123456789Teórico #5 Big Data, Algoritmos y diseño institucional Parte 2screenshot-docs.google.com-2017-05-01-19-46-41

Teórico #5 Big Data, Algoritmos y diseño institucional Parte 2

Por Alamo, Sofía; Bordoy, Giselle; Chetto, Melisa; Gonzalez Ocampo, María Eugenia; Ibañez, Fernanda y Migliorini, Agustina

Bienvenidos a Aula 2017

¿Es posible investigar teniendo en cuenta la gran escala de información a la que nos enfrentamos y producimos a diario? ¿Qué implica investigar utilizando software? Las Humanidades Digitales y la Analítica Cultural, las propuestas metodológicas que les venimos contando desde el encuentro n° 1, se ocupan especialmente de esas preguntas.

Para ilustrar estos nuevos abordajes, invitamos a los participantes del teórico 4 a imaginar el aula como si fuera una plataforma. En esa metáfora, cada uno de las personas que asistimos constituíamos “un dato”, y estábamos estructurados según dicha plataforma lo permitía: existía una gran cantidad de datos que estaban dispuestos de una manera ordenada, todos mirando hacia una sección particular; otros teníamos mayor libertad de circulación, pero en general nos encontrábamos en un extremo de la misma y podíamos, desde ese lugar estratégico, “controlar” todo lo que sucedía en ese espacio. Cada uno de estos datos tenía una cantidad de metadatos, es decir algunas etiquetas que ayudaban a describirlos. Esos metadatos están relacionados a su historial como estudiantes y docentes, en los legajos de cada uno de nosotros. Cruzando algún tipo de información (planillas de asistencias y legajos), algunos de los presentes podría acceder a conocer suficiente información sobre cada uno.

Como analistas, el grupo de no-docentes que preparó el teórico planteó una serie de preguntas para ser respondidas por los mismos datos que conforman esta plataforma. Para no tener que preguntarle a cada uno mediante una encuesta y con el fin de poder captar toda la información en un mismo momento, mediante el scraping visual se recolectó la información. Realizamos una serie de preguntas que debían contestar mediante el prendido o el apagado de las pantallas de los celulares, mientras sacábamos fotos. En esta analogía, la pantalla de los celulares funcionó en términos de API (un software al que podíamos hacerle preguntas para que detectara información de la plataforma que estábamos estudiando).

Las preguntas esta vez estuvieron más vinculadas para detectar la distribución de los datos:

  •  quienes vienen de la comisión de las 5
  • quienes van a la comisión de las 9
  • quienes vienen de otras comisiones
  • a quienes el SIU les asigno la materia de una
  • quienes hacen la materia por primera vez


Observando la información recolectada mediante el scraping sonoro podemos inferir algunos rasgos de la población de la cursada de este cuatrimestre.

Si bien antes de recolectar la información suponíamos que la mayoría de los asistentes al teórico serían de las comisiones de los martes (específicamente de los horarios antes y después del teórico) al observar las imágenes podemos inferir que muchos cursantes de otras comisiones y horarios participan de estos espacios.

También que, al menos los asistentes, no tuvieron complicaciones para inscribirse a la materia y el sistema del SIU se las asignó sin necesidad de reclamos, cuestión que podríamos relacionar con que la mayoría de nuestros asistentes realizan la materia por primera vez.

Para finalizar la práctica, señalamos entonces las palabras clave para entender esta forma de investigar: scraping, datos, metadatos, API, datificación y visualización de información.

Estudio de caso: #NiUnaMenos

El scraping textual como técnica de investigación

El scraping es una técnica basada y mediada por software utilizada para el procesamiento, el análisis y la interpretación de grandes cantidades de datos culturalmente significativos. En él se extraen de manera automática datos de un sitio web que podremos tratar como información. También se recurren a las APIs (Interfaces de programación de aplicaciones o en inglés, Application Programming Interfaces) que epresentan la capacidad de comunicación entre dos softwares: el que nos brinda la información y el que la recolecta. Con esta metodología de investigación, nos propusimos investigar el discurso mediático y en redes sociales sobre las desapariciones de dós jóvenes en democracia.

#NiUnaMenos: Big Data para la comprensión de una problemática de género

Según el Observatorio de Femicidios Marisel Zambrano de La Casa del Encuentro, que realiza un relevamiento en base a noticias publicadas en 120 medios de todo el país, en Argentina matan a una mujer cada 30 horas solo por ser mujer. Durante el último año, fueron asesinadas 275, mientras que 35 varones murieron tratando de salvarlas. La consigna #NiUnaMenos surgió en el año 2015 y fue desencadenada por el brutal crimen de Chiara Páez, de 14 años, en Santa Fe. Se trata de un grito colectivo contra la violencia machista cuyo objetivo principal es proteger a las mujeres y decirle basta a los femicidios. Potenciada y viralizada por organizaciones sociales y periodistas, dio origen a una marcha multitudinaria que se desarrolló el 3 de junio, con el apoyo de familiares y víctimas de violencia de género, sindicatos, partidos políticos, artistas, estudiantes, entidades feministas y defensoras de los derechos humanos. Un año después, el 3 de junio de 2016, los reclamos continuaron, haciendo especial hincapié en la necesidad de un índice de violencia machista que brinde cifras, mapeos y estadísticas para la implementación de políticas públicas. El 19 de octubre se realizó el primer paro de mujeres, denominado también “miércoles negro”, movilizando una vez más a miles de mujeres en una protesta multitudinaria contra los femicidios, haciéndose eco de la consigna “si nuestras vidas no valen, produzcan sin nosotras”.

