La idea es que los usuarios particulares actúen como transportistas aprovechando sus viajes diarios. Una especie de Uber para mensajería. Para ello, se crean flotas ciertas, formadas por una gran variedad de vehículos que se unen y abandonan la red atendiendo a la disponibilidad de los usuarios particulares. Estas flotas estarán formadas por una combinación de vehículos comerciales, taxis, coches particulares, motos, bicicletas, transporte público (metro y bus) o incluso peatones. Una persona que necesite enviar un paquete lo entregará a un usuario de la red cercano (un vecino, un compañero de trabajo…) y este lo entregará al destinatario final si va a coincidir con él o a otro transportista que se encuentre más cerca de ese destinatario final.
Para poder realizar el servicio de forma eficiente, el framework propuesto por Billhard et al (2016) se amplia con un módulo de análisis de redes (TNAM), encargado de estudiar la estructura de la red de transporte y asegurar que se dan las condiciones para que el servicio se proporciones de manera eficaz.
Se estudia como caso de aplicación la red de transporte de Valencia, centrándose en la red de estaciones del servicio de alquiler de bicicletas. Se caracteriza la red y se estudia us eficiencia, comparándola con la eficiencia de las redes de otras ciudades como Madrid o Salamanca. La conclusión es que se trata de una red robusta ante fallos, tanto aleatorios como ataque deliberados a las estaciones más relevantes. El análisis se puede replicar para las distintas capas que configuran los medios de transporte público disponibles en la ciudad: metro, bus, bicicletas y taxi.
Se puede acceder al artículo completo a través de la referencia siguiente
Rebollo M., Carrascosa C., Julian V. (2017) Transport Network Analysis for Smart Open Fleets. In: Bajo J. et al. (eds) Highlights of Practical Applications of Cyber-Physical Multi-Agent Systems. PAAMS 2017. Communications in Computer and Information Science, vol 722. Springer, Cham
Se trata de la extensión de una herramienta de análisis de redes sociales, denominada uTool, para incluir análisis de conversaciones y también de sentimientos a partir de la actividad geolocalizada de los usuarios de redes sociales.
Se trata de una herramienta que pretende analizar la actividad en una ciudad a partir de las interacciones que se establecen entre los usuarios de Twitter. En esta demo se han presentado las dos ampliaciones realizadas en los últimos meses.
Por un lado, el análisis de las conversaciones que se producen en las redes en relación a un tema de conversación o dentro de un área determinado. La mayoría de las aplicaciones actuales se limitan a medir impactos globales, estudiando el alcance de las publicaciones, el número total de impresiones o la cantidad de retuits. En nuestro caso, analizamos las interacciones explícitas entre los usuarios. Para ello, estudiamos las menciones, es decir, cuando el nombre de un usuario aparece contenido en el texto del tuit. Esto se produce cuando se responde a un tuit anterior (respuesta), se retuitea o simplemente se desea nombrar a alguien para iniciar una conversación. Normalmente, estos tuits tienen una mayor visibilidad pues activan notificaciones o están disponibles en un apartado especial de las herramientas de escritorio o de las aplicaciones móviles. Para estudiar su impacto, se construye la red a partir de las menciones y se realizan las medidas habituales en el análisis de redes sociales: distribución del grado, diámetro, camino mínimo medio, clustering, distintas medidas de centralidad, detección de comunidades, etc.
El artículo completo está disponible a través de la siguiente referencia
Vivanco E., Palanca J., del Val E., Rebollo M., Botti V. (2017) Using Geo-Tagged Sentiment to Better Understand Social Interactions. In: Demazeau Y., Davidsson P., Bajo J., Vale Z. (eds) Advances in Practical Applications of Cyber-Physical Multi-Agent Systems: The PAAMS Collection. PAAMS 2017. Lecture Notes in Computer Science, vol 10349. Springer, Cham
Por otra parte, se incluye un módulo de análisis de sentimientos básicos. La herramienta permite cargar un mapa con polígonos, de manera que se acumulan los sentimientos detectados en todos los tuits que caen dentro de cada polígono. De esta forma, es posible identificar el sentimiento mayoritario en distintas zonas de la ciudad (barrios, distritos…) Con este proceso es posible detectar puntos en los que exista descontento entre los ciudadanos, por ejemplo por un fallo en el transporte público, un mal servicio de salud o deficiencias en las infraestructuras. También se identifican las zonas con un sentimiento positivo o neutro,
Del día 28 al 30 de junio se ha celebrado en Valencia el III Simposio Internacional de Innovación Aplicada (IMAT ’17), en el que me invitaron a participar (gracias a María Guijarro por la invitación). En el campo de la innovación educativa, un tema en el que hemos empezado a trabajar desde el EICE al que pertenezco, es el uso de las narrativas transmedia en el aula. Y ese fue el tema de mi charla.
