Resumen Técnico: Cuantificación de la Partidismo Político para Análisis Multiplataforma

Planteamiento del Problema

La investigación sobre la polarización política en las redes sociales se ve obstaculizada por la incapacidad de medir el partidismo de manera fiable y que sea generalizable entre distintas plataformas. Las metodologías existentes suelen estar adaptadas a las propiedades específicas de cada plataforma, como las capacidades estructurales (por ejemplo, el sistema de subreddits de Reddit, los grafos de retweets de Twitter) o las convenciones lingüísticas (por ejemplo, hashtags específicos o jerga). A medida que el ecosistema de las redes sociales se fragmenta y surgen plataformas de "tecnología alternativa" (alt-tech) (por ejemplo, Truth Social, Bluesky) junto con las principales, estos enfoques específicos de cada plataforma fallan al proporcionar métricas comparables. Esta limitación impide un análisis transversal riguroso de la polarización, las cámaras de eco y la radicalización, particularmente al comparar entornos ideológicamente asimétricos.

Metodología

Los autores proponen una metodología basada en texto y portable entre plataformas para medir el partidismo político que se basa únicamente en el texto de las publicaciones y en calificaciones externas de sesgo mediático, evitando la dependencia de grafos de seguidores, estructuras comunitarias o convenciones específicas de la plataforma. El proceso consta de cuatro etapas:

1. Recolección y Preprocesamiento de Datos:

   • Corpus: Aproximadamente 1.3 millones de publicaciones recolectadas de Bluesky y Truth Social entre el 1 de mayo y el 31 de octubre de 2024 (los seis meses previos a las elecciones presidenciales de EE. UU. de 2024).
   • Limpieza: Las publicaciones fueron deduplicadas (eliminando contenido casi idéntico), filtradas por texto sustantivo (mínimo de tres tokens tras eliminar URLs/hashtags) y se les eliminaron el HTML y los emojis.
   • Incrustación (Embedding): Las publicaciones limpias fueron procesadas mediante un codificador de oraciones basado en transformadores (qwen3-embedding:8b), produciendo vectores de 128 dimensiones. Estos fueron normalizados mediante L2 y reducidos vía Análisis de Componentes Principales (PCA) para retener el 95% de la varianza.

2. Agrupamiento (Clustering) y Etiquetado Transplataforma:

   • Agrupamiento: Las publicaciones de ambas plataformas fueron agrupadas conjuntamente mediante MiniBatch k-means ($k=36$).
   • Etiquetado mediante Señal Externa: Los autores extrajeron las URLs de las publicaciones y las mapearon con dominios de noticias. Utilizando las calificaciones de sesgo mediático de AllSides (una escala de 5 puntos de -2 [extrema izquierda] a +2 [extrema derecha]), agregaron las puntuaciones de sesgo de los dominios citados dentro de cada grupo.
   • Estabilización: Para manejar los grupos con pocas citas, se aplicó el encogimiento de Bayes Empírico (Empirical Bayes shrinkage) a las puntuaciones medias de sesgo bruto, contrayéndolas hacia una media previa global. Los grupos fueron etiquetados como tendencia izquierda ($\le -0.5$), tendencia derecha ($\ge 0.5$), neutral o sin señal.

3. Construcción de la Dimensión Social:

   • Selección de Pares Semilla: Los autores seleccionaron algorítmicamente cuatro pares de grupos opuestos (izquierda vs. derecha) basados en una alta similitud de coseno entre sus centroides, asegurando que los pares difirieran principalmente en la dimensión partidista y no en el tema del contenido.
   • Definición del Eje: Se definió un eje de partidismo ($\mathbf{d}$) como la diferencia de vector media entre los centroides normalizados L2 de estos pares semilla opuestos: $\mathbf{d} = \frac{1}{n} \sum (\hat{\mathbf{r}}_i - \hat{\mathbf{l}}_i)$.
   • Calificación: Las publicaciones individuales se calificaron proyectando sus incrustaciones sobre este eje. Las puntuaciones se estandarizaron a puntuaciones z (z-scores), donde los valores positivos indican alineación hacia la derecha y los valores negativos indican alineación hacia la izquierda.

