💬 NLP

Coping in Crisis: Computational Modeling of Coping Styles in Digital Crisis Discourse During the 2023 Turkiye Earthquake

Este estudio utiliza un clasificador BERTurk multilabel en más de un millón de tuits en turco para demostrar que la teoría del afrontamiento de Lazarus y Folkman puede operacionalizarse de manera fiable en datos de crisis digitales en tiempo real, revelando trayectorias temporales distintas de los estilos de afrontamiento centrados en el problema, centrados en la emoción y de búsqueda de sentido durante el terremoto de Turquía de 2023.

Autores originales: Şevval Çakıcı

Publicado 2026-06-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Şevval Çakıcı

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que una tormenta masiva y caótica golpea una ciudad. En los viejos tiempos, si los investigadores querían saber cómo la gente estaba lidiando con el desastre, tenían que esperar semanas o meses. Se sentaban con los sobrevivientes en una habitación tranquila y preguntaban: "¿Cómo se sintió? ¿Cómo lo afrontó?". Pero la memoria es engañosa; para cuando las personas responden, ya han reescrito sus propias historias en sus cabezas.

Este artículo trata sobre un tipo diferente de investigación. En lugar de esperar, los investigadores observaron lo que la gente escribía mientras la tormenta aún rugía. Analizaron más de un millón de tweets publicados en el periodo inmediatamente posterior al terremoto de febrero de 2023 en Turquía. Piensen en estos tweets no como ventanas perfectas hacia las almas de las personas, sino como un gigante "monitor de latidos" en tiempo real para una sociedad en estado de shock.

Aquí está el desglose de lo que encontraron, utilizando analogías simples:

1. Las tres formas en que la gente "afrontó" (El kit de herramientas)

Los investigadores utilizaron una teoría llamada "Teoría del Afrontamiento" (Coping Theory) para clasificar los tweets en tres cubos principales. Imaginen que las personas tienen un kit de herramientas mentales, y sacan diferentes herramientas dependiendo de la etapa de la crisis:

La herramienta de "Arreglar" (Enfocada en el problema): Esta es para cuando necesitas resolver un rompecabezas. En los tweets, esto se veía como compartir coordenadas de rescate, preguntar "¿Dónde está el hospital más cercano?", o coordinar la ayuda.
La herramienta de "Sentir" (Enfocada en la emoción): Esta es para cuando el rompecabezas aún no puede resolverse, así que necesitas gestionar tus sentimientos. Estos tweets estaban llenos de duelo, oraciones, "te extraño", o expresiones de miedo y tristeza.
La herramienta de "Por qué" (Búsqueda de sentido): Esta es para cuando intentas encontrarle sentido al caos. Estos tweets preguntaban: "¿Por qué pasó esto?" o "¿Quién tiene la culpa?". Buscaban una historia o una lección moral para explicar la tragedia.

2. El traductor de computadoras (El bibliotecario robot)

Para leer un millón de tweets, los investigadores no podían hacerlo a mano. Construyeron un programa de computadora especial (un modelo "BERTurk") entrenado para actuar como un bibliotecario superrápido.

Le enseñaron a este bibliotecario mostrándole 500 ejemplos de tweets y diciéndole qué "herramienta" (Arreglar, Sentir o Por qué) utilizaba cada uno.
Una vez entrenado, el bibliotecario podía leer el millón de tweets restantes en segundos.
El Resultado: El bibliotecario entrenado en turco era mucho mejor entendiendo el lenguaje local y la jerga que un robot genérico e internacional de "talla única". Cumplió con su labor con una alta precisión.

3. La historia del mes (La línea de tiempo)

Cuando observaron cómo se usaban las "herramientas" a lo largo de 30 días, vieron un patrón muy claro y predecible, como el cambio de estaciones tras un desastre:

Días 1–3 (La urgencia): La herramienta de "Arreglar" fue la más utilizada. La gente estaba frenética, compartiendo ubicaciones y pidiendo ayuda. Era pura supervivencia.
Días 4–7 (El cambio): A medida que la urgencia inmediata del rescate disminuía, los tweets de "Arreglar" cayeron drásticamente. Los tweets de "Sentir" comenzaron a aumentar. La gente empezó a procesar el duelo.
Semanas 2–4 (La meseta y la búsqueda): Los tweets de "Sentir" se estabilizaron (la gente seguía triste y de duelo). Pero la herramienta de "Por qué" comenzó a subir de forma constante. La gente empezó a hacer preguntas difíciles sobre por qué los edificios se cayeron y quién era el responsable.

