El panorama político de TikTok: Examinando las cámaras de eco y las dinámicas de expresión política.
Tomado de: Panorama político de TikTok: Examinando las cámaras de eco y las dinámicas de expresión política – Yanlin Li, Zicheng Cheng, Homero Gil de Zúñiga, 2025
Resumen.
Utilizando un conjunto de datos completo de más de 160,000 cuentas públicas de TikTok y más de 16 millones de videos, este estudio indica un aumento notable en el contenido de videos políticos de TikTok de 2019 a 2023, con un pico alrededor de las elecciones presidenciales de EE. UU. de 2020. El análisis de la red revela distintos grupos de redes políticamente homogéneas o «cámaras de eco político» en las que los usuarios estuvieron expuestos a contenidos políticos de TikTok coherentes con las actitudes. Además, a través de datos de rastreo digital, descubrimos que los usuarios con fuertes puntos de vista políticos y comentarios sociales positivos tienen más probabilidades de compartir sus opiniones políticas en la plataforma. Esta investigación hace hincapié en la creciente importancia de TikTok como centro de participación política, así como en sus posibles efectos de polarización. Los conjuntos de datos de código abierto y las herramientas metodológicas desarrolladas en este estudio ofrecen recursos valiosos para futuras investigaciones sobre el papel de TikTok en la comunicación política.
Introducción
TikTok se ha convertido en un actor en el ecosistema de las noticias y en la arena política. En Estados Unidos, el número de personas que utilizan regularmente TikTok como fuente de noticias se ha duplicado desde 2020 (Pew research center, 2024).
Una pregunta clave para comprender la dinámica política en TikTok es cómo los usuarios buscan noticias e información política en la plataforma. ¿Gravitan hacia el contenido que se alinea con sus creencias políticas? ¿Es más probable que se relacionen con personas de ideas afines? En el contexto de los medios digitales, una cámara de eco se refiere al fenómeno en el que los usuarios interactúan principalmente con fuentes y contenidos que refuerzan sus puntos de vista preexistentes (Cinelli et al., 2021). La investigación existente ha sugerido que las cámaras de eco prevalecen en varias plataformas de redes sociales (Boutyline y Willer, 2017; Colleoni et al., 2014). Sin embargo, sigue sin explorarse si existen cámaras de eco políticas específicamente en TikTok, a pesar de la creciente influencia de la plataforma en la comunicación política y el consumo de noticias.
Una cámara de eco se puede entender a través de dos componentes clave: las opiniones que comparten los usuarios y «la cámara», que se refiere a la red social que refuerza esas opiniones. Cuando el contenido que los usuarios reciben de su red se alinea con sus propios puntos de vista, se dice que existe una cámara de eco (Garimella et al., 2018). Este estudio pretende alcanzar dos objetivos principales: (1) investigar la existencia de cámaras de eco políticas en TikTok y (2) explorar el contenido político que producen los usuarios, examinando su relación con el extremismo ideológico y el refuerzo social. La interacción entre el extremo ideológico de un usuario, la participación que recibe su contenido y la expresión de sus opiniones políticas puede amplificar aún más el efecto de cámara de eco.
Para examinar estas dinámicas, analizamos un vasto conjunto de datos de aproximadamente 51 millones de cuentas de TikTok, a partir de las cuales identificamos algorítmicamente 500 «cuentas de muestreo» altamente influyentes y representativas en todo el espectro político y sus redes de coseguidores. Nuestros hallazgos revelan la aparición natural de distintas redes partidistas de izquierda y derecha en TikTok. En particular, observamos que las redes ideológicamente radicales tienden a atraer menos vistas y seguidores, pero muestran niveles más altos de participación activa (es decir, comentarios y acciones). Además, las redes de derecha están más aisladas, con conexiones limitadas con otras redes políticas y redes de medios de comunicación convencionales. Los nodos dentro de las redes de derecha están más estrechamente conectados entre sí en comparación con otras redes.
Este estudio estima las orientaciones ideológicas de más de 160.000 usuarios de TikTok analizando sus relaciones de seguimiento con 13.730 cuentas de élite. Al integrar las puntuaciones de ideología de los usuarios con sus datos de participación en los vídeos (más de 16 millones de vídeos) recogidos entre enero de 2019 y julio de 2023, descubrimos que las personas con inclinaciones ideológicas más extremas son más propensas a publicar contenido político. Además, el análisis de series temporales muestra que las métricas de participación de la audiencia, como las vistas, los me gusta, los comentarios y las acciones, sirven como mecanismos de refuerzo, alentando a los usuarios a continuar produciendo contenido político.
Este estudio tiene como objetivo profundizar la comprensión de las dinámicas de comunicación partidista en TikTok. El enfoque de red nos permite trazar las estructuras de las comunidades partidistas de TikTok, ofreciendo información sobre cómo surgen las distintas comunidades, su relación relativa entre sí y los principales actores de cada comunidad. Este hallazgo tiene implicaciones prácticas para los investigadores y estrategas de comunicación política que buscan estrategias de comunicación entre grupos. Además, esta investigación contribuye al estudio de la expresión política en los entornos de las redes sociales al revelar los factores motivacionales que impulsan a los usuarios de TikTok a producir contenido político. Este estudio mejora nuestro conocimiento sobre cómo TikTok influye en el discurso político y la polarización política en un panorama político y mediático cada vez más polarizado.
Revisión de la literatura
Características de TikTok
En comparación con otras plataformas de redes sociales importantes, TikTok se destaca de varias maneras, incluida la demografía de su audiencia, el estilo estético y la curación algorítmica de contenido. Si bien algunas de estas características existen en otras plataformas, son significativamente más pronunciadas en TikTok.
En primer lugar, la base de usuarios de TikTok es predominantemente joven, con más de dos tercios de los usuarios menores de 34 años (Meltwater, 2025). En Estados Unidos, el 63% de los adolescentes han utilizado TikTok, lo que lo hace más popular que Instagram y Snapchat, mientras que Facebook y Twitter han experimentado un fuerte descenso entre este grupo demográfico (Pew Research Center, 2024).
En segundo lugar, TikTok prioriza el entretenimiento sobre las redes sociales tradicionales. A diferencia de Facebook, que se basa en conexiones recíprocas, o Twitter, que se adapta tanto a las relaciones simétricas como a las asimétricas (Colleoni et al., 2014; Kwak et al., 2010), el sistema de recomendación de TikTok minimiza la dependencia de las redes sociales preexistentes. En cambio, su algoritmo permite a los usuarios descubrir contenido de creadores no conectados a la red en función de sus intereses, lo que lo convierte en una desviación de las redes sociales convencionales (Barta y Andalibi, 2021).
En tercer lugar, TikTok es una plataforma muy visual que se basa principalmente en vídeos de formato corto en lugar de imágenes estáticas o contenidos basados en texto. Estos videos son personalizables e interactivos, con superposiciones de texto, sonidos virales y herramientas impulsadas por la participación, como dúos y puntadas (Hendrickx y Vázquez-Herrero, 2024). A diferencia de los medios tradicionales, el ecosistema de noticias de TikTok está moldeado en gran medida por personas influyentes y activistas de las redes sociales, y las organizaciones de noticias tradicionales se quedan atrás (Newman, 2022).
Además, TikTok sirve como plataforma para la expresión política creativa, alineándose con el concepto de ciudadanía autorrealizada, un modelo que prioriza la política de expresión personal en espacios digitales sobre la participación política tradicional (Bennett et al., 2010). TikTok ofrece nuevas oportunidades para la autopresentación política (Boyd, 2008), lo que permite a los jóvenes ciudadanos expresar sus opiniones políticas de formas innovadoras y culturalmente relevantes. A través de memes, ediciones creativas y música, el contenido político en TikTok integra a la perfección el humor y las referencias a la cultura pop, dando forma a una forma distintiva de discurso político digital (Literat y Kligler-Vilenchik, 2019).
