Introducción

Las redes socio digitales han permitido nuevas formas de comunicación política, en donde las conversaciones se pueden producir desde diferentes unidades geográficas y de forma asincrónica, superando las barreras espaciales y temporales. Sin embargo, estas interacciones suelen estar restringidas a un grupo específico de participantes que comparten causas e intereses comunes. A través del intercambio de información mediante y la participación, estos grupos generan nuevos espacios de diálogo político que posibilita el desarrollo de nuevas corrientes de opinión pública. Por lo tanto, surgen la siguiente pregunta de investigación: ¿puede Twitter y otras redes sociales influir en la construcción de la agenda y en la percepción de la opinión pública sobre temas de interés nacional?

El objetivo de esta investigación es analizar la polarización generada en la red socio digital Twitter durante el operativo para la detención de Ovidio Guzmán, hijo del "Chapo" Guzmán, el 17 de octubre de 2019. Se recolectaron 17.939 tweets en un estudio de minería de datos, considerando este suceso como un evento utilizado por partidos políticos, opositores y grupos de interés para atacar al presidente Andrés Manuel López Obrador (AMLO). Sin embargo, también hubo otro grupo que actúo a favor de él. Por un lado, los usuarios de Twitter construyeron una narrativa en su contra; mientras que funcionarios públicos, simpatizantes y otros usuarios operaron en su apoyo. Ambos bandos, incluyendo a ciudadanos, activistas, influencers y figuras públicas, participaron en este escenario mediático que se analiza a través de su conversación digital.

Estos nuevos procesos comunicativos han propiciado, en ocasiones, una cultura de polarización, ya que los usuarios buscan, principalmente, opinar sobre puntos de vista que han sido corroborados o compartidos por la otredad, haciendo uso de herramientas como hashtags: "a metatag starting with # that is intended to help other people discover a post, regularly by denoting the Tweet theme or its target group" (^{Rodriguez et al., 2020}, p. 2). Esto les permite respaldar el lado del argumento con el que se sienten identificados y así proporcionar un contrapunto con aquellos que discrepan. Bajo esa tesitura, las lógicas en las que se sustenta el funcionamiento de las redes sociales también han transformado el modo en que los fenómenos políticos son recibidos, percibidos y discutidos en la esfera pública (^{Fung et al., 2013}).

Destaca Twitter de otras redes sociales, como Facebook, Instagram, YouTube, WhatsApp y recientemente Tik Tok, porque en Twitter se configura la agenda pública en temas políticos. Promueve la colaboración y una comunicación bidireccional entre los usuarios (^{Freyre, 2019}). Aunque el microblog no tiene el mayor tráfico de usuarios, sí es un espacio en el que se posicionan temas y se generan posturas en torno a estos, incluyendo el odio como sentimiento articulador.

A través del retweet, las conversaciones se convierten en un nuevo modelo de interacción pública polifónica que da lugar a nuevas discusiones en la sociedad: "retweeting can be understood both as a form of information diffusion and as a means of participating in a diffuse conversation" (^{Boyd et al., 2010}, p. 3). Twitter es un servicio de microblogging que permite a los usuarios publicar mensajes de hasta doscientos ochenta caracteres que admite una variedad de prácticas comunicativas como imágenes, URLs, videos, entre otros). En esta plataforma se fomentan las conversaciones, las críticas y las discusiones mediáticas.

Los usuarios pueden generar comunicación política, promover la integración, fortalecer la pertenencia y establecer posicionamientos ideológicos a través del uso de estas plataformas, lo que conlleva a la creación de nuevas dinámicas informativas, como la fragmentación y polarización de opiniones. Además, Twitter se utiliza principalmente en las campañas políticas debido a su amplio alcance en los círculos de opinión pública y su influencia en el desarrollo de la agenda pública. Investigaciones realizadas por ^{Bustos y Capilla (2014)}, así como por ^{Hong y King (2016)}, han demostrado que esta plataforma contribuye a la polarización.

