Revista de comunicación política e institucional

Núm. 60 (2025): Herramientas y estrategias visuales y textuales para la comunicación política
Artículos

Estrategias textuales en comunicación política: el impacto del digital nudging en las elecciones del 2019 en Bogotá, Medellín y Cali, Colombia

PDF
DOI: https://doi.org/10.56151/maspoderlocal.259
Luciana C. Manfredi
Universidad ICESI
Martin Nader
Universidad Icesi

Palabras clave

  • elecciones,
  • digital nudging,
  • tuits,
  • persuasión
  • elections,
  • digital nudging,
  • persuasion,
  • tweets

Cómo citar

Manfredi, L. C., & Nader, M. (2025). Estrategias textuales en comunicación política: el impacto del digital nudging en las elecciones del 2019 en Bogotá, Medellín y Cali, Colombia. Más Poder Local, (60), 72-88. https://doi.org/10.56151/maspoderlocal.259

Derechos de autor 2025 Del autor o autores

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Resumen

El presente artículo analiza el fenómeno del digital nudging (persuasión digital) en publicaciones de la red social X (anteriormente Twitter®) durante el proceso electoral subnacional de 2019 en Colombia. Específicamente, se revisaron las cuentas de candidatos a ocupar las alcaldías de las ciudades de Bogotá, Medellín y Cali, identificadas como las tres ciudades capitales con mayor población dentro del territorio colombiano. A nivel metodológico, se extrajeron 3,5 millones de tuits durante todo el año 2019 emitidos en las cuentas de todos los candidatos registrados y por otros usuarios de la mencionada red. Con dicha información, estimamos la polaridad de los mensajes, el número de etiquetas presentes en el texto, así como las menciones de usuarios, el número de veces que la publicación fue clasificada como favorita y reenviada, para finalizar con el número de palabras que contenía el discurso. Luego se probaron diferentes algoritmos para estimar el nivel de efectividad en la clasificación de los tuits en una de dos categorías: nudge (tuit que tiene la intención explícita de provocar reacciones emocionales que lleven al lector a votar por un candidato) o no nudge (tuit que no contiene los elementos lingüísticos para inducir al usuario de la red social a votar por un candidato).

PDF

Descargas

Los datos de descargas todavía no están disponibles.