En este sentido, resulta sumamente interesante realizar un relevamiento de las conversaciones generadas en Twitter, medio fundamental para la difusión, en torno al hashtag principal #NiUnaMenos y otros vinculados para analizar de qué manera se instaló el tema en la agenda pública y cómo fue evolucionando un año después. En el marco de las Humanidades Digitales y el Big Data, y a partir del método de scraping textual, es posible desentrañar los significados que circulan en la sociedad. La analítica cultural nos permitirá analizar las regularidades o las transformaciones generadas a partir de este pedido urgente que nace desde la lucha popular y precisa un lugar primordial en los estudios de la academia.

Fases de la Investigación

Para interpretar las grandes cantidades de datos que son producidos cotidianamente en la web por y a través de software, se requiere necesariamente de una aproximación que también se encuentre mediada por software. Abordaremos el mencionado caso de estudio atravesando cuatro fases:

Fase 1: Problematizar

Como en todo proceso de investigación, el lugar del analista es esencial, ya que él es quien formula las preguntas de investigación y fija sus objetivos. De nada sirve acceder a una gran cantidad de información, por bien estructurada que se encuentre y por más interesante que puedan resultarnos sus números, si no logramos realizar  preguntas relevantes y establecer relaciones entre datos. Debido a que estamos explorando esta metodología particular y hemos elegido las técnicas con las que vamos a trabajar, las preguntas de investigación se vuelven cruciales para determinar con qué lentes analizaremos la información relevada, o corpus, y con qué mecanismos procederemos a contestarlas, permitiéndonos andar y desandar los discursos que circularon alrededor de nuestro caso de estudio.

La pregunta de investigación debe ser concisa, alcanzable y relevante. Tiene que estar formulada en un lenguaje sencillo y claro. Es necesario utilizar frases cortas y directas.  Es preciso defender la importancia de dedicar una investigación a responder preguntas culturalmente significativas, cuyos resultados de investigación aporten al campo en el que estamos explorando a nivel teórico, empírico y social.

Pregunta problema

¿De qué maneras se conversó al interior del hashtag #NiUnaMenos entre las convocatorias de junio de 2015, junio de 2016 y octubre de 2016 en la red social de microblogging Twitter?

¿Cómo aportaron a esta conversación los mensajes que circularon en otros hashtags relacionados como #VivasNosQueremos, #NosotrasParamos, #Femicidios y #NosotrosAcompañamos?

Preguntas específicas

  1. ¿Cuáles fueron los temas tratados en la conversación? ¿Respondían a la convocatoria o surgieron temas nuevos?
  2. ¿En qué otras conversaciones circuló el hashtag? ¿Qué otros hashtags se vieron relacionados?
  3. ¿Qué usuarios participan, cuáles son las personas que están detrás?. ¿Cuáles son los usuarios más mencionados?
  4. ¿Que tan distribuida es la conversación: que nivel de participación hay, cuántos tweets originales, cuantos rt?

Fase 2: Scrapear

La fase de recolección no se lleva a cabo de forma intuitiva y azarosa, sino que se desprende directamente de la pregunta de investigación. Esta será la brújula que nos indique qué datos necesitamos para cruzar, contrastar y encontrar futuros patrones. Es por eso que debemos llevar a cabo un recorte inicial orientador: ¿en qué sitios nos vamos a centrar? ¿qué período temporal vamos a abarcar? ¿cómo justificamos todas estas decisiones? Todos los datos deben ser almacenados teniendo en cuenta los mismos criterios de búsqueda, por ejemplo: misma fuente, temática, fecha o categoría. Cuanto más rigurosos y detallistas seamos al describir la forma en que armamos la base de datos, más efectivo será nuestro trabajo. Además, el tamiz que utilizamos para recoger la data debe aplicarse de forma homogénea: si nos salteamos datos o dejamos espacios en blanco, será imposible la comparación al momento de visualizar e interpretar. Una vez que tengamos en claro cuáles son los datos que no pueden faltar, llega la hora de buscar aquellas herramientas que nos permitan el acceso a ellos, es decir, las piezas de software que mediarán en  nuestro contacto con el objeto de estudio.

