Los trastornos alimentarios, como la anorexia y la bulimia, son enfermedades mentales complejas que pueden tener graves consecuencias para la salud física de una persona, además de presentar la tasa de mortalidad más alta entre todas las enfermedades mentales [1]. Debido al estigma que aún persiste en torno a estos temas [2], las personas afectadas suelen ocultar sus síntomas y muchas buscan apoyo social o información en comunidades online, especialmente a través de redes sociales como Twitter.
La presencia de estas interacciones en redes sociales permite estudiar cómo se difunden e integran estos temas en otras comunidades. Aunque no comparten necesariamente una relación directa, las comunidades seleccionadas para este estudio (fitness, salud mental, depresión y autolesiones) se consideraron relevantes por características como: enfoque obsesivo, problemas emocionales, posible relación poco saludable con la comida y el cuerpo, vergüenza y culpa asociada. Para ello, se recopiló un amplio conjunto de usuarios de Twitter mediante una preselección de hashtags con alta probabilidad de intersección, buscando capturar conversaciones directas entre individuos a través de interacciones como "respuestas" y "menciones".
Estas interacciones se representaron mediante una red no dirigida y ponderada, midiendo las estructuras de la red para revelar cómo interactúan los usuarios entre sí y qué comunidades potenciales se forman, sin considerar la comunidad raíz de la interacción.
¿Se reflejan las relaciones de la vida real en las interacciones en redes sociales?
El objetivo principal es extraer interacciones de tweets para construir una red de comunicación representativa entre usuarios de comunidades relacionadas con los trastornos alimentarios, el fitness, la depresión y la autolesión. Posteriormente, se analiza esta red para evaluar qué tan extendido está el contenido que promueve los trastornos alimentarios dentro de estas comunidades sensibles.
Recolección de Datos
Los hashtags pueden conectar usuarios y formar comunidades en torno a temas de interés común. Reconociendo esta funcionalidad, se extrajeron tweets públicos de diversos hashtags durante un período de 10 días (del 1 al 11 de marzo de 2023) utilizando Tweepy, descargando el contenido completo de cada tweet.
Una vez obtenido el conjunto de tweets para cada hashtag, se construyeron dos principales dataframes. El primero contenía la estructura de la red (source, target, weight, and initial_community), mientras que el segundo recopilaba el contenido relevante de cada tweet (user, user_id, text, created_at, lang, hashtag, retweet_count, favorite_count).
Visualización
A partir de un total de 40,305 tweets, la red resultante consta de 14,655 nodos y 16,526 aristas con pesos variados. Para la visualización, se aplicaron dos layouts principales: ForceAtlas 2 y Fruchterman Reingold, y se modificaron los tamaños de nodos y aristas proporcionalmente según su grado y peso.
Distribución ForceAtlas
Distribución Fruchterman Reingold
Además, se consideró más relevante destacar la naturaleza de la interacción en lugar de los usuarios individuales. Por ello, las aristas se categorizaron por color (cada color corresponde a una de las 3 comunidades desde donde se originó la interacción – fitness: amarillo, salud mental: morado, trastornos alimentarios: azul), y los nodos se colorearon con la misma tonalidad pero con baja opacidad. Este enfoque facilita el estudio principal que pretendíamos: observar si existe intercomunicación entre las comunidades seleccionadas.
Medidas de Centralidad
Analizar diferentes medidas de centralidad permite identificar los nodos más relevantes dentro de nuestra red. Las métricas consideradas incluyen degree centrality, closeness centrality, harmonic closeness centrality, betweenness centrality, and eigenvector centrality.
Según estas métricas y las visualizaciones de los grafos resultantes, se identificaron como los seis nodos más significativos de la red: X_forceclub, imytsm, st4rvingseren4, soymiilk_, OrganicLiveFood e ilovebananaslut.
Con ayuda del dataframe de tweets, se extrajo su actividad dentro de su comunidad inicial para analizar qué contenido comparte cada usuario. Podemos observar que entre los 6 usuarios más influyentes hay representantes de cada comunidad, y dos de ellos también publican tweets etiquetados para múltiples comunidades distintas (destacados por colores).
Ampliamos este análisis a las comunidades generadas con el algoritmo de detección de comunidades Leiden, seleccionando los 5 usuarios con mayor pagerank de cada comunidad. Dentro de las cuatro primeras comunidades, encontramos a nuestros 6 usuarios centrales.
Enfocándonos en cada una de estas cuatro comunidades, se puede observar una tendencia temática basada en los hashtags que han utilizado.
Analizando la influencia de los nodos centrales identificados dentro de sus comunidades originales, y considerando que comenzamos con un total de 14,655 usuarios, su proporción de favoritos sirve como un fuerte indicador de su centralidad e influencia.
Interacción entre Comunidades
Se extrajeron las comunidades más interconectadas de entre todas las obtenidas mediante el algoritmo. Se observa lo siguiente:
Representadas por colores, además de destacar comunidades de naturaleza mixta, se observan hilos de conversación sobre diferentes temas.
Vivimos en un mundo cada vez más complejo e interconectado. Las redes sociales no solo reflejan estructuras de comunicación e interacción, sino que también constituyen una de las herramientas más modernas que tiene la sociedad contemporánea para crear identidad en el anonimato.
Como idea fundamental extraída de este estudio, podemos considerar el análisis de redes sociales como una herramienta para comprender los hábitos, pensamientos y patrones de comportamiento de personas afectadas por trastornos alimentarios y su integración en otras comunidades online. Este conocimiento es valioso para explorar métodos potenciales de prevención y detección.
Todo el código y las métricas de los grafos utilizadas en este análisis están disponibles en GitHub.
Referencias
- J. Arcelus, A. J. Mitchell, J. Wales, y S. Nielsen, «Tasas de mortalidad en pacientes con anorexia nerviosa y otros trastornos alimentarios: un meta-análisis de 36 estudios», Arch. Gen. Psychiatry, vol. 68, no. 7, pp. 724-731, jul. 2011, doi: 10.1001/archgenpsychiatry.2011.74.
- A. Hamilton et al., «Comprendiendo el retraso en el tratamiento: barreras percibidas que impiden buscar ayuda para los trastornos alimentarios», Aust. N. Z. J. Psychiatry, vol. 56, no. 3, pp. 248-259, mar. 2022, doi: 10.1177/00048674211020102.
- S. D. Berkowitz, Introducción al análisis estructural: el enfoque de redes en la investigación social. Elsevier, 2013.
- D. Baldó Vela, N. Bonfanti, D. Baldó Vela, y N. Bonfanti, «Evaluación del riesgo de trastornos de la conducta alimentaria en jugadores semiprofesionales de deportes de equipo», Nutr. Hosp., vol. 36, no. 5, pp. 1171-1178, oct. 2019, doi: 10.20960/nh.02630.
- A. Martinez-Rodriguez, «Efectos de la dieta y práctica de deportes aeróbicos o anaeróbicos sobre los trastornos del comportamiento alimentario», Nutr. Hosp., vol. 31, no. 3, pp. 1240-1245, mar. 2015, doi: 10.3305/nh.2015.31.3.8131.
- A. González-Teruel y C. Andreu-Ramos, «Investigación del comportamiento informacional a través del análisis de redes sociales», El profesional de la información, 2013. http://eprints.rclis.org/20686/ (consultado el 2 de abril de 2023).