentes, no significa que no haya en marcha una operación política articulada.

A este respecto vale la pena recordar el ht #BlockAristegui, como una respuesta de la zona anti Amlo a la difusión de un informe de Mesura en abril a propósito de #AMLORenuncia, la hipótesis del CEO de Mesura, Carlos Páez es que la red que movió el hasthtag sobre la renuncia de AMLO, es la misma que promovió el #BlockAristegui, lo que a nuestro juicio, estaría indicando cierto interés de esa red, por más que exista articulación orgánica, en invisibilizar el recurso automatizado.

Grafos 4 y 5. Relaciones entre usuarios alrededor de hashtags anti AMLO

En una siguiente capa análitica, se generaron grafos animados para mostrar las relaciones entre cuentas de Twitter, que se movieron alrededor de los hashtags de la zona anti Amlo:

#AMLORenuncia y #RenunciaAMLO. La distintas pantallas en movimiento, muestran la red completa de la conversación descargada y versiones filtradas que mantienen sólo a usuarios que destacan por la cantidad de interacciones que inician o reciben, es decir, que forman parte de las regiones más cohesivas de la red.

Grafos 6 y 7. Relaciones entre usuarios alrededor de hashtags pro AMLO

En esta otra animación, podemos ver los grafos que muestran las relaciones entre usuarios en Twitter alrededor de los hashtags #AMLOElPuebloTeApoya, #AMLOElPuebloEstáContigo y #ElPuebloEstáConAMLO. De igual manera, se generaron versiones de la red completa y filtrada a sus usuarios destacados.

Lo que estos grafos en movimiento permiten apreciar, ratifica las observaciones que hemos venido planteando acerca de la alta densidad de interacciones de la zona pro AMLO. Se trabajaron ambas tendencias y sus respectivos ht´s con el filtro de conectividad K-core⁸, el cual nos permite visibilizar sólo los nodos con mayor conectividad entre sí. En el caso de los grafos de la red pro AMLO, el filtro aplicado tuvo que tener mucha mayor intensidad (K-core 42) debido a la alta densidad de interacciones entre sus usuarios, mientras que en los grafos de la red anti AMLO, el filtro fue mucho menor (K-core 8). Es decir, para poder visualizar sólo los nodos que sostienen la red en tendencias pro AMLO, se tuvo que aplicar una medida mucho mayor que permitiera distinguir los nodos sobresalientes entre interacciones articuladas con una cohesión notable.

Mapa de tendencias en Twitter

A continuación se muestra un video con una visualización cartográfica que registra el surgimiento y evolución, a través del tiempo de los hashtags que aquí analizamos.

Lo que puede apreciarse en esta animación del comportamiento de los 5 hashtags utilizados, es una disputa por impulsar y sostener una tendencia a favor o en contra de AMLO, a partir del evento violento ocurrido en Minatitlán. En esta disputa lo que termina desdibujado o mandado a segundo plano es el problema social de fondo: la violencia. Vemos como el nombre de una localidad como Minatitlán, que tiene una función descriptiva de referencia geográfica, se transforma en #Minatitlan como etiqueta cargada semánticamente ahora con una función valorativa no en relación al hecho originario, sino en alusión al buen o mal papel que ejerce el jefe del estado mexicano. Porque en esta disputa o controversia, cualquier acontecimiento es ofrecido como oportunidad -de afectar al que se percibe como adversario o enemigo, o como una ventana a través de la que se puede filtrar una visión de la realidad y ratificar así un pacto de verosimilitud sin que necesariamente se corresponda con el acontecimiento.

Es interesante resaltar cómo estas tendencias a favor y en contra buscan mantenerse vivas y por encima de las otras. Una táctica para ello es generar variaciones mínimas en los hashtags de modo que el algoritmo de twitter identifique las mismas como otro foco de conversación creciente y relevante. Esto se vio por ejemplo en la variación de #AMLOrenuncia a #AMLOrenumcia. Cambiando la letra n por la m, aún y cuando ortográficamente no tiene sentido, sí lo tiene en una lógica de lucha por la atención del algoritmo que define como Trending Topic una tendencia.

