PAAKAT: Revista de Tecnología y Sociedad

La denominación de analítica textual o minería textual proviene de la ciencia de la computación y es una derivación del concepto de minería de datos. Desde la ciencia de datos, Gandomi y Haider (2015) y Moreno y Redondo (2016) la definen como el descubrimiento de nueva información extraída automáticamente de diferentes fuentes escritas. Para realizar este proceso se emplean programas y algoritmos que efectúan diversas operaciones sobre los textos, a las que los autores denominan técnicas de analítica textual. Este procedimiento es descrito como la transformación de información desestructurada y cualitativa a información estructurada y cuantitativa. El desarrollo de procesamiento de lenguaje natural ha avanzado mucho en los últimos años, y el contenido producido por los usuarios en las redes es un área de especial interés para su estudio.

La literatura especializada menciona entre las principales técnicas la extracción de información, el resumen de textos, las respuestas a preguntas formuladas en lenguaje natural (Gandomi y Haider, 2015), el análisis de contenido (Popping, 2016), el análisis de sentimientos (Paltoglou y Thelwall, 2012) y la minería visual de datos (Moreno y Redondo, 2016). De estas, las tres últimas son las empleadas en el análisis de objetos producidos en las plataformas sociales.

Popping (2016) define el análisis de contenido como la reducción de un flujo de texto desestructurado y cualitativo a un conjunto de símbolos manipulables y cuantitativos para realizar una inferencia válida del texto hacia su contexto. Estos símbolos representan, en general, valores de presencia, intensidad y frecuencia. Una de las formas básicas del análisis de contenido es la que analiza con qué frecuencia una palabra aparece dentro de un texto (Robichaud y Blevins, 2011), y es mayormente utilizado en los estudios basados en datos. El recuento de palabras es una técnica simple, pero parece brindar resultados relevantes en el caso del análisis de los objetos textuales de la web social. Esto puede deberse a que los posteos en las redes sociales suelen ser breves, simples y carentes de complejidades discursivas (Paltoglou y Thelwall, 2012). Underwood (2013) considera que la técnica es simple y efectiva; si bien se centra en la unidad más simple del lenguaje, la palabra, esta es por sí misma un elemento lingüístico de suficiente complejidad.

Moreno y Redondo (2016) destacan la capacidad de la minería visual para colocar grandes cantidades de datos en una jerarquía visual, un mapa o un gráfico que puede ser inspeccionado de modo interactivo. Esto puede ser útil para explorar un gran número de documentos y relaciones entre tópicos y temas. Un ejemplo de esta categoría son las nubes de palabras, los gráficos de árbol de temas o las redes de palabras. En este sentido, la categoría no es completamente autónoma, ya que es la expresión visual de otro tipo de minería textual: las nubes de palabras manifiestan visualmente el análisis de frecuencia de palabras, así como los árboles temáticos lo son del análisis de temas relacionados, y los gráficos de red implican la expresión entre al menos dos entidades que entablan entre sí alguna relación.

Voyant-Tools¹ es una de las herramientas de minería visual más famosas. Fue desarrollada desde el año 2003 por Stefan Sinclair y Geoffrey Rockwell (de la Universidad de Alberta y McGill, respectivamente); es gratuita y de código libre. Está orientada a los análisis académicos del ámbito de las humanidades digitales (Voyant Tools, 2018). Con los años, ha incorporado nuevos módulos cuyas funcionalidades complejizan la inicial de análisis de frecuencia de palabras. El entorno completo actual incluye análisis de tópicos, gráficos de red y burbujas, análisis de frases, entre otras aplicaciones.

La herramienta comienza a ser empleada en diversas áreas de la investigación social, no solamente en la que corresponde al análisis de medios sociales. En el área de la economía, por ejemplo, Campos-Vázquez y López-Araiza (2018) la utilizan para comparar un conjunto de palabras que son usadas frecuentemente, las cuales son extraídas de artículos publicados en las principales revistas de economía en México, que contienen nociones utilizadas por un grupo de economistas entrevistados acerca de las prioridades de la investigación para la economía mexicana (ver figura 2).

