Esta ponencia presenta los resultados de un estudio realizado a través de la red social X (antigua Twitter) en el contexto de las pasadas elecciones autonómicas en la Región de Murcia (mayo 2023). En dicho estudio se implementaron técnicas de minería de datos y procesamiento del lenguaje natural (NPL) para analizar las interacciones de los usuarios dentro del contexto previamente definido atendiendo a una lista de términos políticos y temas de interés electoral, así como al seguimiento de cuentas tanto de líderes políticos como de otras entidades/personas relacionadas directamente con la política y manifiestamente afines a un partido político. Con esta información, se clasificaron inicialmente los usuarios según su pertenencia a un grupo ideológico y en base a sus interacciones, positivas y negativas con su endogrupo y su exogrupo, se calcularon dos métricas con el fin de medir la polarización afectiva que tenía cada usuario. La primera de estas métricas consistió en una medida de diferencias entre las interacciones positivas y negativas entre el exogrupo y el endogrupo. La segunda métrica, a la que llamamos ‘Spread”, adaptaba el cálculo propuesto por Wagner (2021), normalizando el número de interacciones positivas menos la media de interacciones por el total de interacciones de un usuario. Así, utilizando estas métricas, se ha buscado contrastar cómo afectan el contacto y la interacción tanto con el exogrupo como con el endogrupo con los niveles de cada usuario.  Los resultados indican que cuanto mayor es la interacción con el endogrupo (mayor inserción en la cámara de eco), mayor es el nivel de polarización.

Por otra parte, se ha explorado la posibilidad de calcular la polarización afectiva (partiendo del indicador “Spread”) mediante la modelización y considerando la menor información posible. Utilizando una selección de características híbrida, inicialmente se eliminaron las variables correlacionadas de forma directa con la variable objetivo, después se aplicó un método Wrapper utilizando como clasificador un árbol de decisión. En este caso, los resultados indicaron que es posible calcular la polarización afectiva de un usuario solamente conociendo las interacciones positivas con su endogrupo. El coeficiente de determinación indica, con un 90% de ajuste, que la técnica Random Forest es capaz de predecir la polarización afectiva de un individuo sólo con una variable. Este resultado destaca y refuerza la teoría de la cámara de eco.