El uso del término narrativa transmedia aparece por primera vez en un artículo de Henry Jenkins en el año 2003 titulado Transmedia Storytelling. En él habla de la segregación del mensaje en distintos medios y de la participación de la audiencia como pilares fundamentales.
Existen numerosos casos de mundos transmedia: Star Wars, Star Trek, Harry Potter, Perdidos, Pokémon, Resident Evil, Batman y un largo etcétera, a partir de productos diversos: películas, series de televisión, libros, cómics, videojuegos… Y, como no, para mi un ejemplo obligatorio y del que me declaro fan absoluto: El Ministerio del Tiempo; una obra que se planteó como un producto televisivo “tradicional”, abierto a as redes sociales, pero que a partir de la segunda temporada comenzó a explorar las posibilidades transmedia y ahora las acciones transmedia de MdT son una parte indispensable de la serie.
La narrativa transmedia no es un fenómeno exclusivo de la ficción. Podemos encontrar obras que s enmarcan dentro del periodismo o de los documentales transmedia, que surgen con fines informativos, divulgativos, formativos o para concienciar al público de determinadas situaciones. Aquí en ocasiones es difícil separar la linea de lo que son productos multimedia (documedia o documentales interactivos) como el caso de Snow Fall, del Ney York Times (ganador de un premio Pulitzer) o los documentales del Nacional Film board de Canadá que surgen a parir de Highrise. Aunque aquí también se encuentran obras realmente transmedia, como Mujeres en venta, sobre la desaparición y trata de blancas en Argentina.
Este último tipo de narrativa transmedia de no ficción es el que más se acerca a los procesos que tienen lugar en el aula, en los que no hay una historia o un personaje alrededor del cuál construir el mundo transmedia.
El AHP es un método para la toma de decisiones complejas empleado para diversos problemas, incluida la valoración de jugadores de fútbol. Usar consenso permite a un grupo llegar a un acuerdo óptimo en los criterios para hacer esta valoración.
Los días 20, 21 y 22 de junio se ha celebrado en Toledo la 16 Conference in Practical Applications of Agents and Multiagent Systems (PAAMS'18) junto con la 15 International Conference on Distributed Computing and Artificial Intelligence (DCAI'18) y allí he presentado este trabajo.
El uso de procesos de consenso en redes para la toma de decisiones es algo en lo que llevo trabajando hace unos años y la aplicación a los procesos analíticos jerárquicos es uno de los problemas que se pueden beneficiar de esta aproximación.
La contribución principal de este trabajo ha sido la de comparar nuestra propuesta con otros métodos. Los resultados que hemos obtenido indican que nuestra aproximación da un resultado comparable al que usa aggregation of individual priorities (AIP), uno de los métodos más usados para construir la decisión del grupo.
Nuestro trabajo tiene una ventaja adicional sobre AIP. AIP utiliza la media geométrica para calcular el valor de consenso entre todos los participantes. Eso hace que si hay opiniones distintas, la decisión grupal se desplace fuera de la solución mejor. SIn embargo, el proceso de consenso consigue "convencer" a los participantes que están más alejados para que converjan hacia la solución que beneficia más al grupo
Os dejo las transparencias que usé en la presentación y cuando esté disponible el artículo lo dejaré también accesible para que si te interesa puedas ver los detalles del trabajo.
