Normalmente cuando una publicación en Twitter tiene un número mucho más elevado de comentarios o de RT’s comentados que Likes o RT’s normales hay algo que no está bien. Luke O’Neil lo explica muy bien en “How to Know If You’ve Sent a Horrible Tweet”.

«Si el número de respuestas a un tuit supera ampliamente su participación en términos de “me gusta” y “retuits”, entonces algo ha ido terriblemente mal.»

Ahora, además, debemos tener en cuenta también los RT’s comentados. Estos son una manera de realizar un comentario, pero en lugar de hacerlo como respuesta a la publicación, se hace exponiendo una opinión a tu propia audiencia.

Cuando el número de usuarios que están dispuestos a hacer un comentario, a escribir algo, supera con creces al que solo hace RT o le da al like, ya podemos prepararnos que no es bueno.

El tuit

Este es el caso del siguiente tuit de @EFEnoticias sobre los beneficios de Endesa en 2020. En el momento de hacer la captura de datos para el análisis la cosa estaba así 2001 RT’s comentados vs. 1719 RT y 1215 likes. A la hora de escribir estas líneas el marcador ya está como sigue: 3041 tuits citados (RT’s comentados) vs. 1762 RT’s y 1242 likes.

Pero ¿deben saltar las alarmas cuando nos encontramos una situación así?

¿Qué dicen los RT’s comentados?

Para tener una primera impresión rápida de qué se está diciendo en los RT’s comentados lo mejor es hacer una nube de palabras. Como puedes ver las palabras clave que se utilizan más veces ya denotan crispación, si no violencia. Las referencias a la quema de contenedores y al precio de la luz durante la pandemia y el frío son toda una constante.

Un ejemplo:

Si en lugar de tomar el texto completo de los tuits generamos la nube de palabras con los hashtags utilizados, tendremos algo mucho más explícito, ya que es con lo que los usuarios etiquetan sus publicaciones.

Como se puede ver la palabra más utilizada es “violencia” pero ver uno a uno los hashtags utilizados es todo un poema a la negatividad de la reputación de la compañía. Los adjetivos que se utilizan desde luego no son de lo más halagador.

Si profundizamos un poco en este aspecto he intentamos extraer el sentimiento de las publicaciones (utilizaremos el paquete de R syuzhet), podemos generar la siguiente nube de palabras clasificadas por sentimiento:

Los sentimientos generados no son precisamente buenos para Endesa. Generan disgusto, tristeza, enfado, miedo…

¿Quiénes son el objeto de la rabia?

Si hacemos un análisis de redes y vemos a quién mencionan los RT’s comentados podremos ver quienes son el objeto de sus publicaciones.

El siguiente grafo (generado con igraph y Gephi) nos muestra una conversación dispersa, pero bastante clarificadora en cuanto a quienes son los objetivos de la misma.

Por un lado tanto Pablo Iglesias como Pedro Sánchez y otros miembros del gobierno como Alberto Garzón o Teresa Ribera están en el foco de las críticas.

Evidentemente el gobierno, consumo y el PSOE y PODEMOS también están en el punto de mira.

Pero si hay alguien que ha salido beneficiado de la situación es Som Energia. Sus usuarios han aprovechado la situación para ponerla en valor y ofrecer opciones a otros usuarios para hacer el cambio de compañía

Recogida de datos

Los tuits los he recogido con el paquete de R rtweet buscando la url del tuit en cuestión, lo que nos devuelve solo tuits que estén citando dicha publicación. Además de la búsqueda he dejado fuera los RT, por lo que solo se han obtenido publicaciones originales.

tmls <- search_tweets("https://twitter.com/EFEnoticias/status/1364466458688905216", n = 40000, include_rts = FALSE, 
                      retryonratelimit = TRUE)

Si alguien quiere acceder a los datos, los puede encontrar aquí.

Herramientas utilizadas

• Para la mayoría de análisis he utilizado R project con diferentes paquetes: rtweet para la obtención de las publicaciones, igraph para generar los archivos de grafo y syuzhet para el análisis de sentimiento.

• Para la generación de nubes de palabras he utilizado la versión de escritorio de Wordle (ya no está disponible para la descarga).

• Para el análisis de redes he utilizado Gephi.