En el creciente mundo de las redes sociales, donde cada interacción digital cuenta, un grupo de investigadores de la Universitat Autònoma de Barcelona ha desarrollado un método para clasificar usuarios de redes sociales mediante técnicas de Machine Learning. Basándose en la capacidad de los modelos basados en agentes (ABM) para simular el comportamiento de usuarios, el equipo liderado por Haoyuan Li ha utilizado datos de Twitter recopilados de más de 130,000 perfiles.
Primero, llevaron a cabo un proceso meticuloso de preparación de datos, extrayendo atributos distintivos de los usuarios, como el número de amigos, seguidores, y otros aspectos cuantificables, mediante el análisis de componentes principales (PCA). Este paso permitió reducir la dimensionalidad del conjunto de datos, preservando la mayor interpretación posible de las variables originales.
Con los datos preparados, los investigadores aplicaron un enfoque de clustering, optando por la técnica K-means, un método de aprendizaje automático no supervisado, para identificar patrones ocultos en los datos. Se fijó en cuatro el número de clústers, cada uno representando un tipo específico de usuario: Influencers, Standard, Sharers y Lurkers.
Los Influencers, por ejemplo, cuentan con muchos amigos y seguidores, mientras que los Standard tienen pocos y son menos activos personalizando sus perfiles. Los Sharers destacan por su alto nivel de interacción a través de favoritos y estados; finalmente, los Lurkers permanecen relativamente pasivos, consumiendo contenido sin aportar activamente.
Posterior a su clasificación, el equipo analizó la distribución estadística de los atributos dentro de cada clúster. Este análisis validó sus modelos y permitió la generación de nuevos usuarios sintéticos que emulan las características de los usuarios reales detectados. La precisión del modelo fue confirmada al mostrar una buena coherencia con nuevas muestras de datos de Twitter.
En resumen, los resultados logran definir claramente cuatro tipos distintos de usuarios de Twitter, cada uno con atributos únicos. Este avance no solo contribuye al entendimiento de las dinámicas internas de las redes sociales, sino que también abre nuevas líneas de investigación para crear simulaciones realistas del comportamiento de usuarios en entornos virtuales, facilitando predicciones más acertadas sobre tendencias y comportamientos futuros en redes sociales.