Cuando la moral satura el mensaje

Cuando la moral satura el mensaje#

Un equipo midió 1.621.147 mensajes de Twitter, Reddit y 8chan para separar dos cosas que suelen confundirse: cuánta relevancia moral tiene un texto y qué tan concentrada está esa moral palabra a palabra. Las dos empujan el alcance en direcciones opuestas, y el efecto solo aparece cuando se las mira por separado.

El hallazgo: a igual carga moral, más densidad moral va de la mano de menos interacción — negativo en las 9 combinaciones de plataforma × tercil de carga, hasta 4,32 veces menos respuestas en el caso más nítido (8chan, carga alta).

Gráfica clave#

Engagement contra densidad moral dentro de cada tercil de carga moral, en las tres plataformas

Reproducir#

Abrir en Colab

O localmente:

pip install pandas matplotlib numpy scipy
jupyter execute notebook.ipynb

Datos#

Todos los CSV se derivan del paquete público de replicación en OSF. Los archivos de features originales pesan 461 MB; aquí van ya agregados.

  • datos/muestra_por_canal.csv — cascada de muestra por canal: filas brutas, filas de modelo y excluidos por datos faltantes. 13 filas.

  • datos/curva_densidad_plataforma.csv — curva cruda de interacción contra densidad moral, 9 bandas × 3 plataformas. Sin ajustar por covariables. 27 filas.

  • datos/densidad_por_carga_moral.csv — interacción por banda de densidad dentro de cada tercil de carga moral. Es la tabla que reproduce el hallazgo condicional. 79 filas.

  • datos/aic_penalizacion_vs_difusion.csv — Tabla 1 del paper: AIC del modelo de penalización contra el de difusión, por canal. 13 filas.

  • datos/mediacion_ddr.csv — Tabla 2 del paper: análisis de mediación con la carga cognitiva del texto como intermediario. 15 filas.

  • datos/comparacion_medidas_morales.csv — submuestras de unos 2.000 mensajes por plataforma puntuadas con cuatro medidas distintas de moralidad. 5.971 filas.

  • datos/diccionario_columnas_original.csv — diccionario de columnas del paquete OSF.

Contenido