Por último, TikTok emplea un sistema algorítmico de curación de contenidos muy sofisticado, a menudo percibido como más agresivo y adictivo que los de otras plataformas (Siles et al., 2024). Su algoritmo selecciona los feeds de los usuarios en función del comportamiento, como el tiempo de visualización y los patrones de participación (TikTok, 2024). Una característica clave de este sistema es su capacidad para adaptarse rápidamente a la evolución de las preferencias e intereses de los usuarios (Lee et al., 2022). Esta experiencia basada en algoritmos y centrada en el contenido mejora el disfrute del usuario y mantiene el compromiso. Mientras tanto, estas características algorítmicas y basadas en el contenido, al dar forma a lo que los usuarios ven e interactúan con el tiempo, pueden reforzar la exposición selectiva y contribuir a la formación de cámaras de eco políticas en TikTok.
Cámaras de eco político en TikTok
Las cámaras de eco son entornos en los que las creencias políticas de los usuarios se refuerzan a través de interacciones repetidas con compañeros y fuentes afines (Cinelli et al., 2021). Este fenómeno puede examinarse desde dos perspectivas: las opiniones que comparten los usuarios y la «cámara», o la red social que amplifica esas opiniones (Garimella et al., 2018).
Las plataformas de redes sociales tienen el potencial de servir como espacios abiertos para el discurso cívico (Habermas, 1991). Sin embargo, este potencial a menudo se ve socavado a medida que los usuarios buscan selectivamente información que se alinea con sus creencias preexistentes, formando conexiones principalmente con personas de ideas afines. Además, las burbujas de filtro impulsadas por algoritmos exacerban aún más la segregación ideológica (Pariser, 2011). La creación de cámaras de eco que limitan el diálogo político y profundizan la polarización es uno de los desafíos más acuciantes que enfrentan las sociedades democráticas (Dvir-Gvirsman, 2017).
Si bien gran parte de la investigación sobre las cámaras de eco de las redes sociales se ha centrado en plataformas como Twitter y Facebook, ningún estudio, hasta donde sabemos, ha examinado específicamente las cámaras de eco en TikTok. Dada la creciente influencia de la plataforma en la comunicación política, es fundamental abordar esta brecha de investigación. La formación de una cámara de eco es una interacción compleja entre las intenciones del usuario y los algoritmos de la plataforma. En TikTok, los feeds de los usuarios están moldeados tanto por los comentarios de los usuarios como por las recomendaciones algorítmicas (Hagar y Diakopoulos, 2023). Por un lado, la exposición selectiva y el sesgo de confirmación llevan a los usuarios a interactuar principalmente con contenido políticamente alineado, lo que refuerza sus creencias existentes. Por otro lado, la curación algorítmica de TikTok amplifica este efecto, ya que el algoritmo adapta el contenido en función del comportamiento del usuario, a menudo introduciendo sesgos y limitando la exposición a diversos puntos de vista (Bartley et al., 2021). En otras palabras, la exposición de los usuarios a las noticias en TikTok no solo está determinada por sus propias preferencias selectivas, sino también por los sesgos inherentes al sistema de recomendaciones de la plataforma.
Investigar las cámaras de eco político en TikTok puede proporcionar información valiosa sobre cómo se forman las comunidades partidistas y cómo los patrones de participación dan forma al discurso político. Estudiar este fenómeno es esencial para comprender el impacto de la plataforma en la opinión pública, la polarización política y el funcionamiento democrático, especialmente a medida que un número cada vez mayor de usuarios recurre a TikTok para obtener noticias e información política.
En este estudio, utilizamos las listas de seguimiento de los usuarios como indicador de su exposición al contenido y orientación política (Boutyline y Willer, 2017). Según la documentación oficial y la investigación empírica de TikTok, la lista de seguidores de un usuario influye significativamente en el contenido que encuentra (Boeker y Urman, 2022; Vombatkere et al., 2024). Construimos una red de seguimiento conjunto de 500 cuentas de muestra a partir de las siguientes listas de 157,622 cuentas de usuarios de TikTok. Estas 500 cuentas tienen como objetivo muestrear todo el espectro político en la plataforma TikTok. Utilizando esta red, evaluamos si la exposición política de los usuarios se distribuye aleatoriamente o está moldeada por la exposición selectiva partidista, proporcionando evidencia empírica de los posibles efectos de la cámara de eco. Esto nos lleva a nuestra primera pregunta de investigación:
PI1. ¿Existen cámaras de eco político en TikTok?
Expresión política en TikTok
En el ecosistema de información de TikTok, tanto los patrones de seguimiento como los patrones de expresión contribuyen a las divisiones ideológicas. Mientras que RQ1 investiga las cámaras de eco a nivel de red mediante el análisis de los patrones de seguimiento y la exposición a contenido de ideas afines, esta sección cambia el enfoque a la expresión política del usuario individual, medida mediante la publicación de videos relacionados con temas políticos y sociales en sus propias cuentas. También estudiamos los factores que predicen la frecuencia de su expresión política.
Nos centramos en dos factores clave de la expresión política en TikTok: factores individuales, como el extremismo ideológico, y factores sociales, como el refuerzo social. Este doble enfoque es importante por varias razones. En primer lugar, argumentamos que la interacción entre el extremismo ideológico y el refuerzo social positivo puede actuar como un mecanismo de refuerzo para la creación y amplificación de cámaras de eco en TikTok. En concreto, los usuarios con opiniones políticas más extremas pueden estar más inclinados a publicar contenido político. Cuando estas publicaciones reciben un refuerzo social positivo, como me gusta, comentarios y acciones, la interacción entre la extremidad ideológica y la retroalimentación positiva puede formar un bucle de retroalimentación que se refuerza a sí mismo. Este bucle podría afianzar aún más a los usuarios en sus comunidades ideológicas, a medida que reciben validación por sus puntos de vista y a medida que la curación algorítmica de TikTok continúa priorizando el contenido altamente comprometido. A su vez, esto refuerza las inclinaciones políticas existentes de los usuarios, profundizando la polarización y los efectos de cámara de eco en la plataforma.
En segundo lugar, el papel de la extremidad ideológica y el refuerzo social en la expresión política está bien documentado. Estudios anteriores han demostrado que la fuerza partidista puede predecir la expresión política en Facebook (Chan, 2018), y el refuerzo social puede aumentar la expresión política en Twitter (Lindström et al., 2021). Sin embargo, la investigación sobre la expresión política en TikTok ha examinado principalmente las posibilidades de la plataforma, como los hashtags, los memes y las características creativas como los dúos (por ejemplo, Literat y Kligler-Vilenchik, 2019), en lugar de explorar la influencia de factores más «tradicionales», como la fuerza partidista y el refuerzo social, en la configuración del discurso político. Dado el creciente papel de TikTok como espacio de comunicación política, es crucial investigar estos factores no tecnológicos que motivan a los usuarios a participar en la expresión política, un área que sigue siendo poco explorada en la literatura actual de TikTok.
Extremo ideológico
Según la teoría de la identidad social, los individuos que se identifican fuertemente con su grupo político interno son más propensos a participar en la expresión política, impulsados por la preocupación por los problemas que afectan a su grupo y un sentido de destino compartido con otros miembros (Holbrook et al., 2016). Los extremistas políticos, que a menudo se sienten infrarrepresentados en los principales medios de comunicación, recurren a las redes sociales para reforzar sus identidades y amplificar sus voces (Wasilewski, 2018). Otra teoría relevante es la teoría de la espiral del silencio, que sugiere que la exposición selectiva a contenido ideológico moldea las percepciones de los usuarios sobre el clima de opinión. Por ejemplo, la exposición a los medios de comunicación de tendencia liberal se ha relacionado con la percepción de un clima de opinión más liberal ideológicamente (Tsfati et al., 2014). Del mismo modo, en TikTok, los usuarios que perciben que sus puntos de vista políticos se alinean con el discurso dominante, potencialmente reforzados por burbujas de filtro algorítmico, pueden sentirse más cómodos expresando sus opiniones.
