Acceso usuarios
León, España
Madrid, España
La campaña de boicot contra Facebook #StopHateFor-Profit, lanzada en junio de 2020, emerge como un fenómeno clave en la lucha contra el discurso de odio en las redes sociales. Este estudio aborda la detección y caracterización de comunidades en la campaña #StopHate- ForProfit, empleando enfoques teóricos y metodológicos de análisis de redes sociales (ARS) y de procesamiento del lenguaje natural (PLN) para examinar la estructura social de la campaña en Twitter (actual X). Se emplea el programa Gephi para la detección de comunidades, utilizando medidas de centralidad, modularidad, componentes conectados y coeficiente de agrupamiento. El análisis revela una red compleja y cohesionada, formada por 5 556 comunidades con una alta modularidad, lo cual señaló densas interacciones internas. Se identificaron los actores fuerte y débilmente conectados en las comunidades indicando las relaciones más estrechas y directas. La clasificación de actores según su posición proporciona características sobre la influencia de nodos y la cohesión en la red. Este acercamiento interdisciplinario contribuye a la comprensión de la diversidad de enfoques dentro de #StopHateForProfit y destaca su relevancia en la participación masiva e impacto. El análisis de las comunidades revela una colaboración efectiva entre actores, evidenciando la integralidad de la estrategia coordinada para contrarrestar el discurso de odio.
The boycott campaign against Facebook #StopHate-ForProfit, launched in June 2020, emerged as a key phenomenon in the fight against hate speech on social media. This study addresses the detection and characterization of communities in the #StopHateForProfit campaign, employing theoretical and methodological approaches from Social Network Analysis (SNA) and Natural Language Processing (NLP) to examine the social structure of the campaign on Twitter (now X). We used the software Gephi for community detection, employing centrality, modularity, connected components, and clustering coefficient measures. The analysis disclosed a complex and cohesive network composed of 5,556 communities with a high modularity that indicated dense internal interactions. We identified the strongest and weakest connected actors in the communities, which hinted at the closest and most direct relationships. The classification of actors according to their position provided insight into node influence and cohesion in the network. This interdisciplinary line of action contributes to understanding the diversity of approaches within the #StopHateForProfit campaign, highlighting its relevance regarding mass participation and impact. The analysis of communities revealed an effective collaboration among actors, demonstrating the comprehensiveness of the coordinated strategy to counter hate speech.
