Integrating Social Network Analysis and Topic Modeling in Social Media Research: A Systematic Literature Review of Open-Access Scopus Studies (2016-2026)
Esta revisión sistemática de la literatura de 194 estudios de acceso abierto de Scopus de 2016 a 2026 revela que, si bien la integración del análisis de redes sociales y el modelado de temas en la investigación de las redes sociales está creciendo rápidamente y se centra predominantemente en la salud y la política a través de Twitter, las aplicaciones actuales siguen siendo en gran medida superficiales y paralelas, lo que lleva al autor a proponer una taxonomía, un modelo de investigación y una agenda integrales para avanzar en la profundidad metodológica y los estándares de validación.
Artículo original bajo licencia CC BY 4.0 (https://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
Las redes sociales dejan dos tipos distintos de huellas cada vez que navegamos, publicamos o compartimos. Una huella es el contenido en sí: las palabras que escribimos, las opiniones que expresamos y las historias que contamos. La otra es la conexión: el acto de retuitear, responder o seguir a alguien, lo cual revela quién está escuchando a quién y cómo viajan las ideas entre las personas. Durante años, los investigadores han estudiado estas huellas por separado. Algunos equipos mapearon las conexiones para ver cómo se forman las comunidades y cómo se propaga la influencia, mientras que otros analizaron el texto para comprender qué es lo que la gente dice realmente. Pero para entender verdaderamente el mundo digital, uno debe observar tanto el mapa de las relaciones como el mapa de la conversación al mismo tiempo. El desafío ha sido encontrar la manera de tejer estos dos mapas diferentes sin perder los detalles de ninguno de los dos.
Una revisión sistemática reciente de Dwi Jaya Saputra, un investigador de la Universidad de Brawijaya, ofrece una mirada exhaustiva a cómo los científicos han intentado combinar estos dos métodos durante la última década. El estudio examinó 194 artículos de investigación de acceso abierto publicados entre 2016 y 2026 que intentaron fusionar el análisis de redes sociales con el modelado de temas. El objetivo no era solo contar cuántos estudios existían, sino comprender cómo fueron construidos, qué encontraron y hacia dónde se dirige el campo. La revisión revela un campo que crece rápidamente pero que a menudo se queda en la superficie, donde los investigadores ejecutan dos análisis separados uno al lado del otro en lugar de entrelzarlos en una comprensión única y más profunda.
La revisión comenzó buscando en una importante base de datos académica estudios que utilizaran tanto el análisis de redes como el modelado de temas en datos de redes sociales. Tras filtrar los artículos en inglés que estaban disponibles gratuitamente, los investigadores redujeron una lista de 560 posibles trabajos a 194 que cumplían con criterios estrictos. Estos estudios cubrieron una amplia gama de temas, desde discusiones de salud y debates políticos hasta tendencias comerciales y preocupaciones ambientales. Los datos procedían de muchas plataformas, aunque una plataforma, X (anteriormente Twitter), proporcionó la información para más de la mitad de los estudios. Con el tiempo, el uso de otras plataformas como Reddit, YouTube y Weibo ha aumentado, lo que sugiere una ampliación del panorama de investigación más allá de una sola fuente.
Cuando los investigadores observaron cómo se llevaron a cabo estos estudios, encontraron un patrón claro en la forma en que se combinaron los dos métodos. En la gran mayoría de los casos, aproximadamente el 71 por ciento, los investigadores utilizaron un enfoque "paralelo". Esto significa que realizaron un análisis de temas para ver de qué hablaba la gente y un análisis de red para ver quién estaba conectado, y luego simplemente compararon ambos resultados. Es como mirar un mapa de las carreteras de una ciudad y una lista de sus tiendas populares por separado, y luego notar que parecen superponerse, sin trazar realmente cómo las carreteras conducen a las tiendas. Si bien este método es común y útil para obtener una visión general, la revisión encontró que rara vez probaba si las conexiones entre ambos eran reales o solo una coincidencia.
Solo una pequeña fracción de los estudios, aproximadamente el 9 por ciento, intentó un enfoque "conjunto", donde la red y el texto se analizan juntos en un único marco matemático. Estos estudios son más complejos porque intentan estimar la estructura de la comunidad y el contenido de la conversación simultáneamente. Otro grupo de estudios utilizó un enfoque de "red a tema", donde primero identificaron grupos de personas y luego analizaron qué decían esos grupos específicos. Un cuarto grupo poco común, que representaba menos del 5 por ciento, utilizó un enfoque de "tema a red", construyendo las conexiones entre personas basándose en la similitud de los temas que discutían. La revisión sugiere que, si bien el campo se mueve hacia métodos más sofisticados, el sencillo enfoque paralelo sigue siendo el predeterminado para la mayoría de los investigadores.
Las herramientas utilizadas para analizar el texto también han evolucionado. Durante mucho tiempo, un método llamado Asignación de Dirichlet Latente, o LDA, fue el estándar para encontrar temas ocultos en grandes colecciones de texto. Apareció en aproximadamente un tercio de los estudios revisados. Sin embargo, nuevos métodos que utilizan una comprensión del lenguaje más avanzada, como BERTopic, han comenzado a aparecer con mayor frecuencia, especialmente en los últimos años. A pesar de este cambio tecnológico, la revisión señaló una brecha significativa en la transparencia: la mitad de los estudios no mencionaron el algoritmo específico que utilizaron en sus resúmenes. Además, muy pocos estudios incluyeron una explicación clara de cómo verificaron la exactitud de sus hallazgos. La mayoría de los resúmenes no mencionaban si los investigadores probaron si sus resultados cambiarían si utilizaban configuraciones o herramientas diferentes.
Los investigadores concluyeron que, si bien la combinación de estos dos métodos es ahora una parte rutinaria de la investigación en redes sociales, la integración suele ser superficial. El campo ha pasado de un solo artículo en 2016 a 36 artículos en 2025, mostrando una clara aceleración en el interés. Sin embargo, la forma en que se diseñan estos estudios no ha seguido el ritmo del crecimiento. La revisión propone un nuevo marco para la investigación futura que fomenta que los científicos vayan más allá de simplemente ejecutar dos análisis separados. En su lugar, deben elegir un camino específico para cómo interactúan la red y el texto, ya sea construyendo una red a partir de temas o analizando temas dentro de comunidades específicas. Crucialmente, el autor sostiene que los investigadores deben validar sus hallazgos combinados, probando si el vínculo entre las personas y las palabras se mantiene bajo diferentes condiciones.
Mirando hacia el futuro, la revisión traza una agenda para la próxima década de investigación. Hace un llamado a realizar más estudios sobre plataformas distintas a X, incluyendo sitios basados en video y aplicaciones de mensajería que están actualmente subrepresentados. También insta a los investigadores a expandir su trabajo para incluir idiomas y regiones que han sido ampliamente ignorados, yendo más allá del dominio de los estudios de Estados Unidos y China. Finalmente, la revisión sugiere que el camino más prometedor hacia adelante reside en el desarrollo de modelos que traten la estructura de la red y el contenido de la conversación como un sistema único e interconectado. Al hacerlo, los investigadores pueden pasar de simplemente describir lo que está sucediendo en las redes sociales a comprender verdaderamente cómo las conexiones entre las personas dan forma a las ideas que comparten.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.