Utilizamos los siguientes criterios de selección para construir nuestras bases de datos:

  • Hashtag #Niunamenos marcha del 2015
  • Hashtag #Niunamenos marcha del 2016
  • Posteos y comentarios de la Fan page “Ni una menos”
  • Durante los días 2, 3 y 4 de Junio
  • Hashtag #Vivasnosqueremos 2016, durante los días 18, 19 y 20 de Octubre
  • Posteos y comentarios de la Fan page “Ni una menos”
  • Durante los días 18, 19 y 20 de Octubre
  • La selección de los días comprende el criterio del día anterior, posterior y el durante las marchas.

Fase 3: Estructurar

Una fase importante en el proceso de investigación es la organización de los datos. Una vez recolectados deberemos trabajar en ella de acuerdo a los objetivos planteados. Por lo tanto, mediante su estructuración y procesamiento, convertiremos los datos almacenados en información para nuestra investigación.

Tras el scraping, los datos de una determinada base de datos se encontrarán relacionados en función de cómo estaban organizados en la plataforma de donde extrajimos los datos, gracias a los metadatos: aquellas etiquetas que nos ayudaron a acceder a los lugares del código donde estaban alojados.

Fallas (2013) menciona que la base de datos es como cualquier otra fuente a la que se enfrentan, por ejemplo, los periodistas. Por esa razón es importante tener en cuenta que las mismas siempre son confeccionadas por personas y  en ellas puede haber errores involuntarios o deliberados. Como establece el autor, será importante que antes de empezar a trabajar con la información brindada en la base le hagamos ciertas preguntas: ¿quién recopiló los datos y cuáles fueron sus propósitos? ¿qué criterio de recolección se utilizó? ¿qué intereses persigue la persona que entrega la data? ¿ese registro de cifras provee toda la información necesaria para iniciar un proyecto? ¿se deben buscar otras bases o incluso crear las propias?

Una vez finalizada la “entrevista” a nuestra base de datos podremos pasar a su organización ya que la misma no se encontrará estructurada a los propósitos de nuestra investigación. Para ello, un paso muy importante será la “limpieza”, es decir el borrar información que no se relaciona con nuestras preguntas de investigación o nuestros objetivos, debido a que la misma puede dificultar su lectura.

En nuestro caso, debido a la gran cantidad de información que pudimos recolectar y, entre otras cuestiones, los problemas técnicos que enfrentamos gracias a esta masividad de los datos, decidimos recortar nuestras bases de datos con el fin de unificar los periodos y así poder realizar comparaciones valiosas.

Fase 4: Visualizar

Manovich (2010) define a la visualización de la información como “el mapeo entre los datos discretos y la representación visual”: los significados de la palabra “visualizar” incluyen “hacer visible” y “crear una representación”. Este proceso de visualización se ha modificado a lo largo del tiempo: antes de la existencia del software necesariamente precisaba de un paso anterior que consistía en la cuantificación de los datos para después representarlos gráficamente. En la era de los estudios de software, como hemos visto, podemos resolver ciertos procedimientos a través de distintas aplicaciones, lo que permite cuantificar de forma automática.

También es posible establecer una distinción entre el diseño de la información y la visualización de la información (Manovich, 2010): en el primer caso, el objetivo es reflejar gráficamente datos que ya han sido estructurados; en el segundo, el desafío consiste en descubrir la estructura en la base de datos, desentrañar los patrones que nos permitan obtener respuestas a través de una mirada a gran escala, es decir, se realiza una lectura distante.

En una representación gráfica de la información entran muchos criterios visuales en juego pero el espacio es siempre el prioritario. Otros criterios menos importantes son el tono, color o transparencia para representar distintos datos. Más allá de la sofisticación que puedan presentar muchos gráficos elaborados, la representación gráfica de los fenómenos estudiados siempre conlleva cierto reduccionismo que hay que tener en cuenta.

Estas piezas gráficas que hemos llamado “artefactos” son retomadas por Franco Moretti  (2007, p. 79) también bajo la denominación de “objetos artificiales”, entendiendo que son el resultado de un proceso de abstracción y reducción pero que “resultan ser más que la suma de las partes: poseen cualidades emergentes que no eran visibles en el nivel inferior”. De esta manera, se transforman en un recurso fundamental para responder nuestras preguntas de investigación.

Para realizar estas visualizaciones utlizamos las siguientes herramientas:

  • Voyant-Tools
  • Google Fusion Tables

 

Fase 5: Interpretar

Estructura y distribución de la conversación

En junio de 2015 se instaló en la agenda #NiUnaMenos, el hashtag que se transformó en la consigna  de la manifestación. En los días 2, 3 y 4 de junio de ese año, hubo un total de 13.101 mensajes en Twitter. En 2016  se registraron 20.996 tweets en el día anterior, durante y posterior a la segunda manifestación. Las conversaciones generadas con el hashtag #NiUnaMenos superaron en un 60% el total producido el año anterior y se verifica una mayor organización para difundir la problemática de los femicidios, tanto con los retweets como con la formación de nuevos hashtags. De esa organización surgió #VivasNosQueremos como una de las principales consignas en la manifestación de octubre de 2016 con motivo de un nuevo femicidio que conmocionó a la opinión pública.

