library(pacman)
p_load("DT","xfun","ggplot2", "readr","tseries","ggfortify","tidyr", "dplyr")Estado de animo de los Twitteros en México
En este caso de estudio se analizará el cambio de animo que hubo antes y despues del COVID-19 en los Twitteros mexicanos, y como las personas actuaron con tweets ante esta alarmante situación.
Información relevante de tweets en pandemia
Cuando comenzó la pandemia de COVID 19, las plataformas sociales tuvieron un rol central en la producción y acceso a la información. Este estudio identifica los tópicos de mayor interés y sus sentimientos asociados en Twitter en la conversación pública en lengua española en ese periodo. Asimismo, analiza el rol de Twitter como plataforma social involucrada en la conversación pública, como medio para la autocomunicación de masas y para amplificar la voz de un conjunto reducido de actores de alta visibilidad. Se midieron indicadores de frecuencia y sentimientos, y se agruparon términos para identificar tópicos y determinar el interés de los usuarios sobre estos, mediante métodos digitales y de lenguaje computacional en R.
¿Cuales fueron los tópicos más destacados entre las personas cuando empezó la pandemia?
La frecuencia de los principales términos es dinámica a lo largo del período estudiado, lo que sugiere diferentes percepciones de la pandemia. Los tópicos principales refieren a conversaciones en torno a la cantidad de casos, muertos y contagiados, con prevalencia de sentimientos negativos. La muestra analizada corresponde a mensajes generados por usuarios comunes en su gran mayoría, pero una parte de ella ha sido amplificada a gran escala mediante retuits y marcas de favoritos.
¿A que se deben los sentimientos negativos en los twitteros Méxicanos?
La desinformación en la población hizo que no supieran como debían sentirse, y eso mismo hizo que las personas no pudieran controlar las sensaciones negativas que tenían acumuladas por tantos problemas que la pandemia nos trajo, y por esto mismo es que las personas empezaron a twittear cosas más negativas y tristes porque había una tendecia en las malas noticias.
Datos
Los datos fueron tomados del Inegi proporcionados en la siguiente página: https://www.inegi.org.mx/app/animotuitero/#/app/collect, en los cuales podemos encontrar el número de twitts positivos y negativos ya sea diarios, semanales, mensuales o anuales. Para este caso utilizaremos los datos diarios.
twitter_diaria <- read_csv("twitter_diaria.csv")## Rows: 2255 Columns: 7## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (2): tipo_usuario, lugar
## dbl (4): tuits_negativos, indice, recoleccion_promedio, tuits_positivos
## date (1): fecha##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.datosTwitter <- data.frame(twitter_diaria)
datatable(datosTwitter)En esta tabla se muestran los tweets positivos y negativos agrupados por mes.
twittsST <- ts(datosTwitter[ ,c(2,7)],start = c(2016,1),end = c(2022,1),frequency = 12)
twittsST## tuits_negativos tuits_positivos
