El impacto del discurso científico en Twitter: El caso de Neil deGrasse Tyson

The impact of science communication on Twitter: The case of Neil deGrasse Tyson

 Elena Denia, Universidad Politécnica de Valencia (España)

https://doi.org/10.3916/C65-2020-02

Palabras clave

Twitter, comunicación, ciencia, divulgación, impacto, público, participación, análisis computacional

Resumen

La percepción social de la ciencia se ha estudiado ampliamente desde mediados del siglo XX. El presente proyecto pretende abordar la interacción ciencia-público en el marco de la vida digital para complementar los estudios clásicos sobre impacto social de la ciencia, en particular en la red social Twitter. Se presenta así una propuesta metodológica con el diseño de un algoritmo que opera sobre conjuntos representativos de tweets para analizar su contenido utilizando técnicas computacionales de minería de datos y procesamiento del lenguaje natural, fácilmente reproducible por otros investigadores y de bajo coste. Para probar la herramienta, se analiza el discurso del popular divulgador Neil DeGrasse Tyson. El impacto de la información se calcula en términos de: 1) likes y retuit; 2) medidas sugeridas para la popularidad y el grado de contenido polémico; y 3) la red semántica. Tras identificar y clasificar los elementos relevantes del discurso por las categorías «ciencia», «cultura», «político-social», «creencias», «medios» y «emocional», los resultados revelan que una transmisión con carga emocional en el mensaje del divulgador despierta una respuesta sustancialmente más profunda en el público, así como la alusión a cuestiones socio-políticas. Además, numerosos conceptos periféricos a la discusión científica suscitan mayor interés que los propios centrales en el discurso. Ambos resultados sugieren que la ciencia interesa en mayor medida cuando va ligada a otros aspectos.

Referencias

Álvarez-Bornstein, B., & Montesi, M. (2019). Who is interacting with researchers on Twitter? A survey in the field of Information Science. JLIS, 10(2), 87-106. https://doi.org/10.4403/jlis.it-12530

Link DOI | Link Google Scholar

Arrabal, G., & De-Aguilera, M. (2016). Comunicar en 140 caracteres. Cómo usan Twitter los comunicadores en España. [Communicating in 140 characters. How journalists in Spain use Twitter]. Comunicar, 46, 9-17. https://doi.org/10.3916/C46-2016-01

Link DOI | Link Google Scholar

Bauer, M.W., Allum, N., & Miller, S. (2007). What can we learn from 25 years of PUS survey research? Liberating and expanding the agenda. Public Understanding of Science, 16(1), 79-95. https://doi.org/10.1177/0963662506071287

Link DOI | Link Google Scholar

Bauer, M.W., Shukla, R., & Allum, N. (2012). Towards cultural indicators of science with global validity. In M.W. Bauer, R. Shukla, & N. Allum (Eds.), The culture of science: How the public relates to science across the globe (pp. 1-17). Routledge. https://doi.org/10.4324/9780203813621

Link DOI | Link Google Scholar

Becker, B.F.H., Larson, H.J., Bonhoeffer, J., Van-Mulligen, E.M., Kors, J.A., & Sturkenboom, M. (2016). Evaluation of a multinational, multilingual vaccine debate on Twitter. Vaccine, 34(50), 6166-6171. https://doi.org/10.1016/j.vaccine.2016.11.007

Link DOI | Link Google Scholar

Blei, D.M., Ng, A.Y., & Jordan, M.I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022. https://bit.ly/2wQLaGj

Link Google Scholar

Brossard, D., & Scheufele, D.A. (2013). Science, new media, and the public. Science, 339(6115), 40-41. https://doi.org/10.1126/science.1232329

Link DOI | Link Google Scholar

Büchi, M. (2016). Microblogging as an extension of science reporting. Public Understanding of Science, 26(8), 953-968. https://doi.org/10.1177/0963662516657794

Link DOI | Link Google Scholar

Dann, S. (2010). Twitter content classification. First Monday, 15(12). https://doi.org/10.5210/fm.v15i12.2745

Link DOI | Link Google Scholar

Davis, R.C. (1958). The public impact of science in the mass media. Institute for Social Research, University of Michigan. https://stanford.io/2w9teGk

Link Google Scholar

Dehkharghani, R., Mercan, H., Javeed, A., & Saygin, Y. (2014). Sentimental causal rule discovery from Twitter. Expert Systems with Applications, 41(10), 4950-4958. https://doi.org/10.1016/j.eswa.2014.02.024

Link DOI | Link Google Scholar

European Commission (Ed.) (2008). Public engagement in science. Publications Office of the European Union. https://bit.ly/2uB98Vg

Link Google Scholar

Kahle, K., Sharon, A.J., & Baram-Tsabari, A. (2016). Footprints of fascination: Digital traces of public engagement with particle physics on CERN's social media platforms. PLoS One, 11(5). https://doi.org/10.1371/journal.pone.0156409