Para efectos de este análisis y como ya se señaló, se hizo un filtrado de ambas zonas con el fin de observar el comportamiento de las cuentas más activas en Twitter. En las siguientes gráficas, realizadas con Tableau, una herramienta de visualización de datos, se presentan gráficas de barras con el porcentaje de retweets y el número de tweets por semana de las cuentas que más fueron mencionadas y/o retuiteadas y de las cuentas que más retuitearon a otras.

A lo largo de estos meses, Signa_Lab desarrolló una nueva herramienta para introducir otra capa analítica, Arcagrama, que permite recabar el texto de las noticias más relevantes según google news en relación a una o varias palabras clave para generar una matriz. Dicha matriz se puede representar visualmente como una red de secuencias de palabras o n-gramas directamente asociadas alrededor de la búsqueda.

Es decir, al especificar una palabra clave de búsqueda (en este caso “Minatitlán”) y un cierto rango de fechas, lo que obtenemos es el texto completo y los principales titulares de las notas publicadas en distintos medios que cumplan con estos criterios (palabra y fecha). A partir de estos elementos, el script genera una matriz de relaciones entre palabras, que al graficarse en Gephi posibilita identificar coincidencias más recurrentes (cercanía de las palabras en el texto de las notas y en los titulares) para crear comunidades de sentido, identificadas por colores. Así podemos ver las palabras que se relacionan más en titulares y noticias de todos los medios consultados.

El siguiente grafo muestra la relación entre las palabras utilizadas en los encabezados y notas en medios digitales en español, acerca del caso Minatitlán del 15 al 23 de abril.

Visualización de las relaciones entre palabras dentro de la cobertura informativa del caso #Minatitlán hecha por medios en español. Grafo generado a partir del texto completo de 304 artículos extraídos de la Google News API.

Comunidades: 7
Nodos: 246
Aristas: 2,229

Esta técnica de descarga, procesamiento y visualización de datos nos permite añadir una nueva capa de análisis a la coyuntura. Podemos identificar las palabras más utilizadas y sus comunidades de relación con otras palabras, donde se pueden descubrir no sólo coincidencias sintácticas, sino líneas discursivas recurrentes a partir de las cuales se construyen la agenda y el encuadre de los acontecimientos en medios de consumo digital.

Resultan relevantes la comunidad amarilla (arriba a la izquierda) en la que aparecen las palabras más ligadas a “mandatario”, donde figuran relaciones con el pasado y el presente del cargo, y las palabras “víctimas” y “violencia” que funcionan como nodos con una centralidad intermedia en el grafo, es decir, son los nodos que “conectan” a distintas comunidades, en este caso, vinculan palabras ligadas al contexto de inseguridad del país con las palabras más usadas alrededor de “lópez obrador” y con “autoridades” y “fiscal”. Lo cual nos muestra que en los medios consultados, la cobertura del tema de la violencia en este caso se dirigió en parte hacia las declaraciones y acciones de autoridades locales y nacionales.

El encuadre mediático en la era digital constituye un elemento clave para comprender las dinámicas de construcción de la relevancia de los acontecimientos. En este caso, el vaivén entre críticos y seguidores del presidente, probablemente estuvo condicionado, también, por la cobertura mediática en tiempo real de un acontecimiento como el de Minatitlán.

Desde finales del 2010, la irrupción del uso de las redes sociales como espacios de deliberación pública, construcción de lemas, puentes de protestas y ágora para el intercambio de ideas, aspiraciones, consensos y disensos, ha sido una constante a nivel global. La primavera árabe, el #15M, el #YoSoy132, el #19S, entre muchos otros, fueron movilizaciones y movimientos que no hubieran sido posibles sin el uso crítico de los usuarios de internet para arrebatarle a las instituciones gubernamentales y a medios tradicionales el derecho a la palabra y la capacidad de producir y poner en circulación mensajes.

Twitter ha sido desde entonces una plataforma vital para el debate público. En los últimos años, Twitter se ha convertido en un espacio relevante para la construcción de la agenda política y la discusión. En Twitter emergen, circulan, migran notas, declaraciones, memes, videos.

Sin embargo, en los últimos meses hay una tendencia internacional en la que la conversación en redes y en específico en Twitter se ha convertido en terreno minado, espacio de choque y confrontación que vuelve muy difícil la construcción de acuerdos y de debates serenos.

En la conversación con Jack Dorsey mencionada al principio de este informe, uno de los presentadores le comenta al CEO de Twitter su preocupación por ver cómo se pierden cada vez más espacios de intercambio en la red, por ver cómo se hunde el “twitanic”.

