Desinformación y vacunas en redescomportamiento de los bulos en Twitter

  1. Noguera Vivo, José Manuel 1
  2. Grandío-Pérez, María del Mar 2
  3. Villar-Rodríguez, Guillermo 3
  4. Martín, Alejandro 3
  5. Camacho, David 3
  1. 1 Universidad Católica San Antonio
    info

    Universidad Católica San Antonio

    Murcia, España

    ROR https://ror.org/05b1rsv17

  2. 2 Universidad de Murcia
    info

    Universidad de Murcia

    Murcia, España

    ROR https://ror.org/03p3aeb86

  3. 3 Universidad Politécnica de Madrid
    info

    Universidad Politécnica de Madrid

    Madrid, España

    ROR https://ror.org/03n6nwv02

Mostrar afiliaciones +
Revista:
Revista Latina de Comunicación Social

ISSN: 1138-5820

Año de publicación: 2023

Número: 81

Tipo: Artículo

DOI: 10.4185/RLCS-2022-1820 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Revista Latina de Comunicación Social

Resumen

Introducción: Los bulos antivacunas son un tipo de desinformación sanitaria con gran peligro, dados sus efectos tangibles en la sociedad. Existen investigaciones relevantes sobre tipología de bulos, discursos negacionistas en redes o popularidad de las vacunas, pero este estudio aporta una visión complementaria y pionera, centrada en el discurso antivacunas de COVID-19 en Twitter desde la perspectiva del comportamiento de las cuentas que difunden desinformación. Metodología: A partir del método de FacTeR-Check, compuesto por cinco fases y una primera muestra basada en un centenar de bulos (diciembre de 2020 y septiembre de 2021) se descargaron 220.246 tuits, filtrados para trabajar con inteligencia artificial y técnicas de inferencia de lenguaje natural (NLI) sobre una segunda muestra de más de 36.000 tuits (N=36.292). Resultados: Los resultados ofrecen predominancias de algunos tipos de producción de desinformación, así como la eficacia de crear contenido original falso para agrupar seguidores o la identificación de un periodo (2013-2020) de más dominación de los usuarios que apoyan bulos, frente a los que los niegan. Discusión: El artículo muestra cómo la tipología o morfología de las cuentas puede ser un factor predictivo acerca del comportamiento de dichos usuarios respecto al caso particular de los bulos analizados. Conclusiones: Se ofrecen patrones de comportamiento del discurso antivacunas en Twitter, que pueden ayudar a gestionar futuros fenómenos similares. Dado el significativo tamaño de la muestra y de las técnicas empleadas, se puede concluir que este trabajo establece una base sólida para otros estudios comparativos sobre desinformación y salud en redes sociales.

