🤖 machine learning

BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter

Este artículo presenta BERTopic-VP, un marco escalable que integra la agrupación de incrustaciones contextuales con una capa de priorización de viralidad y un detector híbrido de desinformación para permitir la identificación temprana y el análisis comparativo de narrativas de desinformación sobre la salud de alto impacto a través de diferentes pandemias.

Autores originales: Mkululi Sikosana, Sean Maudsley-Barton, Oluwaseun Ajao

Publicado 2026-08-18

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mkululi Sikosana, Sean Maudsley-Barton, Oluwaseun Ajao

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

Cuando surge una nueva enfermedad, el mundo se enfrenta a dos crisis simultáneas: el virus en sí y la inundación de información falsa que se propaga junto con él. Esta segunda crisis, a menudo llamada infodemia, puede ser tan peligrosa como la biológica. En plataformas de redes sociales como Twitter, donde los mensajes son cortos y se mueven a la velocidad del rayo, las historias falsas sobre curas, orígenes y medidas de seguridad pueden ganar tracción más rápido que la orientación oficial de salud. Los métodos tradicionales para rastrear estas historias suelen fallar porque dependen de contar con qué frecuencia aparecen palabras específicas. En el lenguaje caótico y de cambio rápido de las redes sociales, donde la gente usa jerga, hashtags y emojis, el simple conteo de palabras se desmorona. Estos métodos pierden el significado profundo detrás de una publicación, agrupando ideas no relacionadas o fallando al detectar un nuevo y peligroso rumor hasta que ya se ha extendido demasiado.

Para resolver esto, investigadores de la Universidad Metropolitana de Manchester desarrollaron una nueva forma de escuchar el ruido digital. Crearon un sistema que no solo cuenta palabras, sino que comprende el significado detrás de ellas, prestando también atención a la velocidad con la que una historia se está propagando. Su objetivo era construir una herramienta que pudiera ayudar a los funcionarios de salud pública a detectar las mentiras más peligrosas de forma temprana, incluso cuando apenas están empezando a circular. Al combinar una comprensión profunda del lenguaje con una medida de cuánta gente comparte una publicación, crearon un marco que puede filtrar lotes de tweets para encontrar las narrativas específicas que representan el mayor riesgo para la salud pública.

Los investigadores aplicaron este nuevo sistema, al que llamaron BERTopic-VP, a datos reales de dos grandes crisis sanitarias: la pandemia global causada por el nuevo coronavirus y el brote de viruela del mono de 2022. Alimentaron el sistema con lotes de tweets relacionados con estos eventos, procesándolos en grupos que iban desde los 10,000 hasta los 100,000. En lugar de buscar palabras clave específicas, el sistema primero agrupó los tweets en cúmulos (clusters) basados en su significado real. Utilizó modelos de lenguaje avanzados para comprender que dos publicaciones que dicen cosas distintas podían estar hablando de la misma idea central, como la desconfianza en el gobierno o el miedo a las vacunas. Una vez que las historias fueron agrupadas, el sistema añadió una segunda capa de análisis: observó cuánto compromiso (engagement) recibía cada historia. Contó cuántas personas dieron "me gusta", compartieron o respondieron a las publicaciones dentro de cada grupo. Esto permitió al sistema clasificar las historias, destacando aquellas que no solo eran populares, sino que se estaban difundiendo activamente.

Los resultados revelaron diferencias distintivas en cómo se comportó la desinformación durante estos dos brotes. Durante la pandemia de coronavirus, las historias falsas fueron altamente variadas y complejas. Cubrieron una amplia gama de temas, desde teorías de conspiración sobre el origen del virus hasta debates sobre la eficacia de las mascarillas y las políticas de confinamiento. El lenguaje utilizado en estas publicaciones era a menudo denso y difícil de leer, imitando el tono de un experto para sonar más creíble. En contraste, la desinformación en torno al brote de la viruela del mono fue mucho más enfocada. Las narrativas falsas se centraron fuertemente en unos pocos temas específicos, como los fallos en la distribución de vacunas y una profunda desconfianza en las autoridades sanitarias. Estas historias eran lingüísticamente más simples, fáciles de leer y con una carga emocional mucho más fuerte, particularmente de miedo e ira.

