Elhuyarren Elia erabiliz lortutako itzulpen automatikoa
en
Urtekaria 2022-23 | Jordi Morales i Gras, Amaia Perez de Arriluzea Madariaga (EUDAN, datu analisia eta gizarte ikerketa)

Komunikabideak funtsezkoak dira Euskal Esfera Publiko Digitalean (Morales i Gras eta Perez de Arriluzea Madariaga, 2022), izan ere, zeregin kohesionatzailea dute mundu digitalean. Edukia zabalduz (alegia, audientziarekin ezarritako harreman formalen eta informalen bidezko zabalkundea), hedabide horiek identifikazio kolektiboak eratzen eta gizartearentzat garrantzitsuak diren gaiak eztabaidatzen laguntzen dute. Artikulu honetan, Sare Gizartearen (Castells, 2000) testuinguruan audientziak neurtzen eta horien inguruko ezagutza sortzen laguntzea helburu duen proposamen bat aurkezten da.

Oraindik ere Internet 2.0-ren paradigma sozioteknologikoan murgilduta bizi gara: Internet 1.0-ren bilakaera; Hedabide Sozialen agerpenarekin gertatu zen erabiltzaileen interaktibitate eta parte-hartze aktiboagatik ezaugarritu zena. Izan ere, paradigma horren fase aurreratu edo heldu batean gaude, eta ez dira gutxi jada Internet 3.0 eta 4.0 aipatzen duten autoreak, zerbitzuetara eta adimen artifizialetara bideratuta daudenak. Edonola ere, erabiltzaileen arteko parte-hartzea eta elkarrekintza, zuzenean eta bitartekorik gabe, Interneten ezaugarri nagusietako bat dira gaur egun ezagutzen dugun bezala, eta garrantzi handiko fenomeno sozialak dira audientzia digitalak aztertzeko. Izan ere, hedabideek eta, oro har, nolabaiteko proiekzioa duten kontuek, zalantzarik gabe deitzen diete beren entzuleei “komunitateak”, eta “komunitate-kudeatzaileak” kontratatzen dituzte, horretarako nahikoa aurrekontu badago. Hala ere, gure ikuspuntutik behintzat, oraindik gutxi dira hedabide baten jarraitzaileen artean ezarritako harremanak kontuan hartzen dituzten audientzia-ikerketak eta analisiak; eta are gutxiago metodologia estruktural batekin sistematikoki egiten dutenak (Morales i Gras eta Perez de Arriluzea Madariaga, 2022).

Twitterreko hedabide baten jarraitzaileek elkarri nola jarraitzen dioten ulertzea, espazio digitalean egitura komunitarioak eratuz, hedabideari aukera ematen dio edukieta komunikazio-estrategia egokitzeko, hedabide sozialean haien audientziarekin duten harremana hobetzeko. Maila agregatuan, Twitterren euskaraz argitaratzen duten hedabide nagusien audientzien azterketa palanka bat da are garrantzitsuagoa den fenomeno digital bat ulertzeko, Twitter bezalako hedabide sozial batean euskarak duen audientzia digitalarekin zerikusia duena.

Azterketa honek Twitterren Behategiari lotutako euskarazko 7 komunikabide nagusiak jarraitzen dituzten erabiltzaileen arteko jarraipen-harremanak aztertzen ditu. Sare sozialen analisirako teknikak erabiliz, egitura komunitarioari eta komunitate bakoitzeko erabiltzaile erreferentzialenei buruzko informazioa lortu nahi da:

  1. Sareko nodoen arteko konektagarritasun-maila aztertuko dugu, elkarren artean oso konektatuta dauden edo erreferentzia-hedabidearekin bakarrik konektatuta dauden jakiteko helburuarekin.
  2. Komunitate desberdinetako erabiltzaileek gehien jarraituak diren nodoak identifikatuko ditugu, barne-lidergoak (hots, hedabidea jarraitzen duten nodoak) eta kanpokoak (hots, hedabidea jarraitzen ez duten nodoak) identifikatzeko.
  3. Sare bakoitzean dauden komunitateen kopurua aurkituko dugu, hau da, antzeko ezaugarriak dituzten erabiltzaile-mota desberdinak biltzen dituzten zatiketak.
  4. Identifikatutako komunitateen arteko isolamendu-maila ebaluatuko dugu, eta barneko puntuan aipatutako azpizatiketak sarean oso garrantzitsuak diren edo ez egiaztatuko dugu.
  5. Komunitate bakoitzaren ezaugarri kualitatiboak analizatuko ditugu, hala nola interesa sortu duten gaiak edo kohesio-gradua, identifikatutako komunitateetan oinarrituta.

Metodologia

Azterlan honen helburua Twitterren Behategiarekin lotuta dauden 7 euskarazko komunikabide nagusiak jarraitzen dituzten erabiltzaileen arteko jarraipen-harremanetatik eratorritako egitura komunitarioak deskribatzea da: @argia, @berria, @fm983irratia, @Gaztezulo, @HamaikaTB, @NAIZirratia eta @zuzeu. Kontu horiek guztiak liderrak dira euskarazko edukien hedapenean, eta 10.000 jarraitzaile baino gehiago dituzte, nahiz eta azkenean datu gutxiago eskuratu ditugun, erabiltzaileek definitutako hirugarrenekin partekatzeko aukerak direla eta.