Figura 2 Fuente: Campos-Vázquez y López-Araiza (2018). Imagen reproducida con autorización del autor y la editora.

En el área de la administración del conocimiento, Cortés (2018) la emplea para examinar comparativamente los enunciados de misión de numerosas universidades alrededor del mundo. Desde las humanidades digitales, Lacalle y Vilar (2019) la aplican a un corpus de revistas académicas sobre literatura a fin de identificar las temáticas más estudiadas. En el análisis de medios sociales, Sued (2018) la usa para identificar redes semánticas entre las palabras más frecuentes que se utilizan en las descripciones de un conjunto de fotografías publicadas en Instagram.

Paltoglou y Thelwall (2012) denominan análisis de sentimientos al proceso automático que determina si un segmento de texto contiene expresiones emocionales o subjetivas, si hay polaridad positiva o negativa. Creada en la década de 1990 para procesar las valoraciones que clientes y críticos realizaban a productos de venta en línea, en los últimos años ganó mayor importancia, a partir del interés en el análisis de los contenidos publicados en blogs y redes sociales.

En el contexto de las plataformas sociales, el análisis de sentimientos se orienta a identificar si las interacciones contienen expresiones de estados de ánimo y si expresan sentimientos positivos (como entusiasmo o alegría) o negativos (como desacuerdo o ironía). Se basa en clasificadores de léxico que estiman el nivel de valencia emocional en orden de realizar una predicción. Los clasificadores se almacenan en diccionarios que pueden ser producidos automáticamente o creados por los usuarios. El software lee textos y usa un algoritmo para producir una medida estimada del contenido de sentimientos.

El principal problema de su aplicación a los contenidos de las redes sociales es que las interacciones, principalmente en los temas políticos y controversiales, suelen contener ironía y sarcasmo. Estas formas son difíciles de identificar por los algoritmos (Thelwall, 2017), por lo que su uso no controlado podría llevar a resultados erróneos. Otro problema es el reconocimiento del idioma, ya que la mayoría de ellas se desarrollan para el inglés, lo que presenta un problema al reconocimiento automático de las estructuras en español y otros idiomas.

Visualizar e interpretar fenómenos como redes es parte de las culturas digitales actuales, estructuradas como espacios de interacción donde la información fluye y se comparte sin orden ni jerarquías aparentes. A la estrategia general de investigación diseñada sobre la base de estructuras de red se le denomina análisis visual de red (AVR). Los gráficos de red develan relaciones entre elementos que aparentemente se encuentran dispersos (Venturini, Jacomy y Pereira, 2015).

El AVR se centra en dos rubros esenciales: los nodos y las aristas. Los primeros son las entidades que se relacionan entre sí; las segundas son los elementos que construyen las relaciones. Además, pueden caracterizarse según su peso o importancia en la red. Los nodos que establecen más relaciones con los demás, por ejemplo, los más retuiteados por otros, pueden verse más grandes, mientras que las aristas, como los tuits más retuiteados pueden verse más gruesas (Goldbeck, 2013).

Venturini, Jacomy y Pereira (2015) identifican tres elementos básicos para la interpretación de gráficos de red: la posición de los nodos, el tamaño y el color. Esta ubicación es asignada por alguno de los algoritmos de espacialización incluidos en la interfaz de usuario. Los más comúnmente usados son los de vector-fuerza, que organizan los nodos en el espacio y minimizan los cruces de aristas, colocando cerca a los nodos que poseen más conexiones entre sí, lejos de los que poseen menos conexiones, y en la periferia del gráfico a los desconectados. Así la mayoría de los gráficos revelarán regiones en las que muchos nodos se ensamblan y otras casi vacías. Estas proximidades y lejanías que construyen zonas de desigual densidad son reveladas de manera automática por los algoritmos de espacialización.

