Sábado passado, 3 de julho, as ruas de todo o país se encheram para protestar contra o genocida.
Foi a terceira manifestação este ano pelo impeachment de Bolso. Desta vez teve uma outra pegada, a da propina em vez de vacina. Vários familiares de vítimas da covid consideram o pior presidente da história diretamente culpado pelas suas perdas. Alguns já estão começando a processá-lo . Outros se manifestam nas ruas.
Fui na carreata do penúltimo protesto, de 19 de junho, mas, como ainda não tomei a segunda dose da vacina, não tive coragem de comparecer na passeata no sábado. Então o que fiz foi tentar colaborar nas redes. Fiquei horas criando um monte de tuítes e dando RT em inúmeros outros. Eu não tenho assessoria nem nada. Sou só eu e, claro, as fotos e charges que pego emprestadas.
No dia seguinte, fiquei sabendo que minha atuação foi bastante influente na tag #3JForaBolsonaro .
De vez em quando eu apareço nos gráficos criados por Pedro Barciela e Fabio Malini que medem esse engajamento. Mas percebi que muita gente (eu inclusa) não entende como é a metodologia, então mandei um email pro cientista de dados Pedro Barciela perguntando como funciona. Ele tem um artigo muito bom publicado no seu blog , mas que não respondia às minhas dúvidas.
Perguntei pra ele: “Como são as cores dos gráficos, o posicionamento das arrobas (à direita, à esquerda, no centro, em cima ou em baixo), essas coisas? Entendo apenas que, quanto maior o nome e a bolinha, mais repercussão teve”.
Pedro respondeu:
– os usuários nos grafos são representados por nós, pontos. Cada um deles é um usuário. Muitas vezes não conseguimos diferenciar “olhando de primeira” porque são centenas de milhares, então muitas vezes eles acabam se sobrepondo.
– cada vez que esse nó interage com outro nó ele forma uma aresta, resultando assim em uma conexão. São também centenas de milhares de arestas, formadas por cada conexão feita entre os nós. No caso do Twitter pode ser um RT, replies e likes, por exemplo.
– depois que eu rodo esses algoritmos para entender quais são os nós e as arestas, eu rodo outro que me permite identificar quais são os agrupamentos formados entre os nós. Isto é, quais são os nós que interagem mais entre si do que com o restante do grafo, por exemplo. Para diferenciá-los eu utilizo cores. Então, basicamente, cada cor seria um cluster formado por usuários que têm maior afinidade entre si.
– para facilitar a visualização eu sempre filtro os principais nós (usuários) do grafo, deixando apenas eles com o nome em destaque. Aí, quanto maior o nome (por exemplo), maior o número de conexões que esse nós (usuários) produziu.
Acho que essa é uma resposta resumida, Lola. Tem um livro bem interessante da profa. Raquel Recuero (Análise de Redes para Mídia Social) lá da UFPel que é uma introdução para esse tipo de análise.
Eu perguntei ainda: “Então as cores são aleatórias, né? E o posicionamento no grafo (à esquerda ou à direita), é aleatório também? E tudo isso é feito com programa de computador, certo?”
Pedro respondeu:
“As cores são aleatórias sim, elas apenas diferenciam os clusters dentro dos grafos.
Ah! Sobre o posicionamento: ele não funciona na mesma dinâmica do mapa ideológico da Folha não. O posicionamento no grafo (acima, abaixo, direita, esquerda) não é relevante se analisado apenas pelo local. Agora, o posicionamento é sim relevante de acordo com os outros nós (atores) próximos ao nó analisado.
Existem vários programas que fazem esse tipo de grafo (teoria dos grafos e tal). O que eu uso se chama Gephi!”
Eu tinha perguntado pro Pedro sobre o posicionamento no gráfico porque, no mapa ideológico da Folha de SP, eu apareci tão à esquerda em 2019 que estava quase caindo do gráfico.
Em 2020 eu fiquei um pouco menos na extrema esquerda. As pessoas acham divertido, porque eu não sou exatamente uma comuna, mas eu entendo que eu esteja tão à esquerda no mapa porque no Twitter vivo numa bolha mesmo, em que bloqueio sem dó bolsominions e reaças em geral.
Bom, espero que todo mundo tenha entendido melhor como funcionam esses gráficos tão coloridos e bacanas!
