Análisis Político de Twitter con Gephi

Esta vez voy a publicar una entrada de lo que ha sido mi última práctica para la asignatura de Redes y Sistemas Complejos donde aprendemos a analizar la estructura de cualquier red de interacción, en este caso de twitter.

El objetivo de este estudio es entender un poco mejor cómo se mueven y qué influencias tienen los partidos políticos por twitter. Tenemos una red creada a partir de 18.000 tweets donde los nodos representan usuarios de twitter, los enlaces las relaciones entre ellos, ya sea por respuestas, menciones o retweets y el peso es el número de relaciones. Para ello, hemos hecho uso de la herramienta NodeXL la cual cambió a ser de pago a finales de octubre. Por suerte, saqué una red sobre el hashtag #20D el 11 de octubre.

El contexto político en el que fue extraída esa red fue que Metroscopia sacaba una encuesta en el diario El País donde Ciudadanos estaba a sólo dos puntos del PP. Por otra parte, PP empezaba la “precampaña del miedo” explicando una supuesta política de pactos entre PSOE y Ciudadanos, tratando así de diferenciarse de ellos. También Podemos hablaba de cultura, corrupción, relaciones con Ada Colau y la aparición de Pablo Iglesias en La Sexta Noche. PSOE mantenía su discurso contra los recortes del PP y hablaba también un poco sobre renovación de las instituciones.

Vamos a intentar dar respuesta a las siguientes preguntas:

• ¿Cuáles son los influencers menos conocidos de cada partido?
• ¿Cuáles son los usuarios más activos?
• ¿Cuáles son los usuarios con una actividad de intermediación más fuertes?
• Si quiero transmitir un mensaje que tenga éxito, ¿a quién me tengo que arrimar?
• ¿Existen usuarios que hablen del partido opuesto en lugar del suyo?
• ¿Cómo son los ejércitos de cibervoluntarios de cada partido?

Primero me dedicaré a hacer un análisis de las métricas y tipo de red para más tarde centrarme en hacer un análisis más profundo. Utilizaré el término “cibervoluntarios” para referirme a personas que dedican su actividad de twitter a hablar de política y en especial de su partido.

Análisis Completo de la Red

La red a analizar es una red dirigida con 10665 nodos, 20684 enlaces y 792 componentes conexas. Antes de nada vamos a aplicar un filtro para detectar la Componente Gigante y quedarnos con ella, por lo que pasamos a tener 9201 nodos (86.27%) y 19138 enlaces (92.53%).

Valores de las Medidas de Análisis

Los parámetros de la componente conexa son:

• Grado medio: 2.08
• Diámetro: 5
• Distancia media: 5.62
• Densidad: 0
• Modularidad: 0.761
• Número de comunidades: 468
• Coeficiente de clustering: 0.147

Debido a que tenemos muchos nodos que interactúan poco, vamos a filtrarlos para quedarnos con los nodos que son relevantes dado que lo que estamos estudiando es una conversación de Twitter. Para ello aplicaremos el filtro k-core para quedarnos con los nodos que al menos tengan grado 4, por lo que pasamos a tener 1807 nodos (16.94%) y 8639 enlaces (41.77%). Estos son los parámetros que nos quedan:

• Grado medio: 4.781
• Diámetro: 18
• Distancia media: 5.39
• Densidad: 0.003
• Modularidad: 0.647
• Número de comunidades: 7
• Coeficiente de clustering: 0.293

Obviamente observamos que el grado medio aumenta ya que sólo nos quedamos con los nodos de grado mayor que 3, el diámetro aumenta ya que el filtrado de nodos ha dificultado las comunicaciones entre nodos lejanos, la distancia media es parecida, la modularidad baja un poco al haber filtrado nodos clave, el número de comunidades detectadas es 7 que es algo más asequible para lo que vamos a estudiar y el coeficiente de clustering es mayor.

Propiedades de la Red

Una red aleatoria con este número de nodos tendría una diámetro de

Y un coeficiente de clustering de

Podemos ver que estos valores no se parecen a los de nuestra red ya que son muy distantes a ellos, por lo tanto nuestra red no es una red aleatoria.

Podemos ver que la distribución de grados de la red forma la característica larga cola, es decir, hay unos pocos nodos fuertemente conectados y muchos nodos poco conectados por lo que esta red es libre de escala. Además, si ajustamos un modelo de regresión a la distribución de grados podemos obtener una expresión de la forma y = A*x^-B donde B se corresponde con 2.489 que está en el intervalo [2,3], lo cual es típico de las redes libres de escala.

La red es un mundo pequeño ya que la distancia media (5.386) se asemeja (harían falta muchos más nodos para que fuera casi igual) al resultado de

Nuestra red no es una red regular ya que si lo fuera, la distancia media tendría que ser

Detección de Comunidades

Hemos utilizado el método de Lovaina de Gephi para detectar las comunidades y con él obtenemos 7 comunidades, las cuales representan a: Podemos, Ciudadanos, PSOE, PP, PSOE de Canarias, Ciudadanos de Murcia y los Independentistas Catalanes. La red tiene modulariad 0.647, lo que está bastante bien. En la imagen podemos ver las relaciones entre las 7 comunidades de la red (agrupamos los nodos en Gephi).

