Redes sociales y crisis alimentariasel caso de la carne roja y sus efectos cancerígenos según la OMS
- Joan Francesc Fondevila Gascó 1
- Javier Sierra Sánchez 2
- Sheila Liberal Ormaechea 3
-
1
Universitat Pompeu Fabra
info
-
2
Universidad Camilo José Cela
info
-
3
Universidad Francisco de Vitoria
info
ISSN: 1696-019X
Year of publication: 2017
Issue: 24
Pages: 127-148
Type: Article
More publications in: Doxa Comunicación: revista interdisciplinar de estudios de comunicación y ciencias sociales
Abstract
El impacto de los comentarios en redes sociales con relación a crisis alimentarias es un objeto de estudio reciente, cuyos efectos hay que seguir. En esta investigación se analiza el caso de la carne roja y sus presuntos efectos cancerígenos con el objetivo de determinar el seguimiento en Facebook y Twitter y el carácter de los comentarios (positivos, neutros o negativos). La agencia internacional para la investigación del cáncer (dependiente de la OMS) presentó el 26 de octubre de 2015 un informe donde se evaluaba la carcinogenicidad del consumo de carne incluyéndola en el grupo 2A. Esta noticia estuvo presente en las redes sociales, principalmente en Facebook y Twitter, las más utilizadas en España en ese momento. Por ello, se utiliza la metodología cualitativa de análisis de sentimiento en esas redes sociales y las publicaciones relacionadas con la noticia. Se buscaron las publicaciones del 26 de octubre al 26 de noviembre de 2015 y se utilizaron hashtags específicos (“carne roja” y “OMS”) para centrar la búsqueda. Las publicaciones se clasificaron en positivas, neutras o negativas. También se valoraron las reacciones de los otros usuarios en cada publicación mediante un análisis estadístico cuantitativo. Se analizaron 391 publicaciones en Twitter y 33 en Facebook. En la primera red social, se encontraron publicaciones en todo el periodo de tiempo acotado; en Facebook, solo en la mitad del tiempo. El 57,6% de las publicaciones de Facebook presentan una intencionalidad neutra, el 27,3% negativa y el 15,1% positiva. En Twitter, 47,6% son neutras, 39,6% negativas y 12,8% positivas. El seguimiento de otros usuarios a las publicaciones estudiadas no fue estadísticamente significativo. La apreciación de los usuarios cambia con el paso del tiempo, pasando de comentarios negativos y neutros a neutros y positivos hasta que solo quedaron información objetiva. También se observa una falta de comunicación entre las entidades oficiales y los usuarios de estas redes.
Bibliographic References
- Aguado-de-Cea, G.; Barrios, M. A.; Bernardos, M. S.; Campanella, L; Montiel-Ponsoda, E; Muñoz-García, Ó. y Rodríguez, V. (2012): Análisis de sentimientos en un corpus de redes sociales. Tenerife: 31 Congreso Asociación Española de Lingüística Aplicada, Comunicación, Cognición y Cibernética.
- Barzilay, R. (1999): “Using Lexical Chains for the Text Summarization”. Advances in Automatic Text Summarization. Massachusetts: USA.
- Barzilay, R. y Lapata, M. (2008): “Modeling Local Coherence: An entity-based approach”. Computational Linguistics, n. 34, n. 1.
- Berger, A. y Mittal, V. O. (2000): “OCELOT: A System for Summarizing Web Pages”. Proceedings of the 23rd annual international ACM SIGIR conference on research and development in information retrieval, pp. 144-151.
- Brandow, R. M.; Mitze, K. y Rau, L. E (1995): “Automatic condensation of electronic publications by sentence selection”. Information Processing & Management, n. 31(5), pp. 675-685.
- Brin, S. y Page, L. (1999): “The anatomy of a large-scale hypertextual web search engine”. Computer Networks, vol. 56, n. 8, pp. 3825-3833.
- Caldevilla Domínguez, D. (2010): "Las Redes Sociales. Tipología, uso y consumo de las redes 2.0 en la sociedad digital actual." Documentación de las Ciencias de la Información, n. 33, pp. 45-68.
- Carenini, G.; Murray, G. y Ng, R. T. (2011): Methods for Mining and Summarizing Text Conversations. London: Morgan & Claypool Publishers.
- Cascante Hernández, K. (2011): “Crisis alimentaria: un consenso por la agricultura”. Política exterior, vol. 25, n. 142, pp. 128- 137
- Chua, F. C. T. y Asur, S. (2013): “Automatic Summarization of Events from Social Media”. International AAAI Conference on Web and Social Media.