## Jan 2016 34401 102401
## Feb 2016 34689 87432
## Mar 2016 39431 94997
## Apr 2016 46229 109772
## May 2016 44575 100176
## Jun 2016 43144 99458
## Jul 2016 42547 96080
## Aug 2016 46027 101565
## Sep 2016 38919 100065
## Oct 2016 40552 96689
## Nov 2016 48545 97004
## Dec 2016 43537 91623
## Jan 2017 47347 96110
## Feb 2017 47837 100735
## Mar 2017 39033 96099
## Apr 2017 38003 95216
## May 2017 40682 99796
## Jun 2017 43126 92845
## Jul 2017 41019 91236
## Aug 2017 41634 92049
## Sep 2017 39618 91049
## Oct 2017 38079 92008
## Nov 2017 34354 87731
## Dec 2017 40478 96211
## Jan 2018 42117 92564
## Feb 2018 41156 91793
## Mar 2018 41919 94864
## Apr 2018 40741 95124
## May 2018 37697 97175
## Jun 2018 35741 93764
## Jul 2018 36328 95785
## Aug 2018 41179 98240
## Sep 2018 39212 92347
## Oct 2018 40859 95664
## Nov 2018 34781 83783
## Dec 2018 27802 75733
## Jan 2019 35124 92330
## Feb 2019 42267 106284
## Mar 2019 38856 95356
## Apr 2019 39781 96370
## May 2019 39921 102481
## Jun 2019 39653 101153
## Jul 2019 38781 106535
## Aug 2019 37918 103034
## Sep 2019 39535 107637
## Oct 2019 41594 97946
## Nov 2019 40646 92341
## Dec 2019 40679 94491
## Jan 2020 40914 94602
## Feb 2020 37659 93483
## Mar 2020 39047 101287
## Apr 2020 39771 96473
## May 2020 40344 92336
## Jun 2020 25731 60898
## Jul 2020 32683 77274
## Aug 2020 24428 58417
## Sep 2020 29111 80843
## Oct 2020 38719 98482
## Nov 2020 50372 129741
## Dec 2020 41075 98033
## Jan 2021 40870 103955
## Feb 2021 40547 94638
## Mar 2021 39683 98942
## Apr 2021 38156 97899
## May 2021 38114 103154
## Jun 2021 37973 99533
## Jul 2021 41352 96870
## Aug 2021 42023 99510
## Sep 2021 48202 96191
## Oct 2021 43881 95608
## Nov 2021 36746 93498
## Dec 2021 37097 98650
## Jan 2022 44881 111260Podemos observar lo que es una variable orientada al tiempo, tiempo en el cual se nos indica la cantidad de tweets positivos y negativos por mes, empezando en enero de 2016 y terminando en enero de 2022, esto se puede analizar por la frecuencia de tweets negativos y positivos en este transcurso de tiempo, ya que representa el periodo de un año.
autoplot(twittsST, ts.colour = "blue",ts.linetype = "dotted")
Este gráfico representa una serie de tiempo, la cual indica el comportamiento de los tweets positivos y negativos a lo largo de estos años. se observa el contraste mencionado de tweets de forma más visual, asi dandonos cuenta de que desde el año 2016, hasta el presente se intensificaron los twits negativos en la pandemia, especificamente cuando las olas de contagios estaban muy presentes en cada conversación del día a día, ya que las personas tenían (y tienen) miedo de enfermarse y empezaron a padecer transtornos psicológicos por el encierro de esta misma.
Gráfica de tiempo con ggplot
df <- datosTwitter %>%
select(fecha, tuits_negativos, tuits_positivos) %>%
gather(key = "variable", value = "No.Twitts", -fecha)
ggplot(df, aes(x = fecha, y = No.Twitts)) +
geom_line(aes(color = variable), size = 1) +
scale_color_manual(values=c("#BB4100", "#6ABB00"))
Se observa nuevamente el contraste de manera más gráfica de los tweets negativos y positivos, desde el año 2016, hasta la actualidad. Estos datos no muestran una tendencia, pero podemos destacar que los tweets positivos disminuyen drásticamente a partir del 2020, por el contrario de los negativos, los cuales presentan picos de aumento apartir del mismo año. Esto mismo puede ser debido a la confianza que tuvieron los twiteros de expresar sus sentimientos una vez empezaron estos problemas.
