Revista Latina de Comunicación Social. ISSN 1138-5820
La teoría mimética aplicada a las relaciones interpersonales a través de redes sociales: el caso de piñagate en Mercadona
Mimetic theory applied to interpersonal relationships through social networks: the case of piñagate in Mercadona
María del Carmen Paradinas Márquez
ESIC University/ESIC Business & Marketing School. España.
carmen.paradinas@esic.university
Cristina Marín-Palacios
ESIC University. España.
cristina.marin@esic.university
Cómo citar este artículo / Referencia normalizada:
Paradinas Márquez, María del Carmen y Marín Palacios, Cristina (2025). La teoría mimética aplicada a las relaciones interpersonales a través de redes sociales: el caso de piñagate en Mercadona [Mimetic theory applied to interpersonal relationships through social networks: the case of piñagate in Mercadona]. Revista Latina de Comunicación Social, 84, 1-16. https://www.doi.org/10.4185/RLCS-2026-2469
Fecha de Recepción: 22/01/2025
Fecha de Aceptación: 24/05/2025
Fecha de Publicación: 24/06/2025
RESUMEN
Palabras clave: teoría mimética; comunicación digital; fenómenos virales; imitación; redes sociales; VOSviewer; interacciones humanas.
ABSTRACT
Introduction: Piñagate illustrates how social networks amplify mimetic behaviours. It analyses how desires and behaviours are digitally replicated, highlighting the role of tweets and viral content in their expansion. This case provides new perspectives on mimetic theory applied to digital phenomena and its impact on contemporary communication. Methodology: The analysis was carried out by collecting tweets with ‘pineapple’ AND ‘Mercadona’ AND ‘flirt’. After data cleaning in Excel and Google Colab, a sentiment analysis was carried out with Pipeline (Transformers) to subsequently extract keywords with NLTK and elaborate thematic maps with VOSviewer. Results: The results indicate that the content of the tweets analysed has a positive tone or a favourable response from the community analysed. Four groups are identified: General Context of Mercadona, Strategies for Flirting, Environments and Products, and Moments and Occasions. Discussion: The application of mimetic theory to social networks has generated both interest and criticism. Some argue that it provides a valuable explanation for understanding online behaviour and group dynamics. However, others criticise that it may oversimplify the complexity of human interactions and individual motivations. Conclusions: The piñagate at Mercadona illustrates how mimetic theory explains viral phenomena in social networks, highlighting how trivial symbols, such as a pineapple, are transformed into acts of interpersonal communication. This study combines data analysis and natural language, showing how digital culture redefines social norms and commercial perceptions.
Keywords: mimetic theory; digital communication; viral phenomena; mimicry; social networks; VOSviewer; human interactions.
1. INTRODUCCIÓN
La teoría mimética fue formulada por el filósofo y crítico literario francés René Girard en la década de 1960. Esta teoría sostiene que el deseo no es innato ni autónomo, sino que surge de la observación e imitación de los deseos ajenos (Hernández, 2023). Según Girard, las personas desean objetos no por su valor intrínseco, sino porque otros los desean. Este proceso de imitación, o mímesis, es fundamental para entender las dinámicas sociales y culturales, pero puede generar rivalidad, dado que múltiples individuos llegan a desear el mismo objeto o símbolo basado en el valor social que adquiere a través de la imitación (Mendelson, 2023).
No obstante, este estudio no se centra en la posibilidad de generación de conflictos por el deseo mimético, sino en la formación de deseos humanos a través de la imitación de los deseos de otros (Livingston, 1994; Lebreton et al., 2012) a través de la comunicación en las redes sociales desde un comportamiento lúdico festivo exento de violencia y conflictividad.
Este comportamiento referido puede dar lugar, frecuentemente, a la utilización de la ironía como recurso lingüístico a la hora de expresar ideas o sentimientos en las redes sociales (Kovaz et al., 2013). El empleo de esta forma de expresión se caracteriza por expresar lo contrario de lo que se dice, generando una ambigüedad que puede ser difícil de interpretar lo que puede añadir una capa de complejidad interpretativa que no es el foco principal de la teoría mimética.
La ironía y el sarcasmo son parte constitutiva de nuestra comunicación cotidiana haciéndose aún más presentes en las redes sociales y precisamente, la ambigüedad, que es la raíz de la ironía, impone a los discursos producidos en las redes sociales una sutileza interpretativa que se presenta como uno de los principales desafíos para el análisis del discurso debido a la falta de señales no verbales como la voz o los gestos.
Además, la ironía puede ser interpretada de manera diferente según el contexto y la relación entre los interlocutores (Rothermich y Pell, 2015).
Con el estudio de la teoría mimética, se busca entender cómo y por qué ciertos comportamientos se imitan y se difunden, más que en las sutilezas del lenguaje utilizado para expresar esos comportamientos, como podría ser a través de la ironía. Incluirla, podría haber desviado la atención del objetivo principal del estudio, que es entender cómo un comportamiento específico (poner una piña boca abajo en el carrito de la compra) se difundió a través de las redes sociales.
Este fenómeno, conocido como “deseo mimético”, es fundamental para entender las dinámicas sociales y culturales, especialmente en el contexto de las redes sociales ya que esta teoría ha evolucionado significativamente desde sus inicios hasta su conexión con las redes sociales en la actualidad. “Pensemos que, si las tendencias y las modas se desarrollan de forma dinámica, es porque lo hacen de manera mimética” (Sánchez Villalón, 2019, p. 71).
A lo largo de las décadas, la teoría mimética ha sido adoptada y adaptada por psicólogos y sociólogos para explicar comportamientos humanos en contextos modernos. Por ejemplo, en la psicología social, se ha utilizado para entender fenómenos como la conformidad y la presión de grupo. En la sociología, ha sido aplicada para analizar dinámicas de poder y conflicto en diversas estructuras sociales.
Con la llegada de las redes sociales a principios del siglo XXI, la teoría mimética ha encontrado un nuevo campo de aplicación. Las redes sociales amplifican el deseo mimético al exponer a los usuarios a los deseos y comportamientos de una vasta red de personas (Fuhse, 2020).
Plataformas como Instagram y Facebook fomentan la comparación social al mostrar constantemente las vidas y logros de otros. Los usuarios pueden desarrollar deseos basados en lo que ven en sus feeds, imitando los deseos y comportamientos de aquellos a quienes siguen.
