Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Calvo TuiteandoNisman CapitalIntelectual 2015
Calvo TuiteandoNisman CapitalIntelectual 2015
net/publication/335016146
CITATIONS READS
30 1,211
1 author:
Ernesto Calvo
University of Maryland, College Park
127 PUBLICATIONS 2,326 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Ernesto Calvo on 07 August 2019.
ANATOMÍA POLÍTICA DE
TWITTER EN ARGENTINA
TUITEANDO #NISMAN
Calvo, Ernesto
Anatomía política de Twitter en Argentina. - 1a ed. - Ciudad Autónoma
de Buenos Aires : Capital Intelectual, 2015.
/// p.; 14x20 cm. (///////////////)
ISBN 978-987-////
1. ///
/////
Notas 139
Bibliografía 141
Para mi madre, Silvia Bleichmar
11
Ernesto Calvo
mantiene abierto las 24 horas del día, los 365 días del año. Un
foro político irreverente que produce una cantidad de informa-
ción inimaginable hasta hace tan sólo una década.
En los cinco segundos que se tarda en leer este párrafo,
más de 30.000 comentarios serán publicados desde los distin-
tos puntos del globo por usuarios de Twitter. En las próximas
24 horas, más de 500 millones de microblogs de 140 caracteres
serán transmitidos a través de fibras ópticas y satélites que co-
nectan a los 7 continentes. La marea de datos es tan abundante
que con tan sólo mirar los números que suben y bajan nos es
posible distinguir el momento en que comienza el ramadán
en Irán o el entretiempo de una final de la copa del mundo en
Argentina. El contenido es tan diverso que, con un poco de
estadística, podemos vincular a la red social de los hinchas de
San Lorenzo con la red de ejecutivos de Microsoft.
La capacidad para transmitir las preferencias de los usuarios
de redes sociales del mundo, de modo rápido y sin filtro, está
transformando la cultura política de las sociedades contempo-
ráneas. Las redes sociales son hoy integrales al financiamiento
de las campañas políticas, a la coordinación de militantes, a la
movilización de los votantes, a la denuncia política y a la cola-
boración científica. Estas redes se han transformado en la vía
más frecuente para diseminar información sobre la economía,
el arte, la música y la política. Las estadísticas muestran que los
jóvenes de hoy (la generación M) pasan más tiempo en Inter-
net, conectados a las redes sociales, que mirando televisión. En
efecto, la caja inteligente ha reemplazado a la caja boba, la cual
responde a nuestros pedidos y comunica nuestras creencias de
modo ininterrumpido.
A pesar de ser uno de los medios dominantes de transmi-
sión de información de nuestra época, pocos usuarios saben
12
Anatomía política de Twitter en Argentina
13
Ernesto Calvo
La cámara de eco
14
Anatomía política de Twitter en Argentina
15
Ernesto Calvo
#TodasLasRedesSonNisman
16
Anatomía política de Twitter en Argentina
17
I. Tuiteando #Nisman: el primer tuit
El primer tuit fue tan sólo un alerta, una señal de alarma. El pri-
mero de los aproximadamente cuatro millones y medio de tuits
que en los cuarenta días subsiguientes incluirían la palabra
#Nisman. El mensaje, sin duda críptico, sería retuiteado por
511 personas y marcado como favorite (o fav) por otras 465.
Al igual que la opción “me gusta” en Facebook o en Instagram,
el concepto de “favorite” es de difícil interpretación cuando el
evento anunciado es una tragedia.
Cuarenta y tres minutos más tarde llegaría el segundo tuit:
“Encontraron al fiscal Alberto Nisman en el baño de su casa de
Puerto Madero sobre un charco de sangre. No respiraba. Los
médicos están allí” (@damianpachter, 12:08 AM, 19 de enero,
2015). El anuncio de la muerte de Alberto Nisman sería retui-
teado por 1.471 personas y, nuevamente, marcado como fav
por 714. ¿Cuál era el sentido de estos fav? ¿Estarían agradecien-
do la información? ¿Celebrando lo que anticipaban un chiste?
¿Dándole unas palmadas a Damián Pachter en la espalda en
señal de amistad o deferencia?
Las primeras respuestas reflejaron incredulidad, la con-
fusión de los trascendidos que circularon digitalmente entre
celulares y computadoras: “es una joda?”, “????????????!!!!!!!!!
