Viralidad y agresividad comunicativa en Twitter durante la covid-19. Visualización de redes y análisis de palabras clave a partir del hashtag #niñosenlacalle

Viralidad y agresividad comunicativa en Twitter durante la covid-19. Visualización de redes y análisis de palabras clave a partir del hashtag #niñosenlacalle MANUEL BLANCO PÉREZ Departamento de Periodismo II Facultad de Comunicación Universidad de Sevilla C/Américo Vespucio s/n 41092 Sevilla E-mail: [email protected] MARTA SÁNCHEZ-SAUS LASERNA Departamento de Filología/ Instituto Universitario de Investigación en Lingüística Aplicada Universidad de Cádiz Avda. Dr. Gómez Ulla, s/n 11003 Cádiz E-mail: [email protected] VIRALIDAD Y AGRESIVIDAD COMUNICATIVA EN TWITTER DURANTE LA COVID-19. VISUALIZACIÓN DE REDES Y ANÁLISIS DE PALABRAS CLAVE A PARTIR DEL HASHTAG #NIÑOSENLACALLE VIRALITY AND COMMUNICATIVE AGGRESSIVENESS ON TWITTER DURING COVID-19. NETWORK VISUALIZATION AND KEYWORD ANALYSIS FROM THE HASHTAG #NIÑOSENLACALLE VIRALITE ET AGRESSIVITÉ COMMUNICATIVE SUR TWITTER PENDANT LA COVID-19. VISUALISATION DES RÉSEAUX ET ANALYSE DES MOTS CLÉS DE L’HASHTAG #NIÑOSENLACALLE RESUMEN: La relevancia comunicativa y social de las redes sociales es incontestable, más aún en circunstancias como las provocadas por la covid- 19. Nos centramos en dos cuestiones de gran relevancia en redes en este periodo: la viralidad y la agresividad comunicativa en Twitter y en España, tomando como muestra el hashtag #niñosenlacalle. Los resultados de los análisis realizados con herramientas computacionales y de corpus revelan una red bastante compacta en torno a tres tuits extremadamente viralizados. Los análisis de palabras clave muestran la intención descalificadora y la agresividad de las publicaciones, con palabras extremadamente ofensivas entre las más relevantes del hashtag. ABSTRACT: The communicative and social relevance of social media is undeniable, even more in circumstances such as those provoked by covid-19. We focus on two issues of great relevance in networks in this period: the virality and communicative aggressiveness in Twitter and in Spain, taking as an example the hashtag #niñosenlacalle. The results of the analysis carried out with computational and corpus tools reveal a fairly compact network around three extremely viralized tweets. The keyword analyses show the disqualifying intention and the aggressiveness of the publications, with extremely offensive words among the most relevant ones in the hashtag. RÉSUMÉ : La pertinence communicative et sociale des réseaux sociaux est indéniable, d'autant plus dans des circonstances comme celles provoquées par la covid-19. Nous nous concentrons sur deux questions de grande importance dans les réseaux en cette période : la viralité et l'agressivité communicative sur Twitter et en Espagne, en prenant comme exemple l’hashtag #niñosenlacalle. Les résultats de l'analyse effectuée avec des outils informatiques et de corpus révèlent un réseau assez compact autour de trois tweets extrêmement viralisés. Les analyses des mots-clés montrent l'intention disqualifiante et l'agressivité des publications, avec des mots extrêmement offensifs parmi les plus pertinents de l’hashtag. PALABRAS CLAVES: agresividad comunicativa; redes sociales; análisis de palabras clave; comunicación digital; lingüística digital. KEY WORDS: communicative aggressiveness; social media; keyword analysis; digital communication; digital linguistics. MOTS CLÉS : agressivité communicationnelle ; réseaux sociaux ; analyse de mots-clés ; communication numérique ; linguistique numérique. SUMARIO: 1. Introducción. 2. Marco teórico. 3. Metodología: herramientas de extracción y análisis empleadas. 4. Análisis de la red. 5. Análisis de palabras clave. 6. Análisis de combinaciones frecuentes. 7. Conclusiones. SUMMARY: 1. Introduction. 2. Theoretical framework. 3. Methodology: tools for extraction and analysis used. 4. Network analysis. 5. Analysis of keywords. 6. Analysis of frequent combinations. 7. Conclusions. SOMMAIRE : 1. Introduction. 2. Cadre théorique. 3. Méthodologie : outils d'extraction et d'analyse utilisés. 4. Analyse du réseau. 5. Analyse des mots clés. 6. Analyse des combinaisons fréquentes. 7. Conclusions. Fecha de Recepción 13/07/2019 Fecha de Revisión 16/07/2020 Fecha de Aceptación 03/08/2020 Fecha de Publicación 01/12/2020 DOI: http://dx.doi.org/10.25267/Pragmalinguistica.2020.i28.02 pragmalingüística 28 (2020) 28-50 29 Viralidad y agresividad comunicativa en Twitter durante la covid-19. Visualización de redes y análisis de palabras clave a partir del hashtag #niñosenlacalle1 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA 1. INTRODUCCIÓN Las circunstancias excepcionales provocadas en España por la pandemia de covid-19 a partir de marzo de 2020 dieron lugar al decreto de estado de alarma en todo el país y al confinamiento de gran parte de la población en sus domicilios. La implantación de las redes sociales en la sociedad española ha hecho posible encontrar en ellas un reflejo del estado social en este periodo y, por tanto, tener en ellas un documento de enorme valor para el análisis comunicativo y lingüístico. En este contexto, el artículo que presentamos analiza los mensajes emitidos en Twitter en torno al hashtag #niñosenlacalle durante el domingo 26 y lunes 27 de abril de 2020, primeros dos días en que el confinamiento empezó a aliviarse. A partir de este día se permitió