Publication: Análisis de relaciones en grupos de Whatsapp
Loading...
Official URL
Full text at PDC
Publication Date
2021-07
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
Cuando hablamos de redes sociales de forma intuitiva pensamos en aplicaciones como Twitter o Facebook, no obstante, las redes sociales se remontan a la década de 1930 (Moreno, 1934) y competen cualquier estructura social compuesta por un conjunto de actores y relaciones entre los miembros de una red.
De esta manera, el análisis en redes sociales (SNA) se puede describir como el estudio de las relaciones humanas mediante teoría de grafos (Tsvetovat & Kouznetsov, 2011).
La mayoría de los estudios que se han realizado en redes sociales están basados en las redes de Twitter o Facebook, y prácticamente ningún estudio realiza investigaciones de SNA aplicado a plataformas de mensajería instantánea como Whatsapp, que es una de las plataformas más usadas en comparación con Facebook o Twitter.
El motivo es claro, la dificultad para extraer la información, así como para construir la red de comunicación entre usuarios.
Debido a esta escasez de estudios en las conversaciones de mensajería instantánea nuestro objetivo ha sido resolver los problemas que se abordan en SNA para detectar a los líderes de opinión, las comunidades existentes y los distintos roles bajo una misma red, pero siempre dentro del marco de comunicación de Whastapp.
En particular, el estudio principal sobre el que nos basaremos define de qué manera crear una matriz de afinidad (Fumanal-Idocin, Alonso-Betanzos, Cordón, Bustince, & Minárova, 2020) y lo aplicaremos a las relaciones de mensajería instantánea.
Para lograr esto, haremos uso de la extensión para Google Chrome “Whatsapp Backup”, Python 3.9 y la librería de Python Network X. Además de SEMMA (Azevedo & Santos, 2008) como metodología utilizada en este proyecto.
En los resultados obtenidos, se aprecia como la centralidad de grado da unos resultados similares a los obtenidos en el rol de coordinator, llegando a la conclusión de que los nodos más importantes de una red son efectivamente quienes ejercen dicho rol.
Por último, hemos podido ver como la matriz de conectividad que presentamos mejora los resultados con respecto a una matriz de conectividad base.
El código asociado a este proyecto se encuentra disponible en https://github.com/luis-
marquez/TFMUCM.git
Description
UCM subjects
Unesco subjects
Keywords
Citation
Azevedo, A., & Santos, M. F. (2008). KDD, SEMMA AND CRISP-DM: A PARALLEL OVERVIEW.
Barnes, J. A. (1954). Class and Committees in a Norwegian Island Parish.
Dekker, A. H. (2008). Centrality in social networks: Theoretical and simulation approaches. Simulation Technology and Training Conference (SimTecT). Melbourne, Australia.
Fumanal-Idocin, J., Alonso-Betanzos, A., Cordón, O., Bustince, H., & Minárova, M. (2020). Community detection and Social Network analysis based on the Italian wars of the 15th century.
Ghali, N., Panda, M., Hassanien, A. E., Abraham, A., & Snasel, V. (2012). Análisis de redes sociales: herramientas, medidas y visualización. Springer, Londres, 3-23.
Malliarosa, F. D., & Vazirgiannis, M. (2013). Clustering and Community Detection in Directed Networks:.
Manaris, B., Pellicoro, L., Pothering, G., & Hodges, H. (2006). INVESTIGATING ESPERANTO’S STATISTICAL PROPORTIONS RELATIVE.
marketing4ecommerce. (2019). marketing4ecommerce.net. Obtenido de marketing4ecommerce.net: https://marketing4ecommerce.net/cuales-redes-sociales-con-mas-usuarios-mundo-ranking/
McIntire, J., & Osesina, O. I. (2011). Development of visualizations for social network analysis of chatroom text.
Montemurro, M. A. (2001). Beyond the Zipf–Mandelbrot law in.
Moreno, J. L. (1934). Who shall survive?: A new approach to the problem of human interrelations.
Muscoloni, A., & Cannistraci, C. V. (2017). Rich-clubness test: how to determine whether a complex network.
Nooy, W. d., & Batagelj, V. (2012). Exploratory Social Network Analysis with Pajek.
Rahardjo, B., & Alamsyah, A. (2014). Community Detection Methods in Social Network Analysis.
Rana, N. P., Kapoor, K. K., Tamilmani, K., Patil, P., Dwivedi, Y. K., & Nerur, S. (2018). Advances in Social Media Research: Past, Present and Future. Springer, 28.
SERRANO, C. (2021). ¿Ganó o perdió? Revelan cuántas personas siguen usando WhatsApp.
Shanahan, M., & Wildie, M. (2012). Knotty-Centrality: Finding the Connective Core of a.
Tsvetovat, M., & Kouznetsov, A. (2011). Social Network Analysis for Startups.
Yeung, K. Y., & Ruzzo, W. L. (2001). Details of the Adjusted Rand index and Clustering algorithmsSupplement to the paper “An empirical study on PrincipalComponent Analysis for clustering gene expression data” (toappear in Bioinformatics).
Yu, S., Xu, C., & Liu, H. (2018). Zipf's law in 50 languages: its structural pattern, linguistic interpretation, and cognitive motivation.