Con respecto a la distribución del volumen total de comentarios, en 2015 el pico más alto fue durante el día de la manifestación. Al año siguiente, la dinámica se modificó y tanto en la movilización de junio como de octubre, los días de mayor producción fueron los anteriores al evento concreto: del total de 20.996 tweets generados en junio, el 56% (11.902 tweets) fueron producidos el día  anterior a la marcha. Luego la conversación cayó a 6.597 tweets el día de la movilización y apenas 2.497 un día después. En octubre el total de tweets producidos con el hashtag #VivasNosQueremos fue de 12.914, de los cuales el 52% se produjo el día anterior.

La estructura de las conversaciones de #NiUnaMenos de 2015 y 2016 junto con  #VivasNosQueremos se caracteriza por una predominancia de tweets re-publicados (RT) sobre la generación de contenidos originales. A partir del total de producciones recopiladas se identificó que la cantidad de tweets se mantuvo a niveles similares en los tres períodos analizados mientras que los RT crecieron ampliamente en 2016.

En #NiUnaMenos de junio 2015 los RT superaban a los contenidos originales un 72% mientras que en junio 2016 la diferencia era de 255%. Por su parte en el hashtag #VivasNosQueremos de octubre de 2016 también se verifica un margen, hubo un 154% más de RT que tweets. Estas diferencias en la estructura de las redes que se formaron en los dos años permiten inferir que la temática convocó a más usuarios a difundir los mensajes circulantes en la red. En 2016 esto significó también una concentración mayor de los usuarios generadores de contenido original.

 

La estructura de la red de las conversaciones en Twitter bajo estos hashtags, tanto las del 2015 como las del 2016 aparenta, a primera vista, ser distribuida o por lo menos descentralizada. En principio, esta red social posibilita a todos los usuarios publicar, replicar y ser replicados. Sin embargo, vemos cómo determinados tweets tienen más relevancia que otros y son publicados por ciertos usuarios que logran formar nodos. En los gráficos 2, 3 y 4 se observan las esferas de mayor volumen que representan a los mensajes con más RT.

 

 

 

 

 

Al poner atención en esos nodos, la estructura pareciera ser más centralizada que distribuida. El contenido publicado por @_RMagali o @TiniStoessel en la marcha de junio de 2015, el de @C5N en junio de 2016, o el de @GraLaProdu en octubre de ese año, toma una relevancia mayor que los producidos por los demás usuarios.

Esto se debe al funcionamiento del algoritmo de Twitter, que se ocupa de identificar los Trending Topics (TT). A partir de él la red social pondera su contenido permitiendo que un tema se consolide en la agenda de ese medio. El algoritmo no pretende mostrar “lo más twitteado“, sino “lo twitteado nuevo y más replicado”. Es por eso que, a pesar de que el número de seguidores es importante en una primera instancia para lograr visibilidad, identificamos usuarios que tuvieron un gran peso en la red de conversaciones sin tener una audiencia equiparable a celebridades o medios tradicionales. Por lo tanto, cuando un hashtag lleva tiempo siendo usado, se “penaliza” dentro del algoritmo. El tiempo que se mantiene es tan importante como la cantidad. En este sentido, es lógico que usuarios con cantidades de seguidores muy altas reciban mayor atención que otros.

Tabla n° 1: Agentes influenciadores en la conversación

 

Hashtag Usuario Seguidores Tipo de Usuario RTs
#NiUnaMenos (2015) @_RMagali 750 Usuaria 111
@elcosodelapizza 4.2 M Personaje de Twitter 94
@NiUnaMenos_ 7.764 Organizador 86
@todonoticias 2.3 M Medio 78
@TiniStoessel 1.6 M Celebridad 76
#NiUnaMenos (junio 2016) @cyngarciaradio 146.000* Periodista 509
@C5N 2.1 M Medio 366
@Pablo_Iglesias_ 1.9 M* Político español 289
@unamadresoltera 195.872 Personaje de Twitter 271
@sebakatz 52.500* Político 247
#VivasNosQueremos (octubre 2016) @GraLaProdu 1.096 Periodista 420
@NiUnaMenos_ 43.800* Organizador 315
@telefenoticias 2.49 M* Medio 211
@aixag0mez 1.553 Usuaria 181
@soyingridbeck 79500* Periodista 173

 

Fuente: elaboración propia en base a Google Spreadsheet.
*Datos de seguidores recopilados en abril de 2017

Como se puede ver en la tabla, no sólo los contenidos creados por usuarios con millones de seguidores y con popularidad por fuera de Twitter alcanzaron la atención de grandes cantidades de usuarios. También tomaron relevancia usuarios que se volvieron populares al interior de la red (como @elcosodelapizza, @unamadresoltera[1]) y se transformaron en usuarios influenciadores en temáticas ligadas a la actualidad. En el caso de @Elcosodelapizza[2] durante la marcha de 2015, el tweet que se posicionó entre los más replicados era una expresión de admiración y “orgullo” por la masiva convocatoria con una consigna común y homogénea.

