Socioeconomic Determinants of the COVID-19 Infodemic

Resumen Técnico: Determinantes Socioeconómicos de las Infodemias del COVID-19

Planteamiento del Problema
La pandemia de COVID-19 fue acompañada por una "infodemia": un exceso de información, tanto precisa como inexacta, que obstaculizó las respuestas de salud pública efectivas. Si bien la investigación temprana a menudo atribuyó la dinámica de la desinformación a factores tecnológicos (por ejemplo, la amplificación algorítmica) o comportamientos a nivel individual, existe una escasez de investigación empírica que examine sistemáticamente la relación entre conjuntos integrales de indicadores socioeconómicos y la vulnerabilidad a las infodemias en múltiples naciones. La literatura existente se centra frecuentemente en países individuales o factores aislados en lugar de condiciones estructurales, lo que deja un vacío en la comprensión de cómo las características sociales más amplias influyen en el entorno informativo de una nación durante una crisis global. Este estudio aborda la necesidad de comprender cómo las infodemias se insertan dentro de contextos socioeconómicos complejos y cómo estas relaciones evolucionan a lo largo del tiempo.

Metodología
El estudio analizó datos de 37 países de la OCDE (excluyendo a Luxemburgo debido a la falta de índices) durante el periodo 2020–2022. La metodología integró tres flujos de datos primarios y técnicas analíticas:

1. Métricas de Riesgo de Infodemia: Utilizando la Plataforma de Infodemia de COVID-19, los autores analizaron mensajes de Twitter (X) que contenían URLs. Las clasificaciones de fiabilidad se derivaron de MediaBiasFactCheck. Se emplearon tres métricas específicas:

   • Índice de Riesgo de Infodemia (IRI): La relación entre la exposición a noticias no fiables frente a la exposición total ($E_U / (E_U + E_R)$).
   • Índice Dinámico de Riesgo de Infodemia: La probabilidad de interacción del usuario (retweets, respuestas, citas) con fuentes no fiables.
   • Índice de Falta de Fiabilidad de las Noticias: La proporción de enlaces no fiables en el total de tweets.
   • Volatilidad: Calculada como la desviación estándar del IRI a lo largo del tiempo, ajustada por el volumen de tweets para asegurar la comparabilidad transnacional.

2. Indicadores Socioeconómicos: Se compiló un conjunto de datos de 20 indicadores, que cubrían la calidad democrática, las libertades civiles, la estabilidad social, la prosperidad económica, el nivel educativo, el bienestar social, la confianza institucional, la libertad de prensa, la participación digital, la estructura demográfica, la cohesión social y la desigualdad económica.

3. Técnicas Analíticas:

   • Reducción de Dimensionalidad: Se utilizó la Aproximación y Proyección de Variedad Uniforme (UMAP) para visualizar datos socioeconómicos de alta dimensión e identificar estructuras subyacentes y grupos de países.
   • Clustering: Se aplicó el agrupamiento de K-means a la evolución temporal de los índices de riesgo de infodemia para identificar perfiles de países distintos.
   • Análisis de Correlación: El Análisis de Componentes Principales (PCA) redujo los indicadores socioeconómicos a un proxy compuesto. Se calcularon correlaciones de Spearman entre este proxy (y las dimensiones de UMAP) y las métricas de infodemia a lo largo del tiempo.
   • Diversidad de la Dieta de Medios de Noticias: Medida mediante la entropía de Shannon ($S_{unc}$) de los dominios web compartidos para cuantificar la heterogeneidad del consumo de noticias.