El estudio encontró que el sistema era eficaz en su labor. Identificó con éxito cúmulos de desinformación con un alto potencial viral, señalando el uno por ciento superior de las historias en propagación para su revisión humana. En los datos de la viruela del mono, donde los investigadores tenían acceso a números reales de difusión, el sistema produjo temas semánticamente interpretables e identificó los grupos más activos basándose en el compromiso observado. Para los datos del coronavirus, donde los números de difusión no estaban disponibles, el sistema utilizó un ingenioso método alternativo: aprendió de los datos de la viruela del mono qué características lingüísticas y psicológicas suelen conducir a una alta difusión, y luego aplicó ese conocimiento para predecir qué historias del coronavirus tenían probabilidades de propagarse. Esto permitió al sistema priorizar las narrativas riesgosas incluso sin acceso directo a los recuentos de difusión.

Crucialmente, los investigadores demostraron que la capacidad de una historia para propagarse no siempre está vinculada a si es verdadera o falsa. El sistema encontró muchos grupos de publicaciones altamente virales que eran en realidad hechos reales, como actualizaciones de noticias o consejos oficiales de salud. Es por esto que el sistema está diseñado para trabajar en dos pasos: primero, encuentra las historias que se están difundiendo más rápido; segundo, utiliza una verificación separada para determinar si esas historias son verdaderas. Esta combinación permite a los funcionarios de salud centrar su tiempo limitado en las mentiras específicas que están ganando más impulso, en lugar de intentar desmentir cada afirmación falsa o ignorar las que resultan ser verdaderas pero se mueven rápido.

El estudio también destacó que el tono emocional de una historia es un motor poderoso de su difusión. La desinformación más viral se escribía a menudo en un lenguaje sencillo que era fácil de entender rápidamente, acompañado de emociones fuertes como el miedo y la ira. Esto sugiere que las mentiras que son fáciles de digerir y que hacen que la gente sienta emociones intensas son las más propensas a ser compartidas. Al identificar estos patrones, el nuevo marco ofrece una forma práctica para que los equipos de salud pública monitoreen el panorama digital. Actúa como un sistema de alerta temprana, sacando a la superficie las narrativas específicas de alto riesgo que requieren atención inmediata antes de que puedan causar un daño generalizado. El trabajo demuestra que, al comprender tanto el significado de las palabras como la mecánica de cómo viajan, podemos proteger mejor a las comunidades de los peligros de la desinformación durante las emergencias sanitarias.

Resumen Técnico: Priorización de Viralidad mediante BERTopic (BERTopic-VP)

Planteamiento del Problema

La desinformación sobre la salud durante las pandemias se propaga rápidamente en las redes sociales, creando narrativas perjudiciales que compiten con la orientación de la salud pública. Las técnicas convencionales de modelado de temas, como la Distribución Latente de Dirichlet (LDA) y la Factorización de Matrices No Negativas (NMF), tienen dificultades con las características específicas del discurso en redes sociales: longitudes de texto cortas (por ejemplo, tweets de menos de 280 caracteres), alto ruido, tendencias dinámicas de hashtags y un vocabulario disperso. Estos métodos basados en la frecuencia suelen fallar al detectar narrativas emergentes o al producir temas incoherentes en entornos de microtexto. Además, los procesos existentes suelen tratar la interacción del usuario (likes, retweets) como un resultado externo en lugar de una parte integral del proceso de descubrimiento de temas, lo que limita la capacidad de priorizar temas semánticamente coherentes que también se difunden rápidamente. Existe una falta de análisis sistemático y comparativo de la dinámica de la desinformación a través de diferentes pandemias (por ejemplo, COVID-19 frente a Viruela del Mono) utilizando un marco unificado sensible a la interacción.