Esto pone en evidencia que en las conversaciones relacionadas a #NiUnaMenos y #VivasNosQueremos la distribución de la palabra no estuvo centralizada por medios o personalidades. Sin embargo, fueron agentes relevantes para la difusión masiva en la plataforma. Los medios tradicionales de noticias de televisón (@C5N[3], @todonoticias[4], @telefenoticias[5]) que tienen presencia en Twitter son usuarios consolidados con millones de seguidores que reproducen en esa red su alcance y peso en la formación de agenda. En cada período analizado hubo un medio entre los cinco usuarios más replicados con una cobertura que complementó su comunicación tradicional.

Por otra parte, sólo se identifica en la primera marcha de 2015 la adhesión pública de una celebridad (@TiniStoessel[6]) en el listado de los usuarios más replicados. Su mensaje estuvo acompañado de la imagen ilustrada por Liniers, de gran popularidad durante el período analizado.

Si bien gracias a la naturaleza del medio algunos mensajes circulan con mayor impulso que otros, y ciertos mensajes trascendieron más que otros, también se identificaron usuarios sin tanta relevancia en la red (@R_Magali y @aixag0mez con menos de 1500 seguidores) que lograron un gran impacto, dando cuenta que no siempre importa el lugar que se tenga en la red sino lo que se tenga para contar. En el caso de @_RMagali[7], una usuaria sin relación con los medios tradicionales ni un conocimiento masivo por una audiencia de medios digitales, el contenido que compartió fue el relato de un escritor desconocido publicado en Facebook, donde se narraba un sentimiento progresivo de empatía de un hombre hacia el miedo que experimentan las mujeres cotidianamente.

Durante la marcha de octubre de 2016, @aixag0mez[8], otra usuaria desconocida, se destacó en la red. Al igual que @_RMagali, su tweet se replicó notoriamente por un relato de ficción pero que da cuenta del reclamo en contra de los femicidios bajo la etiqueta #VivasNosQueremos.

En las conversaciones con el hashtag #NiUnaMenos de junio 2016 se destacaron también dos representantes políticos: @Pablo_Iglesias_[9] (de España) y @sebakatz [10] (de Argentina). En las marchas de junio 2015 y octubre 2016 no destacaron su presencia usuarios con alguna relación al Poder Ejecutivo o Legislativo entre los más replicados.

Cabe destacar que la mayoría de los usuarios, aunque no sean personalidades populares, tienen relación con el periodismo y la producción de noticias en medios tradicionales (@cyngarciaradio[11], @GraLaProdu[12], @soyingridbeck[13]).

El contenido más replicado en las conversaciones con el hashtag #VivasNosQueremos fue el de @GraLaProdu. Se trataba de un video del medio El Destape en el que la cantante Miss Bolivia recitaba un poema donde una mujer, víctima de violencia de género, era señalada como culpable de su muerte. Al igual que en las conversaciones sobre #NiUnaMenos de 2015, una expresión artística es la que genera mayores réplicas en la red. Por su parte, la periodista @soyingridbeck se posicionó entre los usuarios más retwitteados con mensajes destinados a informar el horario de la manifestación y los hashtags de difusión en la plataforma.

Desde el canal en Twitter @niunamenos_[14] se compartieron contenidos con el objetivo de amplificar la convocatoria de la marcha y también un llamado al “compromiso” de parte  de los legisladores y gobernantes del Estado para proteger a las mujeres víctimas de violencia y disponer recursos para prevenir situaciones que pongan en riesgo la vida de esas personas. Esta cuenta fue iniciada por un sector del colectivo Ni Una Menos que impulsó la manifestación desde las redes sociales. Por ese motivo, el rol que tuvo durante las tres marchas fue de exposición de la problemática, difusión de las marchas y propuestas de acción hacia el Estado.

Los términos de la conversación

En las conversaciones analizadas, “no”, “marcha” y “violencia” son los términos más repetidos que se conectan entre sí. A su vez, el concepto de violencia se une a los términos “contra” y “mujeres”. En junio de 2016, coinciden en líneas generales con los del año anterior, ya que los términos más mencionados son “no”, “violencia” y “mañana”, mientras que “marcha” ocupa el cuarto lugar. Como se mencionó anteriormente, “mañana” es el término que evidencia la importancia de la conversación el día previo al evento concreto. La información de la convocatoria a las marchas fue un tema predominante, con términos sobre el día y horario de encuentro en la plaza frente al Congreso Nacional.

Tanto en 2015 como en 2016, puede verse que el término “no” está directamente relacionado a la palabra “violencia”. Ésta, a su vez, se mantiene ligada al término “machista” y “género”. A partir del análisis de relaciones de términos y la nube de palabras, podemos inferir que el repudio a la violencia machista y de género y a los femicidios fue la temática que predominó en las conversaciones y homogeneizó a distintos sectores que participaron en la conversación. Entre los conceptos más reiterados no lograron establecerse otros ligados a temáticas de larga tradición feminista. El derecho al aborto, por ejemplo, ni siquiera aparece dentro de los veinte términos más mencionados para ambos años.