Link DOI | Link Google Scholar

Kaiser, D., Durant, J., Levenson, T., Wiehe, B., & Linett, P. (2014). The evolving culture of science engagement: an exploratory initiative. MIT & Culture Kettle. https://bit.ly/2Wjy5hG

Link Google Scholar

Kapoor, K.K., Tamilmani, K., Rana, N.P., Patil, P., Dwivedi, Y.K., & Nerur, S. (2018). Advances in social media research: Past, present and future. Information Systems Frontiers, 20(3), 531-558. https://doi.org/10.1007/s10796-017-9810-y

Link DOI | Link Google Scholar

Kwak, H., Lee, C., Park, H., & Moon, S. (2010). What is Twitter, a social network or a news media? In M. Rappa, & P. Jones (Eds.), Proceedings of the 19th International Conference on World Wide Web (pp. 591-600). ACM. https://doi.org/10.1145/1772690.1772751

Link DOI | Link Google Scholar

Li, R., Crowe, J., Leifer, D., Zou, L., & Schoof, J. (2019). Beyond big data: Social media challenges and opportunities for understanding social perception of energy. Energy Research & Social Science, 56. https://doi.org/10.1016/j.erss.2019.101217

Link DOI | Link Google Scholar

López-Pérez, L., & Olvera-Lobo, M.D. (2019). Participación digital del público en la ciencia de excelencia española: Análisis de los proyectos financiados por el European Research Council. El Profesional de la Información, 28(1), 1-10. https://doi.org/10.3145/epi.2019.ene.06

Link DOI | Link Google Scholar

Matthes, J., & Kohring, M. (2008). The content analysis of media frames: Toward improving reliability and validity. Journal of Communication, 58(2), 258-279. https://doi.org/10.1111/j.1460-2466.2008.00384.x

Link DOI | Link Google Scholar

Mohammadi, E., Thelwall, M., Kwasny, M., & Holmes, K.L. (2018). Academic information on Twitter: A user survey. PLoS One, 13(5). https://doi.org/10.1371/journal.pone.0197265

Link DOI | Link Google Scholar

Moreno-Castro, C., Corell-Doménech, M., & Camano-Puig, R. (2019). Which has more influence on perception of pseudo-therapies: The media’s information, friends or acquaintances opinion, or educational background? Communication & Society, 32, 35-49. https://doi.org/10.15581/003.32.3.35-48

Link DOI | Link Google Scholar

Murphy, J., Hill, C., & Dean, E. (2013). Social media, sociality, and survey research. In C. Hill, J. Murphy and E. Dean (Eds.), Social media, sociality, and survey research (pp. 1-33). John Wiley & Sons. https://doi.org/10.1002/9781118751534.ch1

Link DOI | Link Google Scholar

Murphy, J., Link, M.W., Childs, J.H., Tesfaye, C.L., Dean, E., Stern, M., Pasek, J., Cohen, J., Callegaro, M., & Harwood, P. (2014). Social media in public opinion research: Executive summary of the AAPOR task force on emerging technologies in public opinion research. Public Opinion Quarterly, 78(4), 788-794. https://doi.org/doi:10.1093/poq/nfu053

Link DOI | Link Google Scholar

Myers, S. A., Sharma, A., Gupta, P., & Lin, J. (2014). Information network or social network? the structure of the twitter follow graph. In Proceedings of the 23rd International Conference on World Wide Web (pp. 493-498). ACM. https://doi.org/10.1145/2567948.2576939

Link DOI | Link Google Scholar

Naaman, M., Boase, J., & Lai, C.H. (2010). Is it really about me? message content in social awareness streams. In Proceedings of the 2010 ACM conference on Computer supported cooperative work (pp. 189-192). ACM. https://doi.org/10.1145/1718918.1718953

Link DOI | Link Google Scholar

Narr, S., Luca, E.W.D., & Albayrak, S. (2011). Extracting semantic annotations from twitter. In Proceedings of the fourth workshop on Exploiting semantic annotations in information retrieval (pp. 15-16). ACM. https://doi.org/10.1145/2064713.2064723

Link DOI | Link Google Scholar

Nisbet, M.C., & Scheufele, D.A. (2009). What's next for science communication? Promising directions and lingering distractions. American Journal of Botany, 96(10), 1767-1778. https://doi.org/10.3732/ajb.0900041

Link DOI | Link Google Scholar

Pardo, R. (2001). La cultura científico-tecnológica de las sociedades de la modernidad tardía. Treballs de la Societat Catalana de Biologia, 51, 35-63. https://bit.ly/2T0n8B5