Tweets negativos
En el año 2017 los Tweets procedentes de México ya contaban con un ánimo en declive, en algunas ocasiones se elevaba por lo que se muestra en la gráfica anterior, pero sin duda estaba por debajo de las cifras recabadas en 2016. Tan sólo con la llegada del primer trimestre del año 2020, trágico año en el que se dio inicio a la pandemia, el descenso de ánimo se vio empeorado fuertemente. Es por esto que se puede demostrar que la pandemia sí ha afectado a la comunidad de Twitter, debido a los Tweets negativos en aumento
twittsNegativosST <- ts(datosTwitter$tuits_negativos,start = c(2016,1),end = c(2022,1),frequency = 12)
boxplot(twittsNegativosST~cycle(twittsNegativosST))
Es hora de analizar el curso de los Tweets negativos y su tendencia conforme el paso del año. Los datos no se presentan de forma considerablemente anormal, exceptuando los meses de Junio o Noviembre. La razón de lo anterior es por las secuelas luego del paso de una oleada de la pandemia tras períodos vacacionales como en Junio, o por Noviembre que es visto por un diario español llamado ABC que lo cataloga como “El mes triste” por cosas depresivas como la tristeza, el cansancio y la apatía. De la misma manera, hay valores atípicos pero no se incluyen en el gráfico de caja y bigote. Por lo tanto, los Tweets negativos fueron similares en comportamiento y aparición durante el año.
Tweets positivos.
Al momento de empezar el año 2017 los tweets tuvieron un declive, puede haber algunos factores externos como la creación de nuevas redes sociales y se puede observar que en 2016 su enero fue el mas feliz.
twittsPositivosST <- ts(datosTwitter$tuits_positivos,start = c(2016,1),end = c(2022,1),frequency = 12)
boxplot(twittsPositivosST~cycle(twittsPositivosST))
Los tweets positivos a lo largo del año fueron de una manera muy lineal dado que no presentaron muchos cambios y se mantuvieron de cierta manera en un promedio ## Tweets en 2019-2020-2021
Veamos la linea de tiempo de twitts, antes, durante y despues de la pandemia.
twitts2022ST <- ts(datosTwitter[ ,c(2,7)],start = c(2019,1),end = c(2022,1),frequency = 12)
twitts2022ST## tuits_negativos tuits_positivos
## Jan 2019 34401 102401
## Feb 2019 34689 87432
## Mar 2019 39431 94997
## Apr 2019 46229 109772
## May 2019 44575 100176
## Jun 2019 43144 99458
## Jul 2019 42547 96080
## Aug 2019 46027 101565
## Sep 2019 38919 100065
## Oct 2019 40552 96689
## Nov 2019 48545 97004
## Dec 2019 43537 91623
## Jan 2020 47347 96110
## Feb 2020 47837 100735
## Mar 2020 39033 96099
## Apr 2020 38003 95216
## May 2020 40682 99796
## Jun 2020 43126 92845
## Jul 2020 41019 91236
## Aug 2020 41634 92049
## Sep 2020 39618 91049
## Oct 2020 38079 92008
## Nov 2020 34354 87731
## Dec 2020 40478 96211
## Jan 2021 42117 92564
## Feb 2021 41156 91793
## Mar 2021 41919 94864
## Apr 2021 40741 95124
## May 2021 37697 97175
## Jun 2021 35741 93764
## Jul 2021 36328 95785
## Aug 2021 41179 98240
## Sep 2021 39212 92347
## Oct 2021 40859 95664
## Nov 2021 34781 83783
## Dec 2021 27802 75733
## Jan 2022 35124 92330A inicios de 2021 los tweets positivos empezaron a disminuir de manera sorprendente y por obvias razones, todo lo que nos ha rodeado en la pandemia y entre otros factores
Graficas
autoplot(twitts2022ST, ts.colour = "blue",ts.linetype = "dotted")
En este punto podemos hacer una comparación en cuanto a los positivos y negativos. Esta gráfica nos muestra el comportamiento de los tweets. Se puede observar que los tweets positivos tienden a bajar aunque se tengan destellos de la misma gráfica. A su vdz se observa una disminución repentina durante finales del año 2021 a diferencia de los tweets negativos los cuales no presentan cambio repentinos.
