Information dynamics in online political social networks: Recommender systems and spread of disinformation and polarization

• Autores: Pau Muñoz Pairet
• Directores de la Tesis: Fernando Díez Rubio (dir. tes.), Alejandro Bellogín Kouki (dir. tes.)
• Lectura: En la Universidad Autónoma de Madrid ( España ) en 2025
• Idioma: inglés
• Número de páginas: 286
• Enlaces
  • Tesis en acceso abierto en: Biblos-e Archivo
• Resumen

  • Las redes sociales en línea, como X/Twitter, Instagram, LinkedIn, Blogger y TikTok, son utilizadas diariamente por cientos de millones de personas para conectarse globalmente y compartir información. Su ubicuidad, accesibilidad y capacidades de comunicación en tiempo real las han convertido en fuentes primarias de información, superando a los medios tradicionales. Este cambio ha posibilitado la "autocomunicación", donde los usuarios actúan como medios independientes, eludiendo los filtros editoriales tradicionales para compartir contenido no regulado de manera instantánea. Al mismo tiempo, los algoritmos de recomendación, esenciales en estas redes sociales, permiten a los usuarios navegar y consumir información de manera resumida pero personalizada. Esta combinación de autocomunicación, inmediatez, falta de regulación y mediación por sistemas de recomendación ha facilitado la aparición de fenómenos perjudiciales, como la propagación de desinformación, la creación de cámaras de eco polarizadas y la amplificación de la influencia política que impulsa la radicalización. Aunque estos problemas han sido ampliamente estudiados desde una perspectiva social, su análisis desde la informática sigue siendo limitado. Esta tesis aborda esta brecha analizando la interacción entre los sistemas de recomendación y estos fenómenos sociales. Nuestra investigación presenta hallazgos clave sobre la dinámica de la desinformación y la polarización en las redes sociales en línea. Identificamos un nuevo tipo de red de desinformación caracterizada por alta cohesión, coordinación y homogeneidad lingüística, facilitada por algoritmos de recomendación que aceleran su formación y amplifican su alcance. Además, demostramos cómo los sistemas de recomendación basados en aprendizaje profundo exacerban la polarización al agrupar a los usuarios en comunidades ideológicamente alineadas, intensificando las divisiones políticas. Para mitigar estos problemas, proponemos estrategias de recomendación conscientes del daño. En el caso de la desinformación, una intervención algorítmica basada en promover la diversidad estructural reduce la cohesión de las redes de desinformación sin comprometer la estabilidad de los flujos de información legítimos. En cuanto a la polarización, un algoritmo de recomendación orientado a la diversidad, que utiliza agrupamiento jerárquico y la distancia de Jensen-Shannon, conecta comunidades fragmentadas y logra reducir la polarización hasta en un 50% en escenarios electorales simulados. Estas contribuciones ofrecen estrategias prácticas para mejorar la integridad de los ecosistemas de información en línea y fomentar interacciones digitales más saludables