Plataformización: algoritmos y ratificación en la conversación virtual en Twitter

La literatura sobre plataformización sostiene que el avance de las plataformas digitales ha transformado profundamente las prácticas sociales y culturales (Bazzara, 2021; Nieborg y Poell, 2018; Van Dijck et al., 2018; Duffy et al., 2019). Muchas esferas de la vida social han adoptado la infraestructura tecnológica de las plataformas, desde el periodismo, el entretenimiento, el transporte, la salud, la educación hasta la política.

Actualmente, asistimos a un proceso de reorganización de la sociedad que convierte las actividades de la vida cotidiana en acciones realizadas a través de plataformas (Mejias y Couldry, 2019; Duffy et al., 2019; Nieborg et al., 2020). Para Gillespie (2010) las plataformas lo son no necesariamente porque permiten escribir y ejecutar códigos, sino porque brindan la oportunidad de comunicarse, interactuar o vender. Esta transformación multifacética de la sociedad globalizada es comparada con otros fenómenos que han afectado a la sociedad a gran escala como la industrialización o la electrificación (Van Dijck, 2021).

Como parte integral de la sociedad globalizada, las plataformas no sólo reflejan lo social, sino que también producen las estructuras sociales en las que vivimos (Van Dijck et al., 2018). Esta nueva forma de experimentar lo social recibe el nombre de “sociedad de las plataformas”. El término, acuñado por (Van Dijck et al., 2018), se refiere a una “sociedad en la que el tráfico social y económico es canalizado por un ecosistema de plataformas que está impulsado por algoritmos y alimentado por datos” (p. 4).

Definimos una plataforma como “una infraestructura digital programable que facilita y da forma a interacciones entre usuarios” (Poell et al., 2019, p. 3). De forma más amplia, los especialistas sostienen que, la plataformización se desarrolla a lo largo de tres dimensiones institucionales: infraestructuras de datos, mercantilización y gobernanza (Poell et al., 2019; Nieborg et al., 2020).

En ese sentido, las plataformas son constructos tecno-culturales diseñados para la recopilación y procesamiento algorítmico de datos (Bazzara, 2021; Gendler, 2021; Alaimo y Kallinikos, 2017). Los datos se analizan con la finalidad de ofrecer publicidad y servicios digitales en una amplia variedad de sectores económicos. De ahí que el primer dominio de la datificación no es la vida social, sino el negocio (Mejias y Couldry, 2019).

Por datificación se entiende el proceso a través del cual las plataformas digitales convierten la vida humana en datos cuantificados y generan diferentes tipos de valor a partir de ellos (Mejias y Couldry, 2019; Van Dijck, 2014; Mayer-Schoenberger y Cukier, 2013). En el desarrollo de sus operaciones automátizadas, los algoritmos se encargan de codificar la inmensa cantidad de datos sobre los gustos, preferencias y afectos que serán usados para conectar a los usuarios con contenidos, servicios y anuncios (Van Dijck, 2016). Gillespie (2014) sugiere que “los algoritmos son máquinas inertes y sin sentido hasta que se combinan con datos sobre los que funcionan” (p. 169).

Las plataformas de redes sociales son excelentes ejemplos de lo que constituye una infraestructura de datos en el terreno de la socialidad (Nieborg y Helmond, 2019; Alaimo y Kallinikos, 2017), ya que convierten actividades sociales (“hacer amigo”, “me gusta”, “seguir” “compartir”) en relaciones algorítmicas (Van Dijck, 2016). Twitter es una de las redes sociales que se monetiza mediante la automatización de conexiones entre usuarios, contenidos, datos y publicidad (Van Dijck et al., 2018).

En esta misma línea argumental, Poell et al. (2019) sostienen que las plataformas aprovechan cada instancia de interacción humana para convertirla en datos procesados algorítmicamente y puestos a disposición de una amplia variedad de actores externos. De ahí que las plataformas sean la puerta de entrada a la circulación de datos y la distribución de contenidos (Van Dijck, 2021).