a los niños menores de 14 años salir a la calle acompañados de un adulto, con el límite de una hora diaria y en un perímetro máximo de un kilómetro desde su domicilio. La repercusión que tuvo en Twitter la publicación de imágenes de personas que supuestamente contravenían las normas fue enorme. Consideramos que este tema es de especial interés como muestra significativa del empleo de las redes sociales en este período: tanto cuantitativa como cualitativamente, los mensajes en torno a este hashtag son un ejemplo extremo de algunas características de la comunicación en redes sociales y de cómo un contexto determinado puede llevar a la viralización de mensajes de una alta agresividad. Llevamos a cabo dos tipos de análisis: el primero se centra en determinar la red de tuits y retuits que ha dado lugar al trending topic y en su visualización. Para ello empleamos distintas herramientas computacionales basadas en R y Python. A continuación, como tipo de análisis de contenido adaptado a grandes cantidades de texto empleamos el análisis de palabras clave. Consideramos que el análisis de palabras clave y de las palabras que se combinan con ellas en el contexto es una metodología adecuada para este tipo de estudios, por varias razones. En un momento en el que el análisis de grandes cantidades de datos empieza a ser una tarea habitual del 1 Este artículo forma parte del proyecto de investigación “Comunicación Solidaria Digital”, PID2019-106632GB-100/AEI/10.13039/501100011033, financiado por la Agencia Estatal de Investigación; del proyecto de excelencia “Lingüística y Humanidades Digitales: base de datos relacional de documentación lingüística” (PY18-FR-2511) de la convocatoria 2018 de Ayudas a proyectos I+D+i (Modalidad “Frontera Consolidado”) del Plan Andaluz de Investigación, Desarrollo e Innovación, y del proyecto “Lingüística y nuevas tecnologías de la información: la creación de un repositorio electrónico de documentación lingüística” (FEDER-UCA18-107788) de la Convocatoria 2018 de Ayudas a proyectos de I+D+i en el marco del Programa Operativo FEDER Andalucía 2014-2020. 30 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA investigador tanto de ciencias sociales como de humanidades, es necesario empezar a manejar herramientas de base computacional. No obstante, estas pueden presentar una enorme complejidad en ciertos niveles, que para el investigador no especialista en computación pueden llegar a ser difíciles de alcanzar sin apoyo informático. Si se combinan herramientas computacionales en unos pasos y otras más propias del análisis de corpus lingüístico en otros, el nivel de complejidad metodológica se reduce significativamente y los resultados obtenidos, tanto cuantitativa como cualitativamente, son de un interés muy alto. Para este trabajo hemos recopilado un corpus de más de 200.000 tuits publicados con el hashtag #niñosenlacalle, emitidos entre el 26 y 27 de abril de 2020. Resaltamos varias cuestiones: por un lado, llama la atención la agresividad comunicativa y la altísima frecuencia de uso de palabras muy ofensivas. Por otro lado, se trata de un hashtag que llegó a ser trending topic (TT) durante todo el día 26, pero, a diferencia de otros TT impulsados claramente por una cierta comunidad tuitera, su surgimiento fue mucho más disperso y espontáneo. No obstante, la mitad de los mensajes emitidos fueron retuits de solo 25 tuits. Creemos que el análisis de este hashtag revela patrones de uso de las redes sociales que han sido muy relevantes en este período, caracterizado muchas veces por la polarización de las opiniones, la enorme viralización de mensajes no siempre fidedignos y la crispación y agresividad en la defensa de los argumentos, crecientes conforme el confinamiento se ha ido alargando. 2. MARCO TEÓRICO Partimos, como marco explicativo y como muestra de la relevancia que tiene el estudio de la comunicación en redes, de la cita de Castells (2008: 15): “Como la comunicación, y en especial la comunicación socializada, la que existe en el ámbito público, ofrece el apoyo para la producción social del significado, la batalla de la opinión de las personas se juega en gran parte en los procesos de comunicación. Y esto es aún más aplicable a la sociedad en red, que se caracteriza por la omnipresencia de redes de comunicación en un hipertexto multimodal”. El uso de redes sociales durante la covid-19 no muestra características diferentes de las que se han observado con anterioridad en estos medios (Fuchs, 2014), pero sí ha exacerbado algunas de ellas. Es decir, no son ajenas a las redes la viralidad, la polarización de las opiniones y la violencia comunicativa, pero el contexto de confinamiento y pandemia de estos mensajes están llevando a altísimos niveles estas tres cuestiones. Tres son, por tanto, los conceptos fundamentales que es necesario recuperar para comprender la importancia del análisis de trending topics (es decir, de concentración de mensajes en torno a un tema) como el que realizamos aquí: el de desinformación (o diseminación de noticias falsas o fake pragmalingüística 28 (2020) 28-50 31 news) –que en este caso se muestra como amplificación de un mensaje muy parcial–, el de viralidad y el de discurso de odio y agresividad comunicativa. Un concepto íntimamente vinculado a las redes sociales en los últimos años es el de fake news y los efectos de su viralización (Al-Rawi, 2019) en la creación de opinión pública. El