4. La conexión con la ira

Uno de los hallazgos más interesantes fue sobre la ira.
Los investigadores descubrieron que cuando la gente sentía ira, rara vez utilizaba la herramienta de "Arreglar". En cambio, la ira estaba fuertemente vinculada a la herramienta de "Por qué".

La Analogía: Piensen en la ira no como un combustible para la acción práctica (como excavar entre los escombros), sino como un reflector. Cuando la gente estaba enojada, usaba esa energía para iluminar la culpa y la rendición de cuentas. No solo preguntaban "¿Cómo ayudamos?", sino que preguntaban "¿Quién rompió las reglas que permitieron que esto sucediera?".

5. Por qué esto es importante (La conclusión práctica)

El artículo sugiere que si podemos leer este "latido" en tiempo real, podemos ayudar mejor a la gente.

Si una población está usando mayoritariamente la herramienta de "Arreglar", necesita información, mapas y coordinación.
Si están usando mayoritariamente la herramienta de "Sentir", necesitan espacio para el duelo, reconocimiento de su dolor y apoyo emocional.
Si están cambiando hacia la herramienta de "Por qué", buscan transparencia y respuestas sobre la responsabilidad.

La Conclusión Final:
Este estudio demuestra que podemos usar las computadoras para entender cómo una sociedad procesa el trauma en tiempo real. Muestra que, incluso en un entorno caótico y polarizado, las respuestas humanas ante un desastre siguen un ritmo predecible. Al comprender qué "herramienta" está usando una comunidad en cualquier momento dado, los trabajadores humanitarios y los líderes pueden dejar de adivinar y empezar a responder exactamente a lo que la gente necesita en ese momento.

Resumen Técnico: Afrontamiento en la Crisis: Modelado Computacional de Estilos de Afrontamiento en el Discurso de Crisis Digital durante el Terremoto de 2023 en Turquía

Planteamiento del Problema
La investigación tradicional sobre el afrontamiento psicológico durante los desastres se basa en autoinformes retrospectivos (p. ej., encuestas, entrevistas) administrados semanas después de un evento. Este enfoque sufre de sesgos de reconstrucción de la memoria y no logra capturar la dinámica psicológica en tiempo real bajo estrés real. Si bien las redes sociales ofrecen un registro masivo y con marca de tiempo de la respuesta pública, los enfoques computacionales existentes se han centrado predominantemente en datos en inglés y no han operacionalizado sistemáticamente teorías psicológicas establecidas, como la teoría del afrontamiento de Lazarus y Folkman (1984), para contextos de bajos recursos y no anglófonos. Además, la interacción específica entre el trauma colectivo y la polarización política en el discurso de crisis permanece poco explorada en la ciencia social computacional.

Metodología
El estudio utiliza un corpus de 1,037,663 tweets originales en lengua turca publicados entre el 6 de febrero y el 6 de marzo de 2023, tras el terremoto de Turquía. Los datos fueron obtenidos del corpus Politus, filtrados por palabras clave relacionadas con el desastre, y divididos en cuatro fases de crisis motivadas teóricamente: Urgencia (Días 1–3), Culpa (Días 4–7), Duelo (Semanas 2–3) y Búsqueda de Sentido (Semana 4+).

La contribución metodológica central es el desarrollo de un pipeline de clasificación multietiqueta utilizando BERTurk (un modelo BERT-base preentrenado en un gran corpus turco).

Anotación: Una muestra aleatoria estratificada de 500 tweets fue anotada para tres estilos de afrontamiento derivados de Lazarus y Folkman (1984): centrado en el problema, centrado en la emoción y búsqueda de sentido. Una cuarta categoría, evitación, fue excluida debido a una concordancia inter-anotador casi nula ( $\kappa = 0.021$ ).
Entrenamiento: El conjunto de datos de 500 tweets se dividió en conjuntos de entrenamiento (70%), desarrollo (15%) y prueba (15%). El modelo BERTurk fue ajustado para la clasificación de secuencias multietiqueta mediante activación sigmoide y pérdida de entropía cruzada binaria.
Línea Base: El rendimiento se comparó contra una línea base de cero disparos (zero-shot) utilizando mDeBERTa (un modelo multilingüe), donde las categorías de afrontamiento se definieron mediante hipótesis de lenguaje natural.
Análisis: El clasificador entrenado se aplicó al corpus completo para rastrear la dinámica temporal. Se computaron correlaciones de rango de Spearman entre los estilos de afrontamiento y las métricas de interacción (likes, retweets) y las puntuaciones de emoción precomputadas (ira, miedo, tristeza, etc.) del modelo Politus.

