Na maioria dos países democráticos, os parlamentares costumam adotar perfis em redes sociais como canais de comunicação não-oficiais, através dos quais podem não somente divulgar sua atuação política, mas também comentar assuntos cotidianos e entrar em contato direto da população em geral.

O Twitter tem atraído bastante a atenção dos brasileiros nos últimos meses e, muitas vezes, isso não se deve às suas funcionalidades, mas às polêmicas geradas a partir de postagens de figuras políticas do país. Nesse sentido, decidiu-se explorar os dados de nossos parlamentares twitteiros na tentativa de compreender melhor como tweeta o Congresso Nacional brasileiro.

Preparação do Ambiente

Para as análises apresentadas a seguir, foram utilizadas as bibliotecas ggbeeswarm, ggplot2, plotly e tidyverse. Já os dados utilizados estão estruturados da seguinte maneira:

Análises

1 — Quais partidos mais produzem conteúdo no Twitter?

Para contabilizar o conteúdo produzido no Twitter será utilizada a soma do número de tweets e retweets de cada parlamentar. Considerando que o número de parlamentares eleitos por partido varia muito, será utilizada a mediana da soma (com agrupamento por partido) citada anteriormente. Por fim, não serão analisados parlamentares sem partido.

most_active <- congress_tt_data %>%
  group_by(partido) %>%
  summarise(conteudo_produzido = median(total_tweets, na.rm = TRUE),
            median_retweet = median(n_retweet, na.rm = TRUE),
            median_proprio = median(n_proprio, na.rm = TRUE)) %>%
  mutate(posicionamento = case_when(
    partido %in% centro ~ "Centro",
    partido %in% esquerda ~ "Esquerda",
    partido %in% direita ~ "Direita",
    TRUE ~ NA_character_)
  )

most_active_plot <- most_active %>%
  ggplot(aes(x = reorder(partido, conteudo_produzido), y = conteudo_produzido, fill = posicionamento,
             text = paste("Partido:", partido, "<br>Mediana de tweets:", median_proprio, "<br>Mediana de retweets:", median_retweet))) +
  geom_col(alpha = .6, show.legend = FALSE) +
  labs(x = "Partido", y = "Mediana do número de tweets de 2019", title = "Conteúdo produzido por Parlamentar") +
  scale_fill_manual(values = c("slateblue1", "steelblue1", "firebrick")) +
  coord_flip()

ggplotly(most_active_plot, tooltip = c("text"))

Conforme o gráfico de barras acima, os partidos mais twitteiros do Brasil são o PSOL, o PCdoB e o NOVO. É interessante notar que os partidos com mais parlamentares eleitos (PSL e PT) não figuram entre as primeiras posições e que a mediana de tweets do PSOL se aproxima do dobro da mediana do 2º colocado. Ainda, descobriu-se alguns partidos (PR, PPL, DC e AVANTE) em que todos os parlamentares eleitos que tem uma conta no Twitter são ou estão inativos nessa rede social.

2 — E quais são os partidos mais populares do Twitter?

Diante do questionamento anterior, mostrou-se relevante definir a popularidade dos partidos políticos para tentar explicar o motivo de alguns deles produzirem uma quantidade tão superior de conteúdo em relação aos seus pares. Visando avaliar essa popularidade, decidiu-se utilizar a diferença entre os números de perfis seguidos e perfis seguidores de cada partido e, para isso, a mediana foi novamente a métrica principal.

followers_data <- congress_tt_data %>%
  group_by(partido) %>%
  summarise(n = median(seguidores, na.rm = TRUE), tipo = "Seguidores")

following_data <- congress_tt_data %>%
  group_by(partido) %>%
  summarise(n = median(segue, na.rm = TRUE), tipo = "Segue")

most_popular <- rbind(followers_data, following_data) %>% filter(!is.na(n))

most_popular_plot <- most_popular %>%
  ggplot(mapping = aes(x = reorder(partido, n), y = n, color = tipo,
                       text = paste ("Tipo:", tipo, "<br>Partido:", partido, "<br>Quantidade:", n))) +
  geom_point(alpha = .6, show.legend = FALSE) +
  labs(x = "Partido", y = "Número de Seguidores/Seguindo", title = "Popularidade dos partidos políticos no Twitter") +
  scale_y_log10() +
  coord_flip()

ggplotly(most_popular_plot, tooltip = c("text"))

É notável que os partidos que seguem mais pessoas não são, necessariamente, aqueles com mais seguidores, fato que é explicitado pela diferença de comportamento entre os pontos Seguidores e Segue do gráfico acima. O PSOL mais uma vez apresenta a liderança isolada entre os partidos políticos, de modo que a quantidade de conteúdo produzido por seus parlamentares torna-se muito mais compreensível dada a quantidade de eleitores que os seguem no Twitter. Por fim, ainda em comparação com a análise anterior, é interessante perceber que os partidos cujos parlamentares não produziram nenhum conteúdo em 2019 não são aqueles com menos seguidores.

3 — Qual a casa e quais os parlamentares mais ativos no Twitter?

