La investigación académica utiliza procedimientos formales, científicos y sistemáticos para descubrir respuestas. Simplificando, este tipo de investigación significa que no sabes, pero estás dispuesto a descubrirlo. Este fue el caso de la Universidad de Ciencias Sociales y Humanidades de Varsovia que usó BrandMentions y la escucha social en su investigación sobre problemas de salud mental.
- Antecedentes
- Cómo BrandMentions Ayudó al Estudio
- Resultados
- La Experiencia de Trabajar con BrandMentions
Antecedentes
Soy parte de un grupo de estudiantes de psicología en la Universidad de Ciencias Sociales y Humanidades de Varsovia.
Bajo la supervisión de nuestra profesora, se nos asignó diseñar y crear un estudio sobre el tema de las creencias sociales. Nuestro objetivo e hipótesis del estudio eran ver si la pandemia de Covid-19 había cambiado la forma en que las personas actúan, sienten, piensan y creen sobre y hacia las personas que luchan con problemas de salud mental.
Cuando le presentamos la idea para este estudio, ella se preocupó de que estuviéramos tratando de abarcar demasiado y que no podríamos terminar todo a tiempo.
El Big Data de Archivos y la investigación en redes sociales es una forma grande y compleja de investigación en psicología social que a menudo toma mucho tiempo completarla y cuyos resultados suelen ser difíciles de interpretar.
Al hacer búsquedas en línea para encontrar una forma sencilla de completar esta investigación y análisis, me topé con la herramienta BrandMentions que funciona basada en varios algoritmos técnicos e inteligencia artificial. Chan et al., (2017) lista a los proveedores de monitoreo de datos en redes sociales como una excelente forma para analizar datos.
Aunque ninguno de los otros proveedores con los que hablé pudo ayudarnos con lo específico que necesitábamos medir.
Cómo BrandMentions Ayudó al Estudio
La herramienta BrandMentions también fue la única que encontré capaz de extraer datos históricos desde tan atrás como se necesitaba para este estudio (5 años), con un máximo de 10 años hacia atrás.
La herramienta BrandMentions también proporciona gráficos y tablas producidos automáticamente que organizan visualmente los datos, así como la capacidad de extraer los datos en un formato que puede ser abierto por programas como Excel o Google Sheets.
Esto nos permitió analizar los datos utilizando otras herramientas como herramientas de análisis de correlación.
Se concluyó que este método de estudio era el más apropiado para recopilar
datos que pudieran arrojar luz sobre nuestra hipótesis.
La herramienta BrandMentions nos permitió ver claramente la formación de tendencias a lo largo del tiempo, y nos permitió ver con precisión hacia atrás en el tiempo usando la función de "extraer datos históricos".
Usando este método, también pudimos evitar estar en contacto directo con los participantes del estudio, eliminando el sesgo del participante.
También nos permitió recolectar datos de personas actuando de forma completamente natural en un entorno naturalista y recoger muestras de datos muy grandes.
BrandMentions nos permitió almacenar y analizar hasta 150,000 menciones en un momento dado. Después de alcanzar este límite, pudimos exportar los informes del análisis, eliminar los proyectos del servidor y comenzar de nuevo.
Para buscar los términos usando la herramienta, simplemente podíamos ingresar los términos que queríamos
buscar. La herramienta permitía usar operadores booleanos en los términos de búsqueda como Y,
NO, O, etc. Esto significa que podíamos hacer que la herramienta encontrara solo menciones que incluyeran algunas
palabras, excluir otras, y combinaciones más complejas de esto.
Generamos proyectos con diferentes términos de búsqueda y hashtags relacionados con nuestra
hipótesis, como #apoyoalasaludmental en Twitter.
Figura 1.
Menciones de #apoyoalasaludmental en Twitter (#MHST)
Nota. Gráfico producido automáticamente por BrandMentions mostrando la cantidad de menciones del hashtag #apoyoalasaludmental en Twitter; cada barra representa un día, y los datos recogidos. Comienza el 1 de mayo de 2017 y termina el 1 de junio de 2022.