La polarización puede definirse como la distancia relativa entre dos puntos de vista políticos enfrentados (^{Mason, 2014}; ^{Olsson, 2013}). En México la separación ideológica se ha vuelto cada vez está más marcada, y esto dependerá de las causas políticas que la acompañen y de la correlación entre la posición que los stakeholders tienen sobre los temas, así como de las identidades partidarias. Esto crea un efecto polarizante en un espacio en donde la información está en constante flujo: "a paradigm shift affected the construction of social perceptions and the framing of narratives; it may influence policy making, political communication, and the evolution of public debate, especially on polarizing topics" (^{Cinelli et al., 2021}, p. 1).

En la red, se produce un seguimiento de usuarios y cuentas, lo que genera efectos de aceptación, rechazo y polarización. Estas agrupaciones se conocen como echo chambers (cámaras de eco). Según ^{Cinelli et al. (2021)}, podemos definir a las cámaras de eco como "as environments in which the opinion, political leaning, or belief of users about a topic gets reinforced due to repeated interactions with peers or sources having similar tendencies and attitudes" (p. 11). Los seguidores en Twitterjuegan un papel muy importante, ya que crean tendencias, generan la agenda y construyen la comunicación política, a través de la reproducción y reenvío de los mensajes.

Muchos usuarios de Twitter actúan como promotores de la polarización y construcción de la opinión pública. Por ejemplo, los estudios demuestran que el 75 % de los estadounidenses prefieren en twittear en Twitter. En lugar de participar en debates públicos, optan por difundir, promover y retuitear mensajes. Son más seguidores que protagonistas en la red (^{Pandey y Allen, 2022}).

Metodología

Partimos de la siguiente hipótesis: las conversaciones de los usuarios de Twitter construyen la comunicación política en la red, pueden detonar emociones, segregación ideológica y modificar la opinión pública por medio de la conversación digital. Por lo tanto, a un mayor número de seguidores o tweets, se construirá la percepción y la agenda sobre un tema. Con esto se logra un impacto político, económico o social.

La metodología utilizada para este análisis consiste en la medición de las interacciones y la relación de nodos que surgen en la conversación digital sobre un tema en particular. Una vez recopilada la base de datos, se procesó el texto siguiendo los estándares de este tipo de estudios, lo cual incluyó "la eliminación de símbolos atípicos, eliminación de espacios en blanco, tokenización, etc." (^{Feinerer et al., 2008}, p. 28), con el objetivo de mejorar la calidad de la información contenida en la muestra para su análisis posterior.

Para ello se realizó una hoja de códigos con puntajes por medio de un análisis de sentimiento para evaluar la muestra. Este proceso se realizó con la herramienta SentimentR a través del algoritmo emotion, "The emotion score ranges between 0 [no emotion used] and 1 [all words used were emotional]" (^{Rinker, 2019}, p. 8). Esto permite implementar un sistema que tiene en cuenta los cambios de valencia, reduciendo la distorsión semántica y aportando una clara información sobre lo positivo o negativo de las palabras.

Los argumentos utilizados para la extracción fueron los siguientes: text.var (el texto extraído de los tweets), polarity _ dt (la tabla de contenidos que almacenan los sentimientos positivos o negativos de las palabras, representadas por X-Y) y hyphen (es la cadena de caracteres con la que se reemplazan los guiones, por ejemplo 'estado-fallido' se convierte a 'estadofallido'). Establecer guión = " " daría como resultado un espacio entre palabras (p. ej., 'estado fallido'). Dicen ^{Serrano-Contreras et al. (2020)} que: "el análisis de sentimientos, y la minería de opiniones, es el campo de estudio que analiza las opiniones, los sentimientos, las evaluaciones, las actitudes y las emociones de las personas en el lenguaje escrito" (p. 42).

Sin embargo, para medir la polarización que se percibió en la conversación que giró en torno a los acontecimientos suscitados durante el operativo para la detención de Ovidio Guzmán y que desembocaron en la defensa/ataque de la figura del presidente López Obrador, podemos definir a la polarización como:

La existencia de dos o más visiones alternativas y relativamente coherentes que contradicen sus elementos más importantes. La cobertura polarizada tiende a criticar fuertemente la visión contraria, haciendo que el público sea más reacio a considerar legítima la posición contraria. (^{Balán, 2013}, p. 477)

Por lo tanto, para medir la polarización de los comentarios gestados en Twitter, se utilizó el método planteado por ^{Serrano-Contreras et al. (2020)}, quienes indican que la operacionalización de un comentario (Ordenador personal) de la distancia entre el análisis de sentimiento de los comentarios (S) y la mediana del análisis de sentimiento agregado de todos los comentarios de cada tweet procesado (Yo), en número absoluto.

De esta forma, obtenemos un número que puede tomar cualquier valor entre 0 y 2, donde 0 es sin polarización y 2 es la máxima polarización. Así, la fórmula queda de la siguiente manera:

Ordenador personal= |(S-Yo)|, dónde Se [ -1, 1], pagse (0, 2) (^{Serrano-Contreras, et al., 2020}, p. 29)

Bajo ese contexto, la media de polarización obtenida ha servido como base para realizar análisis del promedio de los comentarios de cada tweet, permitiendo así observar las conexiones específicas para respaldar la hipótesis planteada.

Asimismo, una vez obtenida la información, el tratamiento de esta se llevó a cabo a través del programa Gephi en su versión 0.9.2. Gephi es un software de código abierto de exploración y manipulación de redes, ofreciendo herramientas para la visualización gráfica de las estructuras, relaciones o nodos entre usuarios (^{Bastian et al., 2009}). Mediante este software se realizó el mapeo de las relaciones (bordes) y la comunicación entre los actores (nodos). Además, se llevó a cabo un análisis de clusters o de modularidad de jerarquías y un análisis de intermediación o betweenness centrality (^{Blondel et al., 2008}). En las redes sociales, los nodos están conectados por bordes, dando seguimiento y analizando la comunicación dentro y entre los grupos.

Otra herramienta utilizada para el análisis fue el entorno de programación R, a través de códigos informáticos se clasificaron automáticamente los Tweets con un sentimiento positivo o negativo, mediante un enfoque semántico:

Este se caracteriza por el uso de diccionarios de términos o lexicones en los que cada palabra está marcada con una orientación semántica de polaridad u opinión. Estos sistemas, por lo general, lo que hacen es preprocesar el texto, para lo que lo dividen en palabras, pero como hay muchas que no tienen ningún valor, las palabras gramaticales (artículos, conjunciones, preposiciones...), las eliminan comparando los textos contra una lista de palabras vacías (stopwords), y luego se ve si las palabras existen en el lexicón y qué valor de polaridad se les ha dado y, por medio de sumar y restar los valores positivos y negativos llega a establecerse una valencia para el sentimiento de un texto. (^{Rueda, 2021}, p. 9)

Para representar gráficamente los resultados, se generó una nube de palabras que resalta las más frecuentes y relevantes en el texto analizado, lo que permite identificar la fuerza expresada en el discurso. La nube se divide en colores que representan la polaridad positiva o negativa de la conversación, y las palabras más importantes se muestran en mayor tamaño. De esta manera, se puede constatar que el discurso vehicula, hasta cierto punto, dos relaciones de poder: por un lado, la autoridad del hablante; por otro lado, la fuerza argumentativa del discurso.

Resultados

La tabla 1 resume el tiempo de seguimiento de las muestras tomadas en Twitter el 18 de octubre de 2019, esta ha servido como marco referencial para la propuesta de investigación.

Tabla 1 Tiempo de seguimiento de las muestras tomadas en 18 de octubre de 2019 (created-at) 

Fuente: elaboración propia.

El número de tweets recolectados a través del seguimiento de la conversación resulta en un corpus de 17.939 tweets. La fecha de inicio de recolección de la muestra es desde el 17 de octubre de 2019 a las 22:00 horas -siete horas después del inicio de los altercados-, hasta el 18 de octubre de 2019 a las 19:00 horas.