Metodología

Los autores proponen BERTopic-VP, un marco escalable y modular que extiende el flujo de trabajo de modelado de temas BERTopic con una capa de Priorización de Viralidad (VP). El flujo de trabajo opera a través de las siguientes etapas:

Incrustación Semántica y Agrupamiento (Clustering):
- Los tweets se procesan utilizando el codificador Sentence-BERT all-MiniLM-L6-v2 para generar incrustaciones contextuales de 384 dimensiones.
- La reducción de dimensionalidad se realiza mediante UMAP (Uniform Manifold Approximation and Projection).
- El agrupamiento se ejecuta utilizando HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise). Este enfoque basado en la densidad permite el descubrimiento de un número variable de temas sin preespecificar $K$ , lo que lo hace adecuado para un discurso en evolución.
- La configuración se mantiene fija en todos los conjuntos de datos (UMAP: $n\_neighbors=15$ , $min\_dist=0.1$ , $n\_components=5$ ; HDBSCAN: $min\_cluster\_size=50$ , $min\_samples=10$ ) para garantizar la comparabilidad.
Capa de Priorización de Viralidad (VP):
- Interacción Observada: Para los conjuntos de datos con metadatos nativos (Viruela del Mono), se calcula una puntuación de interacción compuesta $E_i$ como la suma de likes, retweets, respuestas, citas y clics en enlaces.
- Propensión Proxy: Para los conjuntos de datos que carecen de metadatos de interacción (COVID-19_FNIR, Constraint), el marco entrena un modelo de regresión logística en el conjunto de datos de la Viruela del Mono para predecir una puntuación de "propensión a la propagación" ( $\hat{p}_i$ ). Esta puntuación sirve como un proxy ordinal del potencial de difusión.
- Señal Unificada: Se define una señal de priorización unificada $\tilde{E}_i$ , utilizando la $E_i$ observada cuando está disponible y el logit de la propensión $\eta_i$ en caso contrario.
- Clasificación (Ranking): Los grupos (clusters) se clasifican por su puntuación viral agregada $v_j$ (media de $\tilde{E}_i$ dentro del grupo). Los grupos que caen dentro del $x\%$ superior (1%, 5%, 10%) de la distribución son marcados como de alta prioridad.
Detección y Verificación de Desinformación:
- Un módulo de detección híbrido de dos etapas fusiona un clasificador supervisado basado en el contenido con una señal de verificación externa derivada de bases de conocimiento de salud pública específicas del brote (por ejemplo, los "Mythbusters" de la OMS).
- La probabilidad final $p_{final}$ es una suma ponderada: $p_{final} = \alpha p_{content} + (1-\alpha) p_{verify}$ , con $\alpha=0.6$ determinado mediante búsqueda de cuadrícula (grid search).
Métricas de Evaluación:
- Agrupamiento (Clustering): Evaluado mediante Información Mutua Normalizada (NMI), Índice de Rand Ajustado (ARI), Pureza y Coherencia de Temas ( $C_v$ ).
- Clasificación: Evaluado mediante Exactitud (Accuracy), Precisión, Sensibilidad (Recall), F1-score, ROC-AUC y PR-AUC.
- Lingüística/Afectiva: Análisis de la polaridad del sentimiento, emociones discretas (Alegría, Miedo, Ira, Tristeza) y complejidad léxica (Flesch Reading Ease, Flesch-Kincaid Grade Level).

Contribuciones Clave

Marco BERTopic-VP: La introducción de un flujo de trabajo de modelado de temas priorizado por la viralidad que integra el agrupamiento semántico con señales de interacción post-hoc (o proxies de propensión) para clasificar los temas según su potencial de difusión.
Análisis Comparativo de Infodemia: La primera comparación sistemática y directa de los temas de desinformación a través de dos brotes distintos (COVID-19 y Viruela del Mono) utilizando un marco analítico consistente.
Viralidad Proxy para Contextos con Escasez de Datos: Una innovación metodológica para priorizar temas en conjuntos de datos que carecen de metadatos de interacción, transfiriendo un modelo de propensión a la propagación entrenado en un conjunto de datos con interacción observada.
Diseño Orientado al Monitoreo: Un flujo de trabajo diseñado para actualizaciones por lotes periódicas (cadencia de minutos a horas) para apoyar sistemas de alerta temprana, detectando narrativas de bajo volumen pero de alto riesgo para la revisión de analistas.