A partir de estas discusiones teóricas, proponemos:
H1. Los usuarios con ideología política más extrema son más propensos a publicar contenido político en TikTok.
Refuerzo social
El segundo factor que predice la expresión política en TikTok es la retroalimentación social positiva. En las redes sociales, el número de visualizaciones, «me gusta» y comentarios, signos de aprobación de otros usuarios con respecto a la publicación de uno, puede funcionar como una recompensa social positiva que influye en la frecuencia de expresión política de los usuarios individuales (Lindström et al., 2021). La expresión política autopresentacional puede mejorarse en entornos en línea porque los usuarios reciben retroalimentación social (Ellison et al., 2014). De acuerdo con el modelo hiperpersonal de comunicación mediada por computadora, se espera que la retroalimentación refuerce los efectos de la autopresentación, modificando los comportamientos y la percepción sobre uno mismo y los demás (Walther, 2011). Cuando el video político de TikTok de una persona recibe una gran popularidad, es más probable que lo interprete como una validación de sus puntos de vista políticos, ya que la gente lo aprecia. Así, proponemos:
H2. Cuantas más recompensas sociales positivas reciba un usuario en TikTok, medidas por likes, visualizaciones y comentarios, más probabilidades tendrá de publicar contenido político.
Para probar H1 y H2, analizamos la influencia de la ideología del usuario en la frecuencia de las publicaciones políticas y empleamos un análisis de series temporales para examinar la relación causal entre las métricas de participación y el intercambio de contenido político.
Métodos
Datos
Esta investigación fue revisada y determinada como exenta por el Comité de Revisión Institucional de la universidad. Todos los datos recopilados para esta investigación están a disposición del público. Los datos de este estudio se recopilaron entre marzo de 2023 y julio de 2023 utilizando un clúster de computadoras con más de 100 máquinas virtuales para interactuar con TikTok. La recopilación y el procesamiento de datos cuestan más de 1 millón de horas de núcleo de CPU.
Diseñamos un flujo de trabajo personalizado (Figura S2) para interactuar con la aplicación de Android de TikTok, extrayendo la lista de usuarios que siguen y seguidos por una cuenta de TikTok específica. Nuestro flujo de trabajo navega por la aplicación TikTok para Android, capturando capturas de pantalla de las páginas de Siguiendo/Seguidor de los usuarios. Se empleó un algoritmo especializado de reconocimiento óptico de caracteres (OCR) basado en el aprendizaje profundo, desarrollado específicamente para leer los ID de usuario de la aplicación TikTok para Android, para extraer los ID de usuario únicos (Método complementario S1). Este proceso también se conoce como screen scraping (Mancosu y Vegetti, 2020). Obtuvimos 295.436.486 relaciones de seguimiento-seguidor, también conocidas comúnmente como «bordes» en el análisis de redes sociales. A lo largo del proceso de recopilación de datos en el primer y segundo trimestre de 2023, la lista de seguidores/seguidores de la cuenta permaneció inaccesible a través de las API oficiales de TikTok, las API de terceros o a través del sitio web de TikTok. A partir de junio de 2024, las listas de seguidores/seguidores están disponibles a través del sitio web de TikTok. Sin embargo, recuperar grandes cantidades de datos de TikTok ha seguido siendo difícil debido a la creciente hostilidad de la plataforma hacia los raspadores web y los bots, junto con los frecuentes cambios en sus configuraciones web y de aplicaciones (Aarne, 2022).
Nuestra base de datos consta de cuatro tipos de cuentas: cuentas semilla (N = 360), cuentas de muestreo (N = 500), cuentas de élite (N = 13.730) y cuentas de usuario (N = 157.622). Para más detalles, véanse las Notas complementarias S1.
Análisis de redes
En esta sección se describe la metodología para calcular las puntuaciones de ideología. El proceso sigue una progresión estructurada: comienza con la puntuación de ideología base, derivada de un espacio latente de 500×300 optimizado mediante descenso de gradiente utilizando una matriz de distancias. A continuación, se calcula la puntuación de la ideología de la élite desequilibrada a partir de la puntuación base, seguida de la ecualización del histograma para obtener la puntuación de la ideología de la élite. Por último, la puntuación de ideología del usuario se deriva de la puntuación de ideología de élite (Boutyline y Willer, 2017).
La matriz de distancias se construye a partir de la proporción de co-seguidores entre pares de cuentas muestreadas. En esencia, cuanto mayor sea el número de seguidores compartidos entre dos cuentas de muestra de TikTok, más cerca se posicionarán estas cuentas, lo que lleva a puntuaciones ideológicas similares para ambas. La matriz de distancias viene dada por
D(x,y)=1−Tanh(αη(x,y)mYon[μx,μy])
(1)
Dónde D(x,y) es la matriz de distancias, que representa la distancia entre las cuentas de muestreo x e y. Tanh es la función tangente hiperbólica, una función de activación no lineal utilizada para controlar mejor el proceso de agrupamiento. α es el factor de expansión que regula la cohesión o estanqueidad de los racimos. Un mayor α genera clústeres más ajustados. En este trabajo, α se establece en 8. μxy μy son el número total de seguidores de la cuenta de muestreo x e y en nuestra base de datos, respectivamente. η(x,y) es el número de cuentas que siguen a las cuentas de muestreo x e y. En esencia, la distancia entre cualquier par de cuentas de muestreo está determinada por la relación entre el número de usuarios que siguen ambos canales y el número total de seguidores del canal más pequeño. El factor D se puede organizar en una matriz de n por n, denominada matriz de distancias, donde n es igual a 500, el número total de cuentas de muestreo. En esencia, la matriz de distancias D contiene las distancias para todas las combinaciones posibles de pares de cuentas de muestreo.
Para establecer las puntuaciones relativas de ideología entre los relatos de la muestra, la clave es comprender sus posiciones relativas generales. Esto se puede lograr proyectando estas cuentas en un espacio latente, que es esencialmente un espacio de alta dimensión que es capaz de acomodar relaciones de distancia complejas. El objetivo es mapear un conjunto de puntos, cada uno correspondiente a una cuenta, en un espacio latente que satisfaga las relaciones de distancia especificadas en la matriz de distancias D en la ecuación (1). Si bien existe la disposición precisa de estos puntos que satisface perfectamente la matriz de distancias matemáticamente, llegar a esta disposición no es trivial, particularmente cuando se trata de una gran colección de puntos. En este trabajo, se aproxima la configuración dentro del espacio latente utilizando un esquema de optimización de descenso de gradiente estocástico (Li et al., 2022). Constreñida por la complejidad matemática involucrada, la dimensión del espacio latente se configura como 500 por 300, donde 500 denota el número de cuentas de muestreo. La diferencia entre las posiciones real e ideal de los puntos en el espacio latente se puede calcular mediante el error cuadrático medio (MSE). El MSE para el espacio latente optimizado es inferior al 2% en comparación con la posición inicial aleatoria. El espacio latente resuelto de 500 por 300 está disponible en los datos suplementarios S1.
