Elaborado por: Elias Said-Hung & Julio Arévalo

Caso de estudio: Twitter

Usuario de Twitter analizados:

• ahorapodemos
• Albert_Rivera
• CiudadanosCs
• marianorajoy
• Pablo_Iglesias_
• PPopular
• PSOE
• sanchezcastejon

N=36.193 tweets (total), recolectados a través de Python.

Procedimiento de reestructuración y análisis de datos, realizados con: R.

Pasos aplicados para el tratamiento y análisis de datos recabados:

• La totalidad de variables anidadas en la base de datos recolectada a través de Python separadas de acuerdo con los diferentes temas que serán tratados en el marco de este trabajo. Para ello se hizo uso de REGEX (expresiones regulares).
• Se eliminaron tweets(T y RT) totalmente en otros idiomas. En total se eliminaron: 403 palabras).
• Los replies fueron etiquetados como tweets(T).
• Se trabajaron en conjunto T y RT.
• Tokenización de palabras:          
• • Se realizó prelimpieza de la totalidad de tweets (cambiar palabras que tenían @). Se sustituyeron un total de: 66 palabras.
  • Se corrigieron palabras unidas (e.g. "infantitapreparados"), separándolas entre sí. Se corrigieron un total de 42 palabras.
  • Se eliminaron los hashtags, las URLs y la palabra RT que aparecían en los tweets analizados.
  • Se eliminaron las stopwords seleccionadas
  • Se generó el corpus y luego los tokens (eliminando signos de puntuación, símbolos y separadores)

• Tokenización de hashtags:
• • Se llevó a cabo prelimpieza de hashtags y se unieron aquellas que tenían errores ortográficos o diferían en tamaño de las letras y pertenecían a los mismos usuarios analizados.
• Elaboración de de algoritmos de machine learning:
• • Los algoritmos elaborados se hicieron para el análisis de cada una de las variables ad-hoc creadas en el marco de este trabajo (e.g. cultura política) por la cantidad de observaciones etiquetadas para cada uno de estos casos.
  • Se incluyeron los hashtags que podían dar información importante para entender el tipo de tweet
  • Se usó como medida para contabilizar términos TF-IDF
  • El modelo algorítmico empleado fue el de máquinas de soporte vectorial y Random Forest (de acuerdo con el tema abordado), cuyos parámetros internos fueron buscados mediante grid search.
  • Se empleó la Crossvalidación, como método para validar cuan bien se ajustaban los modelos a data no vista proporcionando buenos resultados

Fecha de levantamiento de la información: Del 26 de mayo de 2016 (un mes antes de las elecciones generales realizadas el 26 de junio de 2016) al 2 de septiembre de 2016 (semana en que se llevó a cabo el primer debate de investidura al cargo de Presidente de Gobierno).