Kontu horien jarraitzaileen datuetara sartzeko Twitterreko 1.1 APIa erabili da, 2022aren amaieran, datuen deskarga eman denean, eskuragarri jarraitzen duen tresna ofizialetako bat. Horren bidez, hautatutako 7 kontuen jarraitzaileen zerrendak deskargatu dira, baita kontu horien jarraitzaileek jarraitutakoak ere. Datuak bildu ondoren, sare sozialak aztertzeko teknikak inplementatu dira, 7 kontuen jarraitzaileen arteko jarraipen-harremanak sintetizatzeko eta sare horiek aztertzeko. Horri esker, komunitate bakoitzaren egitura komunitarioari eta komunitate bakoitzeko erabiltzaile erreferentzialenei buruzko informazioa lortu ahal izan da, bai komunitate horretako kide direnentzat, bai ez direnentzat (alegia, hedabideen jarraitzaileek asko jarraitzen dituzten erabiltzaileak, baina azken hauek hedabideak zuzenean jarraitu barik).

Sare sintetizatuak sare zuzenduak eta haztatu gabeak dira, eta hedabideen jarraitzaileen arteko jarraipena islatzen dute. Horrek esan nahi du sareen ertzek norabidea dutela eta ez direla nahitaez elkarrekikoak (hau da, bi erabiltzailek elkar jarrai dezakete edo ez), eta ertzen pisuak beti berdinak izango direla (hots, ezin zaio norbaiti Twitterren behin baino gehiagotan jarraitu, eta, beraz, sarearen ertz guztiek 1eko pisua izango dute). Oinarrizko egitura-ezaugarriak kontuan hartuta, hainbat metrika aplikatu dira nodo-mailan eta sare-mailan, esplorazio-azterketa aurretik definitutako terminoetan garatzeko: nodo-metrikak nodo bakoitzerako maila indibidualean inplementatzen direnak dira, eta nodoak sailkatzeko eta ordenatzeko aukera ematen digute; aldiz, sare-mailako metrikek sare osoaren egiturazko ezaugarrien berri ematen dute, eta sare horiek elkarren artean konparatzeko aukera ematen digute.

Planteatutako helburuekin bat etorriz, inplementatutako metrikak galdera erraz samarrei erantzuten saiatzen dira, eta sarearen lidergoei, sarearen kohesioari eta egitura komunitarioari buruzko informazio-ahalmen handia dute (alegia, sareko nodoak zein ondo konektatuta daude?, zein nodo dira jarraituenak komunitate bakoitzean?, zenbat komunitate identifika ditzakegu sarean?, zein komunitate daude bata bestearekiko isolatuen?, zein ezaugarri kualitatibo azpimarra ditzakegu komunitate bakoitzetik?). Alde batera utzi dira, beraz, adierazle konplexuagoak eta sare sozialetako analistek ezaugarri bereziak dituzten nodoak identifikatzeko erabili ohi dituztenak (hots, Bitartekaritza-Zentralitatea, Berezko Bektorearen Zentralitatea, PageRank, etab.).

Ikus ditzagun, lehenik eta behin, nodo-mailan ezarritako metrikak:

  1. Gradu-zentralitatea (sarreraeta irteera-gradua): nodo batek sare batean dituen konexioedo lotura-kopuruari dagokio. Konektagarritasunari dagokionez , nodo batek sarean duen garrantzia edo zentralitatea neurtzen du. Gradu altuko nodo batek paper garrantzitsua izango du sarean. Sare gidatuetan, sarrera-graduaren zentralitatea eta irteera-graduaren zentralitatea bereizi behar dira. Sarrera-graduaren zentralitatea nodo batean sartzen diren loturen kopuruari dagokio, eta irteera-graduaren zentralitatea, berriz, nodo batetik ateratzen diren loturen kopuruari. Analisi honen testuinguruan, arreta handiagoa jarriko dugu nodoen sarrera-graduan, eta aztertutako komunitateetako erabiltzaileen artean jarraitzaile kopuruari buruzko informazioa emango dugu.
  2. Partaidetza-komunitatea: Sareen azterketaren testuinguruan, komunitate edo taldeetan nodoak multzokatzeari buruzko kontzeptua da, horien konektibitate-patroiaren arabera. Nodo bakoitzaren partaidetza-komunitatea kalkulatzeko, nodo-metrika izanik, Gephi softwarearen Louvain algoritmoaren bidez egingo dugu, zeina Modularitatearen estatistikoaren arabera optimizatzen baita. Modularitatea neurri bat da, eta sare bat nodoen multzokatzeari dagokionez zein ondo egituratuta dagoen adierazten du. Neurri hau aurrerago sakonago azalduko dugu, sare-mailako metrika bat baita. Azterketa honen testuinguruan, talde bateko nodoak antzekoak direla eta interes eta ezaugarri komunak dituztela interpretatuko dugu, eta horiek deskribatuko ditugu komunitate bakoitzeko liderren analisitik abiatuta, sarrera-graduko zentralitateari dagokionez.

Ikus ditzagun, bigarrenik, sare-mailan ezarritako metrikak:

  1. Dentsitatea: Sare baten dentsitatea konexio posibleen kopuruaren arabera dagoen konexio-kopuruaren neurketa da. 0 eta 1 arteko neurria da; 0tik hurbil dagoen balio batek konexio urriak dituen sarea adierazten du; 1etik hurbil dagoen balio batek, berriz, dentsitate handiko sarea adierazten du. Sare baten konektagarritasun-gradua kuantifikatzea ahalbidetzen duen neurri erraz eta intuitiboa da. Analisi honen testuinguruan, 0tik gertuago dauden dentsitateak aurkitzea espero dugu, nodo gehienak ez baitira elkarren artean jarraituko.
  2. Batez besteko gradua: Nodo baten gradua nodo horrek sarean beste nodo batzuekin dituen loturen edo erlazioen kopurua besterik ez da. Beraz, batez besteko gradua nodoek sare batean duten batez besteko konexio kopuruaren neurketa da. Dentsitatearekin batera, sare baten konektagarritasun-gradua kuantifikatzeko aukera ematen duen metrika bat da, eta sare desberdinak elkarren artean konparatzeko eta sarearen egitura eta sarearen konektibitate-patroiak ezaugarritzeko baliagarria da.
  3. Batez besteko taldekatze-koefizientea: Nodo baten taldekatze-koefizientea nodo horretako bizilagunak zeinen “multzokatuta” dauden neurtzeko da. Kalkulua loturen kopurua triangelu batean zatituz egiten da (adibidez, bi loturen bidez konektatutako hiru nodoz osatua), eta nodo hori triangelu hori barne hartzen duten triangelu posibleen guztizko kopuruarekin inplikatzen da. Balioa 0 eta 1 artean normalizatzen da. Nodo baten taldekatze-koefizientearen balio altu batek adierazten du bere bizilagunak oso lotuta daudela elkarren artean; aldiz, balio baxu batek adierazten du bere bizilagunak ez daudela oso konektatuta. Taldekatze-koefizientearen batez bestekoa sare bateko nodoek triangeluak eratzeko duten joera orokorra neurtzeko erabiltzen da. Analisi honen testuinguruan, batez besteko taldekatze-koefizientea informatiboa da sareko lotura lokalerako joerari dagokionez.
  4. Ahul konektatutako osagaien kopurua: Ahul konektatutako osagai bat, funtsean, azpisare bat da, non edozein nodotatik nodo guztietara heldu daitekeen. Garrantzitsua da aipatzea hau konektagarritasun ahulari buruzkoa dela, hau da, nodo batera iristeko bide ez-zuzenak egon daitezkeela (adibidez, ez dugu ertzaren norabidea kontuan hartuko bi nodo iritsigarriak diren baloratzean). Osagai horien zenbaketak adierazten du sare batean azpitaldeak edo komunitateak daudela, elkarrekin konektatuta daudenak baina azpitalde horretatik kanpo konexiorik ez dutenak.
  5. Graduko asortatibitate-koefizientea: Gradu-asortatibitatea gradu-zentralitate handia duten nodoek elkarrekin edo gradu baxuko nodoekin konektatzeko duten joeraren neurria da. Graduko asortatibitate-koefizientearen bidez kalkulatzen da, eta sare bateko ertzetako muturretako graduen arteko korrelazio-koefiziente gisa definitzen da. Graduko asortatibitate-koefizientearen balio positibo batek adierazten du gradu altuko nodoek elkarrekin konektatzeko joera dutela; aldiz, balio negatibo batek adierazten du gradu altuko nodoek gradu baxuko nodoekin konektatzeko joera dutela. Asortatibitate positiboa duen sare batek esan nahi du botere handiko komunitateak edo taldeak daudela sarearen erdian (adibidez, elkarren artean ondo konektatutako “eliteak”); asortatibitate negatiboak, berriz, gradu baxuko eta handiko nodoen arteko harremanak ezartzeko joera dakar.
  6. Gradu-zentralizazioa: Sarreraeta irteera-graduaren zentralizazioa neurri bi dira, sare bateko gradu altuko nodoetan kontzentratutako sarrera-graduaren edo irteera-graduaren kantitatea adierazten dutenak. Garrantzitsua da metrika hori gradu-zentralitatearekin ez nahastea, zentralizazioa sare-mailan jarduten duen metrika baita, eta ez nodo-mailan, eta funtsean sare batean dagoen “hierarkia” kantitatearen berri ematen digu. Sarrera-graduaren zentralizazioa nodoen sarrera-gradua nodo gutxi batzuetan kontzentratzeko intentsitateari dagokio. Sarrera-graduaren zentralizazioa kalkulatzeko neurri komun bat Freemanen formula erabiltzea da. Formula horrek sareko balio maximoak erreferentziatzat hartzen ditu, eta 0ren balioa hartzen du sare erabat deszentralizatu baterako, eta 1aren balioa sare erabat zentralizatu baterako. Analisi honen testuinguruan, uste dugu gradu-zentralizazioak lidergoek hainbat komunitateetan duten sendotasunaren berri emango duela, eta gradu-asortatibitatearekin tentsioan egongo den metrika bat izango dela (adibidez, sare zentralizatu batek sare disortatiboa izan beharko du, non gradu altuko nodoak gradu baxuko nodoekin erlazionatzen diren).
  7. Banaketa komunitarioa eta Modularitatea: Louvain algoritmoa erabiliko da sarearen banaketa komunitarioa (adibidez, nodoen partaidetza-komunitatea eta nodoetatik sortzen den egitura) identifikatzeko. Louvain algoritmoa tresna bat da, sare bat nodo-multzoetan (komunitate izenekoak) banatzeko eta zatitzeko erabiltzen dena. Taldekatze hau nodo-multzo horietako nodoen elkarren arteko harremanen hurbiltasunaren arabera egiten da. Banaketa honen helburua sarean antolakuntza-ereduak aurkitzea da. Hori lortzeko, algoritmoak Modularitatea erabiltzen du, eta sarea nodoen multzokatzeari dagokionez zeinen ondo egituratuta dagoen neurtzen du. Modularitatea formula matematiko baten bidez kalkulatzen da. Formula horrek komunitate baten barruan espero den lotura-kopurua eta komunitate baten barruan dagoen lotura-kopuru erreala alderatzen ditu. Louvain algoritmoaren kasuan, sarearen zatiketa bat aurkitu nahi da Modularitatearen balioa maximizatzeko, eta horrek esan nahi du zatiketa bat bilatzen duela, non komunitate baten barruko nodoak oso lotuta egongo diren eta lotura gutxi izango duten beste komunitate batzuetako nodoekin. Azterketa honen testuinguruan, Modularitatearen balioari eta identifikatutako komunitateen kopuruari erreparatuko diegu.