A partir del espacio latente optimizado, la puntuación de la ideología base viene dada por la descomposición de vectores singulares (SVD) (Stewart, 1993)
M=UΣVT
(2)
Tenga en cuenta que la puntuación de ideología base es diferente de la puntuación de ideología final presentada en los resultados. Este último se deriva de la clasificación de todos los relatos de élite de los más conservadores a los más liberales, y se distribuye uniformemente, mientras que el primero representa la relación espacial en el espacio latente entre los relatos muestreados. SVD es una factorización de una matriz comúnmente utilizada en álgebra lineal. En este trabajo, empleamos SVD para la reducción de dimensiones, donde M es la matriz del espacio latente de 500 por 300. La reducción de la dimensión se da seleccionando el número deseado de columnas del producto matricial ΣV T. La puntuación de ideología de referencia de la cuenta de muestreo viene dada por la primera columna de este producto matricial, que es algo equivalente al resultado obtenido del análisis de componentes principales (ACP) del espacio latente. La representación 2D de la red de co-seguidores que se muestra en la Figura 3 se construye utilizando la primera y la segunda columna de ΣV T, que representa el componente más importante y el segundo componente más significativo del espacio latente. Cabe destacar que la puntuación de ideología base debe distinguirse de la puntuación de ideología de élite, esta última se calcula en función de la primera.
La puntuación de ideología de élite desequilibrada de cualquier cuenta de élite especificada se calcula de la siguiente manera:
R=∑Yo=1nmYorYo∑Yo=1nmYo
(3)
La ecuación (3) se conoce comúnmente como la ecuación del centro de masa. En nuestro análisis, empleamos la ecuación del centro de masa para determinar cuantitativamente el posicionamiento ideológico de las cuentas de élite. Dónde mYo es el número de usuarios que siguen tanto la cuenta Elite especificada como la i-ésima cuenta de muestreo. rYo es la puntuación de ideología base de la i-ésima cuenta de muestreo
h(Yo)=L•cdf(Yo)−cdfmYoncdfmunx−cdfmYon−M
(4)
La ecuación (4) es similar a la ecualización del histograma comúnmente utilizada en el procesamiento digital de imágenes (Pizer et al., 1987). Este método se emplea para reorganizar la puntuación desequilibrada de la ideología de élite R, con el objetivo de lograr una distribución uniforme de las puntuaciones ideológicas en todo el espectro ideológico. En la ecuación (4), h(i) es la puntuación de la ideología de élite de la i-ésima cuenta de élite, cdf(i) es el valor de la función de distribución acumulativa (CDF) en la i-ésimacuenta de élite. L y M son factores de escala lineal para garantizar que el rango de h(i) esté entre −1 y 1. El CDF se deriva de la puntuación desequilibrada de la ideología de élite (R) de la ecuación (3). En este trabajo, el valor negativo denota a los liberales, mientras que el valor positivo denota a los conservadores. El valor absoluto más alto se refiere a un mayor nivel de exposición congruente partidista.
Por último, las puntuaciones ideológicas de las cuentas de élite se calculan mediante la ecuación (4). El flujo de trabajo descrito entre las ecuaciones (1) y (4) garantiza que estas puntuaciones se distribuyan uniformemente a lo largo de todo el espectro político (de -1 a 1), independientemente de la composición de las cuentas de semillas o de muestreo. La composición específica de las cuentas semilla o de muestreo tiene poco efecto en las puntuaciones ideológicas finales de las cuentas de élite, siempre que las cuentas de muestreo cubran la mayor parte del espectro político en TikTok y compartan un número sustancial de seguidores con las cuentas de élite. Esto mitiga significativamente los sesgos en la selección de las cuentas de semillas y muestreo. Además, las composiciones de los tres tipos de cuentas se determinaron meticulosamente para minimizar el sesgo de la muestra tanto como fuera posible. La selección de cuentas de élite fue sólida, ya que son simplemente las 13,730 cuentas más seguidas en nuestra base de datos. Además, las puntuaciones ideológicas de los usuarios se derivan de las puntuaciones ideológicas medias de los canales de élite que sigue un usuario. Mediante el uso de esta metodología, nuestro objetivo es capturar con precisión la orientación ideológica de los usuarios sin sesgos.
Para evaluar la precisión de nuestro algoritmo de puntuación de ideología política, comparamos las puntuaciones de ideología resultantes con clasificaciones manuales proporcionadas por dos expertos con un sólido conocimiento de la política estadounidense, que sirven como base para las evaluaciones de precisión (Notas complementarias S3).
La matriz de distancias D, los datos de co-follow originales y el espacio latente optimizado de 500 por 300 están disponibles en los datos suplementarios S1. Pueden ser utilizados por los lectores de este trabajo para diversas aplicaciones más allá de las discutidas en este artículo.
Resultados
Publicaciones de videos políticos de usuarios y de élite
Para empezar, examinamos los vídeos políticos publicados por los usuarios de TikTok y las élites. Observamos los videos (NVídeo del usuario = 4.836.599) publicados por los usuarios de TikTok (Nusuario = 157.622), de los cuales 74.674 usuarios han publicado al menos un vídeo, y los vídeos (Nelite video = 11,544,750) posted by the TikTok elite accounts (Nelite = 13,730). Elite accounts are those followed by at least 1500 users in our database, representing popular accounts with a large number of followers. User accounts represent ordinary TikTok users (see “Data” section). We developed a binary civic classifier (see Notes S2) to determine whether the contents in the TikTok video as related to politics or major issues that affect the society goods.
Realizamos un análisis separado de los usuarios y las élites de TikTok en función de sus publicaciones de videos políticos. La Figura 1 muestra que la proporción promedio de videos políticos ha aumentado en TikTok desde 2020. Hay varios nopikes durante este tiempo, incluido el juicio político de Donald Trump (4 de febrero de 2020), la protesta de Black Lives Matter (3 de junio de 2020), las elecciones presidenciales de Estados Unidos de 2020 (3 de noviembre de 2020), entre otros. El aumento del contenido de vídeo político desde antes de 2020 hasta después de 2020 es estadísticamente significativo en varios grupos de usuarios y de élite (véase la figura S6a,b,c,d).
Los modelos de regresión lineal posteriores a 2021 ajustados para las élites políticamente activas (Figura S7b, F(910, 909) = 993,3, x1 = 0,053, p < 0,0001) y los usuarios activos (Figura S7d, F(903,902) = 1029,1, x1 = 0,053, p < 0,0001) mostraron pendientes positivas significativas, lo que indica un aumento continuo de la expresión política de estos grupos activos más allá de 2020. Sin embargo, tanto las élites políticas inactivas (Figura S7c, F(910,909) = 135,1, x1 = 0,001, p < 0,0001) como los usuarios políticos inactivos (Figura S7e, F(903,902) = 330,0, x1 = −0,004, p < 0,0001) han mostrado una tendencia de estancamiento o ligero descenso más allá de 2020.
La Figura 2 compara los niveles de participación entre los videos de TikTok políticos y no políticos. El rendimiento de la interacción del vídeo se mide con la relación entre los puntos de vista y los comentarios, y la relación entre las vistas para controlar el efecto del algoritmo y reflejar la verdadera interacción del usuario (Cheng y Li, 2024). Desde 2020, tanto los videos políticos de élite como los de los usuarios tienen una proporción significativamente más alta de me gusta a la vista, de comentarios a vista y de proporción de vista en comparación con los videos no políticos (Figura 2(a)–(f), prueba t posterior a 2020, todos p < .0001). Antes de 2020, no había un patrón consistente en el rendimiento de la interacción entre los videos políticos y no políticos de élite. Del mismo modo, los videos de los usuarios no mostraron diferencias significativas en el rendimiento entre el contenido político y el no político (consulte la figura 2(a)-(f), resultados de la prueba t anteriores a 2020). El contenido político se ha vuelto más atractivo para la audiencia desde 2020. Las elecciones presidenciales de Estados Unidos de 2020 y la pandemia de Covid-19 podrían haber contribuido al aumento del interés por la política y el compromiso con los vídeos políticos entre la población en general.