Desde el punto de vista del análisis de frecuencias, en la figura 1 se observa que los momentos de mayor impacto de información se producen en tres etapas consecutivas: la primera comienza el 17 de octubre de 2019 a las 22:00 horas, coincidiendo con el final de la movilización de fuerzas federales y la orden de liberación de Ovidio Guzmán. Esto se suma a la retirada de los bloqueos en los accesos a la ciudad de Culiacán, donde se registraron incidentes con vehículos incendiados, hombres armados y vehículos artillados (^{Político, 2019}). Además, se dio la fuga de cincuenta y cinco reos del penal de Aguaruto. El secretario de Seguridad Pública de Sinaloa, Cristóbal Castañeda, confirmó que este acto se llevó a cabo durante los enfrentamientos entre autoridades y grupos armados. Según Castañeda, "[el] operativo encabezado por la Secretaría de la Defensa Nacional (Sedena) desató reacciones de civiles armados que efectuaron bloqueos y ataques hacia los elementos federales" (p. 44. Este evento fue transmitido en vivo a través de Twitter.

Fuente: elaboración propia.

Figura 1 Curva temporal de los tweets y retweets de las muestras 

El segundo suceso que mantiene el pico de actividad en la red se gesta el 18 de octubre a la 1:00 a. m., después de la conferencia de prensa que realizó el secretario de Seguridad y Protección Ciudadana (SSPC), Alfonso ^{Durazo (2019)}, para explicar los actos de violencia que se desataron en dicha ciudad durante el enfrentamiento entre fuerzas federales y el Cártel de Sinaloa por la captura del hijo de "El Chapo" Guzmán.

Finalmente, se puede observar que el inicio de la tercera curva temporal de mayor impacto se crea al término de la conferencia mañanera del presidente Obrador, en la cual respaldó la decisión del gabinete de seguridad de dejar en libertad a Ovidio Guzmán al decir: "[e]l secretario de la Defensa, el secretario de Marina, el secretario de Seguridad, se concentraron, se reunieron y le dieron seguimiento al problema, y tomaron decisiones que yo respaldo, que yo avalo porque se tornó muy difícil la situación"(^{Gs, 2019}, p. 31).

La conversación comenzó a moverse con intensidad después de que los portales de noticias retomaran el discurso por parte de este y los mensajes de respaldo al mandatario de gobernadores Javier Corral Jurado, gobernador de Chihuahua, señaló en Twitter que el operativo había sido un éxito (^{Velazco, 2019}). Bajo ese tenor, Héctor Astudillo, gobernador de Guerrero; Cuitláhuac García, gobernador de Veracruz; la entonces la secretaría de Gobernación, Olga Sánchez Cordero; y la jefa de gobierno capitalina, Claudia Sheinbaum, refrendaron su apoyo al presidente de la República, pidiendo al resto de actores político solidaridad con la administración actual.

Esto convierte a la comunicación en un proceso político de uso social, es decir, una herramienta de legitimación ideológica. En el caso del operativo de Culiacán, nos conmina a realizar una reflexión crítica sobre los mecanismos que articulan los discursos hegemónicos y a conocer el andamiaje discursivo utilizado por la sociedad. Esto implica conocer los modos de operación del Estado y su influencia en dichos discursos.

El análisis de las cuentas que participaron en la conversación en torno al "Culiacanazo" muestra un patrón distinto de comportamiento, como se puede apreciar en la tabla 2, la cual muestra la distribución de contenido. Esta distribución se realiza principalmente a partir de la cuenta original en Twitter con el ID de usuario (user _ id) x14051638. La tabla pertenece al conjunto de los primeros veinticinco usuarios únicos con la mayor cantidad de tweets publicados y retweets compartidos de la muestra RTS.

La distribución de contenido se puede observar en el grafo izquierdo representado en la figura 2, donde se utiliza el hashtag #AMLORenunciaYa. Este hashtag se distribuyó principalmente en cuentas de usuarios, representando un 77,6 % del tráfico de información, identificado por nodos de color verde y mostrando una relación centrífuga. Otros dos grupos se destacan en el grafo: uno representado en rosa que muestra la centralidad del uso del hashtag #RedAMLOVE, que alcanza un 15,3 % de importancia en cuentas de usuarios, y otro grupo en color morado que mantiene su importancia con un 5,1 % utilizando el hastag #EstadoFallido.