Ondoren, datuak aztertuko ditugu. Lehenik eta behin, sareen arteko analisi konparatiboa egingo dugu, aurrez aipatutako metriketan oinarrituta. Horretarako, korrelazio-matrize bat erabiliko dugu, Pearsonen korrelazio-koefizientearekin egina, eta 1. eranskinean kontsulta daiteke osorik. Bigarrenik, komunitate bakoitzaren deskribapen kualitatiboa egingo dugu, sare desberdinetan komunitateen buru diren erabiltzaile-motak deskribatuz. Analisiak inplementatuko dira Jamovi paketearekin (The jamovi project, 2021) R-rako (R Core Team, 2021), NetworkX paketeekin (Hagberg, Swart, eta Chult, 2008), Pandasekin (McKinney et al., 2010) eta Seaborn paketearekin (Waskom, 2021) Python 3-rako (Van Rossum eta Drake, 2009) eta Gephi softwarearekin (Bastian, Heymann eta Jacomy, 2009).

 

Emaitzak

Aztertutako 7 sareek antz handia dute; izan ere, guztiek sare-mota bera irudikatzen dute (alegia, Twitterreko kontu baten jarraitzaileen arteko jarraipen-sareak), oso antzeko kontuetan (hau da, euskarazko komunikabideak) oinarrituta baitaude. Izan ere, lehen datu interesgarri bat da nodoen % 50,5 bakarrik daudela sare bakar batean (alegia, 1. irudia), eta horrek esan nahi du % 49,5 zazpi sareetatik bitan edo gehiagotan daudela. Beraz, zazpi sare ditugu, argi eta garbi audientzia komuna dutenak (hots, euskarazko hedabideen audientzia), eta horrek aukera ematen du komunitatearen egituran antzekotasun nabarmenak aurreikusteko, bai kuantitatiboki, bai kualitatiboki.

Sarearen egiturazko metrikak aztertzeko, jarraian aurkeztuko ditugun metriken arteko korrelazio-matrizea erabiliko dugu. Hurrengo taulan, sarearen tamainari eta kohesioari buruzko oinarrizko metrikak kontsulta daitezke: nodo-kopurua, dentsitatea eta batez besteko gradua (hots, 1. taula). Sarerik handiena Berriarena da, 76.584 nodorekin, eta txikiena Gaztezulorena, 9.444 nodorekin. Analisi honen testuinguruan, sarearen tamaina (hau da, nodo-kopurua) garrantzi handiko aldagaia dela dirudi, modu esanguratsuan, negatiboan eta oso boteretsuan korrelazionatzen baita dentsitatearekin (hots, r = -0,86) eta batez besteko graduarekin (hots, -0,92). Horrek esan nahi du sare handiagoek (hots, @berria eta @argia) txikienek baino kohesio-maila txikiagoa dutela. Bestalde, dentsitatea eta batez besteko gradua modu esanguratsuan, positiboan eta oso boteretsuan korrelazionatuta daude (alegia, 0,81).

 

Hurrengo taulan kohesio-metrika hauek ageri dira: batez besteko taldekatze-koefizientea eta ahul konektatutako osagai-kopurua (2. taula). Taldekatze-koefizientearen batezbestekoa ia konstante mantentzen da zazpi sareetan. Informazio hori oso garrantzitsua da, sare guztiek audientzia komuna partekatzen dutelako eta maila lokalean antzera jokatzen duelako ideia indartzen baitu: nodoek bizilagunen heren bat ezagutzeko joera dute (hots, % 33,7 eta % 37,8 artean). Ia konstante mantentzen denez, metrika horrek ez du korrelaziorik beste batekin ere. Aldiz, sareetako osagai ahulen kopurua modu esanguratsu, positibo eta indartsuan korrelazionatzen da nodo-kopuruarekin (hau da, 0,95), eta batez besteko graduarekin (hau da, -0,85).

 

 

 

Jarraian, gradu-asortatibitatearen eta gradu-zentralizazioaren metrikak aztertuko ditugu (3. irudia). Zazpi sareek joera apur bat disortatiboa dute (alegia, asortatibitatearen kontrakoa), baina ez dira inola ere 0tik hamarreko batetik gora urruntzen. Horrek esan nahi du nodoen gradua ez dela faktore erabakigarria sarearen jokabide erlazionala orientatzerakoan: ez gaude erdiko elite batek edo muturreko hierarkizazio batek berezitutako sare baten aurrean. Hala eta guztiz ere, sarrera-graduaren zentralizazio-zifrak nahiko altuak dira, zenbait kasutan 0,8tik gorakoak. Aurreko zifrekin kontrastean, irteera-graduaren zentralizazioa nahiko baxua da sarean, gehienez ere 0,17ko balioa hartuz Zuzeu-ren kasuan.

 

 

 

Gradu-asortatibitatea modu esanguratsuan, positiboan eta indartsuan korrelazionatzen da nodo-kopuruarekin (hau da, 0,84), eta negatiboki beste metrika batzuekin, hala nola dentsitatearekin (hots, -0,95), batez besteko graduarekin (hots, -0,85) edo irteera-graduaren zentralizazioarekin (alegia, -0,93). Sare txiki eta kohesiboagoek, beraz, disortatibitaterako joera handiagoa dute. Irteera-graduaren zentralizazio handiagoa izateko joera ere badute (hau da, beste batzuekiko jarraipenean oso aktiboak diren erabiltzaileak izatearen sintoma bereizgarri bat, komunitatearekiko konpromisorako eta horrekiko kohesiorako eta hazkunderako gogo bizia dela uler daitekeena), baina, bitxia bada ere, metrika horrek ez dirudi sarrera-graduaren zentralizazioarekin korrelazionatzen duenik.

