RedacciónT21 
Según Fariba Karimi, investigadora de redes de la Universidad de Umeå (Suecia), el análisis de datos online masivos puede revelar qué tipo de información nos importa y con quién tenemos más en común. Por ejemplo, las redes pueden utilizarse para estudiar cómo viaja la información de una parte del mundo a otra.
Con la globalización de la tecnología, todo el mundo tiene acceso a todo tipo de información en línea. Pero, en realidad, ¿la globalización hace que las opiniones e intereses de las personas se acerquen entre sí? Karimi y sus colaboradores abordaron esta cuestión en una de sus estudios de tesis, investigando cómo edita la gente los contenidos de Wikipedia.
Los resultados muestran que la gente se preocupa por la información local y regional relacionada con los deportes, los medios de comunicación, las celebridades o los lugares locales. Por otro lado, las personas procedentes de países con un lenguaje o antecedentes históricos similares se preocupan por información similar.
«Compartimos intereses similares respecto a la información con aquellos con quienes compartimos un lenguaje o historia común», explica en la nota de prensa de la universidad Karimi, que defiende su tesis sobre el tema este viernes.
Cada círculo de color de la imagen representa un grupo de países con intereses informativos similares. Los enlaces muestran las conexiones entre los grupos. La ubicación de los círculos coincide más o menos con la ubicación geográfica de la mayoría de los países de ese grupo.
Por ejemplo, en Europa, los países se dividen en ocho grupos. Los países escandinavos se encuentran en un clúster con intereses comunes, mientras que portugueses y españoles tienen más intereses en común con los brasileños que con otros europeos.
«Podemos proyectar estas similitudes en una red donde los países son los nodos y los enlaces representan la fuerza de las similitudes. Estas redes pueden utilizarse para estudiar cómo viaja la información de un lado del mundo al otro», explica Karimi.
Extrayendo patrones a partir de conjuntos de datos en bruto sobre interacciones sociales y económicas es posible analizar cómo se propagan la información, las enfermedades o las crisis financieras. El análisis de redes se está utilizando ahora para evitar grandes epidemias, como el Ébola.
El tiempo
Diariamente, nuestros amigos y colegas nos influyen constantemente de diferentes maneras, desde la interacción social durante las pausas del café hasta las redes sociales en línea.
«La influencia de estas interacciones puede diferir en función del tiempo. Por ejemplo, si usted quiere comprar un teléfono inteligente, tendrá en cuenta sus conversaciones recientes con amigos y colegas acerca de los distintos tipos de teléfono. Otro ejemplo: La gente revisa las redes sociales en momentos específicos durante las horas de trabajo. Por lo tanto, el tiempo puede ser un factor importante en la difusión de procesos en redes. Pero hasta ahora el modelado de redes no tenía en cuenta este componente», asegura Karimi.
La tesis muestra que tener en cuenta el tiempo hace que la dinámica de propagación sea diferente a la de las redes estáticas. «Esto es importante, ya que puede ayudar a comprender mejor los procesos de dispersión en los sistemas sociales reales, que en su mayoría son dinámicos y cambian con el tiempo», resume Karimi.
Otra investigación
Un estudio realizado en la Universidad de Aalto (Espoo, Finlandia) en 2013 refleja que la tendencia de las personas a comunicarse con gente similar es más fuerte de lo que se pensaba, por lo que restringe el flujo de información e ideas en la redes sociales.
Para extraer esa conclusión analizaron cantidades masivas de datos de llamadas de teléfono móvil anónimas, provistos por un operador. Los datos incluían el sexo, la edad y el coste facturado.
Los investigadores observaron que varios patrones de llamadas telefónicas consecutivas (por ejemplo, A llama a B, que luego llama C) son más comunes entre las personas que son similares en términos de edad, género y amigos en común.
Referencia bibliográfica:
Fariba Karimi: Tightly knit – Spreading processes in empirical temporal network. Universidad de Umeå (2015).
Hacer un comentario