Análise de Redes Sociais da Campanha #StopHateForProfit

Mirelys Puerta-Díaz; Daniel Martínez-Ávila; María Antonia Ovalle-Perandones; Maria Cláudia Cabrini Grácio

doi:10.22477/ix.ebbc.256

Autores

Mirelys Puerta-Díaz Universidade Estadual Paulista (Unesp) https://orcid.org/0000-0002-2312-2540
Daniel Martínez-Ávila Universidad de León (ULE) https://orcid.org/0000-0003-2236-553X
María Antonia Ovalle-Perandones Universidad Complutense de Madrid https://orcid.org/0000-0002-6149-4724
Maria Cláudia Cabrini Grácio Universidade Estadual Paulista (Unesp) https://orcid.org/0000-0002-8003-0386

DOI:

https://doi.org/10.22477/ix.ebbc.256

Palavras-chave:

Stop Hate For Profit, Facebook, Discurso de ódio, Análise de Redes Sociais, Gephi

Resumo

Este estudo examina a campanha #StopHateForProfit contra o discurso de ódio no Facebook lançado em 2020, usando Análise de Redes Sociais (ARS) e processamento de linguagem natural em dados do Twitter. Destacando seu sucesso internacional e crescente interesse público, o estudo oferece informações sobre participantes, estruturas de rede e dinâmica informativa. A campanha teve uma alta atividade nos primeiros 40 dias da campanha, refletida no total de 25.480 tweets. Isso sugere um envolvimento considerável da comunidade nesse período inicial.Apesar da alta atividade, a comunidade participante manteve uma consistência nas emissões de tweets e retweets. O crescimento das cifras está associado a eventos-chave, como a mensagem unificada lançada em 24 de julho, resultando em 3.617 tweets. Isso destaca a influência de eventos específicos no aumento da atividade da campanha. As menções mais frequentes na campanha #StopHateForProfit , como ‘Facebook’, ‘boycott’ e ‘Zuckerberg’ revelam uma preocupação primordial com críticas à plataforma e seu CEO. A recorrência de termos relacionados à publicidade, como ‘advertising’ e ‘ads’, sugere um foco direto nas questões publicitárias, revelando a estratégia de pressionar por meio de um boicote publicitário.

Biografia do Autor

Mirelys Puerta-Díaz, Universidade Estadual Paulista (Unesp)

Pós-doutoranda CAPES-PrINT na UNESP (2023-2024) e líder da equipe "Competências digitais" em Conecta Iberoamérica desde 2023. Doutora em Ciência da Informação pela UNESP com bolsa CAPES e pesquisadora visitante na Universidade Complutense de Madri. Bolsista da Fundação Carolina da Espanha (2020-2021). Licenciada e Mestre pela Universidade da Havana, onde atuou como Professora Assistente e Coordenadora de grupos de pesquisa. PRÊMIO MARCELO DASCAL DE CIÊNCIA COGNITIVA pela Sociedade Brasileira de Ciência Cognitiva em 2019. Profissional da informação com experiência em campanhas de redes sociais, mineração de dados e análise de sentimentos em R e Orange com dados do Twitter e Análise de Redes Sociais no estudo da campanha de boicote #StopHateForProfit contra o discurso de ódio.

Daniel Martínez-Ávila, Universidad de León (ULE)

Professor Titular da Universidad de León, Espanha, e Professor Permanente do Programa de Pós-Graduação em Ciência da Informação (PPGCI) UNESP.

María Antonia Ovalle-Perandones, Universidad Complutense de Madrid

Professora Titular da Faculdade de Ciências da Documentação da Universidade Complutense de Madri, UCM (Espanha)

Maria Cláudia Cabrini Grácio, Universidade Estadual Paulista (Unesp)

Professora do Departamento de Ciência da Informação/UNESP

Referências

DEMŠAR, J., CURK, T., ERJAVEC, A., GORUP, Č., HOČEVAR, T., MILUTINOVIČ, M., ... & ZUPAN, B. Orange: data mining toolbox in Python. Journal of machine Learning research, 14(1), 2349-2353, 2013. https://www.jmlr.org/papers/volume14/demsar13a/demsar13a.pdf

FREEMAN, L. C. . Centrality in social networks conceptual clarification. Social Networks, 1(3), 215-239, 1978. https://www.bebr.ufl.edu/sites/default/files/Centrality%20in%20Social%20Networks.pdf

GOUVEIA, F. C.. Introdução ao Gephi. Em: FIALHO, J. Redes sociales: ¿Cómo compreendê-las? Uma introdução à análise de redes sociais. Edições Sílabo, 2020.

GU, L., KROPOTOV, V., YAROCHKIN, F. (2017). The fake news machine: How propagandists abuse the internet and manipulate the public. Trendslab. https://bit.ly/3NoYsya

LI, Y.,SHANG, Y., YANG, Y. Clustering coefficients of large networks. Information Sciences, v. 382, 350-358, 2017. https://doi.org/10.1016/j.ins.2016.12.027

NEWMAN, M. Networks: An Introduction. Oxford University Press, Oxford, 2010.

SCOTT, J. What is social network analysis?. Bloomsbury Academic, 2012.

SERRAT, O. Social network analysis. Knowledge solutions: Tools, methods, and approaches to drive organizational performance, p. 39-43, 2017. https://doi.org/10.1007/978-981-10-0983-9_9

WASSERMAN, S.; FAUST, K. . Social network analysis: Methods and applications. Cambridge University Press, 1994. https://doi.org/10.1017/CBO9780511815478