Por otra parte, es posible identificar a las mujeres insignia, víctimas de femicidios, cuyos casos han funcionado como detonantes para la convocatoria de las marchas. De esta manera, en 2015 se destaca Chiara, Lola, Ángeles y Melina (inicialmente, todos cuentan con la misma cantidad de recurrencias, luego se destacan los dos primeros por ser los más recientes). En junio de 2016, las conversaciones reclaman justicia por Chiara, Lola, Ángeles, Melina, Marina, Majo y  Belén, mientras que en Octubre, Lucía Pérez es la víctima más mencionada. En todos los casos se repite el patrón: la emergencia de referentes que desencadenan el pedido de justicia.

Tabla n° 2: términos recurrentes en la conversación

#NiUnaMenos 2015 #NiUnaMenos 2016 #VivasNosQueremos 2016
Término Repeticiones Término Repeticiones Término Repeticiones
no 2224 no 3946 niunamenos 9170
violencia 1457 violencia 2996 a 2760
marcha 1382 mañana 2217 nosotrasparamos 1611
contra 942 marcha 1891 no 1604
basta 874 mujeres 1664 miercolesnegro 1481
mujer 784 mujer 1498 mujeres 1230
hoy 773 3 1482 19 1215
mujeres 717 hoy 1439 mañana 986
todos 692 género 1325 miércoles 949
mañana 665 contra 1319 violencia 802

Fuente: elaboración propia en base a Google Spreadsheet.

En lo que respecta a los hashtags más utilizados durante las tres convocatorias, se puede observar cómo surgen algunas otras cuestiones. Santiago Del Moro[15] publicó una foto junto a su equipo del programa de radio que conducía y un cartel con el hashtag de la marcha. El primer mensaje que compartió apelaba a los usuarios a republicar el contenido como forma de identificación como oyente con los hashtags #MañanasCampestres y #NiUnaMenos. A partir de este tweet, el nombre del programa se posicionó entre los diez hashtags más mencionados junto a la marcha.

El hashtag #NiUnaMenos en 2015 estuvo acompañado principalmente con el hashtag #BastaDeFemicidios. El segundo hashtag fue #Argentina y el tercero #BastaDeViolencia. Además, hubo una iniciativa dirigida a los legisladores y gobernantes que se difundió con el hashtag #DeLaFotoALaFirma de parte del colectivo Ni Una Menos en Twitter de un compromiso de cinco puntos para la protección legal y disposición de recursos necesarios para reducir la violencia contra las mujeres.

En junio de 2016 los tres hashtags más utilizados, además de #NiUnaMenos, fueron #VivasNosQueremos, #VolvemosaGritar y #NiunDerechoMenos. #Bastadefemicidios descendió al quinto lugar. En el sexto lugar se encuentra #AbortoLegal (ambas palabras presentan la misma evolución a lo largo del tiempo, señalando una correlación constante) y dentro de los veinte más mencionados pueden encontrarse #CombatirEstereotipos y #ArgentinaCuentalaViolenciaMachista. A través de estos resultados podemos observar un cambio en la conversación de un año al otro: mientras en 2015 refuerzan el reclamo centrado en el fin de la violencia contra las mujeres sobre otras expresiones o problemáticas sociales, generando una mayor centralización en los temas de conversación, en el 2016 se ven surgir otros aspectos reclamados: derechos en un sentido amplio, organización política del movimiento, reclamos por el aborto legal y un interés en registrar las experiencias de mujeres en una encuesta nacional (Argentina Cuenta la Violencia Machista, organizada por el colectivo Ni Una Menos), lo que indica una descentralización de las temáticas. Esta tendencia también puede observarse al descubrir otros términos antes invisibilizados, como en el caso de “travesticidio”, el cual comienza a tener un mayor número de recurrencias.

En el caso de #VivasNosQueremos, surgen nuevos hashtags, como #NosotrasParamos y #MiércolesNegro, directamente vinculados con las problemáticas emergentes de octubre, los cuales enriquecen la conversación y le dan identidad a esta marcha, más allá de estar ligada al movimiento principal, #NiUnaMenos que figura en primer lugar. Aquí podemos identificar la entrada del factor económico de la mano de #ParodeMujeres y #ParoNacionaldeMujeres.

Al mismo tiempo que dominaron las expresiones contra la violencia en ambos años es factible encontrar posiciones divergentes en el hashtag #NiUnoMenos. Éste circuló como una forma de concentración de opiniones que desestimaban la especificidad del reclamo y reafirmaban la necesidad de una “completa igualdad” en el reclamo contra de la violencia en sentido amplio. En 2015 ocupó el quinto lugar en el orden de hashtags más mencionados y en 2016 descendió hasta el noveno.