Cámaras de eco
Las puntuaciones ideológicas de los relatos de la muestra se utilizan como indicadores de la orientación política de sus seguidores (Boutyline y Willer, 2017). Fundamentalmente, la puntuación de ideología se deriva aplicando la ecualización del histograma al componente principal del vector 1 × 300 de cada cuenta de muestreo en el espacio latente de 500 × 300. La eficacia de esta metodología, en la que la puntuación de ideología calculada no es aleatoria y está alineada con la ideología real, sugiere que los patrones de seguimiento de los usuarios no son aleatorios. Más bien, manifiestan la presencia de una exposición selectiva partidista en TikTok. Al abordar la RQ1, encontramos evidencia de cámaras de eco político en TikTok.
Todos los relatos de muestreo se clasifican algorítmicamente de izquierda a derecha en función de sus inclinaciones ideológicas. Los relatos de muestreo se clasifican en tres redes, izquierda, no partidista y derecha, utilizando la agrupación no supervisada de k-medias (Lloyd, 1982). Las cuentas con una puntuación de ideología superior a 0,9 o inferior a -0,9 se clasifican como red de derecha radical o red de izquierda radical, respectivamente.
Una cuenta se considera políticamente activa si más del 10% de sus videos son de naturaleza política; Este umbral se eligió en función de la precisión de clasificación de aproximadamente el 95% de nuestro clasificador cívico binario. La Figura 3 muestra las 10 cuentas políticamente activas más seguidas en cada red, su puntuación ideológica estimada (Figura 3(a)), el número de seguidores (Figura 3(b)), las visualizaciones (Figura 3(c)), la proporción de like-to-view (Figura 3(d)), la relación de comentarios-vistas (Figura 3(e)), la proporción de share-view (Figura 3(f)) y la proporción de videos políticos (Figura 3(g)). Sus puntuaciones ideológicas se alinean estrechamente con las evaluaciones de sesgo de los medios de comunicación establecidas (AdFontes Media, 2023; Todos los lados, 2024). Incluimos una lista de muestra de cuentas de medios de comunicación en la Figura 3. La lista completa de los relatos de muestreo, su puntuación ideológica y las estadísticas de vídeo, están disponibles en la Figura S1 y la Tabla S1.
Observamos que la red de derecha radical tiene un número promedio significativamente menor de seguidores (p < .0001, IC 95% = [0.50, 0.86]) y vistas (p < .0001, IC 95% = [0.46, 0.96]) que la red de derecha. De manera similar, la red de izquierda radical también tiene un número promedio significativamente menor de seguidores (p < 0,0001, IC del 95% = [−0,7, −0,29]) y vistas (p < 0,0001, IC del 95% = [−0,74, −0,21]) que la red de la izquierda. La red no partidista tiene el número promedio más alto de seguidores y vistas en comparación con otras cuatro redes (no partidista frente a otras cuatro, todas p < .0001). Consulte la Figura S3b para ver las pruebas estadísticas.
Sin embargo, el patrón se invirtió cuando se trata de comportamientos de participación más activos, como comentar y compartir. La red de derecha radical tiene un promedio significativamente más alto de la relación comentario-vista (p < .0001, IC 95% = [-0.43, -0.19]) y la relación compartido-vista (p < .05, IC 95% = [-0.23, -0.003]) que las cuentas de derecha. De manera similar, la red de izquierda radical tiene una relación promedio de comentarios a vistas significativamente más alta (p < .001, IC del 95% = [0.07, 0.32]) y una relación de participación a vista (p < .01, IC del 95% = [0.04, 0.29]) que las cuentas de la izquierda. La red no partidista tiene la proporción promedio más baja de comentarios a vistas y la proporción de participación a visualización en comparación con las otras cuatro redes (no partidistas frente a otras cuatro, todas p < .0001). Consulte la figura S3d-e para ver las pruebas estadísticas.
Existe una diferencia significativa en la puntuación de proximidad entre las cinco redes (Figura S4, F (4, 495) = 620.66, p < .0001). La puntuación de proximidad se refiere a la distancia media a otros nodos dentro de la misma red, lo que implica la superposición de las bases de seguidores entre las cuentas de la misma red. Como se muestra en la Figura 3 (a), los nodos dentro de las redes radicales de izquierda y derecha están estrechamente agrupados. Un análisis más detallado reveló que tanto las redes de derecha radical como las de izquierda radical tienen puntuaciones de proximidad significativamente más altas en comparación con las redes de derecha e izquierda (Figura S4, derecha radical vs derecha: p < 0,0001, IC del 95% = [0,3, 0,36]; izquierda radical vs izquierda: p < 0,0001, IC del 95% = [−0,31, −0,25]). En particular, los nodos dentro de la red de derecha radical muestran un grado de proximidad significativamente mayor en comparación con sus contrapartes dentro de la red de izquierda radical (Figura S4, p < .05, IC 95% = [0.01, 0.08]).
La figura 3 indica que la red de derechas, especialmente el grupo de derechas radicales, está notablemente aislada de otras redes. La red de noticias, formada por los principales medios de comunicación, parece estar más alineada con las redes de izquierda. Esto puede sugerir que los miembros de la derecha se marginan de otros grupos políticos y de los principales medios de comunicación.
Ideología y expresión política del usuario
En esta sección, nos enfocamos en analizar los antecedentes de expresión política entre los usuarios comunes que publicaron más de 10 videos (N = 41,915). Si un usuario tiene muy pocos videos, un solo video político puede inflar la proporción de videos políticos, haciéndolo poco representativo o engañoso. En concreto, examinamos la relación entre la puntuación ideológica del usuario y su expresión política (medida por la proporción de vídeos políticos que los usuarios han publicado). La puntuación de ideología política de un usuario, que varía entre -1 y 1, representa la puntuación media de ideología de las cuentas de élite que sigue el usuario. Esta puntuación se deriva de las relaciones entre coseguidores mediante el aprendizaje automático no supervisado (consulte la sección «Análisis de red»). En la Figura 4, la regresión cuadrática muestra una relación curvilínea (en forma de U) entre la ideología de los usuarios de TikTok y la expresión política. Los usuarios con una ideología neutral tienden a publicar menos videos políticos. Cuando los usuarios tienen inclinaciones ideológicas más extremas, tienen una mayor probabilidad de publicar videos políticos (p < .0001), apoyando H1.
Figura 4. Relación entre las puntuaciones de ideología política de los usuarios de TikTok y su expresión política (ratio de publicaciones de vídeos políticos), entre los usuarios con más de 10 publicaciones de vídeo (N = 41.915). La línea azul claro muestra los resultados integrados con un tamaño de paso de 0,002 en la ideología del usuario. La línea azul oscuro representa la regresión cuadrática. La regresión fue estadísticamente significativa.
(modelo: y~1+x1+x12, R2=0.64, F(917,915)=808,P<0.0001, x12=0.54, x1=0.009, intersección = 0,05).
Refuerzo social y expresión política
Utilizando los datos de video y los datos de participación en el contenido recopilados entre enero de 2019 y julio de 2023, construimos dos series temporales: (1) el recuento de vistas, me gusta, comentarios y acciones de los videos políticos publicados por los usuarios de TikTok y (2) el recuento de videos políticos publicados por los usuarios de TikTok. La Figura 5 muestra las series temporales de videos políticos publicados por los usuarios de TikTok: el mejor retraso es de 7 según los criterios de información de Akaike (AIC) (López y Weber, 2017). Realizamos una prueba de causalidad de Granger con un retraso de 7 días y descubrimos que el número de vistas, me gusta, comentarios y compartidos de Granger causó un aumento en las publicaciones de videos políticos, lo que respalda H2. La prueba arrojó los siguientes valores de F y p: vistas (F(7,1611) = 6,83, p < 0,0001), me gusta (F(7,1611) = 3,94, p < 0,001), comentarios (F(7,1611) = 8,094, p < 0,0001) y acciones (F(7,1611) = 6,00, p < 0,0001). Del mismo modo, las publicaciones de videos políticos provocaron un aumento en el número de visualizaciones (F(7,1611) = 3,77, p < 0,001), los «me gusta» (F(7,1611) = 2,55, p < 0,05), los comentarios (F(7,1611) = 5,458, p < 0,0001) y las acciones compartidas (F(7,1611) = 2,21, p < 0,05). Las pruebas de Granger sugieren que existe una relación cíclica entre la expresión política y la participación en el video.