Referencias bibliográficas

  • Almansa-Martínez, A., Fernández-Torres, M. J. y Rodríguez-Fernández, L. (2022). Desinformación en España un año después de la COVID-19. Análisis de las verificaciones de Newtral y Maldita . Revista Latina de Comunicación Social, 80, 183-200. https://doi.org/10.4185/RLCS-2022-1538
  • Aparici, R., García-Marín, D. y Rincón-Manzano, L. (2019). Noticias falsas, bulos y trending to-pics. Anatomía y estrategias de la desinformación en el conflicto catalán. El Profesional de la Información, 28. https://doi.org/10.3145/epi.2019.may.13
  • Blankenship, E. B., Goff, M. E., Yin, J., Tse, Z. T. H., Fu, K. W., Liang, H. y Fung, I. C. H. (2018). Sentiment, contents, and retweets: a study of two vaccine-related Twitter datasets. The Permanente Journal, 22. https://doi.org/10.7812/tpp/17-138
  • Bodaghi, A. y Oliveira, J. (2022). The theater of fake news spreading, who plays which role? A study on real graphs of spreading on Twitter. Expert Systems with Applications, 189, https://doi.org/10.1016/j.eswa.2021.116110
  • Carrasco-Polaino, R., Martín-Cárdaba, M. y Villar-Cirujano, E. (2021). Citizen participation in Twitter: Anti-vaccine controversies in times of COVID-19. Comunicar, 69, 21-31. https://doi.org/10.3916/C69-2021-02
  • Caro-Castaño, Lucía (2015). La identidad mosaico como modo de subjetividad propio de las redes sociales digitales y sus formas de comunicación paramediáticas: La microcelebridad y la marca personal. [Tesis doctoral, Universidad de Cádiz]. https://bit.ly/3mJwShQ
  • Deiner, M. S., Fathy, C., Kim, J., Niemeyer, K., Ramirez, D., Ackley, S. F. y Porco, T. C. (2019). Facebook and Twitter vaccine sentiment in response to measles outbreaks. Health Informatics Journal, 25, 1116-1132. https://doi.org/10.1177/1460458217740723
  • Döveling, K. Harju, A. y Sommer, D. (2018). From mediatized emotion to digital affect cultures: New technologies and global flows of emotion. Social Media + Society, 4, 1-11. https://doi.org/10.1177/2056305117743141
  • El-Mohandes A., White, T.M., Wyka, K. et al. (2021). COVID-19 vaccine acceptance among adults in four major US metropolitan areas and nationwide. Scientific Reports, 11, https://doi.org/10.1038/s41598-021-00794-6
  • Evanega, S. et al. (2021). Coronavirus misinformation: quantifying sources and themes in the COVID-19 infodemic. JMIR, 10. https://bit.ly/3HoN1RM
  • Garimella, V. R. K. y Weber, I. (2017). A long-term analysis of polarization on Twitter. En Proceedings of the International AAAI Conference on Web and Social Media, Mayo (No. 1). https://bit.ly/3mCmCb5
  • Granovetter, M. S. (1973). The strength of weak ties. American journal of sociology, 78(6), 1360-1380. https://bit.ly/3sD5AgO
  • Himelboim, I., Xiao, X., Lee, D. K. L., Wang, M. Y. y Borah, P. (2020). A social networks approach to understanding vaccine conversations on Twitter: Network clusters, sentiment, and certainty in HPV social networks. Health Communication, 35, 607-615. https://doi.org/10.1080/10410236.2019.1573446
  • Huertas-García, Á., Huertas-Tato, J., Martín, A. y Camacho, D. (2021). CIVIC-UPM at CheckThat! 2021: integration of transformers in misinformation detection and topic classification. Faggioli et al.[33]. https://bit.ly/3JrhwIi
  • Huertas-García, Á., Huertas-Tato, J., Martín, A. y Camacho, D. (2021). Countering Misinformation Through Semantic-Aware Multilingual Models. International Conference on Intelligent Data Engineering and Automated Learning, noviembre, 312-323. Springer. https://bit.ly/319DiiF
  • Huertas-Tato, J., Martín, A. y Camacho, D. (2021). SML: a new Semantic Embedding Alignment Transformer for efficient cross-lingual Natural Language Inference. arXiv preprint arXiv:2103.09635. https://bit.ly/3qtsbts
  • Ireton, Cherilyn, y Posetti, Julie (eds). (2018). Journalism, ‘fake news’ and disinformation: Handbook for journalism education and training. Unesco. https://bit.ly/3mGXoZd
  • Islam, M.S. et al. (2020). COVID-19-related infodemic and its impact on public health: a global social media analysis. The American Journal of Tropical Medicine and Hygiene, 103. 1621-1629. https://dx.doi.org/10.4269%2Fajtmh.20-0812
  • Kietzmann, J. H., Hermkens, K., McCarthy, I. P. y Silvestre, B. S. (2011). Social media? Get serious! Understanding the functional building blocks of social media. Business Horizons, 54, 241-251. https://bit.ly/3mGwujY
  • Kim, H. K., Ahn, J., Atkinson, L. y Kahlor, L.A. (2020). Effects of COVID-19 misinformation on information seeking, avoidance, and processing: a multi-country comparative study. Science Commun, 42. https://doi.org/10.1177/1075547020959670
  • Knuutila, A., Neudert, L. y Howard, P. (2020). Global fears of disinformation: Perceived Internet and Social Media Harms in 142 countries, Oxford Internet Institute. The project on computational propaganda, diciembre, https://bit.ly/3FEoCXD
