Desinformación y vacunas en redes: Comportamiento de los bulos en Twitter

José Manuel Noguera Vivo; María del Mar Grandío-Pérez; Guillermo Villar-Rodríguez; Alejandro Martín; David Camacho

doi:10.4185/RLCS-2023-1820

Autores/as

José Manuel Noguera Universidad Católica de Murcia https://orcid.org/0000-0002-7189-7017
María del Mar Grandío-Pérez Universidad de Murcia https://orcid.org/0000-0002-2577-4059
Guillermo Villar-Rodríguez Universidad Politécnica de Madrid https://orcid.org/0000-0001-7942-2879
Alejandro Martín Universidad Politécnica de Madrid https://orcid.org/0000-0002-0800-7632
David Camacho Universidad Politécnica de Madrid https://orcid.org/0000-0002-5051-3475

DOI:

https://doi.org/10.4185/RLCS-2023-1820

Palabras clave:

desinformación, bulos, vacunas, Twitter, inteligencia artificial, información de salud, España

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.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

José Manuel Noguera, Universidad Católica de Murcia

Profesor Titular en la Universidad Católica de Murcia (UCAM), donde es investigador del área de Periodismo y dirige el departamento de Ciencias de la Comunicación. En esta misma institución, es el Investigador Principal del grupo de investigación “Comunicación, Política e Imagen”. Con más de medio de centenar de publicaciones sobre periodismo digital, participación y redes sociales, su investigación se centra en la intersección entre medios, tecnología y sociedad. Ha sido becario postdoctoral en The University of British Columbia (Vancouver, Canadá), así como investigador invitado en varias universidades y congresos. En la actualidad es el responsable en España de la Online News Association (ONA). Entre sus últimas publicaciones, cabe destacar el libro Hate Speech and Polarization in Participatory Society (Routledge, 2022).

María del Mar Grandío-Pérez, Universidad de Murcia

Profesora Titular de la Universidad Murcia, forma parte del Comité de Gestión español de la Acción COST europea INDCOR (Interactive Narrative Design for Complexity Representations, 2019-2023), como también lo fue con anterioridad de otra COST, Transforming Audiences, Transforming Societies (2010-2014). Premio de Transferencia del Conocimiento de la Universidad de Murcia en 2017, ha realizado estancias de investigación en University of Missouri, University of California, University of Maryland y Georgetown, entre otras instituciones. Sus líneas de investigación se centran en los contenidos de entretenimiento y los estudios de audiencias, teniendo publicaciones científicas en revistas como The International Journal of Audience Research o Media Studies, entre otras.

Guillermo Villar-Rodríguez, Universidad Politécnica de Madrid

Investigador de posgrado asociado al proyecto sobre desinformación CIVIC (Caracterización Inteligente de la Veracidad de la Información sobre COVID) y doctorando dentro del área de computación en la Universidad Politécnica de Madrid. Tras obtener un máster propio en periodismo de datos, realizó estancias en el LAB de RTVE y en el diario El País, donde consolidó su especialización en el área. Premio Extraordinario de carrera en Periodismo, cursó un máster oficial de ciencia de datos y sociedad en Países Bajos para llevar las técnicas computacionales al ejercicio periodístico. Sus últimas publicaciones analizan las prácticas de verificación automatizadas mediante procesamiento del lenguaje natural y las formas de producción y difusión de los bulos alrededor de la COVID-19 en Twitter.

Alejandro Martín, Universidad Politécnica de Madrid

Profesor Ayudante Doctor de la Universidad Politécnica de Madrid, sus principales áreas de interés son el aprendizaje profundo, el lenguaje modelado, la ciberseguridad y el procesamiento de lenguajes naturales (natural language processing). Ha sido investigador invitado en la Universidad de Kent (Reino Unido) y en la Universidad de Córdoba. Además de conferenciante, revisor y organizador de numerosos congresos internacionales, es el Investigador Principal del proyecto Caracterización Inteligente de la Veracidad de la Información relacionada con la COVID-19 (CIVIC), financiado por la Fundación BBVA dentro de la convocatoria para equipos de investigación sobre SARS-CoV-2 y COVID-19 (2021-2022). Ha publicado en revistas como Communication & Society, Information Fusion o Applied Soft Computing, entre otras.

David Camacho, Universidad Politécnica de Madrid

Catedrático del departamento de Sistemas Informáticos de la Universidad Politécnica de Madrid e Investigador Principal del grupo de investigación Applied Intelligence and Data Analysis Group (AIDA). Sus principales áreas de interés son la desinformación, el análisis de redes sociales, minería de datos, Machine Learning o inteligencia artificial, en particular el área específica de la inteligencia de enjambre (swarm intelligence). Entre artículos, libros y conferencias, acredita más de 300 publicaciones. Ha publicado en revistas científicas como The Journal of Supercomputing, Information Fusion o The Journal of Ambient Intelligence and Humanized Computing. Es parte del comité español de gestión de la Acción COST europea INDCOR (Interactive Narratives for Complexity Representations).

Citas

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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.2196/preprints.25143

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 DOI: https://doi.org/10.1609/icwsm.v11i1.14918

Granovetter, M. S. (1973). The strength of weak ties. American journal of sociology, 78(6), 1360-1380. https://bit.ly/3sD5AgO DOI: https://doi.org/10.1086/225469

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 DOI: 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 DOI: https://doi.org/10.1007/978-3-030-91608-4_31

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 DOI: https://doi.org/10.4269/ajtmh.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 DOI: https://doi.org/10.1016/j.bushor.2011.01.005

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 DOI: 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 DOI: 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 DOI: https://doi.org/10.2196/preprints.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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1016/j.knosys.2022.109265

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 DOI: 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 DOI: 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 DOI: https://doi.org/10.4324/9781003109891

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 DOI: 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 DOI: 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 DOI: https://doi.org/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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1177/0270467610380011

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 DOI: https://doi.org/10.1056/NEJMoa1912514