Los Datos de X en la Investigación Científica: Tendencias y Desafíos

Lucía Rivadeneira; Ignacio Loor

doi:10.4185/rlcs-2025-2418

Autores/as

Lucía Rivadeneira Universidad Técnica de Manabí https://orcid.org/0000-0001-5989-7703
Ignacio Loor Universidad Técnica de Manabí https://orcid.org/0000-0003-4806-1032

DOI:

https://doi.org/10.4185/rlcs-2025-2418

Palabras clave:

redes sociales, X, tendencias, investigación, Twitter

Resumen

Introducción: El crecimiento de las redes sociales, especialmente X (antes Twitter), ha impulsado la investigación científica, destacándose como fuente valiosa de datos. Esta revisión analiza los factores clave que han favorecido su uso, las tendencias futuras y los desafíos para los investigadores. Metodología: La revisión, basada en una búsqueda sistemática en Scopus, adoptó un mapeo temático para identificar aplicaciones interdisciplinarias, innovaciones metodológicas y el impacto de eventos globales, con énfasis en el procesamiento del lenguaje natural (PLN) para el análisis de datos. Resultados: El PLN creció un 268% entre 2019 y 2023, consolidándose como herramienta clave. Sin embargo, entre 2021 y 2023 se observó una desaceleración en publicaciones basadas en X, mientras que Instagram y TikTok crecieron. X sigue siendo la plataforma más usada, aunque las restricciones de datos y el auge de nuevas plataformas podrían haber influido. Conclusiones: La investigación señala la necesidad de desarrollar técnicas de análisis más sofisticadas, integrar estándares éticos sobre privacidad y consentimiento, y fomentar enfoques interdisciplinarios en el uso de datos de redes sociales.

Descargas

Biografía del autor/a

Lucía Rivadeneira, Universidad Técnica de Manabí

Lucía Rivadeneira es doctora en Administración y Negocios por la Universidad de Manchester, Reino Unido; tiene una maestría en Sistemas de Información por la Universidad Tecnológica de Nanyang, Singapur, y es ingeniera de Sistemas por la Universidad Técnica de Manabí, Ecuador. Actualmente es docente e investigadora en la Facultad de Ciencias Informáticas de la Universidad Técnica de Manabí, donde se especializa en el análisis de datos de redes sociales para modelar fenómenos sociales. Sus áreas de interés incluyen inteligencia artificial, aprendizaje automático, análisis de datos no estructurados, análisis de sentimiento, análisis de redes sociales y modelos de clasificación y optimización.

Ignacio Loor, Universidad Técnica de Manabí

Ignacio Loor es doctor en Geografía Humana por la Universidad de Manchester, Reino Unido; tiene una maestría en Negocios Internacionales por Nova Southeastern University, Estados Unidos, y es economista por la Universidad Católica Santiago de Guayaquil, Ecuador. Actualmente se desempeña como investigador en urbanismo y desarrollo sostenible y como Vicedecano de Investigación de la Facultad de Ciencias Humanísticas y Sociales en la Universidad Técnica de Manabí, Ecuador. Sus áreas de interés incluyen la infraestructura de asentamientos informales, la infraestructura verde, la organización social de comunidades informales, las prácticas informales y la transición hacia emisiones netas cero de carbono.

Citas

Asur, S. y Huberman, B. A. (2010). Predicting the future with social media. HP Laboratories Technical Report, 53. Scopus. https://acortar.link/295pNj DOI: https://doi.org/10.1109/WI-IAT.2010.63

Blank, G. (2017). The Digital Divide Among Twitter Users and Its Implications for Social Research. Social Science Computer Review, 35(6), 679-697. https://doi.org/10.1177/0894439316671698 DOI: https://doi.org/10.1177/0894439316671698

Bluemke, E., Collins, T., Garfinkel, B. y Trask, A. (2023). Exploring the relevance of data Privacy-Enhancing technologies for AI governance use cases. arXiv preprint arXiv:2303.08956. https://doi.org/10.48550/ARXIV.2303.08956

Budiharto, W. y Meiliana, M. (2018). Prediction and analysis of Indonesia Presidential election from Twitter using sentiment analysis. Journal of Big Data, 5(1). https://doi.org/10.1186/s40537-018-0164-1 DOI: https://doi.org/10.1186/s40537-018-0164-1

Cvetojevic, S. y Hochmair, H. H. (2018). Analyzing the spread of tweets in response to Paris attacks. Computers, Environment and Urban Systems, 71, 14-26. https://doi.org/10.1016/j.compenvurbsys.2018.03.010 DOI: https://doi.org/10.1016/j.compenvurbsys.2018.03.010

de Vreese, C. y Tromble, R. (2023). The Data Abyss: How Lack of Data Access Leaves Research and Society in the Dark. Political Communication, 40(3), 356-360. https://doi.org/10.1080/10584609.2023.2207488 DOI: https://doi.org/10.1080/10584609.2023.2207488