Miguel Rebollo, Alberto Palomares, and Carlos Carrascosa. Distributed Group Analytical Hierarchical Process by Consensus. In Proc. of 15th DCAI. Advances in Intelligent Systems and Computing Series, Springer, 2018.
Los días 14 y 15 de noviembre se celebró en la EPS de Gandía la IX edición del Congreso de Comunicación y Tecnología Comunica2. Yo soy un incondicional así que me fui para allá, para compartir y disfrutar de unos profesionales como la copa de un pino, tanto arriba como abajo del escenario, y por supuesto en el ala oeste. Y es que estos chicos y chicas son un ejemplo de cómo se hacen las cosas, especialmente la gestión de las redes sociales a través de la cuenta de @comunica2. Para demostrarlo, aquí está el análisis de la red de la conversación en Twitter y de las personas más relevantes.
Construcción de la red
Para hacer el análisis, he descargado los tuits que contienen las dos etiquetas (hashtags) usadas durante el Comunica2: #comunica2019 y #comunicagandia. Los nodos de la red son los usuarios y se crea un enlace cuando una persona menciona a otra en un tuit (incluyendo menciones directas, respuestas y retuits). De esta forma, se construye una red que modela cómo se han producido las conversaciones en la red a lo largo de estos dos días. El análisis va más allá de los datos acumulados que suelen dar las métricas habituales, como número de seguidores o de retuits, o ser un tema destacado (trending topic).
Ejemplo de cómo se genera la red a partir de un tuit
Por ejemplo, este tuit de @comunica2 en el que se menciona a @rafahohr generaría dos nodos conectados como aparecen en la imagen. Haciendo esto con todos los tuits, se puede seguir cómo ha evolucionado la conversación, quién ha recibido más menciones, quién ha sido más activo o incluso diferenciar distintos roles en función de su actividad.
Análisis de la red
Para hacer el análisis, se han descartado los tuits que no contienen menciones y también los grupos que están aislados del grupo principal. También hay que tener cuidado con la cuenta «@s» que no existe: aparece por usar «@» para evitar el lenguaje sexista. Y eso hace que cuando aparece «tod@s», se piensa que @s es una persona. Con ello, quedan 531 participantes que han generado 3054 tuits mencionándose entre sí
Red completa de Comunica2. Pincha en la imagen para ver la imagen completa en PDF y poder buscarte. El tamaño del nodo indica el número de menciones (grado) y el color la comunidad a la que pertenece
Si todo fuera normal (mejor dicho, gaussiano) podrías esperar que cada persona hubiera escrito entre cinco y seis mensajes de media y sería poco probable que alguien haya escrito más de 100 tuits. Pero la realidad no es esa. El grado está distribuido como una ley de potenciasy eso hace que, como es el caso, encuentres cuentas con más de 400 menciones. En este tipo de distribuciones, la media no es una buena medida (lo mismo pasa, por ejemplo, con los sueldos: en el 2017, el salario medio fue de 20.600€ porque está desplazado por personas que tienen salarios muy altos, mientras que la mediana se queda en 17.200€).
Distribución de grado. La mayoría (el 53%) han recibido menos de 5 menciones
Otras medidas importantes para caracterizar la red son la longitud de los caminos y el índice de clustering. En una red, hay un camino cuando podemos ir de un nodo a otro. Su longitud es el número de saltos que damos. En el caso de nuestra red, el camino está formado por tuits que van mencionando a una cadena de personas. Como en la teoría de los seis grados de separación (aquí tienes una explicación de en qué consiste esa teoría de los seis grados por Clara Grima).
En el caso de Comuncia2, el camino medio más corto mide 2,5 pasos. Es decir, que de media, con solo dos o tres tuits, puedo llegar a cualquier asistente al congreso. O lo que es lo mismo, que para hablar con cualquiera solo necesito una o dos personas de intermediarias. La otra medida, el clustering, calcula cuántos triángulos de todos los posibles hay en la red. Es decir, que si yo menciono a dos personas, si esas dos personas también se han mencionado entre sí formamos un triángulo (más, o menos amoroso).