Resultados Clave

Rendimiento del Modelo: El modelo BERTurk ajustado logró una puntuación F1 macro de 0.693, superando sustancialmente la línea base zero-shot de mDeBERTa (F1 macro = 0.324). La mejora fue más significativa para el afrontamiento centrado en la emoción ( $\Delta F1 = +0.542$ ), lo que destaca la necesidad de modelos específicos para el idioma para capturar los matices emocionales del turco.
Dinámicas Temporales: El análisis reveló una trayectoria clara y no aleatoria en el afrontamiento colectivo:
- El afrontamiento centrado en el problema dominó la fase de Urgencia (56.2%) y declinó monótonamente al 19.4% en la Fase 4.
- El afrontamiento centrado en la emoción aumentó del 32.0% en la Fase 1 para estabilizarse en aproximadamente el 55% en las Fases 3 y 4.
- La búsqueda de sentido aumentó constantemente a través de todas las fases, pasando del 12.4% al 37.3%.
Correlatos Demográficos y Emocionales:
- Demografía: Las usuarias exhibieron tasas más altas de afrontamiento centrado en el problema, mientras que los usuarios mostraron tasas más altas de afrontamiento centrado en la emoción y búsqueda de sentido. Las cuentas organizacionales mostraron tasas de búsqueda de sentido significativamente menores que las cuentas personales.
- Vínculo Emoción-Afrontamiento: La ira mostró la correlación más fuerte con la búsqueda de sentido ( $r = 0.387$ ) y una correlación negativa con el afrontamiento centrado en el problema ( $r = -0.285$ ). Esto sugiere que, en este contexto polarizado, la ira funcionó como una fuerza movilizadora para la atribución de culpa e interpretación política en lugar de una acción práctica. La tristeza se correlacionó más fuertemente con el afrontamiento centrado en la emoción ( $r = 0.184$ ).

Contribuciones Clave

Validación Empírica: Este estudio proporciona la primera prueba empírica a gran escala de la teoría del afrontamiento en el discurso digital de crisis en el mundo real, extendiendo una literatura previamente confinada a entornos de laboratorio y autoinformes.
Viabilidad Metodológica: Demuestra que la detección de estilos de afrontamiento es factible en contextos de bajos recursos y no ingleses utilizando modelos de transformadores específicos del idioma, cerrando una brecha en la ciencia social computacional.
Perspectivas Sustantivas: Los hallazgos ofrecen una visión granular de cómo el afrontamiento colectivo evoluciona a través de las fases de la crisis, revelando que las dinámicas de afrontamiento no son meramente psicológicas, sino que están profundamente entrelazadas con el contexto político (p. ej., la proximidad a una elección nacional y cuestiones de rendición de cuentas del Estado).

Significancia y Reivindicaciones
El artículo sostiene que la teoría del afrontamiento puede operacionalizarse de manera confiable en datos digitales para revelar cómo las sociedades procesan el trauma colectivo. Los autores argumentan que estos hallazgos no son meramente descriptivos, sino que tienen utilidad práctica para organizaciones humanitarias y comunicadores de crisis. Al detectar el estilo de afrontamiento dominante de una población en tiempo real, los respondedores pueden adaptar sus intervenciones:

El dominio del afrontamiento centrado en el problema señala la necesidad de información, coordinación y acceso a recursos.
El dominio del afrontamiento centrado en la emoción señala la necesidad de reconocimiento, presencia y espacio para el duelo.
El dominio de la búsqueda de sentido señala la necesidad de transparencia institucional y mecanismos de rendición de cuentas.

El estudio concluye que, si bien los tweets son rastros textuales públicos en lugar de ventanas transparentes a la psicología individual, los patrones agregados proporcionan una señal válida de los estados psicológicos colectivos. Los autores enfatizan que tales herramientas deben usarse para comprender y responder a las necesidades de la población en lugar de para la vigilancia, señalando las responsabilidades éticas inherentes al analizar poblaciones vulnerables en crisis.

1. Las tres formas en que la gente "afrontó" (El kit de herramientas)

2. El traductor de computadoras (El bibliotecario robot)

3. La historia del mes (La línea de tiempo)

4. La conexión con la ira

5. Por qué esto es importante (La conclusión práctica)

Más como este