Interacción entre Comunidades

Se observa que prácticamente se comunican todas con todas. El tamaño de la comunidad representa su centralidad de vector propio donde vemos que PP y Podemos, Independentistas, PSOE y Ciudadanos tienen una influencia parecida. Esto nos dice que todos se conectan con todos excepto el PSOE de Canarias y Ciudadanos de Murcia que forman comunidades más independientes y por eso tienen menos influencia.

Claro está que no todo es perfecto, ya que hay usuarios que no pertenecen a una comunidad pero Lovaina los ha detectado ahí. Esto es debido a que hay usuarios que son de un partido pero se dedican a citar, retwittear o responder a usuarios pertenecientes a otras comunidades o al revés. Este problema es debido a la red tan limitada que tenemos y lo podemos ver reflejado en varios casos.

Por ejemplo, Manuela Carmena aparece en la comunidad de los Independentistas en lugar de en la de Podemos debido a su vinculación con Ada Colau o a la vinculación que los demás usuarios hayan hecho citándola y relacionándola con usuarios independentistas. Esto ocurre también con Alberto Garzón e Izquierda Unida que aparecen en la comunidad del PP debido a menciones de usuarios de esa comunidad y a que no tienen (en esta ocasión) la fuerza en twitter necesaria para que se detecte una comunidad de izquierdas que no sea fagocitada por Podemos.

La comunidad con más “errores” de este tipo es la del PP ya que como vemos en la imagen se encuentra muy entremezclada con las demás comunidades y no tiene una estructura muy definida.

Comunidades de la Red

En la imagen también se observa un rifirrafe entre PP y PSOE ya que el nodo PP tiene relaciones con muchos nodos Socialistas aunque PSOE sólo tiene relación con sus votantes. Incluso el nodo de Mariano Rajoy (el cual es influyente) es catalogado como Socialista. Este rifirrafe nos hace pensar que esos nodos mal catalogados ocurren en un PP sin fuerza en twitter con sus votantes, ya que todas las comunidades menos PP tienen mucha relación entre sí. Esto nos dice también que los cibervoluntarios de Podemos, Ciudadanos y PSOE se dedican más a promocionar su propio partido (en esta ocasión) que a criticar o compararse con los demás.

Medidas de Red Social

Empezaremos detectando quiénes son los influencers de la red, para ello calculamos la centralidad de vector propio de la red (eigenvector value) y ordenamos los nodos de mayor a menor centralidad. Los 10 usuarios de la red más influyentes son: @el_pais, @ciudadanoscs, @albert_rivera, @metroscopia, @psoe, @sanchezcastejon, @ppopular, @ahorapodemos, @ignacioaguado y @marianorajoy. Pero también es importante analizar cuáles son los 3 usuarios más influyentes de cada comunidad.

• Ciudadanos: @el_pais, @ciudadanoscs y @albert_rivera
• Murcia: @mgfigal, @cs_murcia y @csregionmurcia
• Canarias: @psoecanarias, @patriciahdezgut y @equipoclavijo
• PSOE: @psoe, @sanchezcastejon y @marianorajoy
• Podemos: @ahorapodemos, @pablo_iglesias_ y @podemoscultura
• PP: @ppopular, @rafa_hernando y @asierantona
• Independentistas: @quicosalles, @cupnacional y @juntpelsi

Tras ello vamos a ver quiénes son más activos (quienes hablan más) mirando el grado de salida: @jmrubenjm, @nachoanon, @marahersa, @isaranjuez, @vientosorihuela, @alcantarasanta1 y @ridermarina. Todos ellos con un grado de salida mayor que 30, es decir, hablan mucho sin embargo no son influyentes. Los usuarios que son más retwitteados o mencionados son: @ciudadanoscs, @el_pais, @albert_rivera, @metroscopia, @psoe, @sanchezcastejon, @ppopular, @ahorapodemos, @ignacioaguado, @marianorajoy y @pablo_iglesias_. Todos ellos muy conocidos entre los usuarios y los principales actores y formaciones políticas, es por eso que son tan citados.

Los usuarios que más intermediación producen son los siguientes: @jmrubenjm, @isaranjuez, @nalalop, esahora2015, @ensata, @blogsostenible, @solabria, @ceciliocastro, @jlazaro, @antgalan y @bobestropajo. Estos usuarios, como podemos ver, no son los perfiles corporativos sino microliderazgos internos que, analizando sus perfiles de twitter, son cibervoluntarios todos ellos de Podemos o del PSOE.

Con respecto a la cercanía y excentricidad podemos decir que hay muchos usuarios que están cerca del centro de la red, excluyendo a la comunidad de Ciudadanos, ya entenderemos porqué cuando veamos las visualizaciones de la red en el siguiente apartado.