La altura de cada barra representa cuántas veces se usó el hashtag en cualquier tweet. El 27 de febrero está marcado en el gráfico como referencia.
Resultados
Como se puede ver en la Figura 1. El gráfico muestra un claro aumento en menciones justo después de que comenzó el Covid-19. Junto con otros resultados del estudio y después de realizar una prueba t para determinar la fiabilidad de los resultados, nuestra profesora se sorprendió con lo que pudimos lograr usando esta herramienta.
Otro consejo interesante sobre esta herramienta para investigación, puedes generar instantáneamente un informe sobre los participantes y de qué país provienen las menciones.
Figura 2.
Distribución de menciones por país (#mentalhealthsupport Twitter (#MHST))
Nota: Este modelo muestra la distribución y concentración del número de menciones por
país para #MHST.
Figura 3.
Análisis de sentimiento de #mentalhealthsupport en Twitter (#MHST)
Nota. Este gráfico muestra el sentimiento positivo y negativo de los tweets que contienen
#mentalhealthsupport a lo largo del tiempo. Las partes verdes de las barras representan sentimiento positivo, el rojo representa sentimiento negativo, y el gris representa neutral. La altura de la barra aún representa el número total de menciones.
Usando la herramienta de análisis de sentimiento de BrandMentions, pudimos ver de qué manera
la gente hablaba en los tweets que incluían nuestras menciones buscadas.
Como se puede ver en la Figura 3., el sentimiento general relacionado con el término de búsqueda parece mantenerse relativamente igual a lo largo del tiempo, aunque esto puede no ser relevante ya que puede explicarse por el mecanismo del propio análisis de sentimiento.
El análisis de sentimiento funciona usando inteligencia artificial para diferenciar entre tweets que usan lenguaje positivo o negativo (BrandMentions, s.f.). Aunque después de revisar qué menciones fueron marcadas como negativas y positivas, entendí que menciones donde, por ejemplo, alguien hablaba sobre estar deprimido como resultado del covid serían marcadas como negativas, aunque el sentimiento general hacia el tema de la concientización sobre la salud mental pueda ser positivo.
Esto resalta la complejidad del análisis de sentimiento, especialmente en discusiones matizadas como la salud mental. Si bien la IA puede categorizar el lenguaje, puede no comprender completamente el contexto en el que se expresan ciertas emociones. Por eso las empresas, incluyendo aquellas que ofrecen servicios de redacción, a menudo dependen de supervisión humana junto con herramientas de IA para asegurar una interpretación más precisa del sentimiento y la intención.
La Experiencia de Trabajar con BrandMentions
Trabajar con esta herramienta ha hecho que mi investigación sociológica social sea rápida, fácil y divertida. Me sentí
emocionada cuando tuve una nueva idea sobre qué variables introducir en la herramienta para ver cómo podría ayudarme a aprender.
Cada miembro de nuestro grupo recomendaría BrandMentions a cualquiera que haga investigación psicológica social que se beneficie de grandes tamaños de muestra, conjuntos de datos naturalistas
y la capacidad de retroceder 10 años en el tiempo con un clic y generar automáticamente
gráficos, tablas e informes para la mayoría de los diferentes tipos de datos útiles.
BrandMentions también te da una lista de las menciones en la pestaña “menciones”, que te permite revisar las menciones individualmente para profundizar en tus datos y entender de qué están hablando las personas.
BrandMentions (s.f.) BrandMentions. Recuperado el 26 de mayo de 2022 - 2 de junio de 2022, de https://help.brandmentions.com/en/articles/3582915-how-does-the-sentiment-analysis-work
Chan, M.-P. S., Morales, A., Farhadloo, M., Palmer, R., & Albarracin, D. (2017). Cosecha y aprovechamiento de datos de redes sociales para la investigación psicológica.
Ambjørn Dahle - Estudiante en la Universidad de Ciencias Sociales y Humanidades de Varsovia.