Además, gracias a la Inteligencia Artificial y al procesamiento del lenguaje natural (PNL) es posible realizar un análisis mimético de información descargada del contenido de las redes sociales. En particular en este trabajo partiendo de una descarga de tuits de la red social X se ha realizado un análisis mimético del contenido de dichos tuits.
Este marco teórico es particularmente útil para comprender cómo ciertos comportamientos y símbolos se vuelven recurrentes en una comunidad.
1.1. Las redes sociales y la viralización de símbolos sociales
Las redes sociales han revolucionado la forma en que los individuos interactúan y expresan su identidad, permitiendo que ciertos símbolos se difundan masivamente y generen un "contagio" simbólico (Monge y Contractor, 2003). Signos como la piña en el carrito adquieren un significado especial cuando se interpretan como indicativos de disponibilidad social. Diversos estudios han demostrado que las redes sociales funcionan como plataformas de señalización simbólica, donde los individuos adoptan señales que replican al percibir pertenencia a una comunidad más amplia (Da Silva y Baldissera, 2021).
Por lo tanto, los fenómenos virales en las redes sociales pueden ser vistos como ejemplos de deseo mimético a gran escala. Un contenido se vuelve viral cuando muchas personas imitan el comportamiento de compartir y reaccionar al mismo contenido, creando un deseo colectivo.
Estas redes amplifican el fenómeno del deseo mimético al proporcionar plataformas donde los usuarios pueden observar y replicar los comportamientos y deseos de otros. La viralidad de ciertos contenidos y comportamientos en redes sociales puede explicarse a través de esta teoría. Los influencers, por ejemplo, actúan como modelos a seguir, generando deseos y comportamientos que sus seguidores imitan (Etienne y Charton, 2024).
La viralidad de fenómenos como el caso de la "piña en el carrito de Mercadona", conocido como el piñagate, para ligar, refleja la dinámica mimética de las redes sociales (Machuco Rosa, 2018), donde ciertas ideas o comportamientos se amplifican y reproducen rápidamente debido a su capacidad para captar la atención de los usuarios y satisfacer necesidades sociales. La teoría mimética, formulada por René Girard, sostiene que las personas tienden a imitar los deseos y conductas de los demás, un proceso que en redes sociales se ve intensificado por la constante exposición a contenidos que captan el imaginario colectivo de modo inmediato (Girard, 1965). En este caso, el uso de la piña como símbolo de disponibilidad romántica ofrece una narrativa accesible y lúdica que los usuarios pueden imitar, en gran parte motivados por el deseo de pertenencia y validación en un contexto humorístico y de fácil aplicación (Berger, 2016).
Además, la capacidad de las redes para popularizar símbolos y señales específicas refleja cómo los memeplexes o unidades de cultura viral funcionan como vehículos de significado compartido en contextos modernos (Dawkins, 2016). La piña en el carrito funciona aquí como un "meme" que, al ser replicado y reinterpretado, adquiere un sentido simbólico, haciendo que un objeto común transmita un mensaje social compartido. Esta forma de viralidad es alimentada por la facilidad de imitación y la efectividad del medio digital, que permite que el mensaje viaje rápidamente y alcance una masa crítica de participantes que lo adoptan como un código común. Así, fenómenos como el piñagate ilustran cómo el deseo mimético y los entornos de comunicación digital convergen para generar "modas sociales" que, aunque efímeras, ejemplifican la naturaleza colaborativa de la cultura digital moderna (Fuhse, 2015).
La utilización de símbolos en espacios públicos, como el caso de la piña en Mercadona, puede interpretarse como un acto de construcción de identidad social. Esto transforma un espacio comercial en un escenario de interacción social, donde los individuos no solo realizan compras, sino que también comunican intenciones y expectativas sociales. La simbolización del objeto lo convierte en un marcador que expresa la intención de interactuar socialmente (Koltsova y Kartashkova, 2022).
Este "código" surgió como una broma en redes sociales, donde se decía que colocar una piña boca abajo en el carrito de la compra en supermercados (como Mercadona) podía indicar que alguien estaba disponible para ligar o interesado en conocer a otras personas. La emoción predominante fue una mezcla de curiosidad y alegría, ya que la novedad y el humor del método atrajeron la atención de muchos.
La idea se hizo popular, especialmente en X y otras plataformas, como un símbolo entre quienes buscan una forma divertida y discreta de interactuar o flirtear mientras hacen sus compras. Aunque es en gran parte una broma o meme en redes, algunas personas lo probaron por diversión para ver si atraían alguna reacción.
La adopción de la piña en el carrito como símbolo de apertura social puede entenderse como la creación de un micro-ritual social. Estos micro-rituales otorgan a los participantes un sentido de pertenencia e integración, y la Teoría Mimética explica cómo los individuos se sienten impulsados a replicar este comportamiento debido a su deseo de inclusión (Roemer, 2007).
La señalización simbólica en entornos comerciales fomenta una identidad colectiva, en la cual los individuos adoptan un símbolo para indicar su pertenencia y disposición a interactuar. Este comportamiento es reflejo del deseo mimético, que alienta la participación en rituales sociales observados en redes, tal como el caso de la piña en Mercadona. Esto genera un sentido de pertenencia entre los individuos que participan en estos actos simbólicos y facilita interacciones sociales casuales (Kalkhoff et al., 2020; Wongkitrungrueng y Assarut, 2020).
1.2. El rol de los medios digitales en la migración de símbolos al espacio físico
La interacción entre el espacio digital y el espacio físico permite que los individuos trasladen comportamientos y símbolos de un entorno al otro. Esta migración revela cómo la comunicación simbólica en ambos espacios refuerza la identidad grupal en entornos cotidianos (Bandura, 2009). Diversos estudios señalan que los símbolos y mensajes en el entorno digital fortalecen el sentido de pertenencia en el entorno físico, facilitando la adopción de símbolos como la piña en el carrito (Littwin y Stock, 2020).
La utilización de símbolos para establecer conexiones en espacios comerciales permite analizar cómo el contacto físico es reemplazado o complementado por símbolos con intenciones claras en entornos urbanos. Esto contribuye a profundizar en el entendimiento de cómo los medios digitales influyen en la percepción de símbolos y cómo estos crean un espacio híbrido que amplía el concepto de señalización social (Jacob y Banisch, 2023).