Resultados

El marco fue evaluado en tres conjuntos de datos de referencia: COVID-19_FNIR, Viruela del Mono y Constraint.

Rendimiento de Clasificación: El detector híbrido de desinformación logró un sólido rendimiento en todos los conjuntos de datos. El conjunto de datos de la Viruela del Mono arrojó los mejores resultados (F1 = 0.950, ROC-AUC = 0.989), seguido de COVID-19_FNIR (F1 = 0.907, ROC-AUC = 0.966) y Constraint (F1 = 0.899, ROC-AUC = 0.951).
Calidad del Agrupamiento (Clustering):
- Viruela del Mono: Logró la mayor pureza (0.940) y una coherencia moderada ( $C_v = 0.286$ ), lo que indica narrativas focalizadas de manera estrecha.
- COVID-19_FNIR: Mostró una pureza moderada (0.742) pero la menor coherencia ( $C_v = 0.084$ ), reflejando un espacio narrativo fragmentado y diverso (por ejemplo, mezclando teorías de fuga de laboratorio, eficacia de mascarillas y debates de políticas).
- Constraint: Exhibió la mayor coherencia ( $C_v = 0.463$ ) pero la menor pureza (0.522), lo que sugiere temas internamente consistentes que no se alinean perfectamente con las etiquetas de veracidad del conjunto de datos.
Patrones de Viralidad y Lingüísticos:
- Impulsores Emocionales: La desinformación de la Viruela del Mono exhibió la activación emocional más intensa (mayor Miedo, Ira y Tristeza) en comparación con el COVID-19.
- Simplicidad Léxica: Los tweets de la Viruela del Mono fueron lingüísticamente más simples (mayor Flesch Reading Ease, menor Grado de Lectura) que los de COVID-19, que fueron más densos y complejos.
- Alineación con VP: Los grupos priorizados por la señal de VP coincidieron consistentemente con aquellos que exhibían una alta carga emocional y un lenguaje más simple, confirmando que la activación afectiva y la accesibilidad cognitiva impulsan la difusión.
Diferencias entre Eventos: La desinformación de COVID-19 se caracterizó por teorías de conspiración y pseudociencia, mientras que las narrativas de la Viruela del Mono se centraron en la confianza institucional, fallos de respuesta y estigma.

Significación y Reivindicaciones

El artículo sostiene que BERTopic-VP ofrece una novedosa contribución metodológica de extremo a extremo a la ciencia social computacional y al procesamiento de lenguaje natural (NLP) al unificar el modelado de temas no supervisado, la clasificación supervisada y el análisis afectivo-lingüístico.

Valor Operativo: El marco apoya el monitoreo de alerta temprana al exponer narrativas de bajo volumen pero de alto riesgo que los modelos tradicionales basados en la frecuencia podrían pasar por alto. Permite a los analistas de salud pública distinguir la desinformación de alto impacto del ruido de fondo.
Escalabilidad: El flujo de trabajo es computacionalmente factible para el procesamiento por lotes casi en tiempo real (por ejemplo, procesar 10,000 tweets en menos de 60 segundos en hardware comercial), adecuado para la vigilancia periódica.
Interpretabilidad: Al vincular los grupos de temas con señales lingüísticas observables (emoción, legibilidad) y señales de viralidad, el sistema proporciona salidas explicables adecuadas para partes interesadas no técnicas.
Modestia en las Reivindicaciones: Los autores señalan explícitamente que no reimplementan los baselines clásicos (LDA, NMF) en sus propios conjuntos de datos para una comparación directa, citando la sensibilidad de la calidad de los temas al preprocesamiento específico del corpus. En su lugar, contextualizan sus resultados frente a valores de la literatura. También reconocen que, para los conjuntos de datos sin metadatos de interacción, la señal de VP representa una propensión de difusión estimada en lugar de una interacción real de la plataforma, lo que limita las comparaciones de magnitud entre conjuntos de datos a rangos dentro del mismo conjunto.

El estudio concluye que la integración de la estructura semántica con la clasificación consciente de la viralidad permite un análisis comparativo escalable e interpretable de la desinformación, apoyando estrategias basadas en la evidencia en la comunicación de salud digital.