ESTUDANDO NARRATIVAS DIGITAIS ATRAVÉS DO PRISMA DE DADOS DE MÍDIAS SOCIAIS

ESTUDANDO NARRATIVAS DIGITAIS ATRAVÉS DO PRISMA DE DADOS DE

MÍDIAS SOCIAIS

Anatoliy [email protected]@gruzd

Canada Research Chair in Social Media Data Stewardship Associate Professor, Ted Rogers School of ManagementDirector, Social Media LabRyerson University

UFMA, Brazil

Nov 18, 2015

http://www.labcomufma.com/sitnd

Portuguese Translation by Viviane Simões

mailto:[email protected]




Pesquisa no Social Media Lab http://SocialMediaLab.ca

http://socialmedialab.ca/

Resumo1. Sites de Mídias Sociais se tornaram uma parte integral das nossas

vidas cotidianas

2. Dados de Mídias Sociais são bons representantes no estudo de interações online e offline

3. Análise de Redes Sociais é um método efetivo para analisar osdados de mídias sociais

4. Atuais e Futuros desafios na Pesquisa de Mídias Sociais

Twitter: @gruzd ANATOLIY GRUZD 3

Twitter: @gruzd

ANATOLIY GRUZD 4

Sites de Mídias Sociais se

tornaram uma parte integral das

nossas vidas cotidianas!

Crescimento nos Dados de Mídias Sociais

Facebook

1.5B usuários

Instagram

400M usuários

Twitter

300M usuários

Twitter: @gruzd

ANATOLIY GRUZD

Sites de Mídias Sociais se

tornaram uma parte integral das

nossas vidas cotidianas!

Crescimento nos Dados de Mídias Sociais

Instagram

Linkedin

Twitter

Wikipedia

Youtube

Facebook

Top social media sites in Brazil

source: alexa.com

Tomada de Decisão

em domínios como Política, Saúde e Educação


Como Entender Dados de Mídias Sociais?

APIs Públicos

Revendedores de

dados

Auto coleta/Auto relato

Como Entender Dados de Mídias Sociais?Tecnologia Big Data


Credit: Nathan Lapierre


Ferramentas de Análise de Mídias Sociaishttp://socialmedialab.ca/apps/social-media-toolkit/

http://socialmedialab.ca/apps/social-media-toolkit/

Netlytic.orginfraestrutura de pesquisa baseada em nuvem para a análise de textos automáticae para a descoberta de redes sociais a partir de dados de mídias sociais

http://netlytic.org/

Data -> Visualizations -> Understanding

Como Entender Dados de Mídias Sociais?Analítica de Dados e Visual




Como Entender Dados de Mídias Sociais?Exemplo: Análise Geo-based


http://107.170.179.56/community/BioDivLibrary

http://107.170.179.56/community/BioDivLibrary

Análise de Redes Sociais (ARS)

Nós = Pessoas

Setas/Ligações (linhas) = Relações/

“Quem retweetou/respondeu/mencionou

quem”

Como Entender Dados de Mídias Sociais?


Ela torna muito mais fácil entender o que está

acontecendo em um grupo

Vantagens da Análise de

Redes Sociais

Uma vez que a rede é descoberta, podemos

descobrir:

• Como as pessoas interagem umas com as

outras,

• Quem são os membros mais/menos ativos,

• Quem tem influência em um grupo,

• Quem é suscetível a ser influenciado, etc…

Twitter: @gruzdANATOLIY GRUZD

13

Liberal

ConservativeSpam

Unknown &

Undecided

NDP

Left

Green

Bloc

Other

Gruzd, A. and Roy, J (2014). Political Polarization on Social Media:

Do Birds of a Feather Flock Together on Twitter? Policy & Internet.

Abordagem comum para a coleta de dados de redes sociais:

• Dados de redes sociais auto relatados podem nãoestar disponíveis/não serem precisos

• Pesquisas ou entrevistas

Problemas com pesquisas ou entrevistas

• Elas são demoradas

• As perguntas podem ser delicadas

• As respostas podem ser subjetivas ou incompletas

• O participante pode esquecer pessoas ou interações

• Pessoas diferentes percebem eventos e

relacionamentos de modo diferente

Como Coletar Informações Sobre Redes Sociais Online?


Estudando Redes Sociais Online

http://www.visualcomplexity.com/vc

Redes de Fórum

Redes de Blogs

Redes de amizade (Facebook,

Twitter, Google+, etc…)

Redes de pessoas de mesma

opinião

(YouTube, Flickr, etc…)


Objetivo: Descoberta de Redes Automatizadas

Desafio: Descobrir quais características baseadas em conteúdo de interaçõesonline podem ajudar a descobrir nós e ligações entre membros de um grupo

Como Coletar Informações Sobre Redes Sociais Online?


Descoberta Automatizada de Redes Sociais

E-mails

Nick

Rick

Dick

• Nós = Pessoas

• Ligações = “Quem fala com quem”

Força da ligação = número de

mensagens trocadas entre indivíduos



Comunicação “De Muitos para Muitos”

ChatMailing listservForum Comments


@John

@Peter

@Paul • Nós = Pessoas

• Ligações = “Quem

retweetou/respondeu/mencion

ou quem”

• Força da ligação = número de

retweets, respostas ou

menções

Descoberta Automatizada de Redes SociaisRedes doTwitter



Exemplos de Dados do Twitter

Ligação de Rede

@MarcosCarvo -> @prefeiturasl


Ligação de rede

@Gruzd -> @SidneyEve

Tipo de Conexão: Menção

Tipo de Conexão: Resposta

Caso de Estudo do Twitter número 1

#ELECTION2016 in USA SÃO LUÍS, MARANHÃO





3,566 registros (15-17 de Novembro, 2015)1394 registros (29 de Outubro, 2015)

https://netlytic.org/network/sigma.php?c=p6UFT9JUlsWz2CHQ&viz=2&datatype=twitter





3,566 registros (15-17 de Novembro, 2015)1394 registros (29 de Outubro, 2015)

O que essas vizualizações nos dizem?