!!!!!!!!!!!!!!!!!!!! confirmar!”, “fuente?”, “Mal gusto Damián, no
19
Ernesto Calvo
20
Anatomía política de Twitter en Argentina
21
Ernesto Calvo
22
Anatomía política de Twitter en Argentina
23
Ernesto Calvo
24
Anatomía política de Twitter en Argentina
25
Ernesto Calvo
26
Anatomía política de Twitter en Argentina
27
Ernesto Calvo
28
Anatomía política de Twitter en Argentina
De Argentina al mundo
29
Ernesto Calvo
30
Anatomía política de Twitter en Argentina
31
Ernesto Calvo
32
Anatomía política de Twitter en Argentina
33
Ernesto Calvo
34
Anatomía política de Twitter en Argentina
35
Ernesto Calvo
36
Anatomía política de Twitter en Argentina
37
Ernesto Calvo
38
Anatomía política de Twitter en Argentina
39
Ernesto Calvo
* Todas las figuras a las que hace referencia el autor están disponibles en las páginas
centrales del libro. [N. del E.]
40
Anatomía política de Twitter en Argentina
Aun cuando los números son masivos, los actores que “im-
portan” no son tantos. La extraordinaria concentración de in-
formación relevante en Twitter es ejemplificada en la Tabla 1,
que presenta el número de cuentas de usuarios que sobreviven
en la base de datos una vez que consideramos tan sólo retuits.
Es decir, cuando sólo consideramos información que al menos
uno o más usuarios consideraron suficientemente relevante
como para ser reenviada. Claramente, este no es un umbral
de “relevancia” muy elevado.
Nota: cada fila describe el total de cuentas individuales de Twitter que sobreviven
en la base de datos cuando solo se consideran distintas cantidades de retuits.
41
Ernesto Calvo
42
Anatomía política de Twitter en Argentina
43
Ernesto Calvo
44
II. Diablos vs. demonios
45
Ernesto Calvo
Huellas digitales
46
Anatomía política de Twitter en Argentina
47
Ernesto Calvo
48
Anatomía política de Twitter en Argentina
49
Ernesto Calvo
50
Anatomía política de Twitter en Argentina
51
Ernesto Calvo
52
Anatomía política de Twitter en Argentina
Nota: definimos como autoridad a la acción de ser seguido por otros usuarios y
como nodalidad (o hub) a la acción de seguir a otros. Los políticos, al igual que
las grandes empresas, prefieren ser seguidos por muchos y seguir a pocos usua-
rios, con el fin de minimizar riesgos. Daniel Scioli es un caso atípico, con un nú-
mero alto de “amigos” a los cuales sigue pero difícilmente puede fiscalizar. En el
último año ha ido reduciendo su nodalidad, conforme la campaña 2015 avanza.
53
Ernesto Calvo
54
Anatomía política de Twitter en Argentina
55
Ernesto Calvo
56
Anatomía política de Twitter en Argentina
Retuiteando información
57
Ernesto Calvo
58
Anatomía política de Twitter en Argentina
59
Ernesto Calvo
60
Anatomía política de Twitter en Argentina
61
Ernesto Calvo
62
Anatomía política de Twitter en Argentina
63
Ernesto Calvo
64
Anatomía política de Twitter en Argentina
65
Ernesto Calvo
66
Anatomía política de Twitter en Argentina
67
III. ¡Diálogos tuiteros!
69
Ernesto Calvo
70
Anatomía política de Twitter en Argentina
71
Ernesto Calvo
72
Anatomía política de Twitter en Argentina
73
Ernesto Calvo
Confirmaciones
74
Anatomía política de Twitter en Argentina
75
Ernesto Calvo
76
Anatomía política de Twitter en Argentina
El gobierno
El Congreso
El FMI y los organismos de crédito internacionales
Estados Unidos
La justicia
La falta de iniciativa de los individuos
El sistema mundial
77
Ernesto Calvo
78
Anatomía política de Twitter en Argentina
79
Ernesto Calvo
Golpe blando
80
Anatomía política de Twitter en Argentina
81
Ernesto Calvo
82
Anatomía política de Twitter en Argentina
83
Ernesto Calvo
Segregados e informados
84
Anatomía política de Twitter en Argentina
85
IV.