La señalización simbólica de disponibilidad en entornos como Mercadona ilustra cómo las redes sociales han fomentado una identidad de "intimidad pública", en la que los símbolos permiten a los individuos mostrarse accesibles en un entorno físico, compartiendo un espacio social común, pero manteniendo su individualidad (Corcoran, 2012).
Las redes sociales juegan un papel crucial en la difusión y amplificación de fenómenos como el piñagate. Actúan como catalizadores de la mimética al permitir que los usuarios compartan y observen comportamientos de manera masiva y rápida. Este proceso no solo tiene un valor social, sino que también puede provocar cambios en las normas y expectativas sociales (Craig, 2013).
El deseo mimético es un motor poderoso detrás de las tendencias virales en las redes sociales. Cuando un comportamiento o deseo es observado repetidamente en una plataforma social, se convierte en un modelo a seguir para otros usuarios. Este proceso de imitación puede facilitar la rápida difusión de tendencias, dado que las personas suelen alinearse con aquello que consideran atractivo o popular.
Además, este fenómeno generó una variedad de emociones entre los participantes y observadores analizados en este trabajo. La emoción predominante fue una mezcla de curiosidad y alegría, ya que la novedad y el humor del método atrajeron la atención de muchos.
2. OBJETIVOS
En primer lugar, este estudio trata de analizar el fenómeno de la señalización simbólica en el marco de la Teoría Mimética dentro de las interacciones interpersonales en espacios comerciales, con el caso del uso de la una piña boca abajo en el carrito de la compra en Mercadona en principio, con la intención de ligar.
Este objetivo se centra en estudiar cómo los elementos simbólicos, en este caso la piña en el carrito de la compra, actúan como señales dentro de un espacio comercial y sirven para transmitir significados implícitos entre los consumidores. A partir de la Teoría Mimética de René Girard, se investiga cómo la imitación y el deseo socialmente modelado influencian la adopción de símbolos y su uso como mecanismo de comunicación no verbal en la interacción cotidiana en el entorno de compra.
Igualmente, se pretende explorar el origen y la difusión del fenómeno de la "piña en el carrito" en Mercadona a través de las redes sociales.
Este objetivo pretende indagar en los procesos de surgimiento y propagación de esta señal simbólica en el contexto de las plataformas digitales. Se examina cómo los usuarios interpretan, reproducen y adaptan el fenómeno en redes sociales, en concreto en X, y cómo estas interacciones digitales impulsan la visibilidad y el entendimiento compartido de este símbolo en el entorno comercial, analizando las dinámicas de viralidad en la difusión del fenómeno.
Se busca analizar cómo la "piña en el carrito" actúa como una señal identitaria que influye en la percepción y construcción de la identidad social de los individuos en un espacio compartido. Además, se investiga cómo este símbolo afecta las interacciones interpersonales en un entorno físico, evaluando si genera un sentido de pertenencia, reconocimiento mutuo o cohesión grupal entre los consumidores, y cómo se estructura la dinámica social en torno a esta señal.
Esto permite evaluar la adecuación de la Teoría Mimética como marco teórico para interpretar estos comportamientos sociales observando la efectividad de la Teoría Mimética para explicar los comportamientos asociados con el uso de símbolos de señalización en contextos de consumo. Para ello, previamente se analizaron los principios fundamentales de la teoría, como la imitación y el deseo mimético, para determinar si proporcionan un marco adecuado y completo para comprender los procesos de adopción, diseminación y significación de elementos simbólicos en espacios comerciales contemporáneos como Mercadona.
Otro de los objetivos es entender, mediante el uso de VOSviewer y de PLN, las interacciones sociales y comportamientos miméticos a través de un análisis detallado de cómo las personas en X asocian ciertos términos y símbolos con su experiencia en Mercadona, especialmente en lo que respecta a comportamientos informales y estrategias de interacción como "ligar". Además, se busca identificar patrones y relaciones clave dentro de los datos para comprender cómo las redes sociales amplifican y replican tales comportamientos.
3. METODOLOGÍA
Aplicar un análisis mimético a un conjunto de tuits, es viable y puede ofrecer insights profundos sobre cómo ciertas ideas, emociones o comportamientos se reflejan en las redes sociales (Noor et al., 2020; Hoffman et al., 2023). En esta investigación hemos aplicado un análisis mimético a un conjunto de tuits obtenidos de la búsqueda “piña” AND “Mercadona” AND “ligar”. Un análisis mimético puede identificar elementos tales como (Rodrigo et al., 2015):
- Lenguaje y tono: Examina cómo los usuarios expresan sus emociones, preocupaciones o posturas en los tuits y cómo esto imita o representa ciertas actitudes sociales.
- Temas y tendencias: Observa qué temas son recurrentes y si reflejan problemáticas actuales, preocupaciones de la sociedad o valores culturales específicos.
- Identidad y roles: Analiza cómo los usuarios representan su identidad en línea (ya sea personal, profesional o incluso ficticia) y cómo esto refleja aspectos de la identidad en el mundo real.
- Dinámicas sociales y comportamiento: Observa interacciones como respuestas, retuits y menciones, para ver cómo reflejan conductas sociales o dinámicas de poder, apoyo, confrontación, etc.
Primero, se realizó una búsqueda en la red social X de tuits que contenían las palabras clave “piña” AND “Mercadona” AND “ligar” utilizando la herramienta Explore (https://x.com/explore). Se recolectaron 509 tuits publicados entre el 25 de agosto y el 2 de octubre de 2024, lo que permitió capturar una muestra representativa de las conversaciones en la red social X para observar patrones y tendencias (Iasulaitis et al., 2025).
Los tuits obtenidos fueron limpiados utilizando Excel y Google Colab. Esta limpieza incluyó la eliminación de signos de puntuación, caracteres especiales, menciones, URLs y stopwords (palabras vacías), con el fin de reducir el ruido en los datos.
El análisis de sentimiento se realizó utilizando el módulo Pipeline de la biblioteca Transformers (Zeng et al., 2022), que permite acceder a modelos de procesamiento de lenguaje natural (PLN) preentrenados en una interfaz simplificada. Se cargó un modelo preentrenado, diseñado para clasificar los tuits en categorías de sentimiento estándar (positivo, negativo o neutro), basándose en modelos de última generación como BERT o DistilBERT (Areshey y Mathkour, 2024), entrenados en grandes conjuntos de datos como IMDb o SST-2 (Fang et al., 2022). Para cada comentario, se aplicó el modelo de análisis de sentimiento, que procesa el texto y devuelve una predicción con dos elementos (Ding et al., 2022; Mahrukh et al., 2023): la etiqueta de sentimiento y la probabilidad de la predicción, que representa el grado de confianza del modelo (Ma et al., 2024). Los resultados de este análisis se guardaron en un archivo de Excel llamado "tuits con sentimiento", con dos columnas, label y score, que representan cada tuit y su sentimiento.