Tabla 2 Los usuarios con mayor cantidad de interacciones en la muestra de RTS 

Fuente: elaboración propia.

Fuente: elaboración propia.

Figura 2 Grafos de asociación de tweets 

Asimismo, se puede observar que el tráfico de la narrativa en Twitter no se centró en los hechos de una ciudad tomada por la delincuencia organizada, que creó caos, violencia, retenes de grupos criminales, quema de autos, irrupción de rutas de transporte, fuga de reos y un operativo militar fallido que fue superado en armas y estrategia, sino que esta narrativa se convirtió en antesala para la solicitud de renuncia o apoyo al gobierno encabezado por López Obrador, referéndum acompañado de imágenes y videos en tiempo real que pusieron en jaque las estrategias de seguridad.

Cabe destacar que el uso de hashtags forma un mapa espacial que resume la polarizaron de la conversación en la red, representando las posiciones de los usuarios. Esto revela una clara separación entre aquellos que respaldaron la decisión del mandatario y aquellos que criticaron las acciones tomadas durante la detención de Ovidio Guzmán. La distancia entre los nodos se mantuvo constante durante la recopilación de datos, lo que permite afirmar que, en el caso de las cuentas que utilizaron el hashtag #AMLORenuncia, la actividad de numerosas cuentas no mostraba una conexión aparente entre sí. Si aplicamos el coeficiente de clustering el cual "es una medida que nos indica el nivel de agrupamiento que hay entorno de un nodo" (^{Vega et al., 2011}, p. 2), podemos observar cómo los integrantes de clúster no tiene conocimiento de un miembro de otro clúster. Esto significa que la conversación no estaba orquestada, sino que fue un comportamiento orgánico con la cual los usuarios de la red pusieron en manifiesto su descontento, ya que los tweets, comentarios en los tweets y retweets -en su mayoría- no provenían de bots. En consecuencia, la red se vio repleta de mensajes de odio, inconformidad y ataques emitidos por cuentas verificadas provenientes de diversas partes del país.

En la tabla 2 se muestra la minería de datos correspondiente a las cuentas de Twitter con mayor interacción, incluyendo algunas cuentas artificiales o robots. La relación entre estas cuentas revela que el gobierno Federal también utilizó bots para impulsar la imagen del presidente, utilizando tweets como método para expandir el discurso de respaldo en la esfera de la vida pública. Esto refuerza el concepto de heroísmo y salvaguarda, capaz de generar consenso en una sociedad azotada por la violencia por el crimen organizado.

Es importante destacar que en algunos nodos creados alrededor existen contestaciones críticas hacia las cuentas difusoras; en su mayoría, se aprecian contenidos como videos o fotografías que muestran subtemas con los que se aborda dicha cobertura, los cuales divergen de acuerdo con las diferencias ideológicas. Por lo tanto, podemos aseverar que los usuarios comunes de Twitter mencionan a los políticos para hablar de ellos y no con fines conversacionales. Según Caig (2021):

The country was consumed with this for days, and the net result was not pretty. It exposed the divisions between the philosophy of the president and the realities of the strength of criminal organizations; the lack of authority of the Secretaría de Seguridad y Protección Ciudadana vis-à-vis SEDEÑA and their coordination challenges. (p. 13)

Es decir, el consumo de información en tiempo real no dejó lugar para posiciones intermedias y convirtieron a la red es un espacio político, esbozando desmesuradas críticas ante la inseguridad México y cuestionando el por qué el país sigue inmerso en un violento proceso de militarización para supuestamente pacificar el país.

Asimismo, podemos observar en la tabla 2 que el usuario x14051638 tuvo ochenta y una interacción. Esto significa que tuvo gran cantidad de retweets, respuestas, seguimientos, me gusta, etc. Este corresponde a un medio independiente, por lo tanto, puede establecer en el plano digital una identidad colectiva para cuestionar las herramientas utilizadas por el gobierno frente al crimen organizado. Bajo esta coyuntura, podemos señalar que los "Retweets act as a form of endorsement, allowing individuals to rebro-adcast content generated by other users, thereby raising the content's visibility" (^{Boyd et.al., 2010}, p. 22). Bajo este sentido, la herramienta retut sirvió apoyar el descontento de la estrategia militar y policial en contra el narcotráfico. Esta estrategia, en primer lugar, sobrepasó la vida de los más vulnerables en aras de una lógica que sustenta la "seguridad nacional". A través de estos retweets, los ciudadanos compartieron demandas colectivas contra la postura del Gobierno sobre las atrocidades y crímenes de lesa humanidad cometidas por el narcotráfico.

