Cámaras de eco y desinformación sobre vacunas contra COVID-19 en Twitter: enfoque basado en machine learning y análisis de redes

Autores/as

DOI:

https://doi.org/10.33448/rsd-v12i2.40159

Palabras clave:

Vacuna; Infodemia; Fake News; Cámaras de Eco; Twitter; Machine learning.

Resumen

Dada la importancia infodemiológica de las cámaras de eco en la difusión de información errónea/desinformación, nos propusimos analizar las redes de interacción de los usuarios más expuestos a la información errónea/desinformación o controversia sobre las vacunas en el contexto de la pandemia COVID-19. Para ello, en esta investigación se propone una metodología basada en aprendizaje de máquina y Análisis de Redes Sociales para la detección automatizada de contenidos controvertidos y erróneos/desinformativos sobre vacunas, a través de la cual se alcanzó un modelo con un 92% de precisión. De los casi 24 millones de tuits recogidos, 12,4 millones (52%) fueron marcados como controvertidos y/o de potencial desinformación, siendo los meses de enero y junio de 2021 los de mayor actividad, analizándose a través de una cohorte. A diferencia de trabajos anteriores, analizamos la red de todas las formas de interactuar en Twitter, y toda la estructura textual de los tuits -no sólo los enlaces o los hashtags-.  En cuanto a la conversación sobre las vacunas COVID-19, los resultados fueron diferentes de los asociados a la discusión partidista descritos anteriormente en la literatura, ya que la red de menciones y respuestas privilegia las relaciones heterófilas, y que no se observaron conformaciones "eco". Por último, se necesitan más estudios para comprender mejor la difusión de información errónea sobre las vacunas en Twitter.

Biografía del autor/a

Arthur da Silva Lopes, Universidade Federal da Bahia

Estudiante de Maestría en Salud Colectiva (ISC-UFBA), Licenciada en Salud (UFBA) y Data Scientist en Procesamiento de Lenguaje Natural. 

Antonio Brotas, Fundação Oswaldo Cruz

Doctorado en Cultura y Sociedad (UFBA). Profesor de la Maestría en Divulgación de Ciencia, Tecnología y Salud de la Casa de Oswaldo Cruz, Fundación Oswaldo Cruz (COC/Fiocruz), investigador del Instituto Nacional de Comunicación Pública de Ciencia y Tecnología (INCT-CPCT), periodista y asesor de comunicación de Fiocruz Bahia.

Citas

Amaral I, Santos SJ (2019) Algoritmos e redes sociais: a propagação de fake News na era da pós-. In: Figueira J, Santos S (Ed.), As fake news e a nova ordem (des)informativa na era da pós-verdade (pp. 63–85). Portugal: Imprensa da Universidade de Coimbra.

Cinelli, M., Quattrociocchi, W., Galeazzi, A., Valensise, C. M., Brugnoli, E., Schmidt, A. L., Zola, P., Zollo, F., & Scala, A. (2020). The COVID-19 social media infodemic. Scientific Reports, 10(1). doi:https://doi.org/10.1038/S41598-020-73510-5

Cohen, K. B., & Hunter, L. (2008). Getting Started in Text Mining. PLOS Computational Biology, 4(1), e20. doi:https://doi.org/10.1371/JOURNAL.PCBI.0040020

Conover, M., Ratkiewicz, J., Francisco, M., Goncalves, B., Menczer, F., & Flammini, A. (2011). Political Polarization on Twitter. Proceedings of the International AAAI Conference on Web and Social Media, 5(1), 89–96. doi:https://doi.org/10.1609/ICWSM.V5I1.14126

Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv. doi: https://doi.org/10.48550/arxiv.1810.04805

Du, S., & Gregory, S. (2017). The echo chamber effect in twitter: Does community polarization increase? Studies in Computational Intelligence, 693, 373–384. doi:https://doi.org/10.1007/978-3-319-50901-3_30

Eysenbach, G. (2009). Infodemiology and infoveillance: framework for an emerging set of public health informatics methods to analyze search, communication and publication behavior on the Internet. Journal of Medical Internet Research, 11(1). doi:https://doi.org/10.2196/JMIR.1157

Ferreira, F. V., Varão, R., Boselli, M. A., Santos, L. B., & Moret, M. A. (2022). Uso de Python para detecção de fake news sobre a covid-19: desafios e possibilidades. Revista Eletrônica de Comunicação, Informação & Inovação Em Saúde, 16(2). doi:https://doi.org/10.29397/RECIIS.V16I2.3253

Ferreira-Mello, R., André, M., Pinheiro, A., Costa, E., & Romero, C. (2019). Text mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(6), e1332. doi:https://doi.org/10.1002/WIDM.1332

Geron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Tokyo: O'Reilly.