Dixon, S. J. (13 de septiembre de 2023). U.S. annual X/Twitter growth 2025. Statista. https://www.statista.com/statistics/238729/twitters-annual-growth-rate-in-the-us/

Efanova, E. V. (2023). Twitter diplomacy in shaping the foreign policy agenda of the United States of America during the presidency of D. Trump. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 4. Istoriya. Regionovedenie. Mezhdunarodnye otnosheniya, 28(3), 97-103. https://doi.org/10.15688/jvolsu4.2023.3.9 DOI: https://doi.org/10.15688/jvolsu4.2023.3.9

Fütterer, T., Fischer, C., Alekseeva, A., Chen, X., Tate, T., Warschauer, M. y Gerjets, P. (2023). ChatGPT in education: Global reactions to AI innovations. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-42227-6 DOI: https://doi.org/10.1038/s41598-023-42227-6

Ghosh, S., Fernandez, J. M. Z., González, I. Z., Calle, A. M. y Shaghaghi, N. (2023). Detecting Fake News Spreaders on Twitter Through Follower Networks. En R. Hou, H. Huang, D. Zeng, G. Xia, K. K. A. Ghany y H. M. Zawbaa (Eds.), Big Data Technologies and Applications. BDTA BDTA 2022 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering (Vol. 480, pp. 181-195). Springer, Cham. https://doi.org/10.1007/978-3-031-33614-0_13 DOI: https://doi.org/10.1007/978-3-031-33614-0_13

Henry, D., Stattner, E. y Collard, M. (2018). Information Propagation Routes between Countries in Social Media. En Companion Proceedings of the The Web Conference 2018 (WWW '18) (pp. 1295-1298). International World Wide Web Conferences Steering Committee. https://doi.org/10.1145/3184558.3191569 DOI: https://doi.org/10.1145/3184558.3191569

Hu, T., Wang, S., Luo, W., Zhang, M., Huang, X., Yan, Y., Liu, R., Ly, K., Kacker, V., She, B. y Li, Z. (2021). Revealing public opinion towards covid-19 vaccines with twitter data in the united states: Spatiotemporal perspective. Journal of Medical Internet Research, 23(9). https://doi.org/10.2196/30854 DOI: https://doi.org/10.2196/30854

Ioannides, G., Jadhav, A., Sharma, A., Navali, S. y Black, A. W. (2023). Compressed models for co-reference resolution: Enhancing efficiency with debiased word embeddings. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-45677-0 DOI: https://doi.org/10.1038/s41598-023-45677-0

Kim, A. E., Hansen, H. M., Murphy, J., Richards, A. K., Duke, J. y Allen, J. A. (2013). Methodological considerations in analyzing twitter data. Journal of the National Cancer Institute - Monographs, 47, 140-146. https://doi.org/10.1093/jncimonographs/lgt026 DOI: https://doi.org/10.1093/jncimonographs/lgt026

Maci, S., Demata, M., McGlashan, M. y Seargeant, P. (Eds.). (2024). The Routledge handbook of discourse and disinformation. Routledge. DOI: https://doi.org/10.4324/9781003224495

Mao, Y., Menchen-Trevino, E. y Cronin, J. (2023). Communicating environmental issues across media: An exploration of international news flows between twitter and traditional media. Journal of International Communication, 29(1), 39-61. https://doi.org/10.1080/13216597.2022.2149605 DOI: https://doi.org/10.1080/13216597.2022.2149605

Mazhar, K. y Dwivedi, P. (2024). Decoding the black box: LIME-assisted understanding of Convolutional Neural Network (CNN) in classification of social media tweets. Social Network Analysis and Mining, 14(1), 133. https://doi.org/10.1007/s13278-024-01297-8 DOI: https://doi.org/10.1007/s13278-024-01297-8

McLachlan, S. (7 de mayo de 2024). 19 X (Twitter) Demographics for Marketers in 2024. Hootsuite. https://blog.hootsuite.com/twitter-demographics/?utm_source=chatgpt.com

Nellore, N., Zimmer, M. y Apostol, B. (2023). Updating the Topology of Twitter Research: Towards A Systematic Review of Twitter Research from 2013-2022. En Companion Proceedings of the 2023 ACM International Conference on Supporting Group Work (GROUP '23) (pp. 4-5). Association for Computing Machinery. https://doi.org/10.1145/3565967.3570972 DOI: https://doi.org/10.1145/3565967.3570972

Nguyen, H.-D., Nguyen, D. Q., Nguyen, C.-D., To, P. T., Nguyen, D. H., Nguyen-Gia, H., Tran, L. H., Tran, A. Q., Dang-Hieu, A., Nguyen-Duc, A. y Quan, T. (2024). Supervised learning models for social bot detection: Literature review and benchmark. Expert Systems with Applications, 238. https://doi.org/10.1016/j.eswa.2023.122217 DOI: https://doi.org/10.1016/j.eswa.2023.122217