4. Validación:

   • Dentro de la Distribución (In-Distribution): Probado en publicaciones retenidas de Bluesky y Truth Social que citaban fuentes de noticias pero que no formaban parte de los grupos semilla.
   • Fuera de la Distribución (Out-of-Distribution): Probado en un corpus independiente de publicaciones de X (Twitter) del mismo periodo electoral, que nunca fue utilizado para construir el eje.
   • Análisis de Sensibilidad: Compararon el rendimiento de los pares semilla seleccionados frente a todas las 630 posibles combinaciones de grupos para asegurar que la señal no fuera un artefacto de una selección arbitraria.

Resultados Clave

• Correlación Transplataforma: El eje de partidismo construido mostró una correlación positiva significativa con las puntuaciones de sesgo de AllSides de las fuentes de noticias citadas en ambos conjuntos de evaluación:
  • Bluesky/Truth Social (Dentro de la Distribución): $r = 0.365$ ($p < 0.001$).
  • X (Fuera de la Distribución): $r = 0.193$ ($p < 0.001$).
  • La persistencia de una correlación positiva en X, una plataforma no vista durante la construcción del eje, demuestra que el método captura una señal partidista general en lugar de ruido específico de la plataforma.
• Análisis de Sensibilidad: El eje derivado de los pares semilla seleccionados por los autores superó a todas las demás combinaciones posibles de grupos. Se situó en el percentil 100 para el rendimiento dentro de la distribución y en el percentil 99.5 para el rendimiento fuera de la distribución (X), confirmando la robustez del procedimiento de selección de semillas.
• Tendencias Partidistas Dinámicas: El método recuperó con éxito la dinámica interna de las plataformas que la identidad de la plataforma por sí sola no podía explicar:
  • En Bluesky (típicamente de tendencia izquierda), las publicaciones que mencionaban a Biden se desplazaron de neutral/izquierda a claramente derecha (crítica) tras su retirada en julio, mientras que las publicaciones que mencionaban a Kamala Harris se volvieron cada vez más de izquierda, alcanzando su punto máximo alrededor del primer debate presidencial.
  • En Truth Social, las menciones a Biden y Harris aumentaron hacia la derecha en julio, reflejando la reacción republicana a la transición de candidatos.
• Asimetría Lingüística: El análisis cualitativo reveló que las publicaciones fuertemente de izquierda hacían referencia a candidatos específicos (Biden, Harris, Trump), mientras que las publicaciones fuertemente de derecha estaban dominadas por un vocabulario cívico y moral (ej. "gente", "Dios", "país", "América").

Contribuciones Clave

1. Un Método de Medición Portable: Una métrica de partidismo basada en texto e informada por calificaciones de sesgo mediático externas, validada para producir puntuaciones comparables en tres plataformas distintas (Bluesky, Truth Social y X).
2. Primer Análisis Transplataforma: El primer análisis comparativo del discurso político en Bluesky y Truth Social durante las elecciones presidenciales de EE. UU. de 2024, abordando un vacío en la literatura sobre las plataformas de "tecnología alternativa".
3. Evidencia Empírica de Sentimiento Dinámico: Demostración de que el enfoque captura dinámicas de sentimiento cambiantes (ej. la erosión del apoyo a Biden en Bluesky) en lugar de simplemente recuperar identidades estáticas de las plataformas.

Significado y Reivindicaciones

El artículo afirma que su principal contribución es un marco metodológico que permite la comparación rigurosa transplataforma del partidismo político. Al anclar la medición en calificaciones de sesgo externas y consistentes (AllSides) y depender únicamente de las incrustaciones de texto, el método supera las limitaciones de generalización de los trabajos previos.

Los autores sostienen que este enfoque permite a los investigadores:

• Investigar cómo diferentes plataformas responden a los mismos eventos políticos.
• Rastrear cómo la atención partidista cambia a lo largo del tiempo dentro y entre plataformas.
• Analizar cómo el mismo contenido es interpretado en plataformas ideológicamente opuestas.

El artículo concluye que, si bien el método es actualmente centrado en EE. UU. (debido a la dependencia de las calificaciones de AllSides) y sensible a las elecciones de agrupamiento, proporciona una herramienta fundamental para estudiar las dinámicas de polarización temporal, el flujo de información transplataforma y la radicalización motivada por la plataforma en un ecosistema de redes sociales fragmentado.