datosTwitter<- with(datosTwitter,datosTwitter[fecha >= "2019-01-01",])
df <- datosTwitter %>%
select(fecha, tuits_negativos, tuits_positivos) %>%
gather(key = "variable", value = "No.Twitts", -fecha)
ggplot(df, aes(x = fecha, y = No.Twitts)) +
geom_line(aes(color = variable), size = 1) +
scale_color_manual(values=c("#BB4100", "#6ABB00"))
Se nos muestra los datos de una mejor manera gráficamente, es de esta manera en que podemos observar como los tweets positivos disminuyen drásticamente en un periodo de tiempo por el contrario a los tweets negativos, que de al contrario, tienen aumentos durante ese mismo periodo de tiempo
Conclusiónes
Conclusión Christian
En lo personal creo que no había necesidad alguna de comentarios negativos, a pesar de que las personas no se sintieran bien, pero siempre va a haber personas que digan su opinión aunque nadie se las pida, y más como estás fechas fueron dificiles para todos, las personas terminaban expresando sus situaciones y la mayoría de las veces eran tristes y eso mismo hacía pensar a las personas que las cosas no estaban llendo bien para nadie, pero asimismo hubieron twits positivos para que la gente supiera que siempre habría una luz al final del tunel.
Conclusión Jorge
Es interesante ver como los tweets van cambiando de positivos a negativos, y a su vez, observarlo de manera gráfico ante dicho comportamiento de los usuarios el cual fue en mayor medida por culpa de la pandemia el porque se tuvo un cambio sobre lo que la gente tweetea.
Conclusión Miguel
Para concluir se puede determinar que existen muchos factores por los cuales la manera de sentir de las personas y esto lo podemos ver reflejado perfectamente en la aplicación de Twitter, y es genial que existan herramientas cómo estás para ayudarnos a sacar estadísticas.
Conclusión Alejandro
Una vez realizado el caso de estudio, se puede concluir que para determinar el estado de ánimo de los usuarios en Twitter, desde hace unos años hasta la actualidad en medio de una pandemia, es necesario tomar en cuenta una serie de factores muy importantes que reflejan tanto la realidad de las personas como su presencia en una red social. Fue hasta el año 2020 que debido al inicio de una pandemia que ha marcado historia en el mundo, se han visto notoriamente muchos cambios los cuales traen consigo daños a la salud mental de las personas y usuarios de Twitter. El uso de la estadística permite revelar este tipo de relaciones para futuros estudios.
Conclusión grupal
Para cerrar con esta investigación se puede concluir que, claramente existen muchos factores para el cambio de actitud y de sentir de las personas, temas que notorio ya partir del 2020 nuestra sociedad ha estado puesta a prueba con diversos cambios a nivel mundial, mente esto afecta en la manera de sentir de las personas, en la aplicación de Twitter normalmente podemos expresar nuestras maneras de pensar es por eso que es notorio y podemos determinar cuáles son los sentimientos de las personas. A partir de 2020 las gráficas en Twitter de las personas felices empezaron a decaer por razones obvias, ya sea pandemia o daños colaterales a la misma. En si, está herramienta nos ha sido de gran útilidad para determinar estos datos.
Fuentes.
Cebral-Loureda, M. (2021, 4 enero). Los inicios de la pandemia de COVID19 en Twitter. Análisis computacional de la conversación pública en lengua española. Enseñanza. https://scielo.conicyt.cl/scielo.php?pid=S0719-367X2021000200010&script=sci_arttext
Puche, R. (2022). Uso de Twitter durante la pandemia Covid-19. Medicinabuenosaires.com. Recuperado de: https://www.medicinabuenosaires.com/indices-de-2020/volumen-80-ano-2020-s-6-indice/twitter/#:~:text=Twitter%20es%20una%20herramienta%20eficaz,atemporal%2C%20pr%C3%A1cticamente%20sin%20costos%20asociados
Sanchez, J. E. (2022, 10 marzo). A dos años de la pandemia, balance de la situación en la CSS. CSS Noticias. https://prensa.css.gob.pa/2022/03/10/a-dos-anos-de-la-pandemia-balance-de-la-situacion-en-la-css/