Disinformation and vaccines on social networks: Behavior of hoaxes on Twitter = Desinformación y vacunas en redes: Comportamiento de los bulos en Twitter

Resumen

Introducción: La desinformación antivacunas tiene un gran peligro por sus efectos tangibles en la sociedad. Existen investigaciones relevantes sobre tipologías de bulos, discursos negacionistas en redes o la popularidad de las vacunas, pero este estudio aporta una visión complementaria y pionera sobre el discurso antivacunas de COVID-19 en Twitter, centrada en el comportamiento de sus propagadores. Metodología: Dada una muestra inicial de un centenar de bulos (de diciembre de 2020 a septiembre de 2021) para la descarga de 200.246 tuits, se han filtrado mediante un algoritmo para la inferencia del lenguaje natural (NLI) alrededor de 36.000 tuits (N=36.292) que apoyan o desmienten la desinformación para analizar a sus difusores a través de sus métricas en la plataforma. Resultados: En números relativos, los resultados muestran, entre otros, más bulos con contenido original (no retuits) entre las cuentas con más seguidores y aquellas verificadas; más irrupción de desinformación frente a su objeción por cuentas creadas de 2013 a 2020, y la asociación del reconocimiento (mayor presencia en listas o muchos más seguidores que seguidos) a la preferencia por negar información falsa en lugar de aprobarla. Discusión: El artículo muestra cómo la tipología de las cuentas es un factor predictivo del comportamiento de usuarios que expanden desinformación. Conclusiones: Se revelan patrones similares de comportamiento del discurso antivacunas según indicadores de las cuentas de Twitter. El tamaño de la muestra y las técnicas empleadas dan una base sólida para otros estudios comparativos en desinformación sobre salud y en otros fenómenos en redes sociales.

Abstract:

Introduction: Anti-vaccine disinformation is highly dangerous due to its direct effects on society. Although there is relevant research on typologies of hoaxes, denialist discourses on networks or the popularity of vaccines, this study provides a complementary and pioneering vision about the anti-vaccine discourse of COVID-19 on Twitter, focused on its spreaders’ behavior. Methodology: Given an initial sample of a hundred hoaxes (from December 2020 to September 2021) for the download of 200,246 tweets, around 36,000 tweets (N=36.292) that support or deny disinformation have been filtered through an algorithm for Natural Language Inference (NLI) to analyze their spreaders’ through their metrics in the platform. Results: In relative numbers, the results show, among others, more hoaxes with original content (not retweets) among accounts with more followers and those verified; more irruption of disinformation opposed to its objection by accounts created between 2013 and 2020, and the association of the acknowledgement (more presence in lists or many more followers than followed users) to the preference for denying false information instead of approving it. Discussion: The article shows how the typology of the accounts can be a predictive factor about the behavior of users who spread disinformation. Conclusions: Similar behavioral patterns of anti-vaccine discourse are revealed according to the accounts’ Twitter-related indicators. The size of the sample and the techniques used give a solid foundation for other comparative studies on disinformation about health and on other phenomena on social networks.