Citas

  1. Aragón, P.; Kappler, K. E.; Kaltenbrunner, A.; Laniado, D. y Volkovich, Y. (2013): «Communication dynamics in twitter during political campaigns: The case of the 2011 Spanish national election: Communication Dynamics in Twitter During Political Campaigns». Policy & Internet, 5(2): 183-206. DOI: https://doi.org/10.1002/1944-2866.POI327
  2. Blei, D.; Ng, A. y Jordan, M. (2003): «Latent Dirichlet allocation». Journal of Machine Learning Research, 3 v.4–5; pp. 993-1022. DOI: https://doi.org/10.1162/jmlr.2003.3.4-5.993
  3. Box-Steffensmeier, J. M.; Darmofal, D. y Farrell, C. A. (2009): «The Aggregate Dynamics of Campaigns». The Journal of Politics, 71(1): 309-323. DOI: https://doi.org/10.1017/s0022381608090208
  4. Carsey, T. M.; Jackson, R. A.; Stewart, M. y Nelson, J. P. (2011): «Strategic Candidates, Campaign Dynamics, and Campaign Advertising in Gubernatorial Races». State Politics & Policy Quarterly, 11(3): 269-298.
  5. Ospina Celis, D. y Upegui, J. C. (2021): Estudio exploratorio sobre el uso de tecnologías digitales con fines político-electorales: Campana presidencial 2018 y Campañas a la Alcaldía de Bogotá 2015 y 2019. Londres: Privacy International.
  6. De la Garza Montemayor, D. J. y Gómez Díaz de León, C. (2024): «Inteligencia artificial y big data: nuevos paradigmas de la Comunicación Política y la Gobernanza Digital». Revista Más Poder Local, 56: 9-26. DOI: https://doi.org/10.56151/maspoderlocal.214
  7. Fridkin, K. L.; Kenney, P. J. (2011): «Variability in Citizens’ Reactions to Different Types of Negative Campaigns». American Journal of Political Science, 55(2): 307-325. DOI: https://doi.org/10.1111/j.1540-5907.2010.00494.x
  8. Gan, J. y Qi, Y (2021): «Selection of the Optimal Number of Topics for LDA Topic Model—Taking Patent Policy Analysis as an Example». Entropy, 23(1301): 1:45. DOI: https://doi.org/10.3390/e23101301
  9. Geer, J. G. (2012): «The News Media and the Rise of Negativity in Presidential Campaigns». PS: Political Science & Politics, 45(3): 422-427. DOI: https://doi.org/10.1017/S1049096512000492
  10. Günther, F.; Dudschig, C. y Kaup, B. (2015): «LSAfun—An R package for computations based on Latent Semantic Analysis». Behavior Research Methods, 47(4): 930–944.
  11. Harris, J. K. (2021): «Primer on binary logistic regression». Family Medicine and Community Health, vol. 9.; doi: 10.1136/fmch-2021-001290. PMID: 34952854; PMCID: PMC8710907.
  12. Jockers, M. (2020): «Introduction to the Syuzhet Package» (en línea). Disponible en: https://cran.r-project.org/web/packages/syuzhet/vignettes/syuzhet-vignette.html.
  13. Jung, A.; Stieglitz, S.; Kissmer, T.; Mirbabaie, M. y Kroll, T. (2022): «Click me…! The influence of clickbait on user engagement in social media and the role of digital nudging». PLoS ONE, 17 (6). DOI: https://doi.org/10.1371/journal.pone.0266743
  14. Jungherr, A. (2014): «The Logic of Political Coverage on Twitter: Temporal Dynamics and Content: Coverage on Twitter». Journal of Communication, 64(2): 239-259. DOI: https://doi.org/10.1111/jcom.12087
  15. Jurka, T.; Collingwood, L.; Boydstun, A.; Grossman, E. y van Atteveld, W. (2011): «RTextTools: A Supervised Learning Package for Text Classification». Recuperado de: http://install.rtexttools.com/files/ RTextTools_GettingStarted.pdf.
  16. López-Meri, A. (2015): «Redes sociales y campañas electorales: Twitter como fuente informativa en las elecciones catalanas del #25N». Comunicació. Revista de recerca i d’anàlisi [abans Treballs de Comunicació], 32(2): 115-137. DOI: https://doi.org/10.2436/tc.v32i2.139394
  17. Manfredi, L. C.; Abadía, A. A. y Sayago, J. T. (2021): «Twitter, sentimientos y precandidatos presidenciales. Comunicación en tiempos de paro nacional». Elecciones, 20(22): 309-336. DOI: https://doi.org/10.53557/Elecciones.2021.v20n22.09
  18. Manfredi, L. C.; González Sánchez, J. M.; Biojó Fajardo, D. (2019): «¡Twitteo, luego existo! Un análisis de las dinámicas de competencia electoral de los candidatos a la Presidencia de Colombia 2018 en Twitter». En: Elecciones Presidenciales y de Congreso 2018. Nuevos acuerdos ante diferentes desafíos, Fundación Konrad Adenauer Stiftung, p. 117.
  19. Manfredi, L.; González-Sánchez, J. M. (2019): «Comunicación y competencia en Twitter. Un análisis en las elecciones presidenciales Colombia 2018». Revista Estudios Institucionales, 6(11): 133-130. DOI: https://doi.org/10.5944/eeii.vol.6.n.11.2019.25086
  20. Meyers, L. S.; Gamst, G. y Guarino, A. J. (2013): Applied multivariate research: Design and interpretation (2nd ed.). New York: Sage Publications, Inc.
  21. Milanese, J. P.; Manfredi, L. C. (2018): «Nationalization of the Legislative Vote, Visibility and Reputation in the Written Press: An Analysis of Candidates’ Strategies for the 2014 Colombian Senate Election». Journal of Iberian and Latin American Research, 24(3): 199-213. DOI: https://doi.org/10.1080/13260219.2019.1623289
  22. Mohammad, S. y Turney, P. (2013): «Crowdsourcing a word-emotion association lexicon». Computational Intelligence, 29(3): 436-465.
  23. Molyneux, L. y Coddington, M. (2019): «Aggregation, Clickbait and Their Effect on Perceptions of Journalistic Credibility and Quality». Journalism Practice, 14(4): 429-446. DOI: https://doi.org/10.1080/17512786.2019.1628658
  24. Posit (2020): RStudio: Integrated Development for R. RStudio, PBC, Boston, MA.
  25. Reñosa M. D. C.; Landicho, J.; Wachinger, J.; Dalglish, S.L.; Bärnighausen, K.; Bärnighausen T. y McMahon, S. A. (2021): «Nudging toward vaccination: a systematic review». BMJ Global Health, 6(9). DOI: https://doi.org/10.1136/bmjgh-2021-006237
  26. Silge, J. y Robinson, D. (2016): Text Mining with R: A Tidy Approach. New York: O’Reilly.
  27. Stromer-Galley, J. y Rossini, P. (2023): «Categorizing political campaign messages on social media using supervised machine learning». Journal of Information Technology & Politics, 1-14. DOI: https://doi.org/10.1080/19331681.2023.2231436
  28. Tausczik, Y. R. y Pennebaker, J. W. (2010): «The psychological meaning of words: LIWC and computerized text analysis methods». Journal of Language and Social Psychology, 29(1): 24–54. DOI: https://doi.org/10.1177/0261927X09351676
  29. Thornhill, C.; Meeus Q.; Peperkamp J. y Berendt B. (2019): «A Digital Nudge to Counter Confirmation Bias». Frontiers in Big Data, 2(11). DOI: https://doi.org/10.3389/fdata.2019.00011
  30. Valta, M.; Menzel, J. y Maier, C. (2022): «Digital nudging: A Systematic Literature Review and Future Research Directions.» ACM Digital Library doi: 10.1145/3510606.3550211.
  31. Zhao, L.; Chen, F.; Dai, J.; Hua T.; Lu, C-T y Ramakrishnan N. (2014): «Unsupervised spatial event detection in targeted domains with applications to civil unrest modeling.» PLoS One, 9(10). DOI: https://doi.org/10.1371/journal.pone.0110206