Las zonas de mayor aglomeración constituyen los clústeres de la red. Las espacializaciones, opuestas a los clústeres, se llaman hoyos estructurales o structural holes; su presencia indica desconexión entre clústeres, mientras que su ausencia puede ser interpretada como signo de una oposición. El tamaño del clúster se define de acuerdo con los nodos que contiene, y su densidad a partir de la cantidad de aristas que vinculan a los nodos. Cuanto más denso es un clúster, habrá mayor cohesión entre sus miembros. Los clústeres son más apretados cuando contienen muchas aristas y más sueltos cuando contienen pocas; en estos últimos, lo interesante no es lo que une a los nodos, sino lo que los separa de los clústeres apretados y añade distancias entre ellos. Además de los clústeres, los nodos y las aristas también pueden tener diferente tamaño; este depende de la cantidad de aristas que generan o reciben; los mayores se consideran las “autoridades” de la red.

Los colores representan operaciones de clasificación de nodos, las comunidades, clústeres o agrupamientos entre nodos que pueden encontrarse en una red, la cual es determinada por el algoritmo de modularidad. Cuanto más se acerca a 1 el coeficiente de modularidad, más estructura de comunidades contiene la red (Blondel et al., 2008). Existen varios algoritmos embebidos en la interfaz de Gephi que miden las relaciones entre nodos y enlaces; aquí hemos planteado los esenciales para producir e interpretar gráficos de red.

En el estudio de Twitter, el AVR se ha usado especialmente para modelizar las conversaciones entre usuarios a través de retuits y menciones; se consideran los primeros como nodos y los segundos como aristas. Al aplicar el algoritmo de centralidad se identifican los usuarios centrales de la red, quienes pueden ser tanto los que más tuitean como los que son más retuiteados.

El AVR hace visible quiénes son los que más conversan en las redes, cuánto lo hacen y con qué otros usuarios lo hacen; lo que no identifica es qué se conversa. Si la discusión deriva en una disputa de sentidos y de influencias sobre las agendas mediáticas, se vuelve necesario saber no solamente quiénes son los que ejercen la influencia y en qué direcciones se esparcen, sino también qué sentidos se construyen.

En la investigación sobre plataformas sociales, varios estudios de caso han usado AVR. En la investigación social tradicional se había aplicado al estudio de los movimientos sociales no virtuales, y después se incorporó en los que suceden en línea. Tremayne (2014) analiza el movimiento Occupy Wall Street ocurrido en Nueva York en 2011. En México, Monterde et al. (2015) lo aplican al caso mexicano #yosoy132; Reguillo (2017) lo emplea para reflexionar sobre los movimientos sociales 2.0; Pedraza y Cano (2019) lo usan para realizar un mapeo de organizaciones feministas a partir de los datos recolectados en Facebook; con el formato novedoso del laboratorio de medios, el Signa_Lab² del ITESO lo utiliza para estudiar la conversación pública sobre temas de la coyuntura política.

Otra manera de implementar el AVR es aplicándolo a hashtags concurrentes (es cuando dos o más hashtags se encuentran en una misma publicación). Si se entiende que estos son macrotérminos que cristalizan y sintetizan los discursos, el análisis de redes se combina, en este caso, con el análisis textual de contenido, y agrega un componente que permite obtener la variedad de temas que se tratan en un conjunto de publicaciones (Borra & Rieder, 2014).

El uso de hashtags concurrentes es más habitual en Instagram que en Twitter. Sued (2018) lo usa para graficar una red entre hashtags que concurren de un conjunto de 400 fotografías de la ciudad de México publicadas en Instagram, lo que permitió determinar, mediante la concurrencia, diferentes clústeres temáticos para las imágenes (figura 3).

Figura 3 Fuente: Sued (2018)

A pesar de que las plataformas sociales están repletas de imágenes, la cultura visual no ha sido un objeto central para los estudios digitales, en especial sobre lo que hace al experimentar y difundir metodologías relacionadas con el estudio de temáticas y estilos vinculados a plataformas (Highfield y Leaver, 2016).

El concepto de analítica visual, renombrado por Manovich (2009) como analítica cultural, refiere al estudio de las imágenes creadas y subidas por individuos en plataformas de fotografía compartida como Instagram, Flickr, Pinterest, Tumblr e, incluso Facebook y Twitter (Niederer y Taudin, 2015). La publicación masiva de imágenes que ocurre en estas plataformas representa un cambio de escala en la cultura visual contemporánea y una resignificación tanto del concepto de fotografía como de sus modos de producción, circulación y consumo (Fontcuberta, 2011). La analítica visual estudia imágenes estáticas y dinámicas, siempre a gran escala. La cantidad de objetos estudiados es importante porque permite identificar patrones y regularidades con mayor facilidad.