Link Google Scholar

Pearce, W., Holmberg, K., Hellsten, I., & Nerlich, B. (2014). Climate Change on Twitter: Topics, communities and conversations about the 2013 IPCC working group 1 report. PLoS One, 9(4). https://doi.org/10.1371/journal.pone.0094785

Link DOI | Link Google Scholar

Pérez-Rodríguez, A.V., González-Pedraz, C., & Alonso-Berrocal, J.L. (2018). Twitter como herramienta de comunicación científica en España. Principales agentes y redes de comunicación. Communication Papers, 7(13), 95-112. https://doi.org/10.33115/udg_bib/cp.v7i13.21986

Link DOI | Link Google Scholar

Santoveña, S., & Bernal, C. (2019). Explorando la influencia del docente: Participación social en Twitter y percepción Académica. [Exploring the influence of the teacher: Social participation on Twitter and academic perception]. Comunicar, 58, 75-84. https://doi.org/10.3916/C58-2019-07

Link DOI | Link Google Scholar

ScienceFlows (Ed.) (2019). ScienceFlows. https://bit.ly/2wGZ8dB

Link Google Scholar

Shan, L., Regan, Á., De-Brún, A., Barnett, J., Van-der-Sanden, M.C.A., Wall, P., & McConnon, Á. (2014). Food crisis coverage by social and traditional media: A case study of the 2008 Irish dioxin crisis. Public Understanding of Science, 23(8), 911-928. https://doi.org/10.1177/0963662512472315

Link DOI | Link Google Scholar

Silge, J., & Robinson, D. (2016). Tidytext: Text mining and analysis using tidy data principles in R. Journal of Open Source Software, 1(3), 37. https://doi.org/10.21105/joss.00037

Link DOI | Link Google Scholar

Stieglitz, S., & Dang-Xuan, L. (2013). Emotions and information diffusion in social media: Sentiment of microblogs and sharing behavior. Journal of Management Information Systems, 29(4), 217-248. https://doi.org/10.2753/MIS0742-1222290408

Link DOI | Link Google Scholar

Twitter (Ed.) (2019). Application programming interface. https://developer.twitter.com

Link Google Scholar

Uren, V., & Dadzie, A.S. (2015). Public science communication on Twitter: A visual analytic approach. Aslib Journal of Information Management, 67(3), 337-355. https://doi.org/10.1108/AJIM-10-2014-0137

Link DOI | Link Google Scholar

Veltri, G. (2013). Microblogging and nanotweets: Nanotechnology on Twitter. Public Understanding of Science, 22(7), 832-849. https://doi.org/10.1177/0963662512463510

Link DOI | Link Google Scholar

Veltri, G., & Atanasova, D. (2015). Climate change on Twitter: Content, media ecology and information sharing behaviour. Public Understanding of Science, 26(6), 721-737. https://doi.org/10.1177/0963662515613702

Link DOI | Link Google Scholar

Wilkinson, D., & Thelwall, M. (2012). Trending Twitter topics in English: An international comparison. Journal of the American Society for Information Science and Technology, 63(8), 1631-1646. https://doi.org/10.1002/asi.22713

Link DOI | Link Google Scholar

Zhao, W.X. Jiang, J., Weng, J., He, J., Lim E.P., Yan, H., & Li, X. (2011). Comparing Twitter and traditional media using topic models. In P. Clough et al. (Eds.), Lecture Notes in Computer Science: Vol 6611. Advances in Information Retrieval (pp. 338-349). Springer. https://doi.org/10.1007/978-3-642-20161-5_34

Link DOI | Link Google Scholar

Fundref

Investigación incluida en el proyecto I+D «Excelencia científica, transferencia de conocimiento, factores organizativos, antecedentes individuales, impacto social» (CSO2013-48053-R), financiada con la ayuda BES-2014-069584 del Ministerio de Ciencia, Innovación y Universidades de España (2015-2019).

Crossmark

Ficha técnica

Recibido: 26-02-2020

Revisado: 20-03-2020

Aceptado: 27-04-2020

OnlineFirst: 15-06-2020

Fecha publicación: 01-10-2020

Tiempo de revisión del artículo : 23 (en días) | Media de tiempo de revisión de los manuscritos del número 65: 36 (en días)

Tiempo de aceptación del artículo: 61 (en días) | Media tiempo aceptación de los manuscritos del número 65: 79 (en días)

Tiempo de edición OnlineFirst: 173 (en días) | Media tiempo edición de los OnlineFirst del número 65: 191 (en días)

Tiempo de publicacicón final del artículo: 218 (en días) | Media tiempo de publicación final de los articulos del número 65: 236 (en días)

Métricas

Métricas de este artículo

Vistas: 45381

Lectura del abstract: 41057

Descargas del PDF: 4324

Métricas completas de Comunicar 65

Vistas: 544075

Lectura del abstract: 469553

Descargas del PDF: 74522

Citado por