Sarrera-graduaren zentralizazioak, bestalde, korrelazio esanguratsua, negatiboa eta indartsua du nodo-kopuruarekin (hots, -0.83) eta ahul konektatutako osagai-kopuruarekin (hau da, -0,93); aldiz, korrelazio positiboa du batez besteko graduarekin (alegia, 0,84). Horrek esan nahi du sareko lidergoak indartsuagoak direla sare txikietan (hau da, Argia izan ezik, sare handia baita, baina lidergo handiak dituena), osagai ahulen kopurua txikia denean eta nodoak elkarren artean modu sendoan jarraitzen direnean, kohesio handia erakusten duen neurria izanik; beraz, iradokitzen da aztertutako sareetako liderrek zeregin garrantzitsua dutela sarearen kohesioari dagokionez ere.

Azkenik, irteera-graduaren zentralizazioak, gradu-asortatibitatearekin ez ezik, korrelazio negatiboa du nodo-kopuruarekin (hots, -0.91) eta ahul konektatutako osagai-kopuruarekin (hots, -0,78), eta positiboa dentsitatearekin (hau da, 0,98) eta batez besteko graduarekin (hau da, 0,89). Gainerakoak jarraitzen dituzten erabiltzaileen gutxiengo aktiboen presentzia handiagoa da sare kohesiboagoetan (alegia, txikiagoak direnak, osagai gutxiago dituztenak, dentsoagoak direnak eta jarraipen-harreman gehiago dituztenak). Pearsonen Korrelazio-Koefizientean oinarritutako analisiak ondorio kausalak ateratzeko aukerarik ematen ez badu ere, kasu honetan uste dugu datuek hipotesi hau adierazten dutela: hain zuzen ere, gutxiengo aktibo horiek direla sare kohesiboagoak sortzen dituztenak, komunitatea sendotzeko eta hazteko asmoz egiten duten jarraipen-jarduera biziari esker. Gutxiengo aktibo bat izatea izan liteke, orduan, euskarazko hedabideek Twitterren eta, oro har, Interneten duten arrakastaren gakoetako bat.

Hurrengo taulan Modularitate-zifrak eta sare bakoitzean Louvain algoritmoarekin identifikatutako komunitate-kopurua ikusiko ditugu (4. taula). Oro har, Modularitate-zifrak oso baxuak direla esan dezakegu. Mark Newman metrikaren sortzaileak berak (2004) dioenez, Modularitatearen estatistikoaren 0,3tik beherako balioek garrantzi txikiko komunitate-egiturak adierazten dituzte. Hala ere, ez litzateke egokia izango “esangurazkotasun urri” hori balidazio estatistikoko proba baten p-balio bat balitz bezala interpretatzea; 0 baino gehiago baina 0,3 baino gutxiago den Modularitate-balio orok iradokitzen du aurkitutako klusterrek elkarren antz handia dutela eta lotura ugari partekatzen dituztela, eta hori bat dator orain arte aztertutako gainerako adierazleekin. Komunitate-kopuruari dagokionez, badirudi zenbaki gutxi gorabehera maneiagarriak ditugula, Berriaren kasuan izan ezik, 1.312 azpi-komunitate baititu.

Oro har txikiak diren arren, Modularitate-zifrek korrelazio esanguratsua, indartsua eta positiboa dute nodo-kopuruarekin (hots, 0,82), eta negatiboa batez besteko graduarekin (hau da, -0,87), sarrera-graduaren (hots, -0,80) eta irteera-graduaren (hots, -0,87) zentralizazioarekin. Komunitate handiagoek modulu-egitura handiagoa izateko joera dute, nodoen arteko harreman gutxiago, lidergo ahulago eta gutxiengo ez hain aktibo izanik, eta, ondorioz, sareko erabiltzaileen profilak gehiago bereizteko joera dute.

 

 

 

Komunitate-kopurua, bestalde, modu esanguratsu, indartsu eta positiboan korrelazionatzen da nodo-kopuruarekin (hots, 0,95) eta osagai ahulen kopuruarekin (alegia, 1,00). Eta negatiboki egiten du batez besteko graduarekin (hau da, 0,87), sarrera-graduaren (hots, 0,93) eta irteera-graduaren (hau da, 0,78) zentralizazioarekin. Orduan, komunitate gehiago ditugu sareak handiagoak direnean, osagai ahul gehiago dituzte (alegia, Louvain algoritmoak osagai ahul asko komunitatetzat hartzeko joera du) eta, aurreko kasuan bezala, lidergoak ahulak direnean eta gutxiengoak ez direnean oso aktiboak komunitateko beste kide batzuekiko jarraipenean. Identifikatutako komunitateetatik abiatuta, honako bistaratze hauek sintetizatu dira (2. irudia).

 

 

Orain, sare bakoitzean dauden komunitate-motak deskribatuko ditugu. Horretarako, lehenik eta behin, sare bakoitzean dauden komunitate-motak aztertuko ditugu. Guztira, 8 komunitate-mota desberdin daude aztertutako sareetan modu desberdinean banatzen direnak. Jarraian, sareetan aurkitutako komunitate-motak aurkeztuko ditugu, eta haien kohesio-mailen arabera kokatuko ditugu, komunitate-mota bakoitzeko batez besteko graduaren banaketaren arabera (3. irudia).