Resultos Clave
El análisis reveló relaciones complejas y multidimensionales entre los factores socioeconómicos y la dinámica de las infodemias:

• Agrupamiento Socioeconómico: La visualización UMAP demostró que los países se agrupan basándose en similitudes institucionales y culturales profundas (por ejemplo, naciones escandinavas/centroeuropeas frente al anglosfera frente a naciones sudamericanas) en lugar de una simple proximidad geográfica. Crucialmente, los indicadores de polarización social y política formaron una dimensión distinta, separada de las métricas tradicionales de desarrollo como el PIB o la educación, lo que sugiere que la polarización puede variar independientemente del desarrollo económico.
• Patrones Temporales de la Infodemia: El agrupamiento de series temporales de IRI mediante K-means identificó dos grupos de países distintos. Un grupo (9 países, incluyendo Bélgica, Francia y Turquía) exhibió un pico pronunciado en el riesgo de infodemia a principios de 2021, coincidiendo con el despliegue de las vacunas, mientras que el otro grupo mantuvo perfiles de riesgo estables. Esto sugiere que la vulnerabilidad a la infodemia sigue patrones no reducibles a las categorías convencionales de desarrollo.
• Correlaciones Evolutivas: La relación entre los factores socioeconómicos y las medidas de infodemia cambió con el tiempo. En 2020, los factores socioeconómicos se correlacionaron fuertemente con el riesgo dinámico y la falta de fiabilidad (interacción de contenido). Para 2021, la correlación se desplazó hacia el Índice de Riesgo de Infodemia general, indicando que, a medida que la crisis se volvió crónica, las características estructurales estables se volvieron más determinantes de la calidad de la información que los comportamientos dinámicos iniciales.
• Papel Protector de la Diversidad de Medios: Se encontró una correlación positiva robusta entre la diversidad de las dietas de medios de noticias (entropía de Shannon) y las dimensiones socioeconómicas asociadas con instituciones democráticas fuertes y educación. Esta relación fue particularmente fuerte para la diversidad de noticias políticas, sugiriendo que los ecosistemas de información pluralistas actúan como un factor protector contra la desinformación.
• Estabilidad Institucional y Volatilidad: Se observó una correlación negativa significativa entre la volatilidad de la infodemia y la segunda dimensión del espacio UMAP socioeconómico (que representa la calidad institucional y el entorno mediático). Los países con marcos institucionales más sólidos experimentaron paisajes informativos más estables, y este efecto estabilizador se intensificó con el tiempo (la correlación se fortaleció de -0.30 en 2020 a -0.43 en 2021).

Significancia y Contribuciones
El artículo afirma avanzar en la comprensión teórica de las infodemias al ir más allá de las explicaciones tecnológicas o de nivel individual hacia un marco donde los trastornos de la información están profundamente integrados en las estructuras socioeconómicas.

• Contribución Teórica: El estudio desafía la noción de que la vulnerabilidad a la información es una función simple del desarrollo económico o las instituciones democráticas. En su lugar, postula que las infodemias surgen de interacciones complejas entre sistemas tecnológicos, estructuras sociales y arreglos institucionales. La identificación de la polarización como una dimensión independiente del desarrollo social ayuda a explicar por qué las naciones con perfiles económicos similares pueden exhibir riesgos de infodemia muy diferentes.
• Dinámicas Temporales: La investigación destaca que la relación entre las condiciones sociales y los entornos informativos no es estática; evoluciona a través de diferentes fases de una crisis. Las respuestas iniciales están dominadas por comportamientos informativos dinámicos, mientras que las etapas posteriores están moldeadas por condiciones socioeconómicas estables.
• Implicaciones de Política: Los hallazgos sugieren que las intervenciones efectivas deben ser dependientes del contexto y adaptativas. El fuerte vínculo entre el pluralismo de medios y la reducción del riesgo respalda políticas que fomenten ecosistemas de medios diversos y la exposición transversal. Además, la correlación entre la estabilidad institucional y la reducción de la volatilidad subraya la importancia de las inversiones a largo plazo en la confianza y los marcos institucionales, en lugar de centrarse únicamente en medidas reactivas.

Los autores mantienen una postura modesta, reconociendo que su análisis transversal limita la inferencia causal y que la dependencia de los datos de Twitter introduce sesgos demográficos. Plantean sus resultados como una base para predicciones verificables y futuros estudios longitudinales, en lugar de pruebas causales definitivas.