Acabo de ver un video que está manipulando la opinión pública usando un análisis del movimiento social en Chile hecho por ConnectaLabs AI usando datos de Twitter: medium.com/connecta-ai/ve… Hay dos problemas graves, el análisis mismo y el mal uso de un mal gráfico. Abro hilo largo.
Primero, Twitter no es una muestra representativa de la población chilena. Esto debiera ser obvio, pero por si no lo es, algunos datos:
1) Se estima que hay un poco más de 14 millones de chilenos con acceso a Internet. Es decir una penetración del 77% (2019).
1) Se estima que hay un poco más de 14 millones de chilenos con acceso a Internet. Es decir una penetración del 77% (2019).
2a) Twitter en Chile tiene a lo más 3,5 millones de usuarios considerando los seguidores de los medios de comunicación más populares (este número podría ser menor pues no todos están en Chile). Algunas fuentes indican una penetración del 12,5%, que serían casi 2,3 millones.
2b) También, para fines de audiencia publicitaria se considera que Twitter llega en Chile a 1,5 millones (2019). Es decir, en el mejor caso el 20% de Chile está representado en Twitter.
3) La mayoría de los usuarios chilenos de Twitter son hombres (del 60 al 70%, dependiendo de la fuente), tienen un nivel de educación alto y por ende un poder económico por sobre el promedio, tienen entre 30 y 50 años y están concentrados en las ciudades más grandes.
Por lo tanto, debido a la penetración en Internet, cualquier red social deja fuera al 23% de los chilenos, en particular los más pobres. Luego, Twitter representa en el mejor caso a un 20% de Chile predominantemente masculino, de clase media o alta, de mediana edad y urbano.
Es decir, no representa a la población que más protesta, sobre todo respecto a su edad y nivel económico. Esto se soluciona parcialmente segmentando los usuarios y el último censo para sopesar cada segmento, como hicimos en dl.acm.org/citation.cfm?i…
Segundo, el análisis tiene varias debilidades técnicas. La más grave es usar PageRank para medir influencia. Esto es como decir que mi influencia está dada por los cargos de las personas que me siguen, con lo que puedo tener mucha influencia o ninguna, pues yo no los conozco.
Así que ni siquiera podemos acotar el error de está medida de influencia (lo mismo ocurre con el número de seguidores que es aún más burdo, sin contar que puedo seguir a otro justamente porque no opina como yo – ¡los trolls hacen esto!).
Otra debilidad es la geolocalización de los usuarios, ya que no todos los usuarios se pueden localizar. Suponiendo que los 2000 usuarios con más “influencia” están todos localizados (lo que es raro), muchos de ellos pueden ser chilenos viviendo en el extranjero (e.g., Suecia).
Y si se escogieron los 2000 usuarios con localización más influyentes, habría un sesgo más en esta muestra.
Finalmente, la combinación de estos dos factores anteriores se puede fácilmente usar para manipular la opinión pública. Así es, del gráfico de países, que extrañamente no los muestra en orden, podríamos deducir que el 57% de la influencia viene del extranjero, lo que es errado.
Parece que este porcentaje se calculó con respecto a los 2000 usuarios (como hay sólo 17 países listados, esto implica que en el resto de los países el promedio de influencia es 0,2%, cifra que es mayor que 3 valores de los 17 que aparecen, con lo que ya hay otra inconsistencia).
Es decir no considera la influencia de 638 mil usuarios, la mayoría chilenos (los porcentajes de influencia no pueden considerar toda la población -pues entonces no serían chilenos- y la influencia de Chile sería mucho mayor al 43%).
Como estos valores dependen de si elijo 1000 o 2000 usuarios influyentes (sesgo de análisis), sería mejor hacer este gráfico para TODOS los usuarios de la muestra y ver cual es la influencia real de los extranjeros, que será MUCHO menor (sólo considerando usuarios localizados).
P.D. ¡Los datos no son información! Así que ya se comienza mal en el título y en uno de los títulos de sección.