  1. Sare guztietan aurkitzen dugu euskal komunikabideak buru dituen komunitate bat, baina ez nahitaez euskaldunak. Gara, Naiz eta EiTBrekin lotutako hainbat kontu askotan agertzen dira komunitate horietan. Beste batzuetan, baina ez hainbeste, gaztelania hutsezko euskal hedabideen kanpo-lidergoak nabarmentzen dira, hala nola El Diario Vasco edo El Correo. Komunitate horien batez besteko gradua sarearen batezbestekoa baino baxuagoa da, eta iradokitzen du sare horretako erabiltzaileak hainbat euskal hedabideren jarraitzaile direla, eta euskara ez dela lehentasunetako bat Twitterren nor jarraitu erabakitzeko orduan. Komunitate horiek ez dira hain kohesiboak sare guztietan, seguru asko erabiltzaileak biltzen dituen izaera lauso eta generikoagatik, eta badirudi hori informazioaren gaurkotasunarekiko duten interesa dela.
  2. Zazpi sareetatik seitan (@fm983irratia ez beste guztietan), bertsolariak, euskarazko kazetariak, blogariak eta hizkuntza-ekintzaileak buru dituen komunitate bat ere aurkitu dugu, “euskaltzaleak eta euskararen aldeko aktibistak” deitu duguna. Komunitate-mota horiek aurrekoaren antitesia dira talde-kohesioari dagokionez, eta batez besteko graduak dituztelako nabarmentzen dira, sarearen batezbestekotik gora egoteko joera dutenak. Sare gehienetan komunitate hain espezifikoak eta kohesiboak egoteak (@fm983irratiaren kasuan, euskarazko hedabideen komunitatearekin bat egiten badu ere) sendotasuna ematen dio aurretik aurkeztutako argudioari, euskarazko hedabideen gutxiengo aktiboen zeregin erabakigarriari dagokionez.
  3. Zazpi sareetatik bostetan (hots, denetan, @Gaztezulo eta @NAIZirratia izan ezik) komunitateak lurralde bereko erabiltzaile-taldeak dira, eta hori da klusterraren berri ematen duen hari nagusia. Nafarroa, Iparralde, Araba, Gipuzkoa eta Bizkaiko erabiltzaileak dituzten komunitateak dira, eta hedabideek Euskal Herriko lurraldeekin duten lotura berezia erakusten dute. Kluster horiek hala moduz kohesiboak dira, eta ez dute sarearen batezbestekoaren oso azpitik ez oso goitik nabarmentzeko joera.
  4. Zazpi sareetatik bostetan ere (alegia, denetan, @NAIZirratia eta @zuzeu izan ezik), klusterrak ditugu, musika-taldeek edo euskarazko kulturarekin lotutako erakundeek lideratuta. Normalean, kluster horiek ez dira sarearen batezbestekoa bezain kohesiboak, gutxi gorabehera lausoa den kontzeptu baten inguruan biratzeagatik, eta interes askoz gehiago dituzten erabiltzaile askoren bigarren edo hirugarren mailako interesa izan daiteke, klusterretako gainerako kideak bereziki jarraitzen ez dituztenak.
  5. @argia, @berria, @NAIZirratia eta @zuzeu sareetan talde politikoen inguruko komunitate bat edo bi nabarmentzen dira: Ezker Abertzalea eta Mugimendu Sozialista, batez ere. Batzuetan, EAJko edo Eusko Jaurlaritzako kideak ere nabarmentzen dira komunitate horietan, baina, oro har, kanpoko liderrak izaten dira, komunitateetako kideek asko jarraitzen baitituzte, baina ez dira komunitate horien parte. Komunitate horiek kohesio-maila desberdinak dituzte, baina muturreko balioetatik ihes egiten dute.
  6. @argia, @berria eta @fm983irratia-ren sareetan, euskarazko beste hedabideentzako komunitate espezifikoak nabarmentzen dira. Komunitate-mota bat da, batzuetan komunitate euskaltzale eta aktibistarekin gainjarri edo nahastu daitekeena (adibidez, @fm983irratia-ren kasuan, azkenean fusionatu egiten dira), baina sareen batezbestekotik hurbilago dagoen kohesio maila adierazten duena. Beraz, gutxiengo kohesiboaren eta hainbat kontutan interesa duten jarraitzaileen magma generikoaren arteko erdibidean dauden audientziak dira.
  7. Halaber, zazpi komunitatetik hirutan (hau da, @argia, @Hamaika eta @NAIZirratia), hedabide batean baino gehiagotan argitaratzen duten kazetariek lideratutako komunitateak daude, baita estatu-orientazioko hedabideetan ere, hala nola Público edo El Salto. Komunitate horiek sarearen batezbestekoaren antzeko kohesio-mailak dituzte.
  8. Azkenik, komunitate baten barruko eta kanpoko liderrak mugimendu feministan inplikatuta daude nagusiki. Komunitateak antzekotasunak ditu komunitate politikoekin, baita kohesioari dagokionez ere, eta sareko kohesionatuenen artean dago.

Eztabaida

Gure azterlanean, zazpi jarraipen-sare aztertu ditugu euskarazko komunikabideen Twitterreko kontu baten jarraitzaileen artean. Lehenengo aurkikuntzetako bat da nodoen % 50,5 bakarrik daudela sare bakar batean, eta horrek esan nahi du gainerako %49,5 zazpi sareetatik bitan edo gehiagotan daudela. Oso kopuru handia da, eta, ondorioz, sare horien artean audientzia komuna dagoela ondoriozta dezakegu, eta, beraz, arrazoizkoa da antzekotasun nabarmenak espero izatea komunikabide bakoitzaren egitura komunitario adierazgarrian.

Sareen egiturazko metrikak analizatzeko, artikuluan aurkezten ditugun metriken arteko korrelazio-matrize bat erabiliko dugu. Atera dugun ondorioetako bat da sarearen tamaina, nodo-kopuruan neurtuta, modu negatiboan erlazionatzen dela sareen dentsitatearekin eta batez besteko graduarekin. Horrek esan nahi du sare handiagoek txikienek baino kohesio-maila txikiagoa dutela. Ez da aurkikuntza harrigarria, oro har Grafoen Teoriarekin eta Mundu Errealeko Sareekin lerrokatuta baitago (Anderson, Butts eta Carley, 1999), baina bada aurkikuntza garrantzitsua, aurrerago berriro ekingo diogun zerbaiten oinarriak finkatzeko aukera ematen baitigu: gutxiengo kohesibo eta aktiboen garrantzia euskarazko hedabideen audientzietan.

Sareen tamaina eta kohesioa aztertzeaz gain, kohesio-metrikak ere ikertu ditugu, hala nola taldekatze-koefizientearen batezbestekoa eta ahul konektatutako osagaien kopurua. Emaitzen arabera, taldekatze-koefizientearen batezbestekoa ia konstante mantentzen da zazpi sareetan, eta horrek indartu egiten du sare guztiek audientzia komuna partekatzen dutela eta egitura-mailan antzera jokatzen dutela dioen ideia.

Asortatibitatearen eta gradu-zentralizazioaren metriketan lortutako emaitzek lehen begiratuan elkarren artean kontraesankorrak diruditen emaitzak sortu dituzte, baina zehaztasunez deskribatzen dute eszenatoki konplexu bat, azalpena merezi duena. Asortatibitate-metrikaren emaitzek joera apur bat disortatiboa erakutsi zuten analizatutako zazpi sareetan, baina ez sareko nodoek berea ez den mailako nodoekin nagusiki erlazionatzeko joera dutela baieztatzeko bezain indartsua. Nodoen maila ez da faktore erabakigarria sarearen jokabide erlazionalean, baina ez litzateke zuzena izango inolako eraginik ez duela esatea. Bestela esanda, horrek iradokitzen du ez dagoela elite zentralik, ezta muturreko hierarkizaziorik ere sareetan. Hala ere, sarrera-graduaren zentralizazio-zifrak nahiko altuak dira, 0,8a gainditzen baitute zenbait kasutan, eta horrek iradokitzen du sareko lidergoak garrantzitsuak direla eta zeregin garrantzitsua betetzen dutela, sarea bateratzen duen “itsasgarri” papera jokatzen baitu. Bi emaitza horiek, gradu-asortatibitatearen metrikakoak eta sarrera-graduaren zentralizazio-metrikakoak, antza denez, elkar baliogabetzen dira; hobeto ulertzeko, ezinbestekoa da irteera-graduaren zentralizazioa aztertzea.

Gradu-disortatibitaterako joera ez bada oso handia, irteera-graduaren zentralizazioa sareetan txikia delako gertatzen da hori, 0,17ko gehieneko balioarekin Zuzeu-ren kasuan. Irteera-graduaren zentralizazio-zifra txikia bada ere sare guztietan, handiagoa da nodo gutxiago dituzten sareetan. Metrikak, gainera, kohesio-metrikekin korrelazio positiboa du, hala nola dentsitatearekin edo batez besteko graduarekin. Metrika horren emaitzek erabiltzaile-bolumen bera jarraitzeko joera orokorra iradokitzen dute, baina baita beste batzuekiko jarraipenean bereziki aktiboak diren erabiltzaile-taldeak egotea ere, eta hori komunitatearekiko konpromisorako eta kohesiorako eta hazkunderako gogo bizia bezala interpreta daiteke. Horra hor, berriz ere, gutxiengo kohesibo eta aktiboen garrantzia euskarazko hedabideentzat, kasu honetan, txikienentzat.

Aztertutako zazpi sareetan lortutako modularitate-zifrak, oro har, txikiak dira. Garrantzitsua da kontuan hartzea, SSAren testuinguruan, egitura komunitario bat termino matematikoetan esanguratsua ez izateak ez duela esan nahi fenomenologikoki esanguratsua ez denik. Kasu honetan, komunitateek lotura ugari partekatzen dituzte elkarrekin, eta hori bat dator analisian aztertutako gainerako adierazleekin, kohesio handia eta erabiltzaileen arteko antzekotasun handia erakutsi baitute.

Identifikatutako komunitateen kopuruari dagokionez, emaitzek erakusten dute, oro har, erabilgarriak direla, Berriaren sarea izan ezik; izan ere, sare horrek azpi-komunitate desberdin ugari ditu. Gainera, emaitzek adierazten dute komunitate-kopuruak korrelazio positiboa duela nodo-kopuruarekin eta osagai ahulen kopuruarekin, eta negatiboa batez besteko graduarekin eta sarreraeta irteera-graduaren zentralizazioarekin. Horrek iradokitzen du komunitateak ugariagoak direla sare handiagoetan, osagai ahul gehiagorekin eta lidergo ahulagoekin.

Komunitate-motari dagokionez, egindako analisi kualitatiboaren ondoren, 8 komunitate-mota identifikatu ditugu klusterretan banatuta. Komunitate horien buru honako hauek dira: euskaraz nahitaez ez dauden euskal hedabideak, bertsolariak, euskarazko kazetariak, blogariak eta hizkuntza-ekintzaileak, lurralde bereko erabiltzaileak, euskarazko kulturaren munduarekin lotutako musika-taldeak eta erakundeak, talde politikoak, euskarazko beste hedabide batzuk eta hedabide batean baino gehiagotan argitaratzen duten kazetariak, estatu-orientazioko hedabideak eta mugimendu feminista barne. Komunitate horien kohesioa aldatu egiten da, eta batzuk beste batzuk baino kohesiboagoak dira. Topatutako komunitaterik kohesiboenak euskaltzaleek eta euskararen aldeko ekintzaileek lideratzen dituztenak dira. Komunitate horiek sareen batezbestekoaren gainetik dauden kohesio-mailak dituzte, eta horrek iradokitzen du komunitate horietako kideek interes eta ezaugarri oso antzekoak dituztela eta elkarrekin oso inplikatuta daudela. Bestalde, aurkituriko kohesio maila txikiena erakusten duten komunitateak euskal komunikabideek lideratutakoak dira, baina ez nahitaez euskaldunak. Komunitate horiek sarearen batezbestekoa baino kohesioaren batez besteko-gradu txikiagoa dute, eta horrek adierazten du komunitate horietako erabiltzaileek askotariko interesak eta helburuak dituztela eta ez daudela elkarrekin oso inplikatuta.

 

Ondorioak

Ikerketa honen bidez, ikus-entzule digitalen neurketan jarraitzaileen arteko harremanak kontuan hartzearen garrantzia eta potentziala erakutsi nahi izan dugu, eta, bereziki, komunikabideentzat hain garrantzitsua den Twitterreko sarean. Euskarazko komunikabideen Twitterreko kontu baten jarraitzaileen artean jarraipen-sareak analizatzeak sare horien artean audientzia komuna dagoela ondorioztatzea ahalbidetu digu, eta, beraz, komunikabide bakoitzaren komunitate-egitura adierazgarrian antzekotasun nabarmenak espero izatea zentzuzkoa da.

Gure azterlanean lortutako emaitzek euskarazko hedabideentzat audientzia bakarra dagoela iradokitzen dute. Hori sare batean baino gehiagotan agertzen diren nodoen proportzio altuan islatzen da (%49,5), eta horrek adierazten du hedabide horien artean audientzia komuna dagoela. Gainera, komunikabide bakoitzaren egitura komunitarioan dauden antzekotasun nabarmenek, egiturazko metriken bidez neurtuak, ideia hori indartzen dute. Audientzia hau ezagutzeak eta audientzien neurketan jarraitzaileen arteko harremanak kontuan hartzeak duen garrantzia nabaria da, gutxiengo kohesibo eta aktiboek audientzia honetan berebiziko garrantzia dutela uste baita. Garrantzitsua da gutxiengo horietan arreta jartzea arrakastaz zabaltzea lortzen duten edukiak lantzeko, eta, aldi berean, sarearen periferian kohesioa areagotzeko lan egin. Horrek aukera eman liezaieke euskarazko hedabideei haien eragina maximizatzeko estrategiak lantzeko eta gero eta audientzia zabalagoa eta konprometituagoa lortzeko.

Gure ustez, komunitate-analisia bereziki garrantzitsua izan liteke edukien analisiarekin konbinatzean; izan ere, horrek aukera emango luke ikusteko zer den gehien hitz egiten dena kluster bakoitzean, zer edukik duten arrakastarik handiena, edo nola hartzen diren formatu berriak. Horrela, audientziaren lehentasunak eta beharrak hobeto ulertu ahal izango lirateke, edukiak eta estrategiak egokituz, hedapen eta eraginkortasun handiagoa lortzeko. Gainera, edukien analisiak komunitate bakoitzeko joerak eta gai garrantzitsuak identifikatzen ere lagun dezake, eta horrek aukera eman liezaieke komunikabideei ikus-entzuleen beharrak asetzen dituzten edukiak sortzeko (hots, bai konprometituenak eta kohesiboenak, bai periferikoenak) eta haien engagement-a, bistaratzeak eta irakurketak areagotzen dituztenak.

Azkenik, adierazi nahi genuke azterlanaren mugetako asko (esaterako, ikuspegi Twitter-zentrista edo fenomeno dinamiko baten tratamendu estatikoa) datu-iturri gehiago gehituz eta informazioa denbora errealean atzitzeko eta prozesatzeko sistema baten bidez konpon daitezkeela. Gure ustez, egindako analisiak potentzial erreplikagarri handia du, eta denboran ziur gertatuko diren aldaketak behatzeko aukera eman dezake. Alde horretatik, oso interesgarria litzateke gai interesgarriak etengabe monitorizatu ahal izatea, denboraren joanak eta hedabideen erabakiek egitura komunitarioan eragindako aldaketak aztertuz. Horrela, euskarazko hedabideen audientziaren ikuspegi osatuagoa lor genezake, eta bertara jotzeko moduari buruzko erabaki informatuak hartu, hedabide beretako edukien hedapena areagotzeko.

 

Erreferentziak

Bastian M., Heymann S. eta Jacomy M. (2009). “Gephi: an open source software for exploring and manipulating networks.” International AAAI Conference on Weblogs and Social Media.

Castells, M. (2000). La era de la información. La sociedad red. Madrid: Alianza.

Hagberg, A., Swart, P. eta S Chult, D. (2008). Exploring network structure, dynamics, and function using NetworkX.

McKinney, W (2010). “Data structures for statistical computing in python.” In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56).

Morales i Gras, J. eta Perez de Arriluzea Madariaga, A. (2022). Euskal Esfera Publiko Digitalaren kartografía. Ikerketa estrukturala eta influentzia soziala duten sare sozialetako (des)informazioaren hedapenari buruzko. Gasteiz: Eusko Jaurlaritzaren Argitalpen Zerbitzu Nagusia.

Newman, M. E. (2004). “Fast algorithm for detecting community structure in networks.” Physical review E, 69(6), 066133.

R Core Team (2021). R: A Language and environment for statistical computing. (Version 4.0) [Computer software]. Retrieved from https://cran.r-project.org. (R packages retrieved from MRAN snapshot 2021-04-01).

The jamovi project (2021). jamovi. (Version 2.2) [Computer Software]. Retrieved from https://www.jamovi.org.

Van Rossum, G. eta Drake, F. L. (2009). Python 3 Reference Manual. Scotts Valley: CreateSpace.

Waskom, M. L. (2021). “Seaborn: statistical data visualization.” Journal of Open Source Software, 6(60), 3021.