 

Tabla n° 3: hashtags utilizados en las conversaciones

#NiUnaMenos 2015 #NiUnaMenos 2016 #VivasNosQueremos 2016
Hashtag RT Hashtag RT Hashtag RT
bastadefemicidios 263 vivasnosqueremos 529 niunamenos 9161
argentina 107 volvemosagritar 466 nosotrasparamos 1609
bastadeviolencia 93 niunderechomenos 255 miercolesnegro 1481
niunamás 75 ahora 123 parodemujeres 474
ahora 71 basta de femicidios 118 paronacionaldemujeres 342
mañanascampestres 70 abortolegal 101 miércolesnegro 260
niunomenos 50 eldiario 91 argentina 210
nosqueremosvivas 48 mañana 81 paronacional 169
delafotoalafirma 38 niunomenos 69 paridad 162
niunamas 35 argentina 67 bastadefemicidios 137

Fuente: elaboración propia en base a Google Spreadsheet.

Conclusión

A lo largo de esta investigación se trató de detectar cuáles eran los significantes presentes dentro de las marchas feministas que se realizaron durante 2015 y 2016, qué ideas estaban más fuertemente arraigadas en el mar de palabras que es Twitter y cómo se relacionaban entre ellas.  

Si bien se analizó una gran cantidad de datos, cabe destacar que sólo es una muestra de un período de tiempo determinado y que los resultados son parciales y de ningún modo estáticos. De esta manera se atinó a detenerse en un instante de un fenómeno social y hacer  una fotografía de lo que estaba sucediendo en Argentina alrededor del fenómeno #NiUnaMenos.  De tal modo es posible  llegar a las siguientes conclusiones:  

#NiUnaMenos se muestra como un agente organizador y multiplicador que comenzó con una lectura pública, luego pasó a ser una marcha y finalmente se conformó como un colectivo de mujeres que denunciaban la violencia machista: en sólo dos años lograron posicionarse como el grupo insignia para agrupar a mujeres que hasta el momento no tenían ningún espacio de pertenencia, logró que la discusión saliera de ciertos sectores de base y se posicionará dentro de la agenda mediática nacional.

En todas las marchas hubo un reclamo puntual contra la violencia machista pero las víctimas que se tomaron como estandartes cambiaron en cada una: Chiara fue uno de los casos que más resonó en la marcha del 2015, en cambio en junio de 2016 se mencionó mucho más a Belén y a Milagro Sala[16], por último el caso que llevó #NiUnaMenos a la calle durante octubre de 2016 fue el de Lucía Peréz.

Otro punto a destacar fueron las consignas que circularon en cada manifestación, en junio de 2015 y 2016 la más convocante fue no más muerte por violencia machista encarnadas en el significante de #NiUnaMenos, en octubre de 2016 la  consigna se dividió, ascendió el #VivasNosQueremos y aparecieron otras conversaciones en hashtags como: #NosotrasParamos, #MiércolesNegro y #ParoDeMujeres.. La aparición de otras consignas agrupadoras hizo que se multiplicaran las conversaciones y temas a tratar; que esto suceda no es casual sino que se repite el patrón de la marcha de junio de 2015, se presenta luego de una muerte violenta donde es necesario movilizar a las masas para que se visibilicen los reclamos.

Octubre de 2016 es un momento bisagra, el movimiento #NiUnaMenos se encontraba empoderado luego del 31° Encuentro Nacional de Mujeres  y la marcha tomó otro significado: se presenta como paro de mujeres y aparece otro debate sobre la mesa, la idea de que con la muerte de las mujeres el eje productivo también se para y se incorpora el factor económico al reclamo social.

Si bien la marcha creció en convocatoria, la conversación se encuentra descentralizada y repartida en una multiplicidad de actores. Hay una heterogeneidad en la conversación debida a la participación masiva, más allá de los términos que remiten directamente a la convocatoria se encuentra una diversidad temática en la que no se impone un término sobre los demás. Del 2015 a 2016 el mensaje es más liviano: se pasa de estar en contra de la violencia machista a basta de violencia.

Si bien el colectivo Ni Una Menos habla superficialmente de responsabilidad estatal, casi ningún otro actor aborda la cuestión de un Estado responsable ni la complicidad policial. La conversación sobre el aborto legal es muy incipiente y la cuestión sobre una educación sexual integral que permita la formación de sujetos que no reproduzcan la hegemonía del patriarcado brilla por su ausencia. Más allá del reclamo concreto no parece haber muchas propuestas que eviten llegar a cada punto de inflexión que presenta un nuevo femicidio.

El colectivo #NiUnaMenos se presentó como un grito de auxilio y espacio de contención para mujeres que de otro modo no habrían salido a ocupar la calle, pero aún hay un largo camino a recorrer. Queda abierta la discusión acerca de cómo seguirá creciendo el movimiento #NiUnaMenos y qué propuestas de políticas públicas aparecerán como emergentes.  ¿Aparecerán los reclamos del 99% de las mujeres en las conversaciones? o mejor aún,  ¿se trabajarán desde el Estado para poder disminuir la cantidad de femicidios que se viven en Argentina? Sólo queda esperar qué le depara en el 2017 al colectivo y qué lograrán las nuevas mujeres empoderadas gracias a ellas.

