Cargando...
Fecha
2025-03-04
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Citas
Resumen
En la era digital, las redes sociales han sido objeto de debate por su posible influencia en la polarización ideológica. El creciente uso de X como plataforma de expresión política ha intensificado la difusión masiva de mensajes que representan posturas ideológicas extremas. Este fenómeno no solo refleja las divisiones ideológicas en la sociedad, sino que también facilita la propagación de contenido polarizante, impactando
directamente en la opinión pública.
El análisis, clasificación i visualización de tuits según su orientación ideológica, mediante técnicas de machine learning y procesamiento del lenguaje natural, permite comprender la difusión de discursos divisivos y el funcionamiento de las redes de información en línea. Estas metodologías ayudan a identificar patrones de influencia, evaluar el impacto de líderes de opinión y desarrollar modelos predictivos para estudiar la evolución del debate público. Además, contribuyen a investigaciones sobre radicalización, polarización y desinformación, facilitando el desarrollo de herramientas automatizadas para monitorear y moderar el flujo de información en redes sociales, promoviendo un entorno más seguro y constructivo.
Para abordar la escasez de datos y equilibrar las clases minoritarias, se implementaron técnicas de Data Augmentation, mejorando las condiciones de entrenamiento y evaluación de los modelos clasificadores. La mayoría de los modelos experimentaron un incremento en el F1-Score y la Accuracy, destacando mejoras significativas en BlazingText con TF-IDF (de 0.4909 a 0.7244 en F1-Score) y Red Neuronal Artificial (RNA) con TF-IDF (de 0.4663 a 0.7159), evidenciando la efectividad del aumento de datos en modelos basados en texto. La aplicación de Data Augmentation permitió mejorar la detección de patrones y reducir sesgos derivados de la desproporción en las clases de datos.
En l’era digital, les xarxes socials han estat objecte de debat pel seu possible paper en la polarització ideològica. L’ús creixent de X com a plataforma d’expressió política ha intensificat la difusió massiva de missatges que representen postures ideològiques extremes. Aquest fenomen no només reflecteix les divisions ideològiques de la societat, sinó que també facilita la propagació de contingut polaritzador, afectant directament l’opinió pública. L’anàlisi i classificació de tuits segons la seva orientació ideològica, mitjançant tècniques de machine learning i processament del llenguatge natural, permet comprendre la difusió de discursos divisoris i el funcionament de les xarxes d’informació en línia. Aquestes metodologies ajuden a identificar patrons d’influència, avaluar l’impacte dels líders d’opinió i desenvolupar models predictius per estudiar l’evolució del debat públic. A més, contribueixen a la investigació sobre radicalització, polarització i desinformació, facilitant el desenvolupament d’eines automatitzades per monitorar i moderar el flux d’informació a les xarxes socials, promovent un entorn més segur i constructiu. Per abordar l’escassetat de dades i equilibrar les classes minoritàries, es van implementar tècniques de Data Augmentation, millorant les condicions d’entrenament i avaluació dels models classificadors. La majoria dels models van experimentar un increment en el F1-Score i l’Accuracy, destacant millores significatives en BlazingText amb TF-IDF (de 0,4909 a 0,7244 en F1-Score) i Xarxa Neuronal Artificial (RNA) amb TF-IDF (de 0,4663 a 0,7159), evidenciant l’efectivitat de l’augment de dades en models basats en text. L’aplicació de Data Augmentation va permetre millorar la detecció de patrons i reduir biaixos derivats de la desproporció entre classes de dades.
In the digital age, social networks have been widely debated for their potential role in ideological polarization. The growing use of X as a platform for political expression has intensified the massive spread of messages representing extreme ideological positions. This phenomenon not only reflects societal ideological divisions but also facilitates the dissemination of polarizing content, directly influencing public opinion. The analysis and classification of tweets based on their ideological orientation, using machine learning and natural language processing techniques, allow for a deeper understanding of the spread of divisive discourse and the functioning of online information networks. These methodologies help identify influence patterns, assess the impact of opinion leaders, and develop predictive models to study the evolution of public debate. Additionally, they contribute to research on radicalization, polarization, and misinformation, enabling the development of automated tools to monitor and regulate information flow on social media, fostering a safer and more constructive environment. To address data scarcity and balance minority classes, Data Augmentation techniques were applied, improving the training and evaluation conditions of the classification models. Most models showed an increase in F1-Score and Accuracy, with significant improvements in BlazingText with TF-IDF (from 0.4909 to 0.7244 in F1-Score) and Artificial Neural Network (ANN) with TF-IDF (from 0.4663 to 0.7159), demonstrating the effectiveness of data augmentation in text-based models. The application of Data Augmentation enhanced pattern recognition and reduced biases caused by the underrepresentation of certain data classes.