A nivel global se expande una tendencia de alta peligrosidad, la intervención artificial sobre los rumbos políticos en diferentes países a través de procesos de automatización y de alta coordinación humana, que barren a su paso con la capacidad empática de discusión, llevando a la lógica de la aniquilación virtual del adversario y de cualquier argumento.

Estas estrategias y su activación digital, se fundamentan en las lógicas de red, que como ya desarrollamos en el análisis de los grafos 6 y 7 de este informe, impulsan la existencia de hubs (ver glosario) fuertes e influyentes y lo que denominamos nodos de intermediación, que conectan a las cuentas pequeñas y periféricas, que vuelve prácticamente indestructible una red sociodigital. Señala Barabási en su libro de Ciencia de Redes, que “se puede mejorar la tolerancia a ataques en una red al conectar sus nodos periféricos para que la eliminación de un hub no fragmente la red. No obstante, hay un precio para esta robustez mejorada: requiere que dupliquemos el número de conexiones” (Barabási, 2016, sección 8.7).

Eso parecen haberlo entendido muy bien las diferentes estrategias, de las que citamos tres casos de búsqueda de conexiones periféricas, el caso de las redes de apoyo a Bolsonaro en Brasil, el caso de la red #RedAMLOVE y la red alrededor de la cuenta @hate_amlove en México, a través de la práctica de “sígueme y te sigo”, y aunque los hubs principales se mantienen fuertes, son los pequeños nodos de la periferia los que dotan la red de una mayor resistencia a los ataques en forma de denuncia o bloqueo de cuentas. “Sígueme y te sigo”, además, usa el deseo de pertenencia y reconocimiento de las propias personas. Esto implica que estas redes fuertes, no operan solamente con automatismos o voluntarismos, sino apelando a la emoción y al sentimiento identitario. Al saberse y sentirse reconocido en una comunidad que casi automáticamente valora y dispensa esos reconocimientos de por sí escasos. Ofreciendo la promesa de un aumento casi incondicional de esos valores por el mero hecho de afiliarse a la red.

Además de hacer visibles los usos de automatismos y las operaciones de censura y animadversión en las redes en general, en esta dinámica que se expande por diferentes partes del globo, resulta clave insistir en que estos espacios deben seguir funcionando para construir alianzas y para acceder a puntos de vista que no están de acuerdo con los nuestros, sin que eso signifique que el otro “está mal”, o deba ser acallado. Significa también la necesidad de hacer una pausa o un paréntesis ante el impulso de contradecir y atacar automáticamente al otro.

Las posibilidades de preservar la salud de la conversación en redes siguen ahí. El espacio donde hoy parece circular menos oxígeno, es también el espacio en el que es más necesario producir un nuevo clima. Podemos encontrar la empatía y el necesario debate crítico pero respetuoso para la construcción de una democracia sólida en la que el disenso sea siempre una palanca para mejorar nuestro entendimiento del mundo.

• Barabási, L. (2016). Network Science. Boston, Northeastern University.
• Dorsey, J. (2019, Abril). Jack Dorsey: How Twitter needs to change. Recuperado de: https://www.ted.com/talks/jack_dorsey_how_twitter_needs_to_change
• Porup, J.M. (24 de agosto de 205). How Mexican Twitter Bots Shut Down Dissent. Vice. Recuperado de: https://www.vice.com/en_us/article/z4maww/how-mexican-twitter-bots-shut-down-dissent
• Reguillo, R. (2007). Horizontes fragmentados: una cartografía de los miedos contemporáneos y sus pasiones derivadas. FELAFACS, Revista de la Federación Latinoamericana de facultades de comunicación social. Volúmen 1. Recuperado: http://dialogosfelafacs.net/wp-content/uploads/2015/75/75-revista-dialogos-horizontes-fragmentados.pdf
• Signa_Lab. (2017). Del #Gasolinazo a #SaqueaUnWalmart: Mapeando la batalla en línea durante la crisis gasolinera en México. Recuperado de: https://es.globalvoices.org/2017/02/03/del-gasolinazo-a-saqueaunwalmart-mapeando-la-batalla-en-linea-durante-la-crisis-gasolinera-en-mexico/
• Vivas, M. (6 de febrero de 2012). Acusan a equipo de Vázquez Mota de fabricar “trending topic” en Twitter. Proceso. Recuperado de: https://www.proceso.com.mx/297541/acusan-a-equipo-de-vazquez-mota-de-fabricar-trending-topic-en-twitter

