Event Detection in Social Networks Using Polarization Dynamics

Resumen Técnico: Detección de Eventos en Redes Sociales Mediante la Dinámica de la Polarización

Planteamiento del Problema
Las redes sociales sirven como espacios críticos para la deliberación pública, particularmente durante momentos políticamente sensibles donde las interacciones de los usuarios pueden revelar tensiones sociales. Mientras que los métodos existentes de detección de eventos en redes sociales se basan principalmente en picos cuantitativos en el volumen de publicaciones o cambios en la polaridad del sentimiento, estos enfoques pueden pasar por alto eventos caracterizados por un profundo desacuerdo o fragmentación estructural que no necesariamente generan altos volúmenes de tráfico o picos emocionales extremos. Este artículo aborda el desafío de detectar eventos públicos significativos aprovechando la dinámica de la polarización como una señal complementaria, planteando específicamente: ¿Cómo se puede construir un modelo de detección de eventos basado en una métrica de polarización aplicada a datos de redes sociales?

Metodología
El estudio emplea un enfoque estadístico retrospectivo utilizando datos de X (anteriormente Twitter) sobre el debate público de la reforma pensional colombiana de 2024 (junio–julio de 2024). La metodología sigue un flujo de trabajo estructurado:

1. Recolección y Preprocesamiento de Datos: Se recolectó un conjunto de datos de 9,997 tweets a través de la API de X, filtrados por relevancia con la reforma pensional y limpiados de duplicados y contenido que no fuera en español. A diferencia de los flujos de trabajo tradicionales, se evitó una normalización intensiva (por ejemplo, conversión a minúsculas, tokenización) para preservar las pistas estilísticas beneficiosas para la estimación de la postura (stance).
2. Clasificación de Postura: Se utilizó un Modelo de Lenguaje Grande (GPT-4o) para clasificar la postura de cada publicación en una escala Likert de cinco puntos (Desde "Totalmente en desacuerdo" hasta "Totalmente de acuerdo"). Se proporcionó información contextual, incluyendo los tweets originales para las respuestas, para asegurar una inferencia consistente.
3. Derivación de Señales: A partir de las clasificaciones de postura, se construyeron tres series temporales diarias:
   • Volumen de Tweets: El recuento bruto de publicaciones.
   • Proporciones de Sentimiento: Derivadas directamente de la polaridad de la postura (el desacuerdo como negativo, el acuerdo como positivo).
   • Polarización: Medida mediante el índice de Esfuerzo Mínimo para el Consenso (MEC, por sus siglas en inglés). Esta métrica calcula el esfuerzo mínimo ponderado requerido para desplazar una distribución de opiniones hacia un punto de consenso, capturando el costo de la fragmentación.
4. Modelos de Detección de Eventos: Se compararon tres modelos utilizando la detección de anomalías sobre los cambios diarios:
   • Modelo basado en Volumen: Detecta ráfagas en la actividad de publicación utilizando una ventana deslizante y un umbral.
   • Línea Base basada en Sentimiento: Detecta cambios abruptos en la proporción de publicaciones positivas/negativas (adaptado de [12]).
   • Propuesto Modelo basado en Polarización: Identifica cambios significativos en el cambio diario del índice MEC. Este modelo aplica un criterio de Rango Intercuartílico (IQR) ($\Delta_t > Q_3 + \lambda \cdot IQR$ o $\Delta_t < Q_1 - \lambda \cdot IQR$) para detectar desviaciones anómalas sin asumir una normalidad estricta.
5. Evaluación: Las detecciones del modelo basado en sentimiento sirvieron como un conjunto de etiquetas de referencia para los eventos. El rendimiento se evaluó utilizando Precisión, Recall y la puntuación F1 frente a esta línea base.

Resultos Clave
La evaluación comparativa arrojó las siguientes métricas de desempeño:

• Modelo basado en Polarización: Logró una puntuación F1 de 0.75 (Precisión: 0.75, Recall: 0.75).
• Modelo basado en Volumen de Tweets: Logró una puntuación F1 de 0.53 (Precisión: 0.71, Recall: 0.42).
• Línea Base basada en Sentimiento: Sirvió como el estándar de referencia (12 eventos detectados tras el ajuste de parámetros).

El análisis cualitativo reveló que el modelo de polarización identificó con éxito eventos que fueron omitidos por las señales de volumen y sentimiento. Por ejemplo, el 27 de junio, se detectó un pico de polarización correspondiente a noticias sobre fondos de pensiones privados redactando enmiendas secretas, a pesar de que no hubo un aumento en el volumen o el sentimiento. Por el contrario, el 16 de julio (el día que se firmó la reforma), ocurrió un pico de volumen sin un cambio correspondiente en la polarización. Los resultados indican que la dinámica de la polarización captura episodios de aumento de desacuerdo y tensión social que no necesariamente están acompañados de alta actividad o picos de sentimiento.

Significancia y Reivindicaciones
El artículo sostiene que la dinámica de la polarización, operacionalizada a través del índice MEC, proporciona una señal valiosa y complementaria para monitorear el discurso público contencioso. Los autores argumentan que, mientras que los modelos de volumen y sentimiento capturan eficazmente los estallidos de atención y los picos emocionales, pueden pasar por alto eventos donde la firma principal es una reconfiguración del acuerdo y el desacuerdo. Al unir la detección de eventos y el análisis de la polarización, este enfoque ofrece un marco unificado para identificar eventos socialmente significativos impulsados por la divergencia estructural más que solo por los niveles de actividad. El estudio concluye que depender de una sola señal (volumen o sentimiento) puede proporcionar una visión incompleta de las dinámicas sociales, y que integrar métricas de polarización puede ofrecer indicios tempranos de tensiones emergentes o cambios en el posicionamiento colectivo en entornos digitales.