Gomaa, W., & A. Fahmy, A. (2013). A Survey of Text Similarity Approaches. International Journal of Computer Applications, 68(13), 13–18. doi:https://doi.org/10.5120/11638-7118

Hotho, A., Nürnberger, A., & Paaß, G. (2005). A Brief Survey of Text Mining. Journal for Language Technology and Computational Linguistics, 20(1), 19–62. doi:https://doi.org/10.21248/JLCL.20.2005.68

Jung, H., & Lee, B. G. (2020). Research trends in text mining: Semantic network and main path analysis of selected journals. Expert Systems with Applications, 162, 113851. doi:https://doi.org/10.1016/J.ESWA.2020.113851

Khan, J. Y., Khondaker, Md. T. I., Afroz, S., Uddin, G., & Iqbal, A. (2021). A benchmark study of machine learning models for online fake news detection. Machine Learning with Applications, 4, 100032. doi:https://doi.org/10.1016/J.MLWA.2021.100032

Lima, C. R. M. de, Sánchez-Tarragó, N., Moraes, D., Grings, L., & Maia, M. R. (2020). Emergência de saúde pública global por pandemia de Covid-19. Folha de Rosto, 6(2), 5–21. doi:https://doi.org/10.46902/2020N2P5-21

Liu.B. (2020). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge, England: Cambridge University Press.

Macanovic, A. (2022). Text mining for social science – The state and the future of computational text analysis in sociology. Social Science Research, 108, 102784. doi:https://doi.org/10.1016/J.SSRESEARCH.2022.102784

Massarani, L., Brotas, A., Costa, M., & Neves, LF. (2021). Vacinas contra a COVID-19 e o combate à desinformação na cobertura da Folha de S. Paulo. Fronteiras - Estudos Midiáticos, 23(2), 29–43. doi:https://doi.org/10.4013/fem.2021.232.03

Mønsted, B., & Lehmann, S. (2022). Characterizing polarization in online vaccine discourse—A large-scale study. PLOS ONE, 17(2), e0263746. doi:https://doi.org/10.1371/JOURNAL.PONE.0263746

Recuero, R. (2017). Introdução à análise de redes sociais online. Salvador: EDUFBA.

Recuero, R., & Soares, F. B. (2021). O Discurso Desinformativo sobre a Cura do COVID-19 no Twitter: Estudo de caso. E-Compós, 24, 1–29. doi:https://doi.org/10.30962/EC.2127

Recuero, R., & Zago, G. (2021). “RT, por favor”: considerações sobre a difusão de informações no Twitter. Fronteiras - Estudos Midiáticos, 12(2), 69–81. doi:https://doi.org/10.4013/4668

Santos, C. R. P. dos, & Maurer, C. (2020). Potencialidades e limites do fact-checking no combate à desinformação. Comunicação & Informação, 23. doi:https://doi.org/10.5216/CI.V23I.57839

Shore, J., Baek, J., & Dellarocas, C. (2018, October 22). Twitter Is Not the Echo Chamber We Think It Is. MITSloan Management Review. https://sloanreview.mit.edu/article/twitter-is-not-the-echo-chamber-we-think-it-is/

Soares, F. B., Viegas, P., Bonoto, C., & Recuero, R. (2021). Covid-19, desinformação e Facebook: circulação de URLs sobre a hidroxicloroquina em páginas e grupos públicos. Galáxia (São Paulo), 46. doi:https://doi.org/10.1590/1982-2553202151423

Suen, C. Y. (1979). n-Gram Statistics for Natural Language Understanding and Text Processing. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 164–172. doi:https://doi.org/10.1109/TPAMI.1979.4766902

Tao, D., Yang, P., & Feng, H. (2020). Utilization of text mining as a big data analysis tool for food science and nutrition. Comprehensive Reviews in Food Science and Food Safety, 19(2), 875–894. doi:https://doi.org/10.1111/1541-4337.12540

Törnberg, P. (2018). Echo chambers and viral misinformation: Modeling fake news as complex contagion. PLoS ONE, 13(9). doi:https://doi.org/10.1371/JOURNAL.PONE.0203958

van der Linden, S. (2022). Misinformation: susceptibility, spread, and interventions to immunize the public. Nature Medicine, 28(3), 460–467. doi:https://doi.org/10.1038/s41591-022-01713-6

World Health Organization. (2020). Managing the COVID-19 infodemic: Promoting healthy behaviours and mitigating the harm from misinformation and disinformation. https://www.who.int/news/item/23-09-2020-managing-the-covid-19-infodemic-promoting-healthy-behaviours-and-mitigating-the-harm-from-misinformation-and-disinformation

Descargas

Publicado

09/02/2023

Cómo citar

LOPES, A. da S. .; BROTAS, A. Cámaras de eco y desinformación sobre vacunas contra COVID-19 en Twitter: enfoque basado en machine learning y análisis de redes . Research, Society and Development, [S. l.], v. 12, n. 2, p. e22812240159, 2023. DOI: 10.33448/rsd-v12i2.40159. Disponível em: https://www.rsdjournal.org/index.php/rsd/article/view/40159. Acesso em: 14 may. 2024.

Número

Vol. 12 Núm. 2

Sección

Ciencias de la salud

Licencia

Derechos de autor 2023 Arthur da Silva Lopes; Antonio Brotas

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores que publican en esta revista concuerdan con los siguientes términos:

1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.

2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.

3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.