Medidas de Análise de Redes Sociais (ARS)Nível Micro

Centralidade de Entrada

Centralidade de Saída

Centralidade de Intermediação

Outras Medidas de Centralidade(e.g., proximidade, vetor-próprio)

Nível Macro

Densidade

Reciprocidade

Centralização

Modularidade

ANATOLIY GRUZD 24Twitter: @gruzd

Medidas de ARSNível Micro





ANATOLIY GRUZD 25

Centralidade de Entrada sugere“prestígio”, realçando os usuários maismencionados ou que recebem maisrespostas no Twitter

Twitter: @gruzd

Centralidade de EntradaRede do Twitter de São Luís







ANATOLIY GRUZD 27

Centralidade de Saída revela usuáriosativos do Twitter que tem uma boa percepção dos outros usuários na rede

Twitter: @gruzd

Centralidade de SaídaRede do Twitter de São Luís


Centralidade de SaídaRede do Twitter de São Luís







ANATOLIY GRUZD 30

Centralidade de Intermediação mostraatores que estão localizados no maiornúmero de caminhos de informação e que frequentemente conectamdiferentes grupos de usuários na rede

Twitter: @gruzd

Centralidade de IntermediaçãoRede do Twitter de São Luís


Medidas de ARSNível Macro

Densidade

Reciprocidade

Centralização

Modularidade

Densidade indica a conectividade total na rede (o número total de conexõesdividido pelo número total de possíveisconexões).

É igual a 1 quandos todos estãoconectados com todos.


User1 User3

User2Densidade = 1

#Election2016 São Luís

Nós 491 392

Ligações 1075 379

Densidade 0.005 (0.5%) 0.0025 (0.25%)

Reciprocidade

Centralização

Modularidade



Densidade

Reciprocidade

Centralização

Modularidade

Reciprocidade mostra quantosparticipantes online estão tendoconversas mútuas.

Em um cenário onde todos respondem a todos, o valor de reciprocidade será 1.


User2

User1User3

User4 Reciprocidade=1


Nós 491 392

Ligações 1075 379

Densidade 0.005 (0.5%) 0.0025 (0.25%)

Reciprocidade 0.006 (0.6%) 0.063 (6.3%)

Centralização

Modularidade



Densidade

Reciprocidade

Centralização

Modularidade

Centralização indica se a rede é dominadapor poucos participantes centrais (valorespróximos a 1),

ou se mais pessoas estão contribuindo para a discussão e disseminação da informação(valores próximos a 0).


User2

User1User3

User4 Centralização=1


Nós 491 392

Ligações 1075 379

Densidade 0.005 (0.5%) 0.0025 (0.25%)

Reciprocidade 0.006 (0.6%) 0.063 (6.3%)

Centralização 0.047 0.113

Modularidade



Densidade

Reciprocidade

Centralização

Modularidade

Modularidade fornece uma estimativa de se uma rede consiste de um grupocoerente de participantes que estãoengajados na mesma conversa e que estãoprestando antenção uns nos outros (valores próximos a 0);

ou se uma rede consiste de conversas diferentes e comunidades com uma fracasobreposição (valores próximos a 1).



Nós 491 392

Ligações 1075 379

Densidade 0.005 (0.5%) 0.0025 (0.25%)

Reciprocidade 0.006 (0.6%) 0.063 (6.3%)


Modularidade 0.424 0.883



#ForaDilma #ForaCunha


1292 postagens, 935 usuários (14-16 de

Novembro, 2015)1526 postagens, 881 usuários (15-16 de

Novembro, 2015)

#ForaDilma #ForaCunha

Nós 883 718

Ligações 1602 760

Densidade 0.002 (0.2%) 0.0015 (0.15%)

Reciprocidade 0.02 (2%) 0.05 (5%)


Modularidade 0.72 0.9


#SMSociety15

42#SMSociety15

Atuais e Futuros Desafios de Pesquisa:A Ascenção de Bots Sociais

A quem estamos estudando?

Humanos or Bots?


Atuais e Futuros Desafios de Pesquisa:A Ascenção de Filtros Algorítimos

A quem estamos estudando?

Comportamento Humano ouAlgorítimos?


Atuais e Futuros Desafios de Pesquisa:Considerações Éticas

• Quais são as responsabilidades dos pesquisadores que trabalham com dados de mídias sociais?

• Pesquisadores deveriam apenasapresentar dados de forma agregadapara evitar a ligação com usuáriosindividuais?

• Pesquisadores deveriam coletarconsentimento informado dos usuáriosde mídias sociais, mesmo quandoestiverem trabalhando com dados publicamente disponíveis?


Resumo1. Sites de Mídias Sociais se tornaram uma parte integral das nossas

vidas cotidianas

2. Dados de Mídias Sociais são bons representantes no estudo de interações online e offline

3. Análise de Redes Sociais é um método efetivo para analisar osdados de mídias sociais

4. Atuais e Futuros desafios na Pesquisa de Mídias Sociais


ESTUDANDO NARRATIVAS DIGITAIS ATRAVÉS DO PRISMA DE DADOS DE MÍDIAS SOCIAIS

Anatoliy [email protected]@gruzd

Canada Research Chair in Social Media Data Stewardship Associate Professor, Ted Rogers School of ManagementDirector, Social Media LabRyerson University

UFMA, Brazil, Nov 18, 2015


mailto:[email protected]