En l’era digital, les xarxes socials han estat objecte de debat pel seu possible paper en la polarització ideològica. L’ús creixent de X com a plataforma d’expressió política ha intensificat la difusió massiva de missatges que representen postures ideològiques extremes. Aquest fenomen no només reflecteix les divisions ideològiques de la societat, sinó que també facilita la propagació de contingut polaritzador, afectant directament l’opinió pública. L’anàlisi i classificació de tuits segons la seva orientació ideològica, mitjançant tècniques de machine learning i processament del llenguatge natural, permet comprendre la difusió de discursos divisoris i el funcionament de les xarxes d’informació en línia. Aquestes metodologies ajuden a identificar patrons d’influència, avaluar l’impacte dels líders d’opinió i desenvolupar models predictius per estudiar l’evolució del debat públic. A més, contribueixen a la investigació sobre radicalització, polarització i desinformació, facilitant el desenvolupament d’eines automatitzades per monitorar i moderar el flux d’informació a les xarxes socials, promovent un entorn més segur i constructiu. Per abordar l’escassetat de dades i equilibrar les classes minoritàries, es van implementar tècniques de Data Augmentation, millorant les condicions d’entrenament i avaluació dels models classificadors. La majoria dels models van experimentar un increment en el F1-Score i l’Accuracy, destacant millores significatives en BlazingText amb TF-IDF (de 0,4909 a 0,7244 en F1-Score) i Xarxa Neuronal Artificial (RNA) amb TF-IDF (de 0,4663 a 0,7159), evidenciant l’efectivitat de l’augment de dades en models basats en text. L’aplicació de Data Augmentation va permetre millorar la detecció de patrons i reduir biaixos derivats de la desproporció entre classes de dades.
In the digital age, social networks have been widely debated for their potential role in ideological polarization. The growing use of X as a platform for political expression has intensified the massive spread of messages representing extreme ideological positions. This phenomenon not only reflects societal ideological divisions but also facilitates the dissemination of polarizing content, directly influencing public opinion. The analysis and classification of tweets based on their ideological orientation, using machine learning and natural language processing techniques, allow for a deeper understanding of the spread of divisive discourse and the functioning of online information networks. These methodologies help identify influence patterns, assess the impact of opinion leaders, and develop predictive models to study the evolution of public debate. Additionally, they contribute to research on radicalization, polarization, and misinformation, enabling the development of automated tools to monitor and regulate information flow on social media, fostering a safer and more constructive environment. To address data scarcity and balance minority classes, Data Augmentation techniques were applied, improving the training and evaluation conditions of the classification models. Most models showed an increase in F1-Score and Accuracy, with significant improvements in BlazingText with TF-IDF (from 0.4909 to 0.7244 in F1-Score) and Artificial Neural Network (ANN) with TF-IDF (from 0.4663 to 0.7159), demonstrating the effectiveness of data augmentation in text-based models. The application of Data Augmentation enhanced pattern recognition and reduced biases caused by the underrepresentation of certain data classes.
Descripción
Categorías UNESCO
Palabras clave
Polarización ideológica, Twitter, Izquierda y derecha, Clasificación automática, Desinformación, Redes sociales, Radicalización en línea, Data Augmentation, Polarització ideològica, Twitter, Esquerra i dreta, Classificació automàtica, Desinformació, Xarxes socials, Radicalització en línia, Data Augmentation, Ideological polarization, Twitter, Left and right, Automatic classification, Misinformation, Social networks, Online radicalization, Data Augmentation
Citación
Fernández Montoro, Marcos. Trabajo fin de Master: "Evaluación de distintos modelos para la detección de la ideología política". Universidad Nacional de Educación a Distancia (UNED), 2025
Centro
E.T.S. de Ingeniería Informática
Departamento
Lenguajes y Sistemas Informáticos