• Grafo: Representación gráfica de entres (nodos) y relaciones entre sí (aristas). Pueden generarse a partir de grandes volúmenes de datos que indiquen entes interconectados.
• Nodo: Entes en una red que pueden o no estar interconectados entre sí. En los grafos generados con datos de Twitter en el presente informe, los nodos pueden ser usuarios o hashtags.
• Aristas: Relaciones o conexiones entre nodos. En el caso de los grafos de Twitter, una arista puede indicar una interacción entre dos cuentas (reply, fav, retweet), una mención a un hashtag por un usuario o la correspondencia de dos hashtags en un mismo tweet.
• Comunidades: Comunidad a la que pertenecen, calculada por el criterio de modularidad, que identifica agrupamientos de conexiones entre de grupos de nodos que destacan respecto de su conectividad con el resto de la red. En los grafos de Twitter presentados, las comunidades se representan a partir de un color compartido entre un grupo de nodos.
• Grado de entrada: En una red dirigida, se trata de la cantidad de conexiones o aristas que un nodo recibe desde otros nodos. En los grafos de Twitter, el grado de entrada indica la capacidad de atracción de una cuenta dentro de la discusión, es decir, la centralidad que consigue en la conversación debido a la cantidad de menciones, favs o replies que recibe.
• Grado de salida: En una red dirigida, se trata de la cantidad de conexiones o aristas que un nodo establece hacia otros nodos. En los grafos de Twitter, el grado de salida indica el nivel de interacción que una cuenta procura en la conversación hacia otras cuentas, ya sea mencionándolas, dando fav o haciendo reply.
• Filtro k-core: Filtro de conectividad, dentro del software de análisis y graficado de redes Gephi, que permite visibilizar sólo los nodos con mayor conectividad entre sí. En la medida en que se aumenta el criterio de filtrado k, se mantienen sólo los nodos que sostienen la red.
• u2u: Relaciones entre usuarios, donde cada nodo es una cuenta de Twitter y sus aristas indican interacciones entre sí. Se trata de una red dirigida.
• u2ht: Relaciones de usuarios a hashtags, donde los nodos son cuentas o hashtags de Twitter y sus aristas indican una mención de un usuario a cierto hashtag dentro de su tweet. Se trata de una red dirigida.
• ht2ht: Relaciones entre hashtags, donde los nodos son los hashtags presentes en los tweets de una cierta descarga y sus aristas indican que dos hashtags coinciden dentro del texto de algún tweet. Se trata de una red no dirigida.
• Hubs articuladores: Nodos que concentran la mayor cantidad de relaciones o aristas en una red, cuyo grado de entrada, de salida o ambos sobresalen exponencialmente respecto al resto de nodos. Su existencia se explica por la propiedad de conexión preferencial, donde los nodos más conectados tienen mayor tendencia a seguir conectándose con nodos nuevos en el sistema red. La existencia de hubs por conexión preferencial es una factor fundamental para el surgimiento de redes libres de escala, que propusieron y probaron algorítmicamente Albert-László Barabási y Réka Albert en 1999. En este modelo de redes, presente en muchos sistemas complejos de la vida real y en las interacciones de redes sociodigitales, el grado de conexión entre los nodos de una red presenta una pequeña cantidad de nodos altamente conectados, mientras que el grado del resto de los nodos cae dramáticamente, siguiendo una distribución por ley potencial.
• n-grama: Un n-grama es una secuencia de datos, elementos o palabras que van juntas. Así un bigrama es una secuencia de dos elementos; por ejemplo GA, AT o CC en el caso de los nucleótidos del ADN. Un trigrama pudiera ser, por ejemplo “a toda madre”, si rastreamos expresiones coloquiales. Entonces, n-grama refiere al conjunto de elementos consecutivos en una secuencia dada que uno selecciona. Si bien hay muchas aplicaciones estadísticas que recurren a esta figura, en el presente trabajo nos interesan las cadenas de elementos semánticos. Google ofrece por ejemplo una herramienta de búsqueda de n-gramas en sus bases de datos de libros escaneados. Pueden verla en: https://books.google.com/ngrams