Figura 5. Series temporales de recompensas sociales positivas y expresión política de los usuarios entre los usuarios ordinarios de TikTok, con los resultados de la prueba de Granger durante enero de 2019 y julio de 2023.
Las líneas de color azul claro representan los promedios diarios por video, mientras que las líneas de color azul profundo representan los promedios mensuales. (a) Número de videos políticos publicados por los usuarios en nuestra base de datos por día. b) Series temporales de la relación de vídeo político. (c) Series temporales del número de vistas en videos políticos. d) Series temporales del número de «me gusta» en los vídeos políticos. e) Series cronológicas del número de comentarios en los vídeos políticos. f) Series cronológicas del número de veces que se ha compartido vídeos políticos.
Discusión
Este estudio indica un patrón de exposición selectiva partidista entre los usuarios de TikTok en función de su comportamiento de seguimiento, lo que sugiere la presencia de una cámara de eco política en TikTok.
Nuestro análisis de redes sociales sugiere que las cuentas ideológicas radicales reciben menos visitas, pero una mayor participación activa a través de comentarios y acciones. Este patrón puede deberse al algoritmo de recomendación de TikTok que limita la visibilidad del contenido políticamente radical a un público más amplio. Mientras tanto, estas cuentas radicales atraen a una audiencia más pequeña pero altamente comprometida, donde los seguidores interactúan activamente y difunden contenido dentro de comunidades de ideas afines en lugar de consumirlo pasivamente. Su contenido puede generar un alto compromiso porque evoca emociones fuertes y estimula las discusiones (Schwemmer, 2021). El intercambio de contenido radical de TikTok en otras plataformas sociales genera preocupación por la difusión y visibilidad de mensajes extremistas más allá de TikTok, lo que podría moldear las percepciones de una audiencia más amplia y normalizar los puntos de vista radicales.
Nuestros hallazgos sugieren que las comunidades de derecha en TikTok están más aisladas de otros grupos políticos y de los principales medios de comunicación, lo que refleja investigaciones anteriores sobre la polarización política en Twitter (Falkenberg et al., 2022; Flamino et al., 2023). La ideología de derecha a menudo enfatiza temas como el antielitismo, la desconfianza institucional y la retórica populista (Wells y Rochefort, 2021), fomentando una comunidad en línea más insular que se resiste a participar en las narrativas políticas y mediáticas convencionales. Esta tendencia también se alinea con las crecientes actitudes conservadoras sobre temas sociales en Estados Unidos (Gallup, 2023) y la creciente presencia de influencers y usuarios de derecha en las redes sociales (Falkenberg et al., 2022). Además, encontramos que los nodos de la comunidad de derecha radical están más estrechamente conectados que la comunidad de izquierda radical, lo que puede indicar una mayor capacidad para difundir información política y movilizar apoyo.
Encontramos un aumento notable en las publicaciones de videos políticos por parte de personas influyentes y usuarios comunes de 2019 a 2023, con un aumento significativo durante las elecciones estadounidenses de 2020 y el confinamiento por COVID-19. Desde 2020, los videos políticos tienen una mayor proporción de Me gusta, comentarios y vistas en comparación con los videos no políticos. Durante la pandemia, las personas tenían el deseo de entretenerse y crear contenido mientras se quedaban en casa. Dicho esto, después de 2020, las personas, especialmente aquellas que son políticamente activas, tienen un interés sostenido en producir videos políticos. Los usuarios pueden ver TikTok como una herramienta conveniente y empoderadora para expresar opiniones y mantenerse informados, lo que aumenta su dependencia de ella.
Además, hemos identificado factores a nivel individual que contribuyen a esta tendencia de expresión política. En concreto, los usuarios ideológicamente extremos tienden a expresar más sus opiniones políticas en TikTok, en línea con los hallazgos sobre cómo los grupos radicales utilizan las redes sociales para participar en política y construir su identidad política (Wasilewski, 2018). Se ha descubierto que el aumento de los «me gusta», los comentarios y las veces que se comparte motiva la expresión política de los usuarios en TikTok, lo que respalda el papel de la retroalimentación social positiva para reforzar la autopresentación en línea (Lindström et al., 2021). También descubrimos que existe una relación cíclica entre la expresión política y la participación en videos, lo que indica que la expresión política en TikTok no es solo un acto de una sola vez, sino parte de un bucle de refuerzo. Las métricas de participación actúan como un mecanismo de retroalimentación que fomenta la creación de contenido político por parte del usuario. Luego, el algoritmo de TikTok puede priorizar estos videos de temática política, amplificando su visibilidad a través de FYP y generando una mayor participación. Este ciclo que se refuerza a sí mismo puede dar forma al discurso político en la plataforma y, para los usuarios partidistas, puede intensificar sus cámaras de eco político.
Nuestro estudio contribuye a la investigación en comunicación política al examinar las cámaras de eco de las redes sociales y la expresión política, particularmente en TikTok. Si bien las investigaciones anteriores se han centrado en plataformas como Twitter y Facebook, la audiencia, la estética y la curación algorítmica únicas de TikTok pueden dar forma a las cámaras de eco de manera diferente. Encontramos que las comunidades partidistas se forman naturalmente en base a redes de seguidores. Más allá de identificar la presencia de cámaras de eco desde la perspectiva de la red, exploramos los mecanismos que amplifican las cámaras de eco mediante el análisis de la interacción entre el compromiso, la extremidad ideológica y la expresión política del usuario. Los usuarios con ideologías más extremas son más propensos a producir contenido político, y las métricas de participación más altas refuerzan su participación continua. Este hallazgo es preocupante. Si la red de seguimiento de un usuario demuestra una cámara de eco, y sus hábitos de expresión sirven como un espacio para la validación dentro del grupo, puede solidificar aún más la cámara de eco política. De esta manera, las posibilidades algorítmicas de TikTok no necesariamente rompen las cámaras de eco, sino que pueden reforzarlas, creando un entorno de información en el que los usuarios interactúan repetidamente con contenido ideológicamente consistente. En línea con la conceptualización de Garimella (2018) sobre las cámaras de eco, argumentamos que TikTok refuerza las cámaras de eco a través de mecanismos estructurales (es decir, agrupación de redes) y mecanismos de comportamiento (es decir, comentarios de participación que fomentan la expresión política continua).
Este estudio combina el análisis de redes sociales y el análisis de datos de rastreo digital, abordando las limitaciones como el sesgo de recuerdo y el sesgo de deseabilidad social en los datos de encuestas de autoinforme (Scharkow, 2016) y la preocupación por la validez externa en los experimentos (Munger, 2019). La lista completa de cuentas de personas influyentes políticas de TikTok que hemos compilado, junto con sus nombres de cuenta, puntuaciones de ideología, proporción de videos políticos y estadísticas de videos, podría servir como una valiosa base de datos para los esfuerzos científicos en curso y futuros. Las herramientas metodológicas han abordado el desafío de recopilar y analizar datos de videos y redes de TikTok. El clasificador binario cívico se puede utilizar para clasificar videos políticos frente a los no políticos y el algoritmo OCR se puede usar para extraer listas de seguidores/seguidores de páginas de cuentas públicas.