Trolls, fakes y la guerra de trincheras de las redes sociales
87
Ernesto Calvo
88
Anatomía política de Twitter en Argentina
89
Ernesto Calvo
90
Anatomía política de Twitter en Argentina
91
Ernesto Calvo
92
Anatomía política de Twitter en Argentina
93
Ernesto Calvo
94
Anatomía política de Twitter en Argentina
95
Ernesto Calvo
96
Anatomía política de Twitter en Argentina
97
Ernesto Calvo
98
Anatomía política de Twitter en Argentina
99
Ernesto Calvo
100
Anatomía política de Twitter en Argentina
101
Ernesto Calvo
dudas sobre la acusación y, por tanto, sobre los motivos por los
que fue ingresado el caso en el juzgado de Lijo. Los fiscales que
siguieron tratando de avanzar en el caso quedaron sólidamente
encuadrados como actores opositores y, de este modo, el caso
judicial fue absorbido por la política. En el imaginario público,
el magnicidio dio paso a la operación política y la indignación
opositora fue defendida sólo por los jacobinos en la plaza.
El caso #Nisman, por tanto, comenzó con una explosión
mediática ligada a sectores de la oposición, pero fue progresi-
vamente silenciándose y dando paso a las narrativas cercanas
al gobierno. Mientras los usuarios de Twitter migraron a otras
noticias, la lucha política se concentró en los actores más in-
tensos. Los mayoría de los políticos opositores se retiraron de
la red #Nisman y dejaron a trolls, fakes y operadores políticos
como la última línea de batalla. Ese es quizá el destino de la
gran mayoría de los procesos mediáticos masivos en Twitter,
los cuales pueden incorporar a una gran cantidad de ciudada-
nos que responden por decisión propia a una crisis política,
pero que conforme pasa el tiempo abandonan el campo de ba-
talla para dejar sólo a los actores más intensos, a los rentados,
a los anónimos. Por la madrugada, mientras el resto de la ciu-
dadanía abandonaba la plaza, quedaron los trasnochados, los
pungas, los mamados de política, todos ellos peleando por las
sobras simbólicas del caso #Nisman.
102
V. Gobierno Android, oposición iPhone
Los Vergara
103
Ernesto Calvo
104
Anatomía política de Twitter en Argentina
105
Ernesto Calvo
TuitDeck 45.674
TuitAdder v4 12.138
RoundTeam 9.865
Hootsuite 2.621
106
Anatomía política de Twitter en Argentina
107
Ernesto Calvo
108
Anatomía política de Twitter en Argentina
No declarado 1.145.353
Buenos Aires 928.505
Brasilia 341.611
Santiago 228.528
Caracas 84.964
Hawái 41.877
Costa Este de EE. UU. 36.166
Groenlandia 23.785
Región Centro de EE. UU. 23.265
Quito 19.336
Atlántico Medio 18.921
Madrid 18.621
Región Atlántico (Canadá) 16.276
Atenas 15.599
Ámsterdam 13.136
109
Bogotá 9.020
Ernesto Calvo
Oportunismo tuitero
110
Anatomía política de Twitter en Argentina
111
Ernesto Calvo
112
Anatomía política de Twitter en Argentina
113
Ernesto Calvo
114
Anatomía política de Twitter en Argentina
115
Ernesto Calvo
116
Anatomía política de Twitter en Argentina
117
VI. A modo de conclusión: tuiteando
#EleccionesArgentina
119
Ernesto Calvo
Después de #Nisman
120
Anatomía política de Twitter en Argentina
Tuiteando #EleccionesArgentina
121
Ernesto Calvo
122
Anatomía política de Twitter en Argentina
Apéndice metodológico
Guía práctica para el análisis político en Twitter1
123
Ernesto Calvo
124
Anatomía política de Twitter en Argentina
125
Ernesto Calvo
126
Anatomía política de Twitter en Argentina
127
Ernesto Calvo
128
Anatomía política de Twitter en Argentina
129
Ernesto Calvo
#######################################################
###########
## Instalamos los paquetes necesarios
#######################################################
############
library(“ROAuth”)
library(“stringr”)
library(“stringi”)
library(“tm”)
library(“gsubfn”)
library(“httr”)
library(“twitteR”)
setwd(“C:/seleccionardirectorio”)
##Conectamos a Twitter##
130
Anatomía política de Twitter en Argentina
##
### Aquí hay que ingresar el número 1 manualmente para
validar la conexión con
### el API de Twitter
###
131
Ernesto Calvo
#buscamos tuits
rm(tmp.env)
## Nueva búsqueda
###
### Guardamos los resultados
###
tweets.df<- rbind(tweets.df1,tweets.df2)
132
Anatomía política de Twitter en Argentina
#######################################################
###############
##
## Creamos la red de retuits
##
#######################################################
###############
133
Ernesto Calvo
library(igraph)
author<-paste(“@”,tweets.df$screenName[which(tweets.