El análisis de palabras claves y eliminación de palabras vacías (Lei et al., 2021) de cada uno de los tuits se realizó en Python con NLTK (Natural Language Toolkit), una biblioteca ampliamente utilizada en tareas de procesamiento de lenguaje natural (PLN) (Moharil y Sharma, 2023). Este proceso incluyó la limpieza del texto, la tokenización (segmentación del texto en palabras individuales), y la lematización (reducción de cada palabra a su forma raíz). Además, se calculó la frecuencia de términos utilizando el algoritmo Term Frequency (TF), lo que permitió identificar los términos más representativos de cada tuit (Dey y Das, 2023).
Finalmente, utilizando VOSviewer, se creó un mapa de palabras claves agrupadas por tipologías (Abubakar et al., 2024). VOSviewer es una herramienta de análisis de redes que genera un gráfico de coocurrencia de términos o conceptos. Cada nodo en el gráfico representa una palabra o concepto, y los enlaces entre nodos indican relaciones de coocurrencia o afinidad, destacando los nodos más repetidos y las relaciones entre las palabras (Marín-Palacios, 2023).
En la Tabla 1 se muestra el resumen de todas las herramientas utilizadas para realizar el análisis mimético de los tuits analizados y su justificación.
El trabajo de investigación se ha llevado a cabo en los siguientes pasos:
- Recolección de tuits en X con Explore. (https://x.com/explore)
- Limpieza de tuits con Excel y con Google Colab.
- Realización del análisis de sentimiento con el módulo Pipeline de Transformers en Google Colab.
- Limpieza y análisis de palabras claves utilizando NLTK (Natural Language Toolkit) en Google Colab.
- Creación del mapa de palabras claves con VOSviewer.
Tabla 1. Resumen de las herramientas utilizadas y su justificación.
|
Herramienta |
Justificación |
|
X (Explore) |
Permite acceder a una amplia base de datos de tuits, facilitando la obtención de una muestra significativa. |
|
Excel y Google Colab |
Herramientas accesibles y eficientes para realizar la limpieza de datos, eliminando signos de puntuación, caracteres especiales, menciones, URLs y stopwords (palabras vacías), asegurando la calidad de los datos analizados. |
|
Módulo Pipeline de Transformers |
Permite acceder a modelos de procesamiento de lenguaje natural (PLN) preentrenados, como BERT y DistilBERT, que son altamente precisos y eficientes para clasificar los tuits en categorías de sentimiento (positivo, negativo o neutro). |
|
NLTK (Natural Language Toolkit) |
Biblioteca ampliamente utilizada en tareas de procesamiento de lenguaje natural (PLN), que ofrece diversas herramientas y recursos lingüísticos para la limpieza del texto, tokenización, lematización y cálculo de la frecuencia de términos (TF). |
|
VOSviewer |
Herramienta de análisis de redes que genera gráficos de coocurrencia de términos o conceptos, permitiendo visualizar las relaciones entre palabras claves y agruparlas por tipologías, facilitando la interpretación de los datos. |
Fuente: Elaboración propia.
4. RESULTADOS
Como se observa en la figura 1 del análisis de confianza de los tuits, se muestra una alta confianza general. El gráfico muestra la distribución de confianza de los tuits analizados, donde el eje horizontal muestra los valores de confianza y el eje vertical la frecuencia de ocurrencia para cada intervalo de confianza. Siendo el 98% de los tuits positivos y el 2% neutros.
Esto podría indicar que, en general, el contenido de los tuits analizados tiene un tono mayoritariamente positivo, lo que podría reflejar una buena percepción del tema específico o una respuesta favorable de la comunidad analizada.
Figura 1. Análisis de confianza de los tuits.
Fuente: Elaboración propia.
Como se muestra en la Figura 2 de análisis de palabras claves realizado con VOSviewer, los nodos más grandes, son "Mercadona," "ligar," y "piña," que son los términos más frecuentes o centrales en el contexto de este análisis. La conexión entre estos nodos indica que suelen aparecer juntos en el mismo contexto. Este tipo de visualización es útil para identificar patrones de coocurrencia de términos y cómo ciertos conceptos están relacionados en un corpus de datos textual. En este caso, parece analizar el fenómeno de cómo la tienda Mercadona y su ambiente pueden ser un contexto para situaciones de interacción social.
La Tabla 2, obtenida también con VOSviewer, muestra para cada palabra, el grupo al que pertenece, el número de conexiones directas del término con otro término (Nº de enlaces), la suma de la fuerza de todas las conexiones (incluyendo las indirectas), que da una idea de la centralidad del término (Nº de enlaces), la cantidad de veces que aparece el término en el corpus de datos (Fuerza total de los enlaces) y la cantidad de veces que aparece el término en el corpus de datos (Nº de ocurrencias). Las palabras que tienen más fuerza son ligar, Mercadona, con una, piña, el carro.
Tabla 2. Resumen de términos y relaciones en el análisis de redes semánticas.
|
Palabra |
Grupo |
Nº de enlaces |
Fuerza total de los enlaces |
Nº de ocurrencias |
|
con una |
1 |
11 |
25 |
15 |
|
el carro |
1 |
10 |
21 |
7 |
|
el pasillo |
1 |
8 |
13 |
5 |
|
ligar al Mercadona |
1 |
9 |
12 |
8 |
|
los vinos |
1 |
9 |
15 |
5 |
|
al Mercadona |
2 |
8 |
16 |
17 |
|
con |
2 |
6 |
17 |
11 |
|
Mercadona |
2 |
13 |
67 |
51 |
|
piña |
2 |
13 |
57 |
42 |
|
piña para ligar |
2 |
3 |
4 |
6 |
|
abajo |
3 |
6 |
8 |
5 |
|
el carrito |
3 |
8 |
14 |
6 |
|
el Mercadona |
3 |
10 |
28 |
15 |
|
para ligar |
3 |
11 |
29 |
24 |
|
al revés |
4 |
8 |
11 |
5 |
|
idea |
4 |
7 |
11 |
5 |
|
ligar |
4 |
17 |
81 |
54 |
|
Mercadona con una |
4 |
4 |
8 |
8 |
|
revés |
4 |
5 |
9 |
4 |
Fuente: Elaboración propia con VOSviewer.