Como infraestructuras digitales para la recopilación de datos, las redes sociales facilitan y organizan la interacción social con fines económicos (Nieborg y Poell, 2018; Van Dijck, 2016; Nieborg y Helmond, 2019; Alaimo y Kallinikos, 2017). Esta lógica sistémica encuentra su sustento en el llamado “capitalismo de plataformas” (Srnicek, 2018), cuyo fin es datificar los pensamientos, los estados de ánimo y las interacciones entre personas para venderlos en un mercado donde son redituables (Mayer-Schoenberger y Cukier, 2013).

Según Srnicek (2018) las plataformas emergieron como un nuevo modelo de negocio que con el tiempo se convirtieron en grandes compañías monopólicas de datos. Dado que despliegan tendencias monopólicas impulsadas por efectos de red, las plataformas solidifican posiciones permanentes de liderazgo en un campo específico de la actividad económica. Por ejemplo, Uber en el transporte o Facebook en el ámbito de las interacciones de la vida cotidiana. En este contexto, “la tendencia inherente del capitalismo de plataformas es el desplazamiento hacia la extracción de renta mediante la oferta de servicios” (Srnicek, 2018, p. 114).

Por otra parte, Van Dijck (2016) sostiene que con el auge de estas infraestructuras tecnológicas nuestras sociedades han pasado rápidamente de la comunicación en red a una socialidad moldeada por plataformas. Los algoritmos incorporados a su arquitectura no sólo facilitan, sino que también “moldean de manera profunda las experiencias culturales y los actos sociales de las personas que participan de manera activa de las plataformas de redes sociales” (Van Dijck, 2016, p. 59). Los algoritmos estructuran y gestionan nuestras interacciones con los demás como miembros de públicos en red y rigen el flujo de información del que dependemos (Gillespie, 2014).

Gran parte de la actividad social trascurre a través de plataformas, principalmente aquellas diseñadas para la socialidad. En ese sentido, la pregunta por la intervención de estos nuevos actores digitales en diferentes aspectos de la vida humana es crucial para comprender el rol que desempeñan más allá de la idea de conectar socialmente a la gente. En este tema, indudablemente, la literatura sobre plataformizacion, basada en el enfoque de la economía política, arroja bastante luz al respecto, sin embargo, una debilidad presente en esta floreciente línea de investigación es la poca disponibilidad de trabajos que aborden empíricamente el problema. Por tal motivo, para probar el argumento central, ahondamos en trabajos empíricos que se basan en datos observaciones de redes sociales, particularmente Twitter, para evaluar cómo la red le da forma a la interacción entre usuarios.

Se ha argumentado que las plataformas son infraestructuras digitales para el procesamiento algorítmico de datos, no obstante, los datos a los que nos referimos son datos de comportamientos que resultan de la interacción entre usuarios. Una forma en la que se puede explorar el funcionamiento algorítmico de las redes sociales es describiendo la dinámica de la conversación virtual que tiene lugar en el seno de comunidades de usuarios.

En el espacio virtual “la interacción reiterada y sostenida entre usuarios define una comunidad” (Calvo y Aruguete, 2020, p. 103). Estas comunidades, en las cuales los usuarios con creencias parecidas dialogan entre sí son, en parte, resultado de los mecanismos de red.

La función del filtro burbuja es conectar a usuarios, y lo hace sobre la base de sus acciones en la red (Pariser, 2017). Dado que las redes distribuyen los contenidos entre nodos (usuarios) conectados, el acto de seguir, por ejemplo, se convierte en un vector de información para que el algoritmo de Twitter entregue de manera segregada mensajes que provienen de aquellos con los que sostengo relaciones de seguimiento (Himelboim et al., 2013).