La naturaleza de los perfiles con más interacciones, así como la difusión del contenido, está directamente ligada a la postura a favor o en contra del presidente. Podemos observar que las cuentas de exmandatario @VicenteFoxQue (presidente de México durante el sexenio 2000- 2006, por el partido PAN) con tweet como el siguiente:

Se les avisa que por decreto presidencial a todos los criminales que están soltando balazos y sobrepasando a la autoridad en Culiacán que se les va a acusar con sus mamás y abuelitas para que dejen de asustar al pueblo, que vive feliz, feliz, feliz. (^{Fox, 2019})

Quién criticó el actuar del gobierno Federal y señaló que la mala planeación en la detención del delincuente había desatado una reacción de extrema violencia de la delincuencia organizada, atentando contra la vida de más de doscientas personas en diferentes puntos de Culiacán. Notamos que la construcción argumentativa se basa en el par dicotómico crimen organizado-fuerzas del orden.

Críticos del gobierno encabezado por López Obrador, como Carlos Loret de Mola (@CarlosLoret) con 9.283.467 seguidores en Twitter, así como, Denise Dresser (@DeniseDresserG) con 4.551.857 seguidores, también formaron parte de los perfiles con más interacciones. Por lo tanto, estos perfiles pueden ser identificados como creadores de opinión, gestando un efecto polarizante entre los usuarios que compartían la exigencia hacia el Gobierno federal a resguardar la paz social con el uso de hashtags #RenunciaAMLO, #AmloRenuncia, #ComandanteSinBolas, versus usuarios que ratificaron el apoyo al presidente.

Con lo mencionado anteriormente, podemos constatar la existencia de dos cámaras de eco durante la difusión de información sobre el "Culiacanazo": quienes se estuvieron a favor representados por los #AmloEstamosContigo, #AMLOElPue-bloTeApoya, #TotalApoyoALopez y #DesdelaIzquierda, y en contra, creando una tendencia negativa a través de los hashtags #ComandantesinBolas, #RenunciaAMLO, #AMLOElFracasoPresidencial. Los datos nos muestran que los usuarios se rodearon de perfiles y hashtags con inclinaciones similares y, por lo tanto, se expusieron al intercambio contenidos semejantes a las propuestas por sus líderes de opinión, reafirmando. Esto confirma que la dinámica social y el consumo de información en torno al caso estuvo polarizada.

Tabla 3 Cantidad de interacciones por idioma (ISO 639-1) 

Fuente: elaboración propia.

Respecto al perfil de los seguidores en Twitter, como se puede observar en la Tabla 3, la mayoría de las interacciones se gesta en español. Sin embargo, en segundo lugar, se encuentran las interacciones en inglés, ya que Culiacán es considerado un estado migrante, dado que su frontera colinda con Estados Unidos. Tan solo en 2020, 17.296 personas emigraron de Sinaloa para vivir en otro país: ochenta y nueve de cada cien personas se fueron a Estados Unidos de América, aunado al desplazamiento forzado por la violencia e inseguridad, según ^{López (2014)}, creando una tendencia hacia la expulsión de la población, debido a la llamada "acumulación por desposesión" (^{Harvey, 2004}, p.113). Esto no indica que, si bien los usuarios tenían más probabilidades de comunicarse con personas de ideas afines, también hubo ejemplos de heterogeneidad

Otro rasgo que es necesario mencionar es que el puntaje de probabilidad orgánica o automatizada, según el Network Science Institute (IUNI), (2023) que se puede observar en la Tabla 4, que las cuentas con mayor puntaje entre 10-12 % son aquellas que escriben comentarios positivos sobre la toma de acción del gobierno federal, como:

[En] el caso de Culiacán el gobierno actuó con cautela, es momento de que la 4T, ponga límites a la delincuencia, esta experiencia marca la pauta para que las fuerzas armadas analicen capacidades y estrategias si quieren vencer al enemigo de México. (^{Rojas, 2019}, p. 45).