Dersan Orhan, D. (2021). Making Foreign Policy Through Twitter: An Analysis of Trump's Tweets on Iran. En E. Esiyok (Ed.), Handbook of Research on New Media Applications in Public Relations and Advertising (pp. 380-394). IGI Global Scientific Publishing. https://doi.org/10.4018/978-1-7998-3201-0.ch022 DOI: https://doi.org/10.4018/978-1-7998-3201-0.ch022

Pagolu, V. S., Reddy, K. N., Panda, G. y Majhi, B. (2017). Sentiment analysis of Twitter data for predicting stock market movements. En 2016 International Conference on Signal Processing, Communication, Power and Embedded System (SCOPES) (pp. 1345-1350). IEEE. https://doi.org/10.1109/SCOPES.2016.7955659 DOI: https://doi.org/10.1109/SCOPES.2016.7955659

Raja, H., Ilyas, M. U., Saleh, S., Liu, A. X. y Radha, H. (2016). Detecting national political unrest on Twitter. En 2016 IEEE International Conference on Communications (ICC) (pp. 1-7). https://doi.org/10.1109/ICC.2016.7511393 DOI: https://doi.org/10.1109/ICC.2016.7511393

Rangel, F., Giachanou, A., Ghanem, B. y Rosso, P. (2020). Overview of the 8th Author Profiling Task at PAN 2020: Profiling Fake News Spreaders on Twitter. En CEUR workshop proceedings (Vol. 2696, pp. 1-18). Sun SITE Central Europe. https://acortar.link/RAgq5H

Rivadeneira, L. (2023). Análisis del comportamiento de decisión usando datos de Twitter: Una revisión de la literatura. Revista Ibérica de Sistemas e Tecnologias de Informação, E61, 307-321. https://acortar.link/kzucCg

Schroeder, R. y Cowls, J. (2019). Big Data Approaches to the Study of Digital Media. En J. Hunsinger, M. Allen y L. Klastrup (Eds.), Second International Handbook of Internet Research (pp. 957-977). https://doi.org/10.1007/978-94-024-1555-1_13 DOI: https://doi.org/10.1007/978-94-024-1555-1_13

Sinnenberg, L., Buttenheim, A. M., Padrez, K., Mancheno, C., Ungar, L. y Merchant, R. M. (2017). Twitter as a tool for health research: A systematic review. American Journal of Public Health, 107(1), e1-e8. https://doi.org/10.2105/AJPH.2016.303512 DOI: https://doi.org/10.2105/AJPH.2016.303512

Soaita, A. M., Serin, B. y Preece, J. (2020). A methodological quest for systematic literature mapping. International Journal of Housing Policy, 20(3), 320-343. https://doi.org/10.1080/19491247.2019.1649040 DOI: https://doi.org/10.1080/19491247.2019.1649040

Steinert-Threlkeld, Z. C. (2018). Twitter as data. Cambridge University Press. https://doi.org/10.1017/9781108529327 DOI: https://doi.org/10.1017/9781108529327

Wang, Z., Lam, N. S. N., Obradovich, N. y Ye, X. (2019). Are vulnerable communities digitally left behind in social responses to natural disasters? An evidence from Hurricane Sandy with Twitter data. Applied Geography, 108, 1-8. https://doi.org/10.1016/j.apgeog.2019.05.001 DOI: https://doi.org/10.1016/j.apgeog.2019.05.001

Weller, K. (2014). What do we get from twitter- and what not? A close look at twitter research in the social sciencest. Knowledge Organization, 41(3), 238-248. https://doi.org/10.5771/0943-7444-2014-3-238 DOI: https://doi.org/10.5771/0943-7444-2014-3-238

Yu, J. y Muñoz-Justicia, J. (2022). Free and Low-Cost Twitter Research Software Tools for Social Science. Social Science Computer Review, 40(1), 124-149. https://doi.org/10.1177/0894439320904318 DOI: https://doi.org/10.1177/0894439320904318

Yuan, Y. (2017). Modeling inter-country connection from geotagged news reports: A time-series analysis. En Y. Tan, H. Takagi y Y. Shi (Eds.) Data Mining and Big Data. DMBD 2017. Lecture Notes in Computer Science (Vol. 10387, pp.183-190). Springer, Cham. https://doi.org/10.1007/978-3-319-61845-6_19 DOI: https://doi.org/10.1007/978-3-319-61845-6_19

Zou, Y. y Herremans, D. (2023). PreBit — A multimodal model with Twitter FinBERT embeddings for extreme price movement prediction of Bitcoin. Expert Systems with Applications, 233. https://doi.org/10.1016/j.eswa.2023.120838 DOI: https://doi.org/10.1016/j.eswa.2023.120838