- Clore, G. L.; Ortony, A. y Foss, M. (1987): “The psychological foundations of the affective lexicon” lournal of personality and social psychology, vol. 53, n. 4, pp. 751-66.
- Das, D. y Martins, A. (2007): “A Survey on Automatic Text Summarization”. Computer Science and Applied Cognitive Science, pp. 1-31.
- Ding, C., H. Q. (2005): “A Probabilistic Model for Latent Semantic Indexing”. lournal of the American Society for Information Science and Technology, vol. 56, n. 6, pp. 597-608.
- Edmundson, H. P. (1969): “New Methods in Automatic Extracting”. lournal of the Association for Computing Machinery, vol. 16, n. 2.
- Farré i Coma, J.; Gonzalo Iglesia, J. L.; Lores García, M; Lozano Monterrubio, N. y Prades Tena, J. (2012): “Comunicación de riesgos y seguridad alimentaria en la era 2.0”. El profesional de la información, vol. 21, n. 4, pp. 381-384.
- Fondevila Gascón, J. F. (2010): “El cloud journalism: un nuevo concepto de producción para el periodismo del siglo XXI”. Observatorio (OBS*) journal, vol. 4, n. 1, pp. 19-35.
- - (2013): “Periodismo ciudadano y cloud journalism: un flujo necesario en la Sociedad de la Banda Ancha”. Comunicación y Hombre, n. 9, pp. 25-41.
- - (2014): “El uso de hipertexto, multimedia e interactividad en periodismo digital: propuesta metodológica de ranking de calidad”. ZER, Revista de Estudios de Comunicación (journal of Communication Studies), vol. 19, n. 36, pp. 55-76.
- Fondevila Gascon, J. F; Carreras Alcalde, M.; Del Olmo Arriaga, J. L. y Feliu Roé, L. (2014): Facebook and Twitter in education: a new factor to improve classes. Valencia: INTED2014 (8th International Technology, Education and Development Conference).
- Fondevila Gascon, J. F; Mir Bernal, P; Puiggrós Román, E.; Muñoz González, M.; Berbel Giménez, G.; Gutiérrez Aragon, Ó.; Feliu Roé, L.; Santana López, E.; Rom-Rodríguez, J.; Sorribas Morales, C. y Crespo, J. L. (2016): Sentiment analysis as a qualitative methodology to analyze social media: study case of tourism. Porto: CIAIQ2015 y ISQR2016, 5er Congreso Iberoamericano de Investigación Cualitativa y 1st International Symposium on Qualitative Research.
- Kleinberg, J. K.; Kumar, R.; Raghavan, P; Rajagopalan, S. y Tomkins, A. S. (1999): “The web as a graph: measurements, models, and methods”. Computing and Combinatories, n. 1627, pp. 1-17.
- Kupiec, J. P; Pedersen, J. y Chen, F. (1995): “A trainable document summarizer”. Proceedings of the 18th annual international ACM SIGIR conference on Research and Development in Information Retrieval
- Kyoomarsi, F; Khosravi, FL; Eslami, E.; Khosravyan Dehkordy, P. y Tajoddin, A. (2008): “Optimizing text summarization based on fuzzy logic”. Seventh IEEE/ACIS International Conference on Computer and Information Science.
- Lin, C. Y. y Hovy, E. (1997): “Identifying Topics by Position”. Proceedings of the fifth Conference on Applied Natural Language, pp. 283-290.
- Luhn, H. P. (1958): “The automatic creation of literature abstracts”. IBM Journal of Research Development, pp. 159-165.
- Marcu, D. (1997): The rhetorical parsing, summarization, and generation of natural language texts. Toronto: University of Toronto.
- Martín-Ruiz, E.; Danet Danet, A.; Pérez Corral, O.; Cruz Piqueras, M. T. y March Cerdá, J. C. (2014): “Opiniones de menores residentes en Andalucía (España) sobre temas de salud: Aplicación de un cuestionario por Internet”. Revista Salud Uis, vol. 46, n. 2.
- Martínez Cámara, E.; Martín Valdivia, M. T. y Ureña López, L. A. (2011): Análisis de sentimiento, faén: IVJornadas TIMM. Tratamiento de la Información Multilingüe y Multimodal
- Minqing, H. y Bing, L. (2004): “Mining and Summarizing Customer Reviews”. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-2004).
