1. Análise da Influência das Redes Sociais sobre o Resultado
de uma Eleição
Jansepetrus Brasileiro Pereira 1, Danyllo Wagner Albuquerque 1, Moacir Lopes de
Mendonça 1, Alisson V. Brito 1
1
Centro de Informática – Universidade Federal da Paraíba (UFPB)
Campus Universitário Castelo Branco – João Pessoa – PB – Brasil
{jansebp, danyllowagneralbuquerque, moacir.lopes.jr, alissonbrito}
@gmail.com
Abstract. People tend to increasingly use Social Networks to express their
opinions, discuss emerging topics and defend points of view. When we're in
electoral period, this interaction is even more intense because people support
their candidates and they promote their campaign in these networks. Thinking
about this, this work aims to examine the possible influence of social networks,
more specifically Twitter, in a Electoral Process, by using techniques of Social
Network Analysis.
Resumo. As pessoas tendem a utilizar cada vez mais as Redes Sociais para
expor suas opinões, discutir sobre assuntos emergentes e defender pontos de
vista. Quando estamos em época eleitoral, essa interação se mostra ainda
mais intensa, devido às pessoas apoiarem seus candidatos e os candidatos se
preocuparem em divulgar suas propostas nessas redes. Com base nisso, o
presente estudo visa analisar a possível influência das Redes Sociais, mais
especificamente o Twitter, em um processo eleitoral, fazendo-se o uso de
técnicas de Análise de Redes Sociais.
1. Introdução
As Redes Sociais são uma forma de partilhar ideias e trocar informações entre
indivíduos que possuem os mesmos interesses e/ou objetivos [Stanley 1994]. Apesar de
ser um conceito amplo, podemos percebê-lo mais facilmente quando trazemos para o
escopo das Redes Sociais Online. A cada dia que passa, com a expansão da Internet e a
inclusão digital, surgem várias ferramentas com o intuito de reunir pessoas com
objetivos e interesses em comum, como é o caso do Facebook, Twitter, Orkut, dentre
outras. Este novo paradigma de interação social abriu caminho para vários estudos na
área, trazendo conceitos de Sociologia, Antropologia, Psicologia etc, para o escopo da
interação virtual. Uma abordagem utilizada comumente, e inclusive neste trabalho, é a
Análise de Redes Sociais (do inglês, Social Network Analysis – SNA) que estuda os
chamados atores, que são conjuntos de um ou mais indivíduos em uma rede, e suas
interconexões.
Tendo esses dois conceitos em mente, o presente estudo tem como objetivo fazer
uma análise da influência das interações sociais entre atores de uma rede baseada em
2. dados capturados no Twitter1 sobre o resultado de um processo eleitoral, utilizando-se
de técnicas de SNA2. Tal análise visa identificar se é possível uma aproximação do
resultado de uma eleição com base na interação dos indivíduos envolvidos no processo,
sejam eleitores ou candidatos.
2. Twitter
O Twitter é uma Rede Social online de relacionamento, lançada em 2006, onde cada
usuário publica mensagens de até 140 caracteres, chamados de tweets, que serão lidas
em tempo real por todos os usuários que o sigam na rede. Ou seja, um usuário, para ler
publicações de outro, deve cadastrá-lo em uma lista com tal finalidade, chamada de
“Following” (Seguindo). A interação direta entre usuários ocorre através da sintaxe
“@”, chamada de “mention” (ou menção), onde o usuário deve utilizar a arroba antes do
nome do usuário com o qual deseja interagir e digitar a mensagem. Para o presente
estudo foi analisada essa interação entre usuários através de menções.
3. Análise de Redes Sociais (SNA)
Primeiramente, devemos definir Redes Sociais. De acordo com Berkowitz (1982), uma
Rede Social pode ser entendida como uma estrutura social composta por nós (que são
geralmente indivíduos ou organizações) que estão ligados por um ou mais tipos tipos de
interdependência. Trazendo esse conceito para o escopo da Ciência da Informação,
podemos visualizar uma Rede Social como um Grafo. Um Grafo é uma par (N, A) em
que N é um conjunto arbitrário e A é um subconjunto de N. Os elementos de N são
chamados de nós, ou vértices, e os de A são chamados de arestas, ou arcos, constituído
de pares ordenados ou não de nós pertencentes a N. A Figura 1 representa um Grafo não
direcionado para o conjunto N = { 1 , 2 , 3 , 4 , 5 } e A = { (1,2) , (1,3) , (2,3) , (2,4) ,
(3,4) , (4,5) }.
Figura 1 – Representação de um Grafo Não Direcionado
Para tratar das relações entre esses nós, pode-se fazer o uso de técnicas de Análise de
Redes Sociais (SