Plataforma de análisis de influencia política argentina en redes sociales. Mapea quién influye a quién en Twitter/X, detecta sincronización temática entre actores y sitúa cada voz en un eje ideológico-institucional. Cubre el espectro completo de la política argentina: oficialismo (La Libertad Avanza), oposición (peronismo, kirchnerismo, Unión por la Patria, JxC), periodistas, medios y nuevos influencers digitales.
El ecosistema político-mediático argentino es difícil de leer. ¿Quién fija la agenda? ¿Qué actores amplifican a otros? ¿Hay coordinación entre cuentas de distintos espacios? ¿Cómo se distribuye la influencia real vs. la notoriedad percibida?
ArgInfluence responde esas preguntas de forma sistemática y reproducible, a partir de datos reales de Twitter/X.
| Pregunta | Técnica aplicada |
|---|---|
| ¿Quién es más influyente en el ecosistema político? | PageRank sobre grafo de menciones |
| ¿Qué actores tienen mayor engagement real? | Métrica compuesta (replies × 4 + likes × 3 + RT × 2 + views × 1) |
| ¿Hay coordinación temática entre actores? | Detección de sincronía con embeddings semánticos |
| ¿De qué habla cada actor? | Clasificación zero-shot con BART |
| ¿Qué voces nuevas están emergiendo? | Detección de handles no mapeados con alta frecuencia de mención |
| ¿Cuál es el posicionamiento ideológico relativo de cada actor? | Etiquetado manual curado + eje institucional continuo |
Twitter/X (69 actores)
│
▼
Scraping con twscrape ← hasta 200 tweets por actor, 30 días
+ fallback automático a RSS ← si twscrape falla
│
▼
Base de datos Supabase ← PostgreSQL en la nube, RLS activo
│
▼
Pipeline de análisis (7 etapas)
├── Actores emergentes ← handles no mapeados mencionados frecuentemente
├── Detección de temas ← BART zero-shot (HuggingFace API)
├── PageRank ← NetworkX sobre grafo de menciones + RT + replies
├── Influencia social ← engagement ponderado + PageRank compuesto
├── Sincronización temática ← embeddings E5-large, ventanas de 6h, ratio Poisson
├── Construcción del grafo ← spring_layout, X=espectro, Y=(1−institucional)
└── Exportación HTML ← Pyvis interactivo
│
▼
Dashboard Streamlit ← grafo, rankings, tendencias, clusters, sincronía
Cada nodo es un actor político. Las aristas representan interacciones reales:
- Grises sólidas: menciones en texto (
@handle, apellido) - Azules punteadas: retweets y replies directos
Ejes del grafo:
- Eje X: espectro ideológico (
ED→EI) - Eje Y: grado de institucionalidad (anti-sistema → institucional)
- Tamaño del nodo: engagement bruto normalizado (log-scale)
Basada en la metodología de Maier et al. (2021) y adaptaciones del paper "Unveiling political influence through social media" (Frontiers in Political Science, 2025).
El algoritmo compara la frecuencia observada de publicaciones simultáneas sobre el mismo tema (usando similitud coseno sobre embeddings semánticos) contra la frecuencia esperada bajo un modelo de Poisson. Si el ratio observado/esperado supera un umbral dinámico, el par se considera sincronizado.
Cuatro filtros de ruido para reducir falsos positivos:
- Skip si ambos actores son medios (correlación estructural esperable)
- Umbral más alto si más del 30% de ventanas son compartidas (alta base-rate)
- Umbral diferenciado por distancia ideológica
- Mínimo de 20 posts por actor en el período
| Capa | Tecnología | Detalle |
|---|---|---|
| Lenguaje | Python 3.13 | |
| Base de datos | Supabase | PostgreSQL cloud, RLS por tabla |
| Scraping Twitter | twscrape 0.16 | Autenticado via cookies browser |
| NLP — Temas | BART (facebook/bart-large-mnli) |
Zero-shot classification, HuggingFace API |
| NLP — Embeddings | intfloat/multilingual-e5-large |
dim=1024, batches de 20 |
| Grafos | NetworkX + Pyvis | PageRank, spring_layout, export HTML |
| Dashboard | Streamlit | 7 secciones, actualización on-demand |
| Testing | pytest | 134 tests (sin red) + 9 tests @network |
| Seguridad | Sanitización custom | 12 regex anti-injection, SSRF, XSS |
69 actores en cuatro categorías, cubriendo todo el espectro ideológico:
| Categoría | Cantidad | Ejemplos |
|---|---|---|
| Políticos | 19 | Milei, Villarruel, Caputo, Adorni, Kirchner CFK, Kicillof, Massa, Bullrich, Macri |
| Periodistas | 16 | Feinmann, Majul, Leuco, Bonelli, Verbitsky, Lijalad, Tenembaum, O'Donnell |
| Medios | 10 | La Nación, Clarín, Infobae, TN, Perfil, Página 12, El Destape, C5N, A24, Radio Mitre |
| Influencers digitales | 22 | Laje, Lemoine, Rosemblat, Mengolini, Bercovich, Grabois, Rebord, Agarrar la Pala |
Espectro cubierto: ED — CD — C — CI — EI (5 posiciones)
Cada actor tiene etiquetas de:
espectro: posición ideológica (ED/CD/C/CI/EI)institucional: valor continuo 0.0–1.0 (anti-sistema → institucional)soft_tags: hasta 5 etiquetas de contenido (ej:libertario,kirchnerista,economista,digital_nativo)
- ¿La agenda de los medios sigue a los políticos o al revés?
- ¿Qué tan coordinada es la comunicación entre actores del mismo espacio?
- ¿Los influencers digitales amplifican a los medios mainstream o los desplazan?
- ¿Hay diferencias de engagement entre el oficialismo y la oposición?
- ¿Qué actores del espectro anti-sistema tienen mayor alcance real?
- PageRank en análisis de influencia política: Brin & Page (1998) aplicado a grafos de interacción en redes sociales.
- Detección de coordinación temática: Maier, D. et al. (2021). Applying LDA Topic Modeling in Communication Research. Communication Methods and Measures.
- Embeddings multilingues para análisis político: Wang, L. et al. (2024). Multilingual E5 Text Embeddings. arXiv:2402.05672.
- Clasificación zero-shot: Yin, W. et al. (2019). Benchmarking Zero-shot Text Classification. EMNLP 2019.
actors/
├── seed_actors.json ← 69 actores con handles, categorías y metadata
└── ideology_labels.json ← etiquetas ideológicas curadas (espectro + institucional + soft_tags)
El código fuente no se publica en este repositorio. Los datos de actores son de acceso libre.
Juan Bautista — @juanba05
Proyecto de análisis político con aplicaciones en consultoría, investigación académica y comunicación institucional.
https://juanba05.github.io/arginfluence/
Palabras clave: influencia política argentina · mapa político digital · análisis redes sociales política · Twitter política argentina · Milei redes sociales · Kirchner Twitter · ecosistema mediático argentino · actores políticos digitales · PageRank política · polarización política argentina · influencers políticos argentina