df[[13]]==”TRUE”)], sep=””)
retweets<-tweets.df$retweetCount[which(tweets.
df[[13]]==”TRUE”)]
isretweet<-tweets.df$isRetweet[which(tweets.
df[[13]]==”TRUE”)]
handles<-str_extract_all(tweets.df$text[which(tweets.
df[[13]]==”TRUE”)],’@[A-Za-z]+[A-Za-z0-9_]+’)
date<-tweets.df$created[which(tweets.df[[13]]==”TRUE”)]
text<-tweets.df$text[which(tweets.df[[13]]==”TRUE”)]
134
Anatomía política de Twitter en Argentina
l <-layout_with_fr(net)
##
## Medimos la centralidad (eigenvector centrality y bet-
weeness)
##
library(igraph)
library(ggplot2)
library(gtable)
library(foreign)
cent<-data.frame(bet=log(betweenness(net)+1),eig=log(evc
ent(net)$vector+1))
# Cargamos el eigenvector
res<-lm(eig~bet,data=cent)$residuals
cent<-transform(cent,res=res)
p<-ggplot(cent,aes(x=bet,y=eig, label=rownames(ce
nt),colour=res, size=abs(res)))+xlab(“Betweenness
135
Ernesto Calvo
Centrality”)+ylab(“Eigenvector Centrality”)
##Graficamos en PDF
##
## Autoridad y nodalidad
##
outd<-degree(net, mode=”out”)
ind<-degree(net, mode=”in”)
cbind(outd,ind)
hubscore<-hub.score(net)$vector
authscore<-authority.score(net)$vector
myauthority<-as.data.frame(cbind(names(outd),hubscore,au
thscore,outd,ind))
####
#### Cargamos la data de los atributos
####
V(net)$size<-abs(res)
nodes<-as.vector(V(net))
# Autoridades sólo si
# residuales >=.07
nodes[which(abs(res)<.07)]<-NA
136
Anatomía política de Twitter en Argentina
##
## También se pueden ingresar algunas etiquetas manual-
mente
##
names.label<-c(“@fulanodetal”, “@menganodecual”)
my.label<- names(ind)
select.id<-unlist(sapply(names.label,function(x)
which(my.label==x)))
my.label[which(log(ind+1)<3.7)]<-””
my.label2<- my.label
for(i in 1:length(select.id)){my.label2[select.id[i]]<-
names(ind)[select.id[i]]}
##
## Colorear por comunidad
##
new.color<-data.frame(t(col2rgb(my.com.
fast$membership)/255))
new.color<-rgb(new.color, alpha=.25)
### Gráfico
137
Notas
139
Ernesto Calvo
correo postal. Del mismo modo, podemos pensar los metadatos como la
información sobre las condiciones de envío de un tuit.
5 Para realizar consultas sobre los aspectos técnicos, es posible comunicarse con
el autor a ecalvo@umd.edu, su e-mail en la Universidad de Maryland.
140
Bibliografía
141
Ernesto Calvo
142
Anatomía política de Twitter en Argentina
Vaccari, C.; Valeriani, A.; Barberá, P.; Bonneau, R.; Jost, J. T.; Nagler,
J. y Tucker, J. (2013). “Social media and political communication:
a survey of Twitter users during the 2013 Italian general election”.
Rivista italiana di scienza politica, 43 (3): 381-410.
Valenti, P.; Lopez-Ghio, R.; Riorda, M. y Straface, F. (2015). El gobern-
auta latinoamericano: Estudio del perfil de los gobernantes latinoa-
mericanos en redes sociales. Inter-American Development Bank.
