Midiendo la Polarización en Twitter con el índice JDJ: COVID-19 y el Caso Begoña Gómez

Este trabajo fin de máster se centra en el estudio de la polarización en redes sociales, tomando como eje principal la plataforma X (Twitter). A lo largo del desarrollo, se revisan distintas teorías de la polarización y se observa cómo varían sus definiciones y formas de medición, aunque el enfoque...

Descripción completa

Detalles Bibliográficos
Autor: Chen, Zhen Bo
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:español
OAI Identifier:oai:docta.ucm.es:20.500.14352/122636
Acceso en línea:https://hdl.handle.net/20.500.14352/122636
Access Level:acceso abierto
Palabra clave:004.6
316.6
Twitter
Polarización
Indice JDJ
Estadística
Estadísticas e indicadores sociales
1209.03 Análisis de Datos
6303 Sociología General
Descripción
Sumario:Este trabajo fin de máster se centra en el estudio de la polarización en redes sociales, tomando como eje principal la plataforma X (Twitter). A lo largo del desarrollo, se revisan distintas teorías de la polarización y se observa cómo varían sus definiciones y formas de medición, aunque el enfoque de este estudio se centra especialmente en el índice JDJ, una propuesta reciente que permite medir la polarización de forma dinámica. Esta medida se pone en práctica mediante el análisis de dos casos muy distintos entre sí, el caso COVID-19, con un corpus de aproximadamente 1,2 millones de frases, y el caso de Begoña Gómez, con cerca de 12 mil frases recopiladas. Y a este ultimo corpus le aplicamos técnica de clasificación automática basada en zero-shot, que permite etiquetar grandes volúmenes de datos. Además de aplicar esta metodología, el trabajo explora todos los pasos desde la obtención, prepara los datos, hasta el análisis del resultado final. Por último, se presenta el análisis de los resultados obtenidos de cada caso y se realiza una comparación entre ambos escenarios, destacando las diferencias contextuales que marcan cada uno.