El clustering es de 0,45, que es un valor bastante alto. Cuando en una red existen caminos cortos (2,5) y un índice de clustering alto (0,45), se dice que aparece el fenómeno conocido como mundo pequeño(small world), que tiene que ver con la teoría de los seis grados de separación. Es importante porque en ese tipo de redes la información se propaga muy rápidamente y son bastante robustas ante fallos (por ejemplo, a desconexiones entre los nodos). Así que podemos afirmar que en el Comunica2 somos una pequeña familia ;-)
Detección de comunidades
Otro de los análisis interesantes es tratar de ver si dentro del Comunica2 se forman grupos. La forma de detectarlo es a través de una medida que se conoce como modularidad. Trata de buscar grupos densamente conectados, es decir, con muchos tuits entre ellos, y pocas menciones a personas de otros grupos. De esta forma se detectan grupos afines o temas de conversación, entre otras cosas.
En la red aparecen cuatro grandes comunidades claramente diferenciadas (puedes volver a la figura del principio) y una quinta más pequeña.
rojo: es el grupo principal, alrededor de la cuenta oficial @comunica2, de la organización, de la mayoría de los ponentes, de las personas responsables de las redes y de asistentes en ediciones anteriores.
verde: aquí aparecen dos agrupaciones. Por un lado, Clara Nafría (@claranafria) y el fenómeno OT, y Ariadna Fernández (@e_ariadna), profesora de la EPSG con posiblemente algunos de sus alumnos. Seguramente habrá estudiantes que también sean fans de OT y por eso han quedado unidos en un solo grupo.
azul: alrededor de la @fundeu y Judith González (@jwdith); es la comunidad de las letras: periodismo, literatura, corrección, traducción…
morado: es una comunidad curiosa, porque en ella aparece @hermoti, que presentó el Comunica2 junto a @keunam, pero han quedado en comunidades separadas. También hay una parte de la organización en este grupo.
marrón: una comunidad pequeña en la parte superior, formada por cuentas institucionales y relacionadas con el turismo. También es curioso que Diana Morant (@dianamorantr), alcaldesa de Gandía, no pertenezca a este grupo.
Medidas de centralidad. Detectando influentes.
Estas eran a grandes rasgos medidas globales de la red. Pero ¿qué hay de las personas? ¿Quién ha sido más importante en el congreso? ¿Haciendo qué? En los medios verás que se le da importancia a quien tiene más seguidores, o al número de retuits que se consiguen. Pero eso son medidas de éxito pasajero y este tipo de cuentas y de contenido no son las que realmente dinamizan la red y mantienen el interés de la comunidad.
Por eso, aquí encontrarás algunas medidas de centralidad que identifican a las personas relevantes para la conversación. Prefiero el término influente an inglés influencer. Sí, aparece en el diccionario y me parece una palabra más bonita.
Grado: da importancia a los nodos según su grado. En nuestro caso, indica el número de menciones que ha recibido (grado de entrada) o que ha realizado (grado de salida). El grado de entrada identifica al más popular y el grado de salida al más activo.
Closeness (cercanía): son las personas que están en el centro de la red o, en este caso, de la conversación. Son los que están más cerca de cualquier asistente.. Son importantes porque sus mensajes se difunden enseguida, pues los caminos a todos los demás son más cortos.
Betweenness o intermediación: Son personas a las que no se les suele prestar atención, pero son fundamentales para mantener la red. Son los nodos por los que pasan la mayoría de caminos y sirven de puentes entre grupos. Sin ellos, no aparecerían efectos como los memes y o los vídeos virales.
Pagerank: es una medida que asume que una persona es importante cuando la mencionan otras que a su vez también son importantes. Es una medida difícil de manipular ya que es el resto de la red quien da el valor a los usuarios.
A continuación aparecen las diez cuentas más relevantes teniendo en cuenta cada una de estas medidas de centralidad. Es un gráfico interactivo, así que puedes jugar con él para ver la clasificación en cada medida de centralidad. El color corresponde a la comunidad a la que pertenece cada persona.