En este caso, se identifican los siguientes cuatro grupos.
Grupo 1, verde en Figura 2. Contexto General de Mercadona. En este grupo términos como "con una", "el carro", "el pasillo" y "ligar al Mercadona" y “los vinos” están relacionados entre sí y sugieren acciones o interacciones que pueden replicarse de manera mimética, por imitación en un grupo social. Por ejemplo, frases como "piña para ligar" podrían indicar el uso de ciertos objetos (como una piña) como símbolos o estrategias que se replican miméticamente para cumplir un propósito (como iniciar una interacción social).
Grupo 2, amarillo en Figura 2. Estrategias para Ligar en Mercadona. “al Mercadona”, “con”, “Mercadona”, “piña” y “piña para ligar”, podemos analizar estas palabras desde la perspectiva de cómo los objetos, lugares y símbolos adquieren significados culturales que se propagan por imitación, impulsados por normas sociales, humor o tendencias. Es interesante notar que "Mercadona" y "piña" tienen altos valores de fuerza de enlace (67 y 57 respectivamente), lo que indica que son términos centrales.
Grupo 3, rojo en Figura 2. Ambientes y Productos para Ligar. “abajo”, “el carrito”, “el Mercadona”, “para ligar”. Este enfoque enfatiza cómo los elementos espaciales, objetos funcionales y metas explícitas como "ligar" generan patrones observables que pueden ser copiados y adaptados, creando un comportamiento mimético que redefine la función original en un contexto social y cultural.
Grupo 4, azul en Figura 2. Momentos y Ocasiones para Ligar. “al revés”, “idea”, “ligar”, “Mercadona con una“, “revés”. Estas palabras se conectan con el comportamiento mimético al resaltar la creatividad, la sorpresa y la reinterpretación de lo cotidiano como mecanismos que inspiran imitación. Los conceptos de inversión ("al revés", "revés"), innovación ("idea") y propósito social ("ligar", "Mercadona con una") contribuyen a crear patrones de comportamiento que se reproducen por su novedad, funcionalidad o atractivo simbólico. Algunos términos como "ligar" tienen alta centralidad (81 de fuerza de enlace y 54 ocurrencias), lo que sugiere que es un concepto clave.
Figura 2. Mapa de palabras claves y sus interrelaciones.
Fuente: Elaboración propia.
Se ha resumido en la Tabla 3 el análisis mimético de las palabras destacadas en el análisis con VOSviewer.
Tabla 3. Resumen de términos y su análisis mimético.
|
Palabra |
Análisis mimético |
|
Al revés |
Implica romper las normas o hacer algo inesperado. Llama la atención por su creatividad disruptiva, lo que puede generar imitación. |
|
Idea |
Representa la chispa de un comportamiento novedoso. Si es efectiva o interesante, otros la replican o la adaptan. |
|
Ligar |
Un objetivo social que impulsa la adopción de estrategias observadas como exitosas en contextos públicos como Mercadona. |
|
Mercadona con una |
Acto que combina espacio y objeto o compañía, convirtiéndose en símbolo social. Usar algo distintivo genera atención y puede ser replicado. |
|
Revés |
Similar a al revés, implica una acción o enfoque disruptivo que sorprende, atrayendo imitadores por su impacto o humor. |
|
Abajo |
Relacionado con ubicaciones estratégicas en un espacio, que pueden percibirse como útiles y ser imitadas en un contexto social. |
|
El carrito |
Objeto funcional reinterpretado como herramienta social (por ejemplo, para llamar la atención o iniciar interacciones). |
|
El Mercadona |
Espacio que fomenta conductas observables y replicables debido a su carácter cotidiano y familiar. |
|
Para ligar |
Frase que sintetiza un propósito social explícito. Se replican las estrategias observadas como exitosas para este fin. |
|
Con |
Sugiere acompañamiento o interacción. El uso creativo de una compañía puede generar conductas imitables. |
|
Piña |
Objeto simbólico usado para destacar o provocar interacciones. Su uso inusual genera patrones de imitación por humor o curiosidad. |
|
Piña para ligar |
Uso estratégico de un objeto con una intención explícita, lo que fomenta la imitación si se percibe como efectivo o divertido. |
Fuente: Elaboración propia.
5. DISCUSIÓN Y CONCLUSIONES
La aplicación de la teoría mimética a las redes sociales ha generado tanto interés como críticas. Algunos argumentan que proporciona una explicación valiosa para entender el comportamiento en línea y las dinámicas de grupo (Zulli y Zulli, 2022; Etienne y Charton, 2024). Sin embargo, otros critican que puede simplificar excesivamente la complejidad de las interacciones humanas y las motivaciones individuales (Livingston, 1994; Richardson y Manglos, 2013; Peters y Allan, 2022).
El piñagate en Mercadona es un ejemplo fascinante de cómo la teoría mimética puede aplicarse para entender fenómenos virales en las redes sociales. Las emociones generadas y las dinámicas de aproximación observadas en este caso reflejan la complejidad de las interacciones humanas en la era digital. Además, la relación entre el deseo mimético y las tendencias virales demuestra cómo las redes sociales pueden amplificar y acelerar la propagación de comportamientos y deseos, moldeando así las normas y expectativas sociales.
La Teoría Mimética resulta útil para comprender cómo un símbolo aparentemente trivial, como una piña en un carrito de la compra, puede transformarse en un acto de comunicación interpersonal impulsado por las redes sociales y espacios comerciales. Este marco teórico facilita el análisis de cómo los símbolos se adoptan, replican y se transforman en micro-rituales que generan sentido de pertenencia en espacios cotidianos como Mercadona, evidenciando la convergencia entre la identidad digital y la vida cotidiana.
La migración de símbolos desde las redes sociales al espacio físico refleja la interacción entre identidad digital y social. Esto permite afirmar que los entornos digitales pueden moldear normas y comportamientos en contextos reales.
No obstante, aunque la teoría mimética ofrece un marco sólido, podría simplificar las motivaciones individuales y la complejidad de las interacciones humanas por lo que es importante considerar factores contextuales adicionales en futuros análisis donde también se puede ampliar el estudio al análisis de otras redes sociales.