Una limitación de nuestro estudio es que no examinamos directamente la exposición real de los usuarios al contenido de TikTok. Sin embargo, los estudios de auditoría de algoritmos se enfrentan a retos como la escasez de donaciones de datos, la protección de la privacidad de los datos de los usuarios y, por lo general, una muestra pequeña y autoseleccionada. Además, este estudio mide la expresión política en TikTok como usuarios que publican videos relacionados con temas políticos y sociales, identificados a través de un clasificador cívico binario. El análisis temporal revela que la expresión política alcanza su punto máximo durante eventos sociales y políticos significativos, lo que indica que los usuarios podrían estar discutiendo esos eventos políticos, compartiendo su opinión o movilizando a la audiencia. Sin embargo, nuestro análisis no indaga si la expresión política de los usuarios es sesgada, factual, deliberativa o refleja una elaboración cognitiva (Gil de Zúñiga, 2017). Futuras investigaciones podrían explorar estas interesantes preguntas a través del análisis de contenido. Además, si bien los feeds de TikTok están moldeados tanto por el diseño algorítmico como por los patrones de consumo individuales (Hagar y Diakopoulos, 2023), nuestro estudio no desentraña su influencia, lo que lo deja como otra vía prometedora para futuras investigaciones. Otra limitación es que aproximadamente el 64% de los usuarios y el 80% de las élites se encuentran en los Estados Unidos (véanse las figuras S8 y S9 y las tablas S2, S3, S4 y S5). Finalmente, el alcance de este estudio se limita a las cuentas activas de TikTok, en lugar de a los usuarios generales de TikTok.
Este estudio destaca que TikTok puede ser un arma de doble filo con efectos potencialmente perjudiciales para la democracia. Las cámaras de eco en TikTok pueden profundizar las divisiones y aumentar la polarización. En medio de las discusiones en curso en torno a la regulación de TikTok, este estudio se erige como una valiosa referencia tanto para los ciudadanos como para los responsables políticos.
Financiación
El/los autor/es declara(n) haber recibido el siguiente apoyo financiero para la investigación, autoría y/o publicación de este artículo: El tercer autor recibió apoyo del Programa de Generación de Conocimiento y de la Beca de Investigación + Desarrollo para el Fortalecimiento Científico y Tecnológico de la Agencia Estatal de Investigación PID2020-115562GB-I00. La responsabilidad de la información y las opiniones expuestas en este estudio recae enteramente en los autores.
ORCID iDs
Yanlin Li https://orcid.org/0000-0002-1093-7898
Zicheng Cheng https://orcid.org/0000-0003-0859-0538
Homero Gil de Zúñiga https://orcid.org/0000-0002-4187-3604
Declaración de disponibilidad de datos
Los datos de seguidores y seguidores se recopilan de la aplicación de Android TikTok mediante raspado de pantalla mediante un algoritmo OCR desarrollado a medida, que se detalla en el método complementario 1. Se puede acceder al código original y a una demo en: https://zenodo.org/records/11018072?token=eyJhbGciOiJIUzUxMiJ9.eyJpZCI6IjVjZjE4MjI4LWM2Y2EtNDZkNC1iZDc2LWI0NjliNjE3ODIyMSIsImRhdGEiOnt9LCJyYW5kb20iOiJlYjMzYzBlODExZmNhZGI5MjVlYjFiZWMzMGMyZjljZSJ9.oLUTAJatO0VMfGJQOoRaVv9dnk66ON8mfZYhZa9fmljzOM3Cc1Uyi968KtRAOx8lEkZ-Uq62vXYD5NC6fdBwUg{Zenodo Record}. Todos los datos se analizaron con MATLAB 2023b. El clasificador cívico binario descrito en la sección Métodos, junto con sus datos de demostración y ejemplo, está disponible en: https://zenodo.org/records/11018669?token=eyJhbGciOiJIUzUxMiJ9.eyJpZCI6ImFjYTI3Mzk2LTlmMDUtNDVlNi1hODNjLWRmMWVlOGM4MDA0YSIsImRhdGEiOnt9LCJyYW5kb20iOiI2NzMyMDY5NmUwMmQwNzcyMTMzNjVlMTM3NDgwNmY1NyJ9.MeU50PsgDqTXMYpj8tYL-g0jRqxx0tsWhEuui-GYSqNw81AfRNx_-HDTKvo2xKXsoLMKkYzaF_8dEj4B7OAwrQ{Zenodo Record}.
Referencias
Aarne O (2022) Auditoría del sistema de recomendación de tiktok con títeres de calcetín. Trabajo Fin de Máster. Disponible en: https://helda.helsinki.fi/server/api/core/bitstreams/7828e892-6789-4665-a625-9814bf4a17a3/content
Adfontes Media (2023) Gráfico de sesgos de medios interactivos. Disponible en: https://adfontesmedia.com/interactive-media-bias-chart/
AllSides (2024) Calificaciones de sesgo mediático. Disponible en: https://www.allsides.com/media-bias/ratings
Barta K, Andalibi N (2021) Construyendo autenticidad en TikTok: Normas sociales y apoyo social en la plataforma «Fun». Actas de la ACM sobre la Interacción Humano-Computadora 5 (CSCW2): 1–29.
Bartley N, Abeliuk A, Ferrara E, et al. (2021) Auditoría del sesgo algorítmico en Twitter. En: Actas de la 13ª Conferencia ACM Web Science 2021, Evento virtual, 21-25 de junio, pp. 65-73. Nueva York: ACM.
Bennett WL, Freelon D, Wells C (2010) Cambiando la identidad ciudadana y el surgimiento de una cultura mediática participativa. En: Sherrod LR, Flanagan CA, Torney-purta J (eds) Manual de Investigación sobre la Participación Cívica en la Juventud. Nueva York: Routledge, pp. 393-423.
Boeker M, Urman A (2022) Una investigación empírica de los factores de personalización en TikTok. En: Actas de la ACM Web Conference, Lyon, 25-29 de abril de 2022, pp. 2298-2309. Nueva York: ACM.
Boutyline A, Willer R (2017) La estructura social de las cámaras de eco políticas: variación en la homofilia ideológica en las redes en línea. Psicología Política 38(3): 551-569.
Boyd D (2008) Por qué los jóvenes (corazón) sitios de redes sociales: El papel de los públicos en red en la vida social de los adolescentes (JUVENTUD, IDENTIDAD Y MEDIOS DIGITALES). En: Buckingham D (ed.) Serie de la Fundación John D. y Catherine T. MacArthur sobre Medios Digitales y Aprendizaje. Cambridge, MA: The MIT Press, pp. 1-26.
Chan M (2018) Fuerza partidista y uso de las redes sociales entre los votantes durante las elecciones al consejo legislativo de Hong Kong de 2016: Examinando los roles de la ambivalencia y el desacuerdo. Journalism & Mass Communication Quarterly 95(2): 343–362.
Cheng Z, Li Y (2024) Me gusta, comenta y comparte en tiktok: Explorando el efecto del sentimiento y la vista en segunda persona en la participación del usuario con los videos de noticias de tiktok. Revista de Computación de Ciencias Sociales 42(1): 201–223.
Cinelli M, De Francisci Morales G, Galeazzi A, et al. (2021) The echo chamber effect on social media. Proceedings of the National Academy of Sciences 118(9): e2023301118.
Colleoni E, Rozza A, Arvidsson A (2014) Echo chamber or public sphere? Predicting political orientation and measuring political homophily in Twitter using big data. Journal of Communication 64(2): 317–332.
Dvir-Gvirsman S (2017) Media audience homophily: Partisan websites, audience identity and polarization processes. new media & society 19(7): 1072–1091.