143
Anatomía política de Twitter en Argentina se imprimió en el mes de agosto en
Buenos Aires Print, Presidente Sarmiento 459, Lanús, Provincia de Buenos Aires,
Argentina.
Figura 1: Número de retuits publicados cada 10 minutos,
18 al 24 de enero, 2015.
Nota: la flecha que sale de un nodo se denomina hub, mientras que el nodo que recibe
la flecha se denomina “autoridad”. Podemos analizar los flujos de información en
Twitter a partir de medir qué usuarios retuitean la información de otros usuarios. Es
decir, a partir de ver hubs que publican la información producida por “autoridades”.
Nota: los puntos describen la ubicación de los usuarios de Twitter el 18 de febrero de Nota: los puntos describen la ubicación de los usuarios de Twitter utilizando la data
2015. Las líneas azules son flechas que indican qué información de las distintas “au- entre el 18 de enero y el 27 de febrero de 2015. Las líneas azules son flechas que indican
toridades” en la red está siendo retuiteada por otros usuarios (hubs). Los “mechones” qué información de esas “autoridades” está siendo retuiteada por otros usuarios (hubs).
muestran claramente la estructura jerárquica de la transmisión de información, que Los “mechones” muestran claramente la estructura jerárquica de la transmisión de
sale de un número limitado de autoridades y es retuiteada por un alto número de usua- información, que sale de un número limitado de autoridades y es retuiteada por un
rios. El gobierno, en color verde, se encuentra a la izquierda. La oposición, en rojo, se alto número de usuarios.
encuentra a la derecha en la Figura 4.
Figura 6: El mapa de los medios visto a través de los retuits
del caso #Nisman.
Nota: los puntos describen la ubicación de los usuarios de Twitter utilizando la data Nota: los distintos círculos de colores describen comunidades de tuiteros identificadas
entre el 18 de enero y el 27 de febrero de 2015. Las líneas azules son flechas que indi- mediante el algoritmo Walktrap, con el gobierno a la izquierda (gris) y la oposición en
can qué información de esas “autoridades” está siendo retuiteada por otros usuarios el centro (rojo). Las posiciones en el mapa fueron estimadas usando el algoritmo de
(hubs). Los “mechones” muestran claramente la estructura jerárquica de la transmisión Fruchterman-Reingold. Las líneas azules describen a quienes retuitean mensajes pro-
de información, que sale de un número limitado de autoridades yes retuiteada por un ducidos por otros usuarios.
alto número de usuarios. Las líneas amarillas describen los retuits de aquellos mensajes
que fueron publicados por el ministro Aníbal Fernández relativos a la decisión del juez
Daniel Rafecas.
Figura 10: Cuentas truchas de @AlbertoNisman, Figura 11: Los Fakes @elcosodelapizza, @elkaiser63 y @malcomgomez.
@FiscalNisman y @CuervoTiinelli.
Nota: las líneas describen retuits de los mensajes enviados desde las cuentas falsas Nota: las líneas describen retuits de los mensajes enviados desde las cuentas falsas @
@AlbertoNisman, @FiscalNisman y @Cuervotiinnelli. AlbertoNisman, @FiscalNisman y @Cuervotiinnelli.
Figura 12: Retuits por tipo de dispositivo electrónico usado. Las líneas Figura 13: Retuits por tipo de ciudad de origen. Brasilia en líneas rojas,
azules describen usuarios con sistemas Android. Las líneas rojas Caracas en amarillo, Santiago en verde y Hawái en azul.
describen usuarios con iPhone o iPad.
Nota: las líneas describen retuits con colores que distinguen el tipo de dispositivo uti- Nota: las líneas describen retuits con colores que distinguen la ciudad de origen. Brasilia
lizado para reenviar la información (Android en azul y iPhone/iPad en rojo). La dis- en rojo, Caracas en amarillo, Santiago en verde y Hawái en azul.
tribución de puntos en el mapa corresponde con la disposición de la red descripta en
capítulos anteriores.
Figura 15: Retuits en la elección para gobernador de Santa Fe,
14 de junio, 2015.
Nota: las líneas describen retuits de los mensajes enviados desde las cuentas de @
lanacioncom, @clarincom, @ambitocom, @AgenciaTelam y @pagina_12. No hubo
retuits con el término “Nisman” de publicaciones de @TiempoArgentino.