Este estudio resalta cómo el análisis de datos y el procesamiento de lenguaje natural nos han permitido estudiar y comprender los patrones de interacción social relacionados con ligar en Mercadona en X. Las herramientas de PLN han sido fundamentales para identificar las relaciones entre palabras y su centralidad en los temas tratados, lo que ha facilitado un entendimiento profundo de cómo los comportamientos miméticos y la creatividad social transforman los objetos, lugares y símbolos cotidianos en elementos de interacción digital. Este enfoque nos ha permitido comprender cómo las normas sociales emergen y se propagan en plataformas digitales, así como el impacto de estos fenómenos en la percepción de la marca Mercadona. Al combinar el análisis cuantitativo con el análisis semántico del lenguaje, este estudio ofrece una nueva perspectiva sobre cómo la cultura digital y las redes sociales influyen en el comportamiento humano.
Estas conclusiones demuestran cómo la teoría mimética puede integrarse eficazmente al análisis de fenómenos sociales contemporáneos a pesar de tener su origen en el pasado siglo.
En el análisis mimético de tuits realizado no hemos tenido en cuenta la ironía, hecho que puede justificarse debido a la complejidad y los desafíos inherentes a su detección automática y porque no siempre es fácilmente reconocible y puede ser confundida con comentarios literales, lo que podría haber afectado la precisión del análisis (Corchado Robles, 2016).
La ironía es una forma de expresión que a menudo depende de contextos sutiles y conocimientos extratextuales, lo que dificulta su identificación precisa mediante herramientas de PLN estándar. Según Van Hee et al. (2018), la detección de ironía en tuits es una tarea desafiante que requiere modelos avanzados y datos específicos para lograr una clasificación precisa (Reyes et al., 2012).
Para la incorporación de la detección de ironía en futuros estudios de análisis mimético de tuits, se sugiere el uso de modelos avanzados de procesamiento de lenguaje natural (PLN) basados en la arquitectura Transformers. Estos modelos, cuando son entrenados específicamente con grandes conjuntos de datos que contienen ejemplos de ironía, han demostrado ser efectivos en la identificación de patrones irónicos dentro del texto (Xu et al., 2022; Ahuja y Sharma, 2022; Hazrati et al., 2025).
Además, diversos estudios han destacado la importancia de considerar el análisis contextual en la detección de ironía, ya que este enfoque permite una comprensión más profunda del significado subyacente de los tuits (Eke et al., 2021). Asimismo, la aplicación de técnicas de enriquecimiento de datos, como la incorporación de metadatos (por ejemplo, hashtags, menciones y emojis), puede proporcionar información adicional que facilite la identificación de ironía en los textos (Saroj y Pal, 2024).
Por otro lado, algunos autores sugieren complementar los enfoques automatizados con evaluaciones humanas, dado que los anotadores expertos pueden identificar ejemplos de ironía que los modelos automáticos podrían no reconocer. Este proceso contribuye a la creación de un conjunto de datos más robusto, mejorando tanto el entrenamiento como la validación de los modelos de detección de ironía (Wen et al., 2022).
6. REFERENCIAS
Abubakar, S., Said, M. F. M., Abas, M. A., Ismail, N. A., Khalid, A. H., Roslan, M. F. y Kaisan, M. U. (2024). Hydrogen-fuelled internal combustion engines-Bibliometric analysis on research trends, hotspots, and challenges. International Journal of Hydrogen Energy, 61, 623-638. https://doi.org/10.1016/j.ijhydene.2024.02.280
Ahuja, R. y Sharma, S. C. (2022). Transformer-based word embedding with CNN model to detect sarcasm and irony. Arabian Journal for Science and Engineering, 47(8), 9379-9392. https://doi.org/10.1007/s13369-021-06193-3
Areshey, A. y Mathkour, H. (2024). Exploring transformer models for sentiment classification: A comparison of BERT, RoBERTa, ALBERT, DistilBERT, and XLnet. Expert Systems, 41(11). https://doi.org/10.1111/exsy.13701
Bandura, A. (2009). Social cognitive theory of mass communication. En J. Bryant y M. B. Oliver (Eds.), Media effects (pp. 110-140). Routledge.
Berger, J. (2016). Contagious: Why things catch on. Simon and Schuster.
Corchado Robles, B. (2016). Inferencias de ironía, mentira y desdén en interacciones comunicativas de jóvenes universitarios puertorriqueños realizadas a través de las redes sociales en la Internet. Revista de Estudios Hispánicos, 3(1), 149-160. https://revistas.upr.edu/images/reh/2016/n1/a7.pdf
Corcoran, M. P. (2012). Society, space and the public realm: beyond gated individualism. Irish Journal of sociology, 20(1), 1-18. https://doi.org/10.7227/IJS.20.1.1
Craig, R. T. (2013). Communication theory and social change. Communication & Social Change, 1(1), 5-18. https://hipatiapress.com/hpjournals/index.php/csc/article/view/758
Dawkins, R. (2016). The selfish gene. Oxford University Press.
Dey, R. K. y Das, A. K. (2023). Modified term frequency-inverse document frequency based deep hybrid framework for sentiment analysis. Multimedia Tools and Applications, 82(21), 32967-32990. https://doi.org/10.1007/s11042-023-14653-1
Ding, Y., You, J., Machulla, T. K., Jacobs, J., Sen, P. y Höllerer, T. (2022). Impact of annotator demographics on sentiment dataset labeling. Proceedings of the ACM on Human-Computer Interaction, 6(CSCW2), 1-22. https://doi.org/10.1145/3555632
Eke, C. I., Norman, A. A. y Shuib, L. (2021). Multi-feature fusion framework for sarcasm identification on twitter data: A machine learning based approach. PLoS ONE, 16(6). https://doi.org/10.1371/journal.pone.0252918
Etienne, H. y Charton, F. (2024). A mimetic approach to social influence on Instagram. Philosophy & Technology, 37(65), 1-37. https://doi.org/10.1007/s13347-024-00736-w
Fang, H., Xu, G., Long, Y. y Tang, W. (2022). An effective ELECTRA-based pipeline for sentiment analysis of tourist attraction reviews. Applied Sciences, 12(21). https://doi.org/10.3390/app122110881
Fuhse, J. A. (2015). Networks from communication. European Journal of Social Theory, 18(1), 39-59. https://doi.org/10.1177/1368431014549683
Fuhse, J. A. (2020). Theories of social networks. En R. Light y J. Moody (Eds.), The Oxford Handbook of Social Networks (pp. 34-49). Oxford University Press.