Para determinar qual das casas do Congresso Nacional e quais os parlamentares mais ativos no Twitter, será utilizada a soma do número de tweets e retweets de cada parlamentar, agrupando-os pela casa a que pertencem. Considerando a diferença do número de eleitos em cada casa (513 deputados e 81 senadores), adotou-se a mediana dessa soma como métrica principal, representada como pontos pretos no gráfico abaixo.

congress_tt_data %>%
  ggplot(aes(x = casa, y = total_tweets, color = casa)) + 
  geom_quasirandom(alpha = .3, show.legend = FALSE) +
  stat_summary(geom = "point", fun.y = "median", size = 3, color = 'black', alpha = .7) +
  labs(x = "Casa do Congresso Nacional", y = "Número de tweets em 2019", title = "Conteúdo produzido por casa do Congresso Nacional") +
  scale_y_continuous(trans = "sqrt")

É perceptível que o Senado atingiu uma mediana consideravelmente superior à Câmara, trazendo a conclusão que esta é, proporcionalmente, a casa mais twitteira do Congresso Nacional brasileiro. Além disso, também é possível notar a existência de uma grande quantidade de deputados inativos em suas contas do Twitter, enquanto entre os senadores isso acontece bem menos. Em contrapartida, em ambas as casas é possível identificar um seleto número de parlamentares que produzem muito mais conteúdo que os seus pares e, para melhor entendimento desse comportamento, optou-se por gerar um novo gráfico.

camara_top10 <- congress_tt_data %>%
          mutate(conteudo_produzido = n_retweet + n_proprio, na.rm = TRUE) %>%
          filter(casa == "Câmara") %>%
          top_n(10, conteudo_produzido)

senado_top10 <- congress_tt_data %>%
          mutate(conteudo_produzido = n_retweet + n_proprio, na.rm = TRUE) %>%
          filter(casa == "Senado") %>%
          top_n(10, conteudo_produzido)

camara_top10_plot <- camara_top10 %>% 
  ggplot(aes(x = reorder(nome_eleitoral, conteudo_produzido), y = conteudo_produzido, fill = nome_eleitoral,
             text = paste("Casa:", casa, "<br>Número de tweets:", n_proprio, "<br>Número de retweets:", n_retweet))) +
        geom_col(alpha = .6, show.legend = FALSE) +
        scale_fill_brewer(palette = "Set3") +
        coord_flip()

senado_top10_plot <- senado_top10 %>% 
  ggplot(aes(x = reorder(nome_eleitoral, conteudo_produzido), y = conteudo_produzido, fill = nome_eleitoral,
             text = paste("Casa:", casa, "<br>Número de tweets:", n_proprio, "<br>Número de retweets:", n_retweet))) +
        geom_col(alpha = .6, show.legend = FALSE) +
        scale_fill_brewer(palette = "Set3") +
        coord_flip()
          
subplot(ggplotly(camara_top10_plot, tooltip = c("text")), ggplotly(senado_top10_plot, tooltip = c("text")), nrows = 2)

Quanto aos parlamentares, foi possível perceber que o deputado Bacelar (PODE) mostra-se muito mais ativo no Twitter, não somente em relação aos seus pares, mas também aos senadores. Já no Senado, Álvaro Dias (PODE), Humberto Costa (PT) e Jorge Kajuru (PSB) são aqueles que não param de tweetar.

4 — O espectro político impacta no engajamento gerado pelos partidos?

Para responder esta pergunta, é necessário entender onde cada partido político se localiza no espectro político. Dada a subjetividade desta avaliação, adotou-se o modo como os próprios partidos se descrevem e não a atuação de seus parlamentares, gerando três grandes grupos de partidos: esquerda, centro e direita. Considerando a diferença no número de partidos e de parlamentares em cada um desses grupos, decidiu-se utilizar o engajamento mediano como métrica da análise, sendo este engajamento a soma do número de likes e de retweets recebidos pelos parlamentares. Além disso, por questões de visualização, adotou-se uma escala logarítmica.

congress_tt_data <- congress_tt_data %>%
  mutate(posicionamento = case_when(
    partido %in% centro ~ "Centro",
    partido %in% esquerda ~ "Esquerda",
    partido %in% direita ~ "Direita",
    TRUE ~ NA_character_)
  ) %>%
  mutate(ordem_posicionamento = case_when(
    posicionamento == "Esquerda" ~ 1, 
    posicionamento == "Centro" ~ 2,
    posicionamento == "Direita" ~ 3)
  )

congress_tt_data %>%
  filter(!is.na(posicionamento)) %>%
    ggplot(aes(x = reorder(posicionamento, ordem_posicionamento), y = engaj_mediano, color = posicionamento)) +
    geom_boxplot(coef = 1000, show.legend = FALSE) +
    geom_quasirandom(alpha = .3, show.legend = FALSE) +
    labs(x = "Posicionamento político", y = "Engajamento mediano (em log10)") +
    scale_colour_manual(values = c("slateblue1", "steelblue1", "firebrick")) +
    scale_y_log10()

Os três grandes grupos do espectro político apresentaram características bem peculiares. Excetuando-se alguns poucos parlamentares, os partidos centristas tem resultados bem inferiores aos demais quanto ao engajamento gerado via Twitter, o que não chega a surpreender dado o nosso cenário político. Já a esquerda conta com a maior das medianas encontradas e engajamentos mais homogêneos entre seus parlamentares. Por fim, a direita conta com valores mais dispersos, mas também com os parlamentares que geram os maiores engajamentos.