Nota: clústeres por color. Verde claro: ciudades globales. Rosado: moda, estilos de vida, arte y decoración. Verde oscuro: arte urbano, grafiti y turismo local. Celeste: comidas y bebidas. Naranja: turismo, viajes y colectivos de Instagram globales. Turquesa: turismo local y colectivos de Instagram locales.

El programa de procesamiento de imágenes Image-J es el instrumento usado por la fase técnica de la analítica cultural. Image-J es de código abierto y fue desarrollado por el Instituto Nacional de Salud de Estados Unidos, readaptado para su uso en el ámbito de las humanidades digitales y el estudio de medios mediante la extensión Image Plot. El programa actúa en dos fases: en la primera realiza una medición de valores de brillo, saturación y tonalidad de las imágenes; en la segunda reconstruye las imágenes en un montaje o collage, las transforma en miniaturas y las organiza según la medida o variable que el usuario elija.³

En estos montajes o collages se pueden identificar patrones estéticos de color, brillo y saturación. Aunque existen modos de producir montajes de acuerdo con categorías de contenido previamente determinadas, los alcances de la propuesta se limitan a la identificación de patrones estéticos y, en ocasiones, temporales. Otras herramientas de uso más simple pueden ofrecer prestaciones similares, por ejemplo Image Sorter.⁴

Existe un artículo paradigmático sobre el uso de la analítica cultural en el estudio de medios sociales escrito por Hochman y Manovich (2013), en el que se comparan los valores visuales de millones de fotografías correspondientes a trece ciudades, publicadas en la plataforma Instagram. Un estudio más reciente es el de Pearce et al. (2018), quienes emplean en su análisis multiplataformas del contenido generado por usuarios sobre el cambio climático.

La figura 4 muestra un montaje fotográfico realizado con la herramienta Image Sorter (Berthel, 2006), compuesto por 1 203 imágenes recolectadas del hashtag #parisagreement de Instagram. En el montaje, las imágenes se organizan por color, lo que permite al investigador identificar clústeres homogéneos; por ejemplo, el grupo de imágenes blancas representa a las científicas, mientras que el grupo donde predomina el rojo representa a las de la investigación empírica que alertan sobre los peligros del cambio climático. Las imágenes de mayor tamaño son las más compartidas en varias plataformas.

Figura 4 Fuente: Pearce et al. (2018). (Diseño de imagen: Federica Bardelli, Carlo de Gaetano y Michele Mauri, reproducida con permiso de autores y editores.).

Además de la analítica visual, Rose (2016) menciona otra técnica importante para el análisis de grandes cantidades de imágenes: el análisis de visual contenido, que posee una base cuantitativa desarrollada originalmente para el análisis de textos verbales. Consiste en la cuantificación de un universo de fotografías que puede ser clasificado en categorías a partir de un procedimiento de etiquetado manual, en el cual el analista es quien determina, de acuerdo con sus preguntas de investigación, las categorías correspondientes, y después se encarga de etiquetarlas y registrar el procedimiento en un archivo que, en una segunda etapa, pueda ser presentado como un análisis claro de frecuencia de categorías.

Los avances realizados en los últimos tres años en el campo de la visión computacional han permitido el desarrollo y la comercialización de programas de clasificación automática de contenidos (Sightengine, 2018). El propósito de esto es que las computadoras puedan entender el mundo al extraer información útil de las señales digitales para llevar a cabo razonamientos complejos (Wang, Komodakis y Paragios, 2013). Los sistemas de visión computacional aplicada al reconocimiento de imágenes se basan en algoritmos que emplean la técnica de deep learning para el reconocimiento de imágenes. Tres principales empresas tecnológicas como Google, Amazon y Microsoft han desarrollado Vision APIS a las que se puede obtener un acceso gratuito por tiempo y funcionalidades limitadas; sin embargo, el manejo de la interfaz aún es complejo para grandes colecciones de datos (Vitale, 2015).