Girard, R. (1965). Desire, Deceit, and the Novel: Self and Other in Literary Structure. Johns Hopkins University Press.
Hazrati, L., Sokhandan, A. y Farzinvash, L. (2025). Improving irony speech spreaders profiling on social networks using clustering & transformer based models. Language Resources and Evaluation, 1-31. https://doi.org/10.1007/s10579-025-09815-6
Hernández Romero, D. (2023). Girard y Proust: la mediación interna. En busca del tiempo perdido. Revista Interdisciplinar De Teoría Mimética. Xiphias Gladius, 6, 83-90. https://doi.org/10.32466/eufv-xg.2023.6.727.83-90
Hoffman, B. L., Wolynn, R., Barrett, E., Manganello, J. A., Felter, E. M., Sidani, J. E., Miller E., Burke J.G., Primack B. A. y Chu, K. H. (2023). Viewer reactions to EVALI storylines on popular medical dramas: A thematic analysis of Twitter messages. Journal of Health Communication, 28(5), 282-291. https://doi.org/10.1080/10810730.2023.2201814
Iasulaitis, S., Valejo, A. D. B., Greco, B. C., Perillo, V. G., Messias, G. H. y Vicari, I. (2025). The Interfaces Twitter Elections Dataset: Construction process and characteristics of big social data during the 2022 presidential elections in Brazil. PloS one, 20(2). https://doi.org/10.1371/journal.pone.0316626
Jacob, D. y Banisch, S. (2023). Polarization in social media: A virtual worlds-based approach. Journal of Artificial Societies and Social Simulation, 26(3). http://jasss.soc.surrey.ac.uk/26/3/11.html
Kalkhoff, W., Dippong, J., Gibson, A. y Gregory, S. W. (2020). Society in Peril? How Distance Media Communication Could Be Undermining Symbolic Interaction. En R.T. Serpe, R. Stryker y B. Powell (Eds.), Identity and Symbolic Interaction (pp. 317-338). Springer, Cham. https://doi.org/10.1007/978-3-030-41231-9_12
Koltsova, E. A. y Kartashkova, F. I. (2022). Digital communication and multimodal features: Functioning of emoji in interpersonal communication. RUDN Journal of Language Studies, Semiotics and Semantics, 13(3), 769-783. https://doi.org/10.22363/2313-2299-2022-13-3-769-783
Kovaz, D., Kreuz, R. J. y Riordan, M. A. (2013). Distinguishing sarcasm from literal language: Evidence from books and blogging. Discourse Processes, 50(8), 598-615. https://doi.org/10.1080/0163853X.2013.849525
Lebreton, M., Kawa, S., Forgeot d'Arc, B., Daunizeau, J. y Pessiglione, M. (2012). Your Goal Is Mine: Unraveling Mimetic Desires in the Human Brain. Journal of Neuroscience, 32(21), 7146-7157. https://doi.org/10.1523/JNEUROSCI.4821-11.2012
Lei, J., Rahman, T., Shafik, R., Wheeldon, A., Yakovlev, A., Granmo, O. C., Kawsar, F. y Mathur, A. (2021). Low-power audio keyword spotting using tsetlin machines. Journal of Low Power Electronics and Applications, 11(2), 18. https://doi.org/10.3390/jlpea11020018
Littwin, K. y Stock, W. G. (2020). Signaling smartness: Smart cities and digital art in public spaces. Journal of Information Science Theory and Practice, 8(1), 20-32. https://doi.org/10.1633/JISTaP.2020.8.1.2
Livingston, P. (1994). What is mimetic desire? Philosophical Psychology, 7(3), 291-305. https://doi.org/10.1080/09515089408573125
Ma, Y., Deng, X., Chen, Z., Yuan, Y., Guan, S. y Guo, X. (2024). Safety and efficacy analysis of the off-label use of pipeline embolization devices for intracranial aneurysms: a propensity score matching study. Frontiers in Neurology, 14. https://doi.org/10.3389/fneur.2023.1278366
Machuco Rosa, A. (2018). Mimesis, network theory and digital social networks. Revista interdisciplinar de Teoría Mimética. Xiphias Gladius, 1, 93-111. https://doi.org/10.32466/eufv-xg.2018.1.387.93-111
Mahrukh, R., Shakil, S. y Malik, A. S. (2023). Sentiments analysis of fMRI using automatically generated stimuli labels under naturalistic paradigm. Scientific Reports, 13(1), 7267. https://doi.org/10.1038/s41598-023-33734-7
Marín-Palacios, C. (2023). Female entrepreneurship in family business: bibliographic analysis. Journal of Family Business Management, 13(3), 552-578. https://doi.org/10.1108/JFBM-04-2022-0061
Mendelson, E. A. (2023). Sensemaking and public intimacy on TikTok: How viral videos influence interpersonal relationships offline. New Media & Society, 26(12), 7081-7099. https://doi.org/10.1177/14614448231163231
Moharil, A. y Sharma, A. (2023). TABASCO: A transformer based contextualization toolkit. Science of Computer Programming, 230. https://doi.org/10.1016/j.scico.2023.102994
Monge, P. R. y Contractor, N. S. (2003). Theories of communication networks. Oxford University Press.