- Minqing, H.; Bing, L. y funsheng, C. (2005): “Opinion observer: Analyzing and comparing opinions on the web”. Proceedings of the 14th International World Wide Web conference (WWW-2005).
- Mollá, D. H. (2003): “Intrinsic versus extrinsic evaluations of parsing systems”. Proceedings ofEACL03 workshop on Evaluation Initiatives in Natural Language Processing.
- Montesino García, L. (2014): “Análisis de sentimientos y predicción de eventos en Twitter”. Santiago, Chile: Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas [Consultado el 03/12/2016]. Disponible en: http://www.repositorio.uchile.cl/handle/2250/130479
- Morris, A. H.; Kasper, G. M. y Adams, D. A. (1992): The Effects and Limitations of Automated Text Condensing on Reading Comprehension Performance. Information Systems Research, vol. 17, n. 35.
- Nenkova, A. P. y Passoneau, R. (2004): Evaluating Content Selection in Summarization: The Pyramid Method. Vancouver: Document Understanding Conference.
- Pang, B. y Lee, L. (2005): “Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales”. Proceedings of the 43rd Annual Meeting in Associations for Computational Linguistics.
- Pang, B. y Lee, L. (2008): “Opinion mining and sentiment analysis”. Foundations and Trends in Information Retrieval, vol. 2, n. 1-2, pp. 1-135.
- Pang, B.; Lee, L. y Vaithyanathan, S. (2002): “Thumbs up?: sentiment classification using machine learning techniques”. Proceedings oftheACL-02 conference on Empirical methods in natural language processing, n. 10, pp. 79-86.
- Pang, Z.; Chen, Q.; Han, W. y Zheng, L. (2015): “Value-centric design of the internet-of-things solution for food supply chain: Value creation, sensor portfolio and information fusion”. Information Systems Frontiers, vol. 17, n. 2, pp. 289-319.
- Polanyi, L. C.; Culy, C.; Van den Berg, M.; Lorenzo Thione, G. yAhn, D. (2004): “A rule-based approach to discourse parsing”. Proceedings of the fifth SIGdial workshop on discourse and dialogue.
- Popescu, A. M. y Pennachiotti, M. (2010): “Detecting Controversial Events from Twitter” Proceedings of the 19th ACM International conference on Information and Knowledge Management.
- Radev, D. R.; ling, H. y Budzikowska, M. (2000): “Centroid-based summarization of multiple documents: sentence extraction, utility-based evaluation, and user studies” Proceedings of the 2000 NAACL-ANLP workshop on automatic summarization.
- Russell Brown, L. (2012): “Para prevenir una nueva crisis alimentaria” Política exterior, vol. 26, n. 150, pp. 176-184.
- Sakaki, T; Okazaki, M. y Matsuo, Y. (2010): “Earthquake shakes Twitter users: real-time event detection by social sensors”. Proceedings of the 19 th International Conference on World Wide Web.
- Saltón, G. (1988): Automatic Text Processing. The Transformation Analysis and Retrieval of Information by Computer. Boston: Addison-Wesley Longman Publishing CO.
- Saltón, G.; Wong, A. yYang, C. S. (1975): “A vector space model for automatic indexing”. Communication of the ACM, vol. 18, n. 11, pp. 613-620.
- Sayyadi, EL; Hurst, M. y Maykov, A. (2009): “Event Detection and Tracking in Social Streams”. Proceedings of the Third International ICWSM, pp. 311-314.
- Sharifi, B.; Hutton, M.-A. y Kalita, J. (2010): “Summarizing Microblogs Automatically”. Human Language Technologies: The 2010 Annual Conference of the North American Chapter of the ACL, pp. 685-688.
- Steinberger, J. y fezek, K. (2009): “Evaluation measures for text summarization”. Computing and Informatics, n. 29, pp. 1001-1026.
- Sparck Iones, K. (1998): Automatic summarizing: factors and directions. Cambridge: MIT Press.
- Taboada, M.; Brooke, J.; Tofiloski, M.; Voll, K. y Stede, M. (2011): “Lexicon-based methods for sentiment analysis”. Computational linguistics, vol. 37, n. 2, pp. 267-307.
- Turney, P. D. (2002): “Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews”. Proceedings of the 40th annual meeting on association for computational linguistics, pp. 417-424.
- Watanabe, K.; Ochi, M.; Okabe, M. y Onai, R. (2011): “fasmine: a real-time local-event detection system based on geolocation information propagated to microblogs” Proceedings of the 20th ACM International Conference on Information and Knowledge Management, pp. 2541-2544.