Tabla 4 Puntaje de probabilidad orgánica o automatizada según RTS 

Fuente: elaboración propia.

Asimismo, estos perfiles de la tabla 4, reportan un alto número de tweets y likes, hecho que es más significativo porque las cuentas son de creación reciente por lo tanto existe una alta probabilidad de ser bots, utilizadas para crear una sensación de apoyo y solidaridad hacia el presidente.

Por lo tanto, podemos observar que Twitter pasó de ser un instrumento de comunicación a un proceso político de uso social, es decir, una herramienta de legitimación ideológica, que en el caso del operativo de Culiacán nos conmina a realizar una reflexión crítica sobre los mecanismos que articulan los discursos hegemónicos y, a la vez, conocer el andamiaje discursivo utilizado por la sociedad a partir del reconocimiento de los modos de operación del Estado. Coincide este análisis con Klein (2021), quien sostiene que la polarización ya no se centra en el posicionamiento ideológico, sino en los sentimientos que se producen en la conversación digital.

En ese orden de ideas, las cuentas con mayor probabilidad de automatización son en español, aumentando las probabilidades de ser perfiles dirigidos automáticamente o por humanos. Un hallazgo relevante es que este tipo de cuentas utilizan hashtags que ayudaron a mapear las relaciones y la comunicación entre los actores participantes, dejando en claro los patrones de mención como #AMLOEstamosContigo.

El análisis de sentimientos y emociones a través del lenguaje, denotan que el discurso preponderante es negativo. Esto se puede observar en la figura 3 mediante el vector de sentimientos en los comentarios, en la que se representa la polarización positiva o negativa del contenido de la franja de tiempo seleccionada, como se puede observar los tweets emitidos presentan gran polarización.

Fuente: elaboración propia.

Figura 3 Vector de sentimientos-comentarios 

El análisis de polaridad realizado a través de las palabras recopiladas determina el discurso predominante de carácter negativo hacia la figura presidencial, tal como puede observarse en la figura 2, en la que se representa la polarización negativa del contenido de los tweets analizados. Se puede observar que muchos mensajes están por encima de valores de 6, llegando a valores de 10-12.

La medida de vector de sentimiento está representada por una línea azul. En su mayoría, es negativa. Si bien posee dos caídas de 1 a 4, en una sola ocasión llega a acercarse al valor cero o neutro.

Asimismo, se puede observar que estos comentarios van en consonancia a los momentos de mayor impacto de los mensajes, como la una de la mañana, donde se registraron 8.482 tweets, y a las cinco de la tarde, cuando se registraron 2.150 tweets.

Los mensajes de mayor intensidad por encima de los valores de 5, llegando a valores de 10-12, arrojan gran polarización. La media del vector de sentimiento está representada por una línea azul, en su mayoría es negativa y tan sólo en dos ocasiones llega a acercarse al valor neutro en mensajes como: "La derecha usa hoy lo de Culiacán (consecuencias de sus más de 20 años de políticas erradas y guerras fallidas) para culpar a quien pretende arreglar este país, de ser un caos como gobierno" (^{Gómez, 2019}), versus:

En un operativo sin estrategia, que hundió a Culiacán en el pánico, el Gobierno Federal deja libre a un delincuente, al verse rebasado por el poder del cártel de Sinaloa dobla las manos y entrega la plaza. ¿Tiene que renunciar el Gabinete de Seguridad? (^{Martín del Campo, 2019})

Por lo tanto, alrededor del operativo Culiacán, el 42 % de los comentarios de los tweets fueron negativos y 22,6 % positivos, con un nivel de intensidad media de 3,72 % y 2,06 %, respectivamente. Es decir, se puede comprobar que el contenido negativo e intensidad es el más utilizado, ya que dentro de estos aspectos se denotaba que la ola de violencia desborda fue responsabilidad directa del Gobierno federal.