Noor, S., Guo, Y., Shah, S. H. H., Nawaz, M. S. y Butt, A. S. (2020). Research synthesis and thematic analysis of twitter through bibliometric analysis. International Journal on Semantic Web and Information Systems (IJSWIS), 16(3), 88-109. https://doi.org/10.4018/IJSWIS.2020070106
Peters, C. y Allan, S. (2022). Weaponizing memes: The journalistic mediation of visual politicization. Digital Journalism, 10(2), 217-229. https://doi.org/10.1080/21670811.2021.1903958
Reyes, A., Rosso, P. y Buscaldi, D. (2012). From humor recognition to irony detection: The figurative language of social media. Data & Knowledge Engineering, 74, 1-12. https://doi.org/10.1016/j.datak.2012.02.005
Richardson, F. C. y Manglos, N. D. (2013). Reciprocity and rivalry: A critical introduction to mimetic scapegoat theory. Pastoral Psychology, 62, 423-436. https://doi.org/10.1007/s11089-012-0472-x
Rodrigo, C., Gaspar, F. J., Hu, X. y Zikatanov, L. (2015). A finite element framework for some mimetic finite difference discretizations. Computers & Mathematics with Applications, 70(11), 2661-2673. https://doi.org/10.1016/j.camwa.2015.07.012
Roemer, M. K. (2007). Ritual participation and social support in a major japanese festival. Journal for the Scientific Study of Religion, 46(2), 185-200. https://doi.org/10.1111/j.1468-5906.2007.00350.x
Rothermich, K. y Pell, M. D. (2015). Introducing RISC: A New Video Inventory for Testing Social Perception. PLoS ONE, 10(7). https://doi.org/10.1371/journal.pone.0133902
da Silva, D. W. y Baldissera, R. (2021). Direcionamento da visibilidade nas mídias sociais a partir da estratégia de baralhamento / Targeting visibility on social medias from the shuffling strategy. Revista Internacional De Relaciones Públicas, 11(21), 189-206. https://doi.org/10.5783/revrrpp.v11i21.705
Sánchez Villalón, I. (2019). Etiología y naturaleza de los trastornos alimentarios desde la teoría mimética de René Girard. Revista Interdisciplinar De Teoría Mimética. Xiphias Gladius, 2, 65-81. https://doi.org/10.32466/eufv-xg.2019.2.566.65-81
Saroj, A. y Pal, S. (2024). Ensemble-based domain adaptation on social media posts for irony detection. Multimedia Tools and Applications, 83(8), 23249-23268. https://doi.org/10.1007/s11042-023-16180-5
Van Hee, C., Jacobs, G., Emmery, C., Desmet, B., Lefever, E., Verhoeven, B., De Pauw, G., Daelemans, W. y Hoste, V. (2018). Automatic detection of cyberbullying in social media text. PloS one, 13(10), e0203794. https://doi.org/10.1371/journal.pone.0203794
Wen, Z., Gui, L., Wang, Q., Guo, M., Yu, X., Du, J. y Xu, R. (2022). Sememe knowledge and auxiliary information enhanced approach for sarcasm detection. Information Processing & Management, 59(3). https://doi.org/10.1016/j.ipm.2022.102883
Wongkitrungrueng, A. y Assarut, N. (2020). The role of live streaming in building consumer trust and engagement with social commerce sellers. Journal of business research, 117, 543-556. https://doi.org/10.1016/j.jbusres.2018.08.032
Xu, G., Zhang, Z., Zhang, T., Yu, S., Meng, Y. y Chen, S. (2022). Aspect-level sentiment classification based on attention-BiLSTM model and transfer learning. Knowledge-Based Systems, 245. https://doi.org/10.1016/j.knosys.2022.108586
Zeng, W. F., Zhou, X. X., Willems, S., Ammar, C., Wahle, M., Bludau, I., Voytik, E., Strauss, M. T. y Mann, M. (2022). AlphaPeptDeep: a modular deep learning framework to predict peptide properties for proteomics. Nature Communications, 13(1), 7238. https://doi.org/10.1038/s41467-022-34904-3
Zulli, D. y Zulli, D. J. (2022). Extending the Internet meme: Conceptualizing technological mimesis and imitation publics on the TikTok platform. New Media & Society, 24(8), 1872-1890. https://doi.org/10.1177/1461444820983603
CONTRIBUCIONES DE AUTORES/AS, FINANCIACIÓN Y AGRADECIMIENTOS
Conceptualización: Paradinas Márquez, María del Carmen. Software: Marín Palacios, Cristina. Validación: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Análisis formal: Paradinas Márquez, María del Carmen. Curación de datos: Marín Palacios, Cristina. Redacción-Preparación del borrador original: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Redacción-Revisión y Edición: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Visualización: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Supervisión: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Administración de proyectos: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina. Todas las autoras han leído y aceptado la versión publicada del manuscrito: Paradinas Márquez, María del Carmen y Marín Palacios, Cristina.
Financiación: Esta investigación no recibió financiamiento externo.
AUTOR/A/ES/AS:
María del Carmen Paradinas Márquez
ESIC University/ESIC Business & Marketing School.
Licenciada en Derecho por la Universidad Autónoma de Madrid (1996). Máster en Dirección de Recursos Humanos y Relaciones Laborales por la Universidad Camilo José Cela de Madrid (2016) y Doctora en Turismo por la Universidad Rey Juan Carlos de Madrid con mención Cum Laude (2021). Un sexenio. Abogada con más de 20 años de ejercicio profesional. Mediadora. Docente en ESIC University en los Departamentos de Humanidades y de Dirección de Empresas. Imparte Historia de las Instituciones Españolas y diversas asignaturas de Derecho (civil, mercantil, y laboral) en Grados Oficiales, así como relaciones sociolaborales y gestión de conflictos en el Máster Universitario en Dirección de Personas y Desarrollo Organizativo y en el MBA. Directora del departamento académico de prácticas externas y Vicerrectora de Calidad.
carmen.paradinas@esic.university
Índice H: 4
Orcid ID: https://orcid.org/0000-0001-6154-9556
Google Scholar: https://scholar.google.es/citations?user=M0IKBHQAAAAJ&hl=es
ResearchGate: https://www.researchgate.net/profile/Carmen-Paradinas-Marquez
Academia.edu: https://independent.academia.edu/CarmenParadinasM%C3%A1rquez
Cristina Marín Palacios
ESIC University.
Profesora Contratada Doctor acreditada por ANECA en Métodos Cuantitativos para la Economía y la Empresa, con un Sexenio de Investigación. Licenciada en Matemáticas (UCM), Doctora en Economía de la Empresa (URJC), Máster en Ciencia y Tecnología Informática (UC3M) y en Gestión Comercial (URJC). Mi investigación aborda el análisis de datos y modelos matemáticos aplicados a la ética, el comportamiento social, el género, la discapacidad, el empleo, y la educación en marketing y economía. Actualmente profesora de Informática en Inteligencia Artificial en ESIC University y directora del departamento académico de Informática y Nuevas Tecnologías en dicha universidad.
cristina.marin@esic.university
Índice H: 6
Orcid ID: https://orcid.org/0000-0002-4631-1811
Google Scholar: https://scholar.google.es/citations?user=8vsV85IAAAAJ&hl=es
ResearchGate: https://www.researchgate.net/profile/Cristina-Marin-Palacios