  • Kouzy, R., Abi Jaoude, J., Kraitem, A., El Alam, M. B., Karam, B., Adib, E., Zarka, J., Traboulsi, C., Akl, E. W. y Baddour, K. (2020). Coronavirus Goes Viral: Quantifying the COVID-19 Misinformation Epidemic on Twitter. Cureus, 12, https://doi.org/10.7759/cureus.7255
  • Kummervold, P. E., Martin, S., Dada, S., Kilich, E., Denny, C., Paterson, P. y Larson, H. J. (2021). Categorizing Vaccine Confidence With a Transformer-Based Machine Learning Model: Analysis of Nuances of Vaccine Sentiment in Twitter Discourse. JMIR Medical Informatics, 9, https://doi.org/10.2196/29584
  • Larrondo-Ureta, A., Fernández, S.-P., & Morales-i-Gras, J. (2021). Desinformación, vacunas y Covid-19. Análisis de la infodemia y la conversación digital en Twitter. Revista Latina de Comunicación Social, 79, 1-18. https://doi.org/10.4185/RLCS-2021-1504
  • Loomba, Sahil, de Figueiredo, A., Piatek, S. J., de Graaf, K. y Larson, H. J. (2021). Measuring the impact of COVID-19 vaccine misinformation on vaccination intent in the UK and USA. Nature Human Behaviour, 5, 337-348. https://doi.org/10.1038/s41562-021-01056-1
  • López-Martín, Á., Gómez-Calderón, B. y Córdoba-Cabús, A. (2021). Desinformación y verificación de datos. El caso de los bulos sobre la vacunación contra la Covid-19 en España. Revista Ibérica de Sistemas e Tecnologias de Informação, 431-443.
  • MacCartney, B. (2009). Natural language inference. Stanford University. https://bit.ly/3qsAtla
  • Mantzarlis, A. (2018). Fact-checking 101. 85-100. En Ireton, Cherilyn, y Posetti, Julie (eds). Journalism, ‘fake news’ and disinformation: Handbook for journalism education and training. Paris: Unesco. https://bit.ly/3pAWizZ
  • Martín, A., Huertas-Tato, J., Huertas-García, Á., Villar-Rodríguez, G. y Camacho, D. (2021). FacTeR-Check: Semi-automated fact-checking through Semantic Similarity and Natural Language Inference. arXiv preprint arXiv:2110.14532. https://bit.ly/32xKfux
  • Morel, A.P.M. (2021). Negationism of the COVID-19 and popular health education: to beyond the necropolitics. Trabalho, Educação e Saúde, 19. https://doi.org/10.1590/1981-7746-sol00315
  • Nowak, S. A., Chen, C., Parker, A. M., Gidengil, C. A. y Matthews, L. J. (2020). Comparing covariation among vaccine hesitancy and broader beliefs within Twitter and survey data. PloS One, 15. https://doi.org/10.1371/journal.pone.0239826
  • Pérez-Escolar, M. y Noguera-Vivo, J.M. (eds.) (2022). Hate speech and polarization in participatory society. Routledge. https://bit.ly/3FE8EwB
  • Saby D. et al. (2021) Twitter Analysis of COVID-19 Misinformation in Spain. En Mohaisen D., Jin R. (eds.) Computational Data and Social Networks. CSoNet 2021. Lecture Notes in Computer Science, 13116. Springer. https://doi.org/10.1007/978-3-030-91434-9_24
  • Salaverría, R., Buslón, N., López-Pan, F., León, B., López-Goñi, I. y Erviti, M.C. (2020). Desinformación en tiempos de pandemia: tipología de los bulos sobre la COVID-19. El Profesional de la Información, 29. https://doi.org/10.3145/epi.2020.may.15
  • Serrano-Puche, J. (2021). Digital desinformation and emotions: exploring the social risks of affective polarization. International Review of Sociology. 31, 231-245. https://10.1080/03906701.2021.1947953
  • Subbaraman, N. (2021). This COVID-vaccine designer is tackling vaccine hesitancy-in churches and on Twitter. Nature, 377-377. https://doi.org/10.1038/d41586-021-00338-y
  • Shahi, G.; Dirkson, A. y Majchrzak, T. (2021): An exploratory study of COVID-19 misinformation on Twitter. Online Social Networks and Media, 22, https://doi.org/10.1016/j.osnem.2020.100104
  • Surian, D., Nguyen, D. Q., Kennedy, G., Johnson, M., Coiera, E. y Dunn, A. G. (2016). Characterizing Twitter discussions about HPV vaccines using topic modeling and community detection. Journal of Medical Internet Research, 18. https://doi.org/10.2196/jmir.6045
  • Thelwall, M., Kousha, K. y Thelwall, S. (2021). COVID-19 vaccine hesitancy on English-language Twitter. El Profesional de la información, 30. https://doi.org/10.3145/epi.2021.mar.12
  • Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N. y Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 5998-6008. https://bit.ly/3pFbpYY
  • Yardi, S. y Boyd, D. (2010). Dynamic debates: An analysis of group polarization over time on twitter. Bulletin of Science, Technology & Society, 30, 316-327. https://doi.org/10.1177%2F0270467610380011
  • Zhou, X., Coiera, E., Tsafnat, G., Arachi, D., Ong, M. S. y Dunn, A. G. (2015). Using social connection information to improve opinion mining: Identifying negative sentiment about HPV vaccines on Twitter. MEDINFO https://bit.ly/3mGQ2ow
  • Zucker, Jane R. et al., (2020). Consequences of Undervaccination — Measles Outbreak, New York City, 2018–2019. The New England Journal of Medicine. 382, 1009-1017. https://doi.org/10.1056/NEJMoa1912514
Fuente de los datos: Dialnet