Referencias

[1]  Unamadresoletera. (2 de junio de 2016). El #NiUnaMenos también va para nosotras, que a veces somos más machistas que los propios hombres. [Tweet post] Recuperado de https://twitter.com/unamadresoltera/status/738481286692675585

[2] Elcosodelapizza. (3 de junio de 2015). Que lindo y que admirable es ver que tantas personas se unan ante el mismo reclamo, basta de femicidios! #NiUnaMenos [Tweet post] Recuperado de https://twitter.com/elcosodelapizza/status/606230978286239744

[3] C5N. (2 de junio de 2016). A un año de #NiUnaMenos [Tweet post] Recuperado de https://twitter.com/C5N/status/738432273205321728

[4] Todonoticias. (2 de junio de 2015). #NiUnaMenos: con una gran cantidad de marchas, habrá fuertes reclamos en contra del femicidio http://ir.tn.com.ar/1K8uY0v. [Tweet post] recuperado de https://twitter.com/todonoticias/status/605935196425166848

[5] Telefenoticias. (19 de octubre de 2016).  ⚡️ “#VivasNosQueremos Marcha contra la violencia de género” por @telefenoticias [Tweet post] Recuperado de https://twitter.com/telefenoticias/status/788848436099571714

[6] TiniStoessel. (3 de junio de 2015). #NiUnaMenos #NiUnaMenos ME SUMO [Tweet post] Recuperado de https://twitter.com/TiniStoessel/status/606174300014563328

[7] _RMagali. (2 de junio de 2015). #NiUnaMenos Tremendo lo que publicó éste chabon! [Tweet post] Recuperado de https://twitter.com/_RMagali/status/605887189306609664

[8] Aixag0mez. (18 de octubre de 2016). Sigo temblando de cuando lo escribía #VivasNosQueremos #MiercolesNegro [Tweet post] Recuperado de https://twitter.com/aixag0mez/status/788588878173265920

[9] Pablo_Iglesias_. (2 de junio de 2016). Si matan a una mujer, el compromiso que nos hicimos como sociedad se destruye #NiUnaMenos http://www.elmundo.es/andalucia/sevilla/2016/06/02/574fcb31268e3e982c8b4618.html … [Twet post] Recuperado de https://twitter.com/Pablo_Iglesias_/status/738377916095025152

[10] Sebakatz. (2 de junio de 2016). Uso miserable del #NiUnaMenos para encubrir delincuentes violentos. Malo para el país [Tweet post] Recuperado de https://twitter.com/sebakatz/status/738438168530329600

[11] Cyngarciaradio. (1 de junio de 2016). #SanPablo: así reprimen a una mujer en una protesta contra Temer #NiUnaMenos #Brasil Gracias @midiaNINJA [Tweet post] recuperado en https://twitter.com/cyngarciaradio/status/738181334955216896

[12] Gralaprodu. (19 de octubre de 2016). “¡Ay carajo que mal que estamos los humanos loco, paren de matar!” por @miss_bolivia #NiUnaMenos #VivasNosQueremos [Tweet Post] Recuperado en https://twitter.com/GraLaProdu/status/788745993026146304

[13] Soyingridbeck. (18 de octubre de 2016). De 13 a 14 #NosotrasParamos A las 17 al Obelisco. #VivasNosQueremos Vestidas de negro. #NiUnaMenos [Tweet post] Recuperado en  https://twitter.com/soyingridbeck/status/788445610902970368

[14] Niunamenos_. (4 de junio de 2015). con este video comenzó el 3 de junio la concentración en Plaza Congreso. #NiUnaMenos https://www.youtube.com/watch?v=_dY4wcmZmiA … [Tweet post] Recuperado en https://twitter.com/NiUnaMenos_/status/606608718336290816 

[15] SANTIAGODELMORO. (2 de junio de 2015). RT YA! yo escucho #MañanasCampestres en POP101.5 #niUnaMenos [Tweet post] Recuperado de https://twitter.com/SANTIAGODELMORO/status/605686225383620608

[16] Milagro Sala es una presa política y se encuentra presa desde enero de 2016, ella es víctima de la violencia institucional y desde múltiples organismos de derechos humanos internacionales y nacionales se pide por su liberación. 

Fallas, H. (2013). “Entrevista con una base de datos” en VV.AA Manual de Periodismo de Datos Iberoamericano. HIVOS, International Center for Journalists (ICFJ), y Escuela de Periodismo de la Universidad Alberto Hurtado de Chile. Recuperado de http://manual.periodismodedatos.org/hassel-fallas.php

Manovich, L. (2010). “What is a visualization?”. Recuperado de http://manovich.net/content/04-projects/064-what-is-visualization/61_article_2010.pdf  

Moretti, F. (2007). La literatura vista desde lejos. Barcelona: Editorial Marbot

Herramientas utilizadas para el análisis

Google Trends: https://www.google.com.ar/trends

Voyant Tools: http://voyant-tools.org/

Google Fusion Tables: https://www.google.com/fusiontables/

Comentarios

Deja un comentario