Ellison NB, Vitak J, Gray R, et al. (2014) Cultivating social resources on social network sites: Facebook relationship maintenance behaviors and their role in social capital processes. Journal of Computer-mediated Communication 19(4): 855–870.
Falkenberg M, Galeazzi A, Torricelli M, et al. (2022) Growing polarization around climate change on social media. Nature Climate Change 12(12): 1114–1121.
Flamino J, Galeazzi A, Feldman S, et al. (2023) Political polarization of news media and influencers on Twitter in the 2016 and 2020 US presidential elections. Nature Human Behaviour 7(6): 904–916.
Gallup (2023) Social Conservativism in U.S. Highest in about a Decade. Available at: https://news.gallup.com/poll/506765/social-conservatism-highest-decade.aspx
Garimella K, De Francisci Morales G, Gionis A, et al. (2018) Political discourse on social media: Echo chambers, gatekeepers, and the price of bipartisanship. In: Proceedings of the 2018 World Wide Web conference, Lyon, 23–27 April, pp. 913–922.
Gil de Zúñiga H (2017) Los atributos de la discusión política interpersonal como antecedentes de la elaboración cognitiva: attributes of interpersonal political discussion as antecedents of cognitive elaboration. Revista Española De Investigaciones Sociológicas 157: 65–84.
Habermas J (1991) La transformación estructural de la esfera pública. Una investigación sobre una categoría de la sociedad burguesa. Cambridge, MA: MIT Press.
Hagar N, Diakopoulos N (2023) Indiferencia algorítmica: la escasez de recomendaciones de noticias en TikTok. Nuevos Medios de Comunicación y Sociedad. Epub antes de la impresión el 30 de agosto.
Hendrickx J, Vázquez-Herrero J (2024) Diseccionando el periodismo en redes sociales: un estudio comparativo entre plataformas, medios y países. Estudios de Periodismo 25(9): 1053-1075.
Holbrook AL, Sterrett D, Johnson TP, et al. (2016) Disparidades raciales en la participación política entre temas: el papel de los motivadores específicos de temas. Comportamiento político 38: 1-32.
Kwak H, Lee C, Park H, et al. (2010) ¿Qué es Twitter, una red social o un medio de comunicación? En: Actas de la 19ª Conferencia Internacional sobre la World Wide Web, Nueva York, 26-30 de abril, pp. 591-600. Nueva York: ACM.
Lee AY, Mieczkowski H, Ellison NB, et al. (2022) El cristal algorítmico: conceptualizando el yo a través de la personalización algorítmica en TikTok. Actas de la ACM sobre la Interacción Humano-Computadora 6 (CSCW2): 1–22.
Li Y, Zhou Q, Urbina J, et al. (2022) Distribución esporádica del radiante de la fuente de micrometeoroides inferida de las observaciones de radar de Arecibo 430 MHz. Avisos mensuales de la Real Sociedad Astronómica 515(2): 2088–2098.
Lindström B, Bellander M, Schultner DT, et al. (2021) Una cuenta de aprendizaje de recompensa computacional de la participación en las redes sociales. Nature Communications 12(1): 1311.
Literat I, Kligler-Vilenchik N (2019) Expresión política colectiva juvenil en las redes sociales: el papel de las affordances y las dimensiones meméticas para expresar opiniones políticas. Nuevos Medios y Sociedad 21(9): 1988-2009.
Lloyd S (1982) Cuantización de mínimos cuadrados en PCM. IEEE Transactions on Information Theory 28(2): 129–137.
López L, Weber S (2017) Pruebas de causalidad de Granger en datos de panel. Revista Stata 17(4): 972–984.
Mancosu M, Vegetti F (2020) Lo que se puede raspar y lo que es correcto raspar: una propuesta de herramienta para recopilar datos públicos de Facebook. Social Media+ Sociedad 6(3): 2056305120940703.
Meltwater (2025) Informe Digital Global 2025. Disponible en: https://www.meltwater.com/en/global-digital-trends
Munger K (2019) El valor limitado de los experimentos de campo no replicables en contextos con baja validez temporal. Sociedad de Redes Sociales+ 5(3): 2056305119859294.
Newman N (2022) How publishers are learning to create and distribute news on TikTok. Available at: https://reutersinstitute.politics.ox.ac.uk/how-publishers-are-learning-create-and-distribute-news-tiktok
Pariser E (2011) The Filter Bubble: How the New Personalized Web Is Changing What We Read and How We Think. New York: Penguin.
Pew Research Center (2024) More Americans—Especially Young Adults—Are Regularly Getting News on Tiktok. Available at: https://www.pewresearch.org/short-reads/2024/09/17/more-americans-regularly-get-news-on-tiktok-especially-young-adults/
Pizer SM, Amburn EP, Austin JD, et al. (1987) Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing 39(3): 355–368.
Scharkow M (2016) The accuracy of self-reported internet use—a validation study using client log data. Communication Methods and Measures 10(1): 13–27.
Schwemmer C (2021) The limited influence of right-wing movements on social media user engagement. Social Media+ Society 7(3): 20563051211041650.
Siles I, Valerio-Alfaro L, Meléndez-Moran A (2024) Learning to like TikTok. . . and not: algorithm awareness as process. new media & society 26(10): 5702–5718.
Stewart GW (1993) On the early history of the singular value decomposition. SIAM Review 35(4): 551–566.
TikTok (2024) Recommendation System. Available at: https://www.tiktok.com/transparency/en-us/recommendation-system/
Tsfati Y, Stroud NJ, Chotiner A (2014) Exposure to ideological news and perceived opinion climate: Testing the media effects component of spiral-of-silence in a fragmented media landscape. The International Journal of Press/Politics 19(1): 3–23.
Vombatkere K, Mousavi S, Zannettou S, et al. (2024) Tiktok and the art of personalization: investigating exploration and exploitation on social media feeds. In: Proceedings of the ACM Web Conference, Singapore, 13–17 May 2024. New York: ACM, pp. 3789–3797.
Walther JB (2011) Theories of computer-mediated communication and interpersonal relations. The Handbook of Interpersonal Communication 4: 443–479.
Wasilewski K (2018) Radical media in intercultural communication: theoretical examinations. Journal of Media Critiques 4(13): 85–102.
Wells C, Rochefort A (2021) Populism and misinformation from the American revolution to the twenty-first-century United States. In: Tumber H, Waisbord S (eds) The Routledge Companion to Media Disinformation and Populism. London: Routledge, pp. 345–355.
Biographies
Yanlin Li (PhD in Electrical Engineering) is a postdoctoral researcher at Miami University. His research interests include digital signal processing, space physics, biomedical imaging, and data science.
Zicheng Cheng (PhD in Mass Communications) is an assistant professor at the University of Arizona. Her research interests include digital journalism and political communication on social media.
Homero Gil de Zúñiga (PhD in Politics at Universidad Europea de Madrid and PhD in Mass Communication at University of Wisconsin–Madison) serves as Distinguished Research Professor at University of Salamanca and director of the Democracy Research Unit (DRU), Professor at Pennsylvania State University, and Senior Research Fellow at Universidad Diego Portales, Chile. In general, his work draws from theoretically driven research, aiming to shed an empirical social scientific light over how social media, algorithms, AI, and other technologies affect society and democracy.
Supplementary Material
Please find the following supplemental material available below.
Para los artículos de acceso abierto publicados bajo una licencia Creative Commons, todo el material complementario lleva la misma licencia que el artículo con el que está asociado.
En el caso de los artículos publicados que no sean de acceso abierto, todo el material complementario lleva una licencia no exclusiva, y las solicitudes de permiso para la reutilización del material complementario o de cualquier parte del material complementario se enviarán directamente al propietario de los derechos de autor, tal como se especifica en el aviso de derechos de autor asociado con el artículo.
Si te gustó, compártelo