El análisis del video on-line es una posibilidad interesante para la comprensión de la cultura participativa y sus vínculos con las prácticas sociales y culturales, principalmente porque la API de YouTube se encuentra disponible para la recolección de información, lo que posibilita llevar a cabo una analítica de datos y metadatos. En un trabajo en el que se analiza cuantitativa y cualitativamente la cultura participativa que se construye en esta plataforma, Burgess y Green (2018) diseñan una metodología mixta para el video on-line. Los autores realizan una lectura distante basada en un corpus de 4 320 videos recolectados durante tres meses de 2007.

La metodología no consiste en mirar los videos uno a uno como en una lectura cercana; por el contrario, la propuesta radica en la construcción de una base de datos con los metadatos de los videos. A partir de su análisis, los autores realizan una interpretación de las prácticas de las culturas participativas en YouTube, lo que sitúa su mirada en una tipificación de los productores de los videos, así como en las diferentes maneras en las que los usuarios expresan sus reacciones ante estos, y distinguen entre las acciones de mirar, comentar y compartir un video.

Las métricas de reacciones se definen como las maneras de medir la recepción y la circulación de una publicación en las plataformas sociales. Se basan en los indicadores de recepción de los usuarios, como los like, comentarios, compartidos, clics a una dirección web o la cantidad de visualizaciones de un contenido. Estos objetos se presentan, generalmente, con un valor numérico que puede asociarse a una reacción afectiva (como en el caso de Facebook), y reciben, por lo tanto, un tratamiento cuantitativo que responde a la lógica de selección de publicaciones de las plataformas; en esta no sería relevante la pregunta sobre quiénes vieron o comentaron determinado contenido, sino cuántas personas lo vieron, a cuántas les gustó, o cuántas veces se compartió.

La literatura proveniente del marketing y los negocios digitales se refiere a las reacciones con el término inglés engagement; que, en estas áreas, no es tanto signo de compromiso del usuario como un indicador de éxito de una estrategia de comunicación en línea. En este sentido, el máximo compromiso implica que el usuario se involucre con la publicación de un modo que afecte su vida fuera de línea; por ejemplo, que decida visitar un lugar turístico a partir de las imágenes que vio en una red social; y un nivel mínimo es que solamente haya visto la fotografía.

La investigación en métodos digitales entiende que la métrica de reacciones es valiosa para comprender las interacciones en los medios sociales, pero propone una reorientación que consiste en identificar qué nivel de interés social presentan los usuarios sobre un asunto determinado y cómo se expresa y construye ese interés en términos de conversaciones y conexiones entre usuarios.

Rogers (2018) destaca el aspecto de productividad social de las redes en relación con la construcción de redes de influencia que justifican la necesidad de estudiarlas en términos de engagement. En línea con la propuesta general de los métodos digitales, entiende la publicación de contenidos sociales como un espacio donde se expresan diferentes asuntos sociales. Este aspecto se destaca en el uso de las redes para el activismo social al influenciar agendas o, en términos políticos, al incidir sobre el pensamiento de los ciudadanos.

Gerlitz y Helmond (2013) realizan un análisis de reacciones a partir de los intercambios simbólicos que suceden entre los usuarios y las plataformas que las llevan a formular una economía del like; mientras que para los primeros el like tiene un valor afectivo, para las segundas presenta un valor comercializable en cuestión de marketing y consumo personalizado. Por lo tanto, las plataformas promueven el uso del like. De acuerdo con la lógica de esta economía, las estrategias de publicación de los usuarios se orientan a lograr visibilidad y reacciones, en una manera de operar que se reproduce en las plataformas sociales.

La cantidad de reacciones que recibe un post puede recolectarse mediante la técnica de scraping de API o, si se trata de un objeto digital como un artículo periodístico puesto a circular en redes sociales, pueden emplearse herramientas de monitoreo social; por ejemplo, Crowdtangle⁵ permite monitorear las reacciones de los enlaces que circulan en Facebook y Twitter.