Acceso usuarios
Este estudio analiza la contribución de Twitter a la energía verde. Se estudiaron más de 200.000 tweets globales enviados durante 2020 que contenían los términos "green energy" o "greenenergy". Los tweets se capturaron mediante web scraping y se procesaron utilizando algoritmos y técnicas para el análisis de conjuntos de datos masivos de redes sociales. En particular, se determinaron las relaciones entre los usuarios (a través de las menciones) según el algoritmo Louvain multilevel para identificar comunidades y analizar métricas tanto a nivel global (densidad y centralización) como a nivel de nodos (centralidad). Posteriormente, el contenido de la conversación se sometió a un análisis semántico (co-ocurrencia de las palabras más relevantes), a un análisis de hashtags (análisis de frecuencia) y a un análisis de sentimiento (mediante el modelo Vader). Los resultados revelan 9 comunidades principales e identifica sus líderes, los 3 temas principales de conversación y el estado emocional de la discusión digital. Las citadas comunidades giran en torno a la política, las cuestiones socioeconómicas y el activismo medioambiental, mientras que el contenido de las conversaciones, se desarrolla mayoritariamente en términos positivos, y se centra en las fuentes de energía verde y su almacenamiento, estando alineadas con las principales comunidades identificadas, es decir, con cuestiones políticas, socioeconómicas y de cambio climático. Aunque la mayoría de las conversaciones han versado sobre temas socioeconómicos, la presencia de relatos de empresas líderes ha sido menor. El objetivo principal de este trabajo es dar los primeros pasos hacia una metodología innovadora de inteligencia competitiva para estudiar y determinar las tendencias de diferentes campos científicos o tecnológicos en la sociedad que permita la toma de decisiones estratégicas.
This study analyzes Twitter’s contribution to green energy. More than 200,000 global tweets sent during 2020 containing the terms “green energy” OR “greenenergy” were analyzed. The tweets were captured by web scraping and processed using algorithms and techniques for the analysis of massive datasets from social networks. In particular, relationships between users (through mentions) were determined according to the Louvain multilevel algorithm to identify communities and analyze global (density and centralization) and node-level (centrality) metrics. Subsequently, the content of the conversation was subject to semantic analysis (co-occurrence of the most relevant words), hashtag analysis (frequency analysis), and sentiment analysis (using the VADER model). The results reveal nine main communities and their leaders, as well as three main topics of conversation and the emotional state of the digital discussion. The main communities revolve around politics, socioeconomic issues, and environmental activism, while the conversations, which have developed mostly in positive terms, focus on green energy sources and storage, being aligned with the main communities identified, i.e., on political, socioeconomic, and climate change issues. Although most of the conversations have been about socioeconomic issues, the presence of leading company accounts was minor. The main aim of this work is to take the first steps toward an innovative competitive intelligence methodology to study and determine trends within different scientific fields or technologies in society that will enable strategic decisions to be made.