Algunos autores acuden al concepto de homofilia para explicar los motivos que impulsan las conexiones entre usuarios en la red (Barberá et al., 2015; Aruguete, 2019; Al Zamal et al., 2021). El término describe el proceso mediante el cual “un contacto entre personas similares ocurre a un ritmo mayor que entre personas diferentes” (McPherson et al., 2001, p. 416). En ese sentido, “la distancia en términos de características sociales se traduce en distancia de red, es decir el número de relaciones a través de las cuales debe viajar una pieza de información para conectar a dos individuos” (McPherson et al., 2001, p. 416).

En síntesis, los usuarios “forman vínculos con sus pares en línea movidos por la dinámica topológica de la red” (Calvo y Aruguete, 2020, p. 157). Esta misma topología es susceptible de alteraciones (balcanización de narrativas sociales) cuando en el espacio virtual irrumpen eventos sociales con cierto grado de polarización que activan las diferentes comunidades de base (Calvo, 2015). Esta clasificación de usuarios de ideas afines se distingue entre sí por las narrativas que acogen, por las autoridades que siguen y por los temas que discuten. La red puede comunicar el consenso cuando alrededor de los temas se construyen narrativas homogéneas o puede expresar e intensificar la polarización cuando los temas son objeto de una disputa por el control de la narrativa, lo cual es más común cuando se trata de temas con un fuerte involucramiento político (Aruguete, 2019).

Estudios previos que han analizado la conversación virtual alrededor de diferentes eventos mediáticos han puesto en evidencia las operaciones algorítmicas detrás de la formación de comunidades segregadas. En un estudio de la red #Bolsonaro en Brasil, Aruguete et al. (2020) muestran que alrededor del evento político-electoral se generaron dos grandes comunidades, una a favor del entonces candidato Jair Bolsonaro y otra en contra de su propuesta de campaña. Las elecciones de 2018 en Brasil se caracterizaron por una profunda división entre el bolsonarismo y el antibolsonarismo, polarización que se intensificó en redes sociales como Twitter.

En la Argentina donde los trabajos empíricos sobre el rol de las redes sociales en los eventos político-mediáticos han sido abundantes, Calvo y Aruguete, pioneros en este campo, han puesto en evidencia en una serie de trabajos (Calvo, 2015; Calvo y Aruguete, 2018; Calvo y Aruguete, 2020) la manera en que la red interviene y moldea los eventos sociales (#Nisman, #AbortoLegal, #Tarifazo, #Maldonado).

Por ejemplo, en el caso de la red #Nisman que se produjo tras la muerte del fiscal Alberto Nisman, en 2015, Calvo (2015), haciendo uso de datos observacionales obtenidos de la red, identificó dos comunidades a través de las cuales circularon narrativas opuestas que suscitaron el diálogo al interior de ellas. La primera, y muy estrechamente vinculada con el kirchnerismo, describía el caso como suicidio, mientras la segunda, opuesta a esta corriente política, conversaba en torno a la posibilidad de un asesinato, del cual el gobierno de ese entonces encabezado por Cristina de Kirchner tendría algo que ver.

Si bien estas conversaciones se han transformado en intercambios polarizados facilitados por la estructura de la comunicación digital, algunos estudios han demostrado que los temas políticos como los anteriores son más propensos a experimentar segregación ideológica, dado que en el espacio virtual los individuos, particularmente los que se segregan en comunidades, se exponen a información que simplemente refuerza sus puntos de vista existentes (Barberá et al., 2015; Barberá, 2015; Huberman et al., 2008).

Por su parte, Waisbord (2020), un crítico acérrimo de esta perspectiva, argumenta que si bien los usuarios tienden a unirse a comunidades con las que tienen afinidad, una aclaración fundamental es que no todos los que habitan el espacio online asumen el mismo comportamiento. Por tal razón, arremete contra los teóricos de la perspectiva “burbujista” y sugiere afinar el análisis para matizar el comportamiento de los individuos en las plataformas de redes sociales.