fenómeno de las fake news ha sido analizado desde múltiples perspectivas y por parte de numerosas publicaciones (Tandoc, Lim y Ling, 2017; Jenkins, Ford y Green, 2017; Barberá et al., 2018), y en la raíz de todo está la abundancia informativa, que puede plantear desafíos a la hora de determinar cuánto de lo que se comparte por redes sociales es cierto, está contextualizado o, simplemente, es relevante. Además, no se puede perder de vista que los contenidos que se comparten en redes sociales están muy influidos por lo emocional (Serrano Puche, 2016; Borges Tiago, Tiago y Cosme, 2019), por lo que, en contextos de tensión, dolor, enfado y preocupación, como los que se han vivido durante la pandemia por la covid- 19, la viralización de elementos de desinformación puede llegar a ser aún mayor (Laybats y Tredinnick, 2016). Íntimamente vinculado a la desinformación, y teniendo en cuenta el contexto que acabamos de describir, la profusión de discursos intimidatorios o directamente agresivos representa en la actualidad una realidad incuestionable, especialmente en redes sociales (Valdez Apolo, Arcila Calderón y Amores, 2019) que debe ser analizada de manera adecuada desde el punto de vista lingüístico y comunicativo, puesto que se trata, en esencia, de productos verbales. Estos productos verbalizan todo tipo de temáticas, todo tipo de puntos de vista, creencias, opiniones, etc. que abarcan muchas y muy diversas esferas de la vida social (Fuentes Rodríguez y Alcaide Lara, 2009; Fernández Smith, 2017; Gallardo Paúls, 2017; Fernández Smith y Casas Gómez, 2018) y, en el caso de la covid-19, han estado dirigidos, además de a políticos y responsables de la gestión de la crisis, a ciudadanos que han sido considerados como infractores de las reglas. Muy numerosas son, de hecho, las publicaciones sobre cómo detectar este tipo de mensajes, debido a su profusión y a las consecuencias que pueden llegar a tener (véase, por ejemplo, la recentísima revisión sobre el tema de Pradhan et al., 2020). En este trabajo vamos a analizar, por tanto, redes y textos, y, en particular, las palabras empleadas en esos textos. Si hablamos de análisis de léxico en corpus textuales, debemos introducir, aunque sea brevemente, qué es la lingüística de corpus y cómo se engrana con los estudios sobre comunicación mediada por ordenador (CMO) (Mancera Rueda y Pano Alamán, 2014). Como indican diversos autores (Parodi, 2008; Zulaica Fernández, 2015), la lingüística de corpus es una metodología de estudio de la lengua y el lenguaje que nos permite trabajar directamente en contextos auténticos con grandes cantidades de texto, asegurando la fiabilidad de los análisis cuantitativos y cualitativos y la comparación posterior con otros trabajos. Aunque los estudios de la web como corpus existen desde que existe internet, en los últimos años empieza a ser un tema de investigación muy fructífero incluso en español, con distintos objetivos y desde distintas disciplinas de estudio (véase, por ejemplo, Fletcher, 2012; Gatto, 2014; Kabatek y De Benito 32 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA Moreno, 2016), especialmente cuando se quiere trabajar con mensajes extraídos de redes sociales (Pano Moya y Moya Muñoz, 2015; Vela Delfa y Cantamutto, 2015; Sánchez-Saus Laserna, 2018). El análisis de palabras clave, que es el que empleamos aquí de entre los que nos ofrece la lingüística de corpus, nos obliga a trabajar con nuestro corpus de estudio y con otro de comparación, que nos permite observar qué palabras son especialmente relevantes en un texto con respecto a la norma, y no simplemente las palabras más frecuentes, de manera que podemos asumir que hay una relación entre la frecuencia de la palabra y su relevancia en el discurso y en la construcción de representaciones (Scott y Tribble, 2006; Rayson, 2008; Duque, 2014; Ceballos Castro, Marí Sáez y Sánchez- Saus Laserna, 2018). Nuestra propuesta, por tanto, tiene el objetivo de analizar, mediante herramientas propias del análisis de corpus tanto cuantitativas como cualitativas (comunicativas y lingüísticas) la viralización de mensajes cargados de agresividad comunicativa y las palabras que se emplearon en ellos, en el contexto del confinamiento debido a la covid-19 en España. 3. METODOLOGÍA: HERRAMIENTAS DE EXTRACCIÓN Y ANÁLISIS EMPLEADAS Dentro de los estudios sobre comunicación mediada por ordenador (CMO) son cada vez más frecuentes los estudios que emplean, para el análisis de la comunicación digital, lenguajes computacionales como Python y R, que permiten realizar búsquedas dentro de las enormes bases de datos que son las redes sociales y, además, analizar de muy diversas maneras grandes cantidades de texto. En este estudio empleamos el paquete de R rtweet (Kearny, 2019) y la herramienta T-Hoarder (Congosto, Basanta Val y Sánchez Fernández, 2017), basada en Python, que nos han permitido extraer los tuits, observar sus métricas cuantitativas y, además, analizar las comunidades de tuiteros que han participado en la creación del trending topic. Además, para la extracción de palabras clave del texto y el análisis de las palabras que se combinan con ellas hemos empleado las herramientas de análisis de corpus Sketch Engine (Kilgarriff et al., 2014) y AntConc (Anthony, 2019). Como introdujimos más arriba, consideramos que el análisis de palabras clave y de las palabras que se combinan con ellas en el contexto es una metodología adecuada para este tipo de estudios, por varias razones. Por un lado, es una propuesta que permite la automatización del análisis, imprescindible cuando se trabaja con grandes cantidades de datos, y, por otro lado, permite un acercamiento al análisis de contenido en redes sociales metodológicamente más accesible para el investigador de ciencias sociales y humanidades que no tenga apoyo informático. Además, creemos que para análisis de trending topics, donde análisis cualitativos automatizados como el análisis de sentimientos o el topic modeling no se adaptan al objetivo de la investigación –determinar el tono de ese tema, de ese topic, pero con miles de autores distintos, en textos muy pragmalingüística 28 (2020) 28-50 33 breves y todos hablando sobre lo mismo–, nos permite determinar qué palabras concretas se han empleado con una frecuencia significativa y, si lo combinamos con un análisis de n-gramas, con qué otras palabras se ha combinado. Por otro lado, dado que el análisis de palabras clave parte de una comparación entre corpus, esta comparación puede hacerse a muchos niveles: con textos muy alejados por tema, por tiempo, por registro, o por cualquier otra variable, para determinar las diferencias más genéricas, pero también con textos más cercanos –de la misma red social, o de la misma época, por ejemplo–, lo que nos permite observar más de cerca qué caracteriza a nuestro corpus de textos frente a otros cercanos. Asimismo, se trata de una metodología fácilmente aplicable a textos de cualquier lengua, pues solo requiere, como herramienta externa, un lematizador. Por último, aunque existen plataformas de pago para el manejo de corpus (como Sketch Engine), que facilitan el trabajo, tenemos también a nuestra disposición herramientas gratuitas con una complejidad de uso bastante accesible. A partir de esta introducción de la metodología, para una mayor claridad expositiva explicaremos cuáles han sido los pasos seguidos para este tipo de estudio al tiempo que vemos sus resultados. 4. ANÁLISIS DE LA RED Para el estudio del hashtag #niñosenlacalle se han recuperado 220.913 tuits emitidos entre el 26 de abril a las 7:00 y el 27 de abril a las 24:00, de los cuales solo 17.890 son tuits diferentes. El resto de las publicaciones recogidas han sido retuits. Es particularmente interesante en este hashtag que los 25 tuits más retuiteados acumularon más de la mitad de los retuits, más de 110.000, con lo que nos encontramos con una enorme difusión de unos pocos mensajes, como podemos ver en la siguiente tabla: ID del tuit Retuits Favoritos 1 1254379304248639489 17.939 35.211 2 1254366647705579525 16.327 39.507 3 1254391674253586432 12.382 22.563 4 1254405728347045889 5901 13.126 5 1254376110609088514 5187 13.191 6 1254384031988428802 4681 9310 7 1254374014983852032 3724 8505 8 1254401840575283202 3572 7714 9 1254355285633892353 3493 6109 10 1254360724295606272 3200 5635 34 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA 11 1254385750105296896 3107 7788 12 1254381370870304770 3252 5431 13 1254374322279534592 3019 8307 14 1254360101227503616 2729 5502 15 1254405556485357568 2475 4723 16 1254388774202675200 2419 8389 17 1254412105282998273 2348 5011 18 1254379675901665281 2507 6715 19 1254394243700920321 1954 3805 20 1254380099258011648 1873 3300 21 1254365677919633408 1927 2804 22 1254383580400279552 1821 5273 23 1254396426043437057 1836 3063 24 1254404377474891778 1743 3521 25 1254415296108154881 1526 2709 TOTALES 110.942 237.212 Tabla 1: 25 tuits con el hashtag #niñosenlacalle más retuiteados Veamos gráficamente cómo se configura la red que ha emitido los mensajes. Tras tomar los datos de tuits emitidos y de sus retuits, con la herramienta T-Hoarder generamos el grafo de relaciones dinámicas a partir de los retuits (quién retuitea a quién). En segundo lugar, introducimos la red exportada en el software Gephi (Bastian, Heymann y Jacomy, 2009), donde la analizamos como una red dirigida (las aristas tienen un origen y un fin). Los grafos se han creado tomando los retuits como elemento de conexión de los usuarios. Cada nodo es un usuario y cada arco es una conexión entre retuiteador y retuiteado. El tamaño de los nodos es directamente proporcional al número de retuits recibidos. Dada la gran cantidad de tuits y retuits del hashtag, tras la aplicación del algoritmo Louvain Multilevel (Blondel, Guillaume, Lambiotte y Lefebvre, 2008) de detección comunitaria, hemos generado el grafo con los datos de las ocho comunidades con un mayor número de nodos. Mostramos el grafo en la figura 1. pragmalingüística 28 (2020) 28-50 35 Figura 1: Grafo de las ocho comunidades con mayor número de nodos en la red #niñosenlacalle Este grafo nos muestra que la red se ha comportado de la siguiente manera. Los nodos mayores, aquellos que representan los tuits con más retuits (zonas 1, 2 y 3), tienen como autores de los tuits a usuarios con pocos seguidores (ver tabla 2). Sus mensajes han sido muy compartidos, pero no por una comunidad compacta, sino por usuarios que retuitean aisladamente un tuit de los más retuiteados (aristas que salen de los nodos mayores de las zonas 1, 2 y 3 y quedan en forma de abanico, del mismo color del nodo del que salen) o por usuarios que, a su vez, estaban hablando sobre ese tema y retuiteando muchos otros tuits con el hashtag (zona 5, con nodos con un grado muy pequeño pero con un alto número de nodos). Las líneas que unen los nodos mayores muestran, además, que hubo numerosos usuarios que retuitearon solo los tuits de mayor éxito. Entre esos dos extremos, representados por las zonas 1, 2 y 3, por un lado, y la zona 5, por otro, tenemos las zonas 4, 6 y 7, que se configuran en torno a tuits con un número de retuits más moderado y que están mucho más en contacto con la zona central (la 5) que las comunidades en torno a los tuits de mayor éxito. Mostramos en la tabla 2 los tuits más retuiteados de cada una de las zonas de la 1 a la 7, junto con el número de retuits y el número de seguidores del usuario que lo publicó. Nº de comunidad ID del tuit Texto Número de retuits Número de seguidores 1 12543793042 48639489 pedro sánchez: solo 1 adulto acompañando a los niños, al menos unos 2 metros de distancia entre las personas etc. los padres: #niñosenlacalle https://t.co/gZjTpU81dq 17607 224 2 12543666477 05579525 Que parte de : UNA HORA , UN ADULTO , UN KILÓMETRO, UNA VEZ AL DÍA y DOS METROS DE DISTANCIA no habéis entendido ????? #niñosenlacalle 16200 3788 36 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA 3 12543916742 53586432 Hipocresía: descripción gráfica. Cuando subáis a casa acordaros de hacer la cacerolada, cantar el Resistiré y los aplausos. Gracias por tanto. #irresponsables #niñosenlacalle #COVID19 https://t.co/3XCtKjOLIa 12327 637 4 12543776963 49560833 Me estas diciendo que me he pasado dos meses en mi casa parq que unos putos niños y sus padres retrasados lo jodan todo en un dia? 6121 57 5 12543607242 95606272 Viendo este vídeo de la plaza De Goya ahora mismo ¿seguís pensando que todo va a salir bien? 3200 197.300 12543601012 27503616 Me he asomado 10 minutos al balcón y ya he visto a abuelos con sus nietos, más de un adulto con dos niños, niños compartiendo juguetes con otros niños...cuando suban los contagios dentro de 10 días nos quejaremos del Gobierno. Venga, salid a aplaudir a las 20.00h. 2600 389 12543510434 85368320 Y la mayoría sin mascarilla. Me va a dar la puta risa cuando luego lloreis y digáis que la culpa es del Gobierno por haberlo permitido cuando nadie os obliga a sacar a vuestros hijos 1400 216 12543524153 62633728 Como digais que la culpa es del gobierno. Niños sin protección, padres irresponsables. La culpa a partir de ahora va ser de cada uno de nosotros a medida de que nos dejen salir. #niñosenlacalle 790 6 12543582096 71938048 En un día hemos demostrado que somos unos irresponsables. Dejan salir a niños bajo una serie de medidas y los padres se las pasan por los cojones. En una semana volvemos al principio 896 511 6 12544055564 85357568 Ni mascarillas, ni distancia de seguridad ni nada. Sois una mierda de padres y una mierda de ciudadanos. Vuestros actos hoy nos condenan a todos #irresponsables #NinosEnLaCalle https://t.co/fXbJOrXa9V 2504 31537 12544043774 74891778 40 y tantos días tirados a la puta mierda, flipante lo de este país #irresponsables #ninosenlacalle 1800 372 12544016152 82438144 Somos una mentira de país, a mi no me engañais. Postureo todo. Aplaudir a las 8 y llorar para que nos dejen salir. Egoismo y falserío. A la hora de la verdad, nos importa una mierda todo. Padres #irresponsables y #niñosenlacalle sin control. Al carajo las medidas de precaución https://t.co/qxzWZjhoEC 617 10347 12544026767 72737024 Sacáis a los niños a la calle y os pasáis por el forro las normas establecidas. Después la culpa será de Pablo Iglesias o del 8M... Ah, y que no se os olvide dar cacerolazos y los aplausos a las 20h. #irresponsables #niñosenlacalle 463 2691 pragmalingüística 28 (2020) 28-50 43 Palabra clave Keyness Frecuencia absoluta Frecuencia absoluta en el corpus de comparación Frecuencia relativa (por millón de palabras) Frecuencia relativa (por millón de palabras) en el corpus de comparación 1 niño 953.994 261 86 9776,75 286,81 2 padre 889.845 223 48 8353,31 160,08 3 salir 498.073 259 403 9701,83 1344,00 4 irresponsable 472.322 112 17 4195,39 56,69 5 norma 349.846 77 6 2884,33 20,01 6 calle 330.752 121 98 4532,51 326,83 7 adulto 315.891 68 4 2547,20 13,34 8 hijo 285.087 103 81 3858,26 270,13 9 culpa 264.348 92 66 3446,21 220,11 10 distancia 258.576 76 33 2846,87 110,05 11 irresponsabilidad 212.493 49 6 1835,48 20,01 12 luego 174.721 81 105 3034,16 350,17 13 paseo 155.202 40 10 1498,35 33,35 14 imagen 152.860 64 69 2397,36 230,11 15 responsabilidad 151.411 62 64 2322,45 213,44 16 parque 145.000 35 6 1311,06 20,01 17 aplaudir 135.667 61 75 2284,99 250,12 18 cumplir 133.038 56 61 2097,69 203,43 19 foto 121.937 55 68 2060,23 226,78 20 gente 121.847 120 380 4495,06 1267,29 21 pasear 110.804 33 15 1236,14 50,02 22 kilómetro 109.354 30 10 1123,76 33,35 23 seguridad 100.520 49 69 1835,48 230,11 24 cacerolada 99.852 24 4 899,01 13,34 25 subnormal 97.773 25 6 936,47 20,01 26 saltar 95.618 28 12 1048,85 40,02 27 responsable 90.054 42 55 1573,27 183,42 28 gilipollas 89.359 28 15 1048,85 50,02 29 respetar 88.163 34 31 1273,60 103,38 44 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA 30 metro 87.010 25 10 936,47 33,35 31 hora 79.976 78 245 2921,79 817,07 32 balcón 79.271 21 6 786,63 20,01 33 ver 76.917 185 1009 6929,88 3364,99 34 multa 76.317 24 13 899,01 43,35 35 abuelo 74.437 24 14 899,01 46,69 36 jugar 72.984 35 48 1311,06 160,08 37 culpar 71.772 22 11 824,09 36,68 38 forro 70.115 17 3 636,80 10,00 39 puto 63.282 52 140 1947,86 466,90 40 encerrar 63.269 25 24 936,47 80,04 41 mañana 62.912 46 110 1723,10 366,85 42 confinamiento 62.379 46 111 1723,10 370,18 43 casa 62.358 71 252 2659,57 840,41 44 coger 61.425 20 12 749,18 40,02 45 rebrote 61.082 12 0 449,51 0 46 playa 60.444 21 15 786,63 50,02 47 egoísta 59.533 14 2 524,42 6,67 48 hoy 58.101 168 989 6293,08 3298,29 49 hashtag 54.320 16 7 599,34 23,34 50 después 52.831 44 120 1648,19 400,20 Tabla 6: Palabras clave de #niñosenlacalle en comparación con un corpus de tuits extraídos el 29 de abril de 2020 Esta segunda lista de palabras clave, realizada con un corpus de comparación extraído de Twitter también durante el mes de abril de 2020, da por supuesto el marco en el que se desarrollan las conversaciones de nuestro hashtag: el confinamiento debido al coronavirus y sus consecuencias (el uso de mascarillas, la posibilidad de contagio o de un rebrote de la enfermedad, la importancia de las UCI y los EPI), que está presente en gran número de las conversaciones de Twitter, y sitúa en las primeras posiciones lo que aportó de nuevo el 26 de abril: los padres y los niños pueden salir por primera vez a la calle a dar un paseo, pero deben cumplir unas normas, especialmente la distancia de seguridad. Así, tenemos como primeras palabras clave “niño”, “padre”, “adulto”, “hijo”, “norma”, “distancia” y “paseo”. Ahora bien, y esto es lo realmente interesante, las palabras con una alta agresividad comunicativa y claramente ofensivas, como “subnormal”, pragmalingüística 28 (2020) 28-50 45 “gilipollas” o “puto”, siguen estando entre las 50 primeras palabras clave (con un altísimo nivel de significatividad, si nos fijamos en los umbrales de significatividad con los que estamos trabajando). Algo más abajo en la lista, pero también por encima de la keyness 15,13, que marca el límite del percentil 99.99, están “imbécil” (66º, keyness 36.315) y “cojón” (79º, keyness 28.764). Es decir, el uso de este tipo de palabras, muy ofensivas y descalificadoras en los tuits del hashtag #niñosenlacalle no se debe a un estilo comunicativo generalizado de Twitter, sino que es representativo de estos mensajes en concreto, que se caracterizan, por tanto, por su alta agresividad comunicativa. 6. ANÁLISIS DE COMBINACIONES FRECUENTES Por último, creemos que es necesario mostrar gráficamente qué tipo de mensajes se están construyendo con las palabras clave analizadas. Para ello aportamos algunas de las combinaciones entre palabras clave más frecuentes, que tanto Sketch Engine como AntConc nos permiten observar. Esto nos permitirá comprender mejor cómo se han empleado las palabras clave de nuestro corpus, las cuales de manera aislada no aportan tanta información como con cierto contexto. Los siguientes gráficos presentan las combinaciones más frecuentes de algunas de las principales palabras clave: los sustantivos “niño”, “padre” (palabras clave más significativas) y “gente” (más frecuente en todo tipo de textos) y de los adjetivos “irresponsable”, “puto” y “subnormal”, representativos del carácter crítico y, en muchas ocasiones, ofensivo y agresivo de los mensajes publicados con el hashtag #niñosenlacalle 4 . 4 El lematizador del corpus esTenTen18 de Sketch Engine lematiza mal el verbo “salir” y no reconoce las formas del presente de subjuntivo, que lematiza aparte como “salgar”. 46 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA Figuras 2-7: Representaciones de las colocaciones de las palabras clave “niño”, “padre”, “gente”, “irresponsable”, “puto” y “subnormal”. Fuente: Sketch Engine En estas figuras la palabra central representa el elemento de la combinación que nos interesa y las palabras alrededor son aquellas que con más frecuencia han aparecido en combinación con ellas. El tamaño de los círculos y la fuente de esas palabras asociadas dependen de su frecuencia. Observamos, pues, que “irresponsable” suele aparecer como modificador de “padre” y de “gente”, así como en la combinación “panda de irresponsables”. Con “gente”, además, son frecuentes el atributo “gilipollas” y el modificador “imbécil” y “subnormal” aparece con frecuencia combinado con “panda de”. Por su parte, “puto” reúne en torno a sí a otros elementos propios de mensajes disfemísticos, como “mierda”, y da lugar, como modificador, a sintagmas como “puta mierda”, “(a/en su/tu/vuestra) puta casa”, “de puta madre”, “puta vergüenza”, “puto niño” o “puta vida”, entre otros. Con “niño”, por último, la selección de palabras no es tan ofensiva (aunque encontramos “putos niños” entre las colocaciones más habituales), sino que se suele aludir a ellos, en primer lugar, como algo ajeno (los posesivos suelen ser “tu”, “su” o “vuestro”) y como sujeto de verbos como “salir”4 o “jugar” u objeto de pragmalingüística 28 (2020) 28-50 47 otros como “tener”, combinaciones que se usan para describir la situación de la que se está hablando. 7. CONCLUSIONES Las redes sociales se han convertido en una herramienta muy útil para tomar el pulso a la sociedad y, por tanto, en una enorme base de datos de indudable valor para cualquier persona interesada en casi cualquier campo de las ciencias sociales. Este interés, que es evidente desde el nacimiento de las propias redes, se multiplica en un contexto como el que estamos viviendo en todo el mundo durante la pandemia causada por la covid-19, y específicamente en España. De todos los mensajes emitidos durante esas semanas, hemos elegido los publicados durante los dos primeros días de la desescalada: el 26 y el 27 de abril, cuando se permitió a los niños salir a la calle acompañados por uno de sus padres. Hemos escogido ese día por dos razones: por la viralidad que adquirió el hashtag #niñosenlacalle y por considerarlo un exponente de la agresividad comunicativa que se está viviendo en las redes en estos días. Así, con ese objetivo, este artículo muestra, empleando diversas herramientas que nos permiten rescatar y analizar las publicaciones de Twitter, dos tipos de análisis: por un lado, gracias a la herramienta T-Hoarder y al software Gephi, hemos observado cómo se comportaron los usuarios al retuitearse los unos a los otros, es decir, qué tuits fueron los más virales y cómo se configuraron las comunidades de la red creada en torno al hashtag. Este análisis nos ha revelado que en las publicaciones sobre este tema participaron usuarios muy diversos, que viralizaron tres tuits concretos publicados por usuarios que no tenían relación entre sí ni se les puede considerar influencers, y que, además, emitieron decenas de miles de tuits que impulsaron el hashtag hasta ser trending topic. Además, hemos observado cómo sí hubo una comunidad más pequeña, desgajada del resto, que añadieron un sesgo político a la crítica generalizada. Por otro lado, dado el contexto y el tono de los mensajes, hemos llevado a cabo un análisis pormenorizado de las palabras clave de los mil tuits más retuiteados, descargados con el paquete de R rweet. El análisis de palabras clave lo hemos realizado de dos maneras diferentes, con resultados complementarios en cuanto a los temas de los que se habla, por un lado, y, por otro, coincidentes en la intención ofensiva y agresividad con la que se emitieron. Al analizar los tuits del hashtag #niñosenlacalle comparándolos con un corpus de textos extraídos de la web, pero no de redes sociales ni contextualizados en la pandemia, las palabras clave más significativas son aquellas que representan el estado excepcional en que se emitieron los mensajes: “confinamiento”, “coronavirus”, “desconfinamiento”, “mascarilla”, “pandemia”. Sin embargo, cuando comparamos nuestro corpus con otros textos sí extraídos de Twitter durante estas semanas, las palabras clave muestran lo que de excepcional tuvo el 26 de abril: “padres”, “niños”, “calle” y “salir”. 48 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA Ahora bien, en ambos casos, palabras con significado claramente ofensivo como “gilipollas”, “subnormal” o “puto” son significativamente frecuentes, lo que demuestra la agresividad comunicativa que ha caracterizado a este hashtag. A quién se ha querido insultar al emplear esas palabras lo muestran las colocaciones de las que forman parte: en particular a “padre(s)” o a “gente” en general. Esperamos que este artículo aporte claves para entender cómo se está desarrollando la comunicación en redes durante la covid-19 en España y sirva a otros investigadores para observar cómo funcionan algunas de las herramientas de estudio de redes y corpus que tenemos a nuestro alcance. La razón de la agresividad comunicativa que hemos analizado y, especialmente, por qué se canaliza hacia niños y familias, esperamos que puedan explicarla nuestros compañeros sociólogos y politólogos. REFERENCIAS AL-RAWI, A. (2019): “Viral News on Social Media”, Digital Journalism, 7(1), pp. 63-79. DOI: 10.1080/216708- 11.2017.1387062. ANTHONY, L. (2019): AntConc (Version 3.5.8) [Computer Software], Tokyo, Japan: Waseda University. Disponible en: https://www.laurenceanthony.net/software (Fecha de consulta: 22/5/2020). BASTIAN, M., HEYMANN, S. & JACOMY, M. (2009): “Gephi: an open source software for exploring and manipulating networks”. International AAAI Conference on Weblogs and Social Media. Disponible en: https://tinyurl.com/y8xhmtg4 (Fecha de consulta: 22/5/2020). BARBERÁ, P., TUCKER, J. A., GUESS, A., VACCARI, C., SIEGEL, A., SANOVICH, S., STUKAL, D. & NYHAN, B. (2018): Social media, political polarization, and political disinformation: a review of the scientific literature, Los Angeles: William+Flora Hewlett Foundation. DOI: 10.2139/ssrNo.3144139. BLONDEL, V. D., GUILLAUME, J.-L., LAMBIOTTE, R. & LEFEBVRE, E. (2008): “Fast unfolding of communities in large networks”, Journal of Statistical Mechanics: Theory and Experiment, 10, 10008-10020. DOI: 10.1088/1742-5468-/2008- /10/P10008. FERNÁNDEZ GARCÍA, F. & ORTIZ VISO, T. (2018): “Tres dimensiones en el análisis de la variación de la (des)cortesía”, Revista de Investigación Lingüística, 21, pp. 133-158. BORGES TIAGO, M. T., TIAGO, F. & COSME, C. (2019): “Exploring users' motivations to participate in viral communication on social media”, Journal of Business Research, 101, pp. 574-582. DOI: 10.1016/j.jbusres.2018.11.011. CASTELLS, M. (2008): “Comunicación, poder y contrapoder en la sociedad red (I). Los medios y la política”, Telos, 74, pp. 13-24. CEBALLOS CASTRO, G., SÁNCHEZSAUS LASERNA, M. & MARÍ SÁEZ, V. M. (2018): “Ejes temáticos y palabras clave en la comunicación para el desarrollo y el cambio social en España. Análisis de marcadores lingüísticos en revistas españolas de comunicación”, Pragmalingüística, 26, pp. 12-31. DOI: 10.25267/Pragmalinguistica.2018.i26.01. CONGOSTO, M., BASANTA VAL, P. & SÁNCHEZ FERNÁNDEZ, L. (2017): “T-Hoarder: A framework to process Twitter data streams”, Journal of Network and Computer Applications, 83, pp. 28-39. DOI: 10.1016/j.jnca.2017.01.029. pragmalingüística 28 (2020) 28-50 49 DUQUE, E. (2014): “Análisis de contenido mediante análisis de palabras clave: La representación de los participantes en los discursos de Esperanza Aguirre”, Mediaciones Sociales. Revista de Ciencias Sociales y de la Comunicación, 13, pp. 39-73. DOI: 10.5209/rev_MESO. 2014.n13.49432. FERNÁNDEZ SMITH, G. (2017): “Instrumentos lingüísticos de los discursos de odio en la prensa digital”, Fragmentum, 50, pp. 99-122. DOI: 10.5902/2179219428800. FERNÁNDEZ SMITH, G. & CASAS GÓMEZ, M. (2018): “From lexicon to discourse in the linguistic expression of taboo: configuring new social realities”, Crespo-Fernán- dez, E. (ed.): Taboo in discourse. Studies on attenuation and offence in communication, Bern: Peter Lang. Linguistic Insights. Studies in Language and Communication, 240, pp. 25-52. FLETCHER, W. H. (2012): “Corpus analysis of the World Wide Web”, Chapelle, C. A. (ed.), Encyclopedia of Applied Linguistics, London: Wiley-Blackwell, pp. 1339-1347. DOI: 10.1002/978140519- 8431.wbeal0254. FUCHS, C. (2014): Social media: A critical introduction, London: Sage. FUENTES RODRÍGUEZ, C. & ALCAIDE LARA, E. (2009): Manifestaciones textuales de la descortesía y agresividad verbal en diversos ámbitos comunicativos, Sevilla: Universidad Internacional de Andalucía. GALLARDO PAÚLS, B. (2017): “Pseudopolítica en la red: indicadores discursivos de desideologización en Twitter”, Pragmalingüística, 25, pp. 189-210. Disponible en: https://revistas.uca.es/index.php/pragma/article/view/3393 (Fecha de consulta: 28/05/2020). GATTO, M. (2014): The Web as corpus: theory and practice, London: Bloomsbury Academic. JENKINS, H., FORD, S. & GREEN, J. B. (2017): Spreadable media. Creating value and meaning in a networked culture, New York: New York University Press. KABATEK, J. & DE BENITO MORENO, C. (2016): Lingüística de corpus y lingüística histórica iberorrománica, Berlin: De Gruyter. Serie Beihefte zur Zeitschrift für romanische Philologie, 405. DOI: 10.15- 15/9783110462357. KEARNEY, M. W. (2019): “rtweet: Collecting and analyzing Twitter data”, Journal of Open Source Software, 4(42), p. 1829. DOI: 10.21105/joss.01829. KILGARRIFF, A., BAISA, V., BUŠTA, J., JAKUBÍČEK, M., KOVÁŘ, V., MICHELFEIT, J., RYCHLÝ, P. & SUCHOMEL, V. (2014): “The Sketch Engine: ten years on”, Lexicography, 1, pp. 7-36. DOI 10.1007/s40607-014-0009-9. LAYBATS, C. & TREDINNICK, L. (2016): “Post truth, information, and emotion”, Business Information Review, 33(4), pp. 204-206. DOI: 10.1177/0266382116680741. MANCERA RUEDA, A. & PANO ALAMÁN, A. (2014): “Las redes sociales como corpus de estudio para el análisis del discurso mediado por ordenador”, López Poza, S. y Pena Sueiro, N. (eds.), Humanidades Digitales: desafíos, logros y perspectivas de futuro, Janus, Anexo 1, pp. 305- 315. Disponible en: https://tinyurl.com/y96pjm3c. (Fecha de consulta: 22/05/2020). PANO ALAMÁN, A. & MOYA MUÑOZ, P. (2015): “CorpusRedEs. Proyecto de creación y anotación de un corpus de comunicación mediada por ordenador en español”, CHIMERA: Romance Corpora and Linguistic Studies, 2, pp. 117-129. DOI: 10.15366/chimera2015.2. PARODI, G. (2008): “Lingüística de corpus: una introducción al ámbito”, Revista de Lingüística Teórica y Aplicada, 46(1), pp. 93-119. DOI: 10.4067/S0718- 48832008000100006. PRADHAN, R., CHATURVEDI, A., TRIPATHI, A. & SHARMA, D. K. (2020): 50 Viralidad y agresividad comunicativa en Twitter durante la covid-19 MANUEL BLANCO PÉREZ & MARTA SÁNCHEZ-SAUS LASERNA “A Review on Offensive Language Detection”, Kolhe, M. et al. (eds.), Advances in Data and Information Sciences, Singapur: Springer. Lecture Notes in Networks and Systems, vol. 94, pp. 433-439. DOI: 10.1007/978-981-15-0694-9_41. RAYSON, P. (2008): “From key words to key semantic domains”, International Journal of Corpus Linguistics, 13(4), pp. 519-549. DOI: 10.1075/ijcl.13.4.06ray. SÁNCHEZ-SAUS LASERNA, M. (2018): “Análisis de palabras clave en la comunicación para el desarrollo y el cambio social: el caso de #comunicambio en Twitter”, Cultura, lenguaje y representación / Culture, language and representation, 19, pp. 119-139. DOI: 10.6035- /clr.2018.19.7. SCOTT, M. & TRIBBLE, C. (2006): Textual Patterns: key words and corpus analysis in language education, Amsterdam: John Benjamins. SERRANO PUCHE, J. (2016): “Internet and emotions: New trends in an emerging field of research”/“Internet y emociones: nuevas tendencias en un campo de investigación emergente”, Comunicar, 46, pp. 19-26. DOI: 10.3916/C46-2016- 02. TANDOC Jr., E. C., LIM, Z. W. & LING, R. (2018): “Defining ‘Fake News’”, Digital Journalism, 6(2), pp. 137- 153. DOI: 10.1080/21670811.20- 17.1360143. VALDEZ-APOLO, M. B., ARCILA-CALDE- RÓN, C. & AMORES, J. J. (2019): “El discurso del odio hacia migrantes y refugiados a través del tono y los marcos de los mensajes en Twitter”, RAEIC, Revista de la Asociación Española de Investigación de la Comunicación, 6(12), pp. 361-384. DOI: 10.24137/raeic.6.12.2. VELA DELFA, C. & CANTAMUTTO, L. (2015): “Methodological approach to the design of digital discourse corpora in Spanish. Proposal of the CÓDICE project”, Fuertes Olivera, P. et al. (eds.), Current work in corpus linguistics: Working with traditionallyconceived corpora and beyond. Selected papers from the 7th International Conference on Corpus Linguistics (CILC2015), pp. 494- 499. DOI: 10.1016/j.sbspro.2015.07.472. ZULAICA HERNÁNDEZ, I. (2015): “Lingüística de corpus”, Gutiérrez Rexac, J., Enciclopedia de Lingüística Hispánica, vol. 1, Londres: Routledge, pp. 216-224.