El análisis de emociones, colocado en la tabla 5, señala que el discurso dominante está liderado principalmente por palabras como: "Violencia" con quinientos veintiún apariciones, "Guerra" con cuatrocientos quince, "Mal" con cuatrocientos uno, seguidos por "Guerra" con trescientos ochenta, "Masacre" con trescientos treinta y nueve y "Matanza" con trescientos treinta y tres apariciones. "Enojo" y "Miedo" fueron las emociones que aparecieron con mayor intensidad. Siguiendo la medición de la polarización de los comentarios gestados en twitter utilizando el método planteado por ^{Serrano-Contreras et. al. (2020)}, el valor máximo de enojo fue 6,00, obteniendo una media de 0,00934 y un máximo de 5,00 con una media de 0,02083 para la emoción de miedo. Esto nos muestra que la carga de emociones negativas incidió en la construcción de expresiones de descontento sobre el actuar del presidente López Obrador, la toma de medidas unilaterales en el combate al narcotráfico y el fracasado en reducir los altos índices de violencia del país.

Tabla 5 Emociones de los discursos de los tweets 

Fuente: elaboración propia.

En la tabla 5 podemos apreciar, a través de la minería de datos y el análisis de los tweets, dos elementos sobresalientes: a) existieron comentarios contra AMLO, por el gran número de retweets y asociaciones discursivas con valoración negativa, y b) se construyó una narrativa de apoyo para contrarrestar el efecto negativo que se produjo con esta noticia y acontecimiento a nivel nacional, que atrapó la agenda mediática y política.

Discusión y conclusiones

El análisis de la conversación en Twitter, derivado de la minería de texto, muestra que el discurso en esta red social se centró en dos tipos de usuarios: quienes estaban en contra de AMLO y el operativo fallido contra Ovidio Guzmán, con calificativos "sin bolas", "fracaso", "vergüenza" e "infame. Mientras que, por otro lado, se produjo una respuesta de apoyo con el hastag #Amloelmejor presidente, que polarizó la red y construyó una comunicación política de confrontación, miedo e incertidumbre ante el crimen organizado.

Es interesante señalar que esta comunicación digital denota un vector de sentimiento, principalmente negativo, que gira alrededor de tres aristas: miedo, tristeza y enfado, los cuales se mantienen a lo largo del periodo analizado. Desde el punto de vista argumentativo, ^{Vignaux (1986)} señala que la argumentación "es siempre relativa a una situación, está inscrita en una situación y se refiere a una situación" (p. 86). Es decir, se observa la manera en que el enunciador se relaciona con su enunciado. Aunado a los hashtags, es posible diagramar las relaciones lógicas que articulan los mensajes negativos contra el mandatario.

Por otro lado, observamos la estrategia de legitimación a través de los términos como "mejor", "decisión" y "apoyo", que buscan defender las acciones tomadas por el Gobierno federal en pro de los intereses colectivos. Es importante señalar que si bien existen otros hallazgos con resultados divergentes a los explicados en este artículo, refieren a que los universos de información son diferentes, ya que este tan solo comprende un fragmento de la data generada en el caso el "Culiacanazo". Ejemplo de ello es el estudio realizado por la Universidad Jesuita de Guadalajara titulado de "#Culiacán 17 de Octubre: Perder la calle, ganar la red" (^{Signa Lab, 2019}), con un copus de estudio de "201,001 tweets, 26,736 nodos, 47,005 aristas y 415 comunidades" (25 Oct #Culiacán 17 de octubre: perder la calle, ganar la red, 2022). Por lo tanto, sus resultados muestran resultados diferentes y adversos a los datos que nosotros encontramos.

En conclusión, se produjo una respuesta negativa hacia la figura presidencial, articulado a través de un discurso polarizante en dos grupos de interés. A favor y en contra del Gobierno, por lo cual se concluye que la red social de Twitter construye la comunicación política y puede convertirse en una cámara de eco. Así como en la construcción de la opinión pública ante un acontecimiento.