De todas las cuentas, destaca la cuenta oficial del congreso @comunica2, que aparece en las primeras posiciones en todas las medidas. Es un comportamiento poco usual. Comparando otras cuentas oficiales, como en @El_Hormiguero, @ObjetivoLaSexta o @SalvadosTV, por poner ejemplos de programas que tienen impacto en las redes sociales, se puede ver cómo la actividad es completamente distinta. Quienes están detrás de @comunica2 manejan de forma magistral la escucha activa y dinamizan la conversación.
Por ejemplo, en la medida de betweenness se ve cómo aparecen personas que pertenecen a casi todas las comunidades. A través de ellas se crean los enlaces entre grupos que son tan importantes para mantener la conversación activa y facilitar la propagación de la información de la red: como Clara Nafría, Amparo Soriano o Cram.
Otras dos personas que aparecen también en prácticamente todas las medidas han sido de nuevo Clara Nafría, responsable de comunicación de Sweet Bird, y Ariadna Fernández, profesora de la EPSG. Quizá no hayan sido tan visibles en la red como otras personas, pero su ubicación estratégica dentro de la red han hecho que sean cuentas vitales. Esto demuestra que no siempre las personas aparentemente más relevantes por su actividad o sus seguidores, son las que realmente importan. Es un fenómeno que hemos constatado en distintos tipos de eventos, tal y como vimos en una investigación realizada hace un par de años y cuyos resultados se pueden consultar en Does the Type of Event Influence How User Interactions Evolve on Twitter?
altavoces (alto, medio o bajo): personas capaces de amplificar sus tuits, que se retuitean mucho
networkers: con una actividad alta, emitiendo y difundiendo tuits, y recibiendo retuits de forma balanceada
El grupo de difusores está formado por
retuiteadores: se dedican a retuitear más que a publicar tuits propios
monologuistas: tienen una participación alta con tuits propios pero que no reciben retuits por parte de los demás
replicadores: cuyos tuits son respuestas a otros tuits en su mayoría
aislados: ni hacen ni reciben retuits
automatizados: bots cuyos tuits provienen de sitios externos (como blogs o noticias) y normalmente se insertan a través de sindicación de contenidos (RSS).
El resto son usuarios normales, cuando no presentan ninguna de las características anteriores. Excepto aislados y automatizados, el resto de roles aparecen en la red del congreso. A continuación tienes un gráfico interactivo en el que puedes consultar cómo están distribuidos esos roles.
Una cosa que me llamó la atención al ver los roles es que @comunica2 y las dos directoras del congreso: @margatwita y @rebeca10ten juegan cada una un rol diferente: networker, retuiteadora y replicadora respectivamente. Quizá este sea uno de los trucos: tener perfiles que se complementan.
Análisis de las ponencias
Para acabar, me gustaría hacer un breve análisis de la red de los ponentes en el Comunica2. Hay que aclarar que los resultados no se corresponden con el interés despertado durante la charla. Yo mismo hay veces que tuiteo mucho con cosas intrascendentes y a cambio otras me quedo con la boca abierta en charlas increíbles y no publico ni un solo tuit. Tampoco es justo para los que participan en las últimas sesiones o para quién no está los dos días. Así que estos resultados no hay que tomarlos como un reflejo de lo que ocurrió durante el congreso.
Ubicación de ponentes en la red de Comunica2019
Las personas que participaron como ponentes aparecen repartidas en las distintas comunidades, aunque la mayoría se sitúan en el grupo principal. A continuación aparecen sus perfiles, ordenados por el número de menciones que recibieron a lo largo de todo el congreso. El color representa el rol que han desempeñado en el Comunica2 y en la descripción se incluye, además, el rol general de su perfil. Es curioso ver cómo en ningún caso los dos roles coinciden.
La posición relativa en función del rol también está disponible en el gráfico interactivo. En este caso no aparecen los ponentes que no han desempeñado ningún rol.
Y esto es todo. Me ha quedado una entrada un poco larga, pero creo que es interesante este tipo de análisis. Las herramientas que he utilizado han sido
Estos días estoy en Oporto, en el 15th International Conference on Practical Applications of Agents and Multi-Agent Systems (PAAMS'17) y este es el título de una de mis charlas.