Visualizaciones de la Red

 

Visualización por Centralidad de Vector Propio

Observamos gráficamente la influencia de algunos nodos con la medida de centralidad de vector propio, como ya decíamos la encuesta de Metroscopia donde anuncia que Ciudadanos estaba a 2 puntos del PP es lo más hablado en la comunidad de Ciudadanos, mientras que vemos a un PSOE con fuerza. Podemos también tiene una gran comunidad de usuarios ya que los perfiles oficiales no tienen demasiada influencia sino sus votantes y están bastante relacionados con los Independentistas Catalanes.

Visualización por Grado de Salida

Observamos los nodos que más hablan, que no necesariamente como podemos comprobar, son los que tienen más influencia en la red. Estos se encuentran en su mayoría en el PSOE, Podemos y los Independentistas Catalanes.

Visualización por Intermediación

Aquí observamos los usuarios con más actividad de intermediación donde observamos varios claros hiperactivistas en Podemos y PSOE. Esos usuarios son nodos donde potencialmente puede pasar un gran número de conversaciones y son los encargados de comunicarse con otras comunidades.
 

Visualización por Coeficiente de Clustering

Esta es la red donde los nodos más grandes son los que tienen más coeficiente de clustering, por lo tanto son nodos cuyos vecinos están muy conectados entre sí. Se puede observar en la comunidad de Ciudadanos que hay una gran cantidad de nodos conectados entre sí (la zona blanca generada por las etiquetas de los nodos). Esto es debido a que hay un grupo de usuarios que sólo retwittearon el tweet de El Pais que mencionaba a Metroscopia y a Ciudadanos.

Visualización con el algoritmo de Fruchterman Reingold

Esta es la representación de la red con el algoritmo Fruchterman Reingold, con una representación más circular donde los nodos más influyentes están en el centro y los menos influyentes en la periferia. Es una representación también bonita donde se puede visualizar también todo lo citado anteriormente.

Conclusiones y Resultados

A todo lo que ya hemos explicado en los diferentes apartados, vamos a añadir algo más.

Hemos detectado a los influencers de la red y de cada comunidad, los principales nos lo esperábamos porque son perfiles corporativos muy conocidos pero también hay gente menos famosa con influencia. Estos influencers son: @mgfigal (de Ciudadanos de Murcia), @PatriciaHdezGut (vicepresidenta del Gobierno de Canarias), @QuicoSalles (un periodista de @elnacionalcat), @rafa_hernando (portavoz del PP), @equipodecambio (twitter del PSOE más cercano a la calle), @davidsernagil (cibervoluntario del PSOE), @piglesiassimon (encargado del círculo de Podemos Cultura), @javierjuantur (“revolucionario antisistema” de Podemos) y @jrspsdjrrubio89 (cibervoluntario de Podemos).

Hay muchos usuarios que son activos, estos son: @elmurciano1 (concejal de Ciudadanos en Murcia), @alcantarasanta1 (cibervoluntario del PSOE de Canarias), @wittgenstein_jm (cibervoluntario Independentista muy activo), @ajrs_noticias (empresa de comercio exterior), @jmrubenjm (cibervoluntario del PSOE), @isaranjuez (cibervoluntaria muy activa de Podemos) y @fraviven (cibervoluntaria de Ciudadanos).

Hay algunos usuarios que tienen una alta actividad de intermediación, lo cuales intermedian muchas conversaciones, estos son: @miguelgaraulet (candidato al congreso por Ciudadanos Murcia), @ndiazperea (enfermera cibervoluntaria de Canarias), @elnacionalcat (periódico Independentista), @edulorengarcia (periodista), @jmrubenjm (cibervoluntario del PSOE), @isaranjuez (cibervoluntaria muy activa de Podemos) y @ciudadanoscs (partido Ciudadanos).

Si queremos transmitir un mensaje que tenga éxito, tal vez deberíamos acercarnos a los influencers de la red y también a los intermediadores que ya hemos comentado quiénes son, para que nuestro mensaje sea leído por mucha gente.

Como hemos visto con anterioridad, al ser la red pequeña e incompleta en el tiempo de campaña/precampaña electoral, hay usuarios que hemos visto que sólo se dedican a hablar de los partidos opuestos, por ejemplo en forma de crítica o ironía.

También hemos visto que hay ejércitos de cibervoluntarios en Podemos y PSOE muy fuertes que interactúan mucho con los demás usuarios tanto de su comunidad como de las demás.

Cabe destacar que la red está sacada de un corto periodo de tiempo, por lo que estas conclusiones pueden no ser acertadas para comprender mejor la política española en su totalidad, aunque sí podemos hacernos una idea de cómo es cada partido en twitter. Habría sido más interesante analizar la totalidad de los tweets que ha habido en la campaña, con las correspondientes podas de red, pero no ha podido ser.