Aunque existen estudios que muestra la manera en que la red interviene en los eventos sociales, la evidencia empírica sigue siendo escasa. En Colombia, por ejemplo, donde las redes sociales como Twitter han sido fuertemente acogidas por los diferentes sectores políticos que ven en ellas un lugar de enunciación política existen pocos trabajos que documenten este fenómeno. Esto nos lleva a evaluar si los resultados obtenidos por los estudios previos son localizados en el caso colombiano.

Utilizamos las redes de interacciones de Twitter para generar un mapa simbólico que muestre la forma que la plataforma dio a la conversación alrededor de un evento mediático de gran envergadura para el país y que se produjo tras la decisión de la Corte Constitucional de dictar medida de aseguramiento contra el expresidente Álvaro Uribe Vélez. En ese sentido, un análisis detallado del caso podría ayudar a expandir la evidencia empírica más allá de los países donde las redes digitales han sido estudiadas.

Partiendo de la premisa de que Twitter organiza algorítmicamente el contenido y las relaciones entre usuarios (Van Dijck et al., 2018), se hace uso de los procedimientos de datificacion explicados en el apartado anterior para dar cuenta cómo los criterios de relevancia algorítmica moldean ampliamente la conversación virtual.

Los datos que recopilan sistemáticamente las plataformas con fines comerciales sobre estas interacciones de los usuarios circulan masivamente a través de las interfaces de programación de aplicaciones (API, por sus siglas en inglés). Esto hace posible que terceros puedan rastrear la actividad de los usuarios y hacerle seguimiento. Por lo tanto, la datificación también nos permite analizar los datos de comportamiento con fines académicos.

A partir de la reducción algorítmica de las relaciones humanas en macro-datos se puede dar cuenta de los mecanismos subyacentes de la plataforma que moldean la conversación en línea. De acuerdo con Mejias y Couldry (2019) la aplicación de la ciencia de redes a los dominios sociales ha contribuido a la evolución de la datificación. Desde su perspectiva, los grafos sociales y la visualización de redes han permitido extraer información del flujo de las relaciones humanas para usos descriptivo y predictivo.

Con base en la literatura revisada se argumenta que, al estructurar las interacciones en red, los algoritmos de la plataforma moldean la conversación en torno a los temas sociales y crean comunidades que se distinguen localmente. Para poner a prueba este supuesto nos basamos en la red #Uribe, la cual contextualizamos en el siguiente apartado. Como los casos anteriormente revisados en la literatura, el caso #Uribe es de gran interés en la medida en que produjo comunidades virtuales que cimentaron narrativas opuestas y dieron vida a un evento social que puso en crisis el sistema político colombiano.

El caso #Uribe es un proceso judicial que se lleva a cabo en contra del expresidente colombiano Álvaro Uribe Vélez por los delitos de fraude procesal y soborno a testigos. Uribe Vélez fue presidente de Colombia en dos periodos consecutivos (2002-2010) y ha sido uno de los líderes más influyentes en la política colombiana en los últimos veinte años. Pese a su popularidad, la figura del exmandatario ha sido ampliamente criticada por los sectores de oposición por sus supuestos vínculos con el paramilitarismo. Son estos hechos los que, en el fondo, dieron origen al evento mediático en la red social Twitter que hoy se conoce como el caso #Uribe.

El origen del caso se remonta a 2012, cuando en un debate de control político en el Congreso sobre la génesis del paramilitarismo en el departamento de Antioquia, Colombia, el político de izquierda, Iván Cepeda, detalló algunos hechos que vinculaban a Uribe con el surgimiento de grupos paramilitares en esa región del país. Concretamente, Cepeda señaló a Álvaro Uribe como uno de los principales fundadores del Bloque Metro, un frente paramilitar adscrito a las Autodefensas Unidas de Colombia (AUC).

Álvaro Uribe negó los señalamientos y denunció a Iván Cepeda ante la Corte Suprema de Justicia, órgano del poder judicial encargado de investigar a los congresistas, de sobornar a testigos para que declararan contra él. Después de seis años de investigación, en 2018, la Corte concluye que las acusaciones contra Cepeda eran falsas, motivo por el cual decidió abrir una investigación formal contra Uribe quien, a través de terceros, habría incurrido en los delitos de los que acusaba a Cepeda.

El 4 de agosto de 2020, la Corte Suprema de Justicia dictó medida de aseguramiento contra el senador y expresidente Uribe Vélez por los presuntos delitos de fraude procesal y soborno. En un comunicado emitido a través de la cuenta oficial de Twitter, la Corte informaba a la opinión pública sobre los motivos de la decisión. Para el Alto Tribunal la medida restrictiva de la libertad del senador tiene como fundamento gran cantidad de material probatorio recaudado. El material incluye pruebas testimoniales, inspecciones judiciales, registros fílmicos, grabaciones e interceptaciones telefónicas, “que indican su presunta participación como determinador de los delitos de soborno a testigo en actuación penal y fraude procesal”.¹ Sin embargo, la decisión de la detención cautelar se justifica, según los magistrados, por una posible interferencia a la justicia.

Sobre la situación jurídica del exmandatario, el caso pasó a justicia ordinaria, una vez que Uribe renunciara a su curul en el senado, señalando falta de garantías en la Corte Suprema. El caso aún sigue en proceso, pero una vez que le fue notificada la medida de aseguramiento de detención domiciliaria en su contra, el exmandatario trinó lamentando la decisión de la Corte.

Fuente: https://twitter.com/alvarouribevel/status/1290712262504779784?lang=es

El tema generó controversia en la sociedad colombiana, tanto que en la red social Twitter la conversación en torno a la situación del exmandatario se fragmentó en dos comunidades diametralmente opuestas, con hashtags que circularon masivamente en cada una de ellas tanto a favor como en contra (#YoCreoEnUribe, #YoSoyUribe, #MásUribistaQueNunca, #UribeNoEsColombia, #CapturenAUribe, #ApoyoLaJusticia), los usuarios expresaron su opinión sobre el caso.

En la red las diferentes narrativas quedaron ubicadas en lugares opuestos de la tuitósfera, de estas operaciones algorítmicas que se mimetizan con las interacciones entre usuarios quedaron huellas susceptibles de ser mapeadas mediante el uso de herramientas de visualización de redes. Siguiendo la mayoría de los estudios empíricos que trabajan con datos observaciones de Twitter, explicamos en el apartado siguiente los fundamentos de esta propuesta metodológica.

Para crear las redes implementamos el siguiente procedimiento: cargamos las aristas con los autores originales de los tuits establecidos como autoridades y las cuentas que retuitearon sus mensajes. Estimamos un diseño de coordenadas de nodos utilizando el algoritmo de fuerza dirigida Fruchterman-Reingold (FR) en el software estadístico RStudio.

Según Calvo y Aruguete (2020) FR emplean un tipo de estimación llamada “algoritmo de fuerza dirigida” que posiciona cerca los nodos que se comportan de igual modo (retuitean a los mismos usuarios). En definitiva, este algoritmo, mediante un proceso de reducción de datos, nos permite visualizar la ubicación de los usuarios con más aristas en la red.

Una vez que se estima la ubicación de los usuarios en la red, detectamos las comunidades a las cuales pertenecen utilizando el algoritmo de caminos aleatorios [random walk] del paquete Igraph de RStudios. Dentro de las comunidades que se conforman en Twitter, las cuentas que comparten posiciones similares en el mapa que configura la red tienden a agruparse (Calvo y Aruguete, 2018). La función del algoritmo es identificar una comunidad de usuarios aumentando la información disponible y agrupando a los usuarios en alguna región de la red (Calvo y Aruguete, 2018). El algoritmo en este caso identificó dos grandes comunidades, una a favor y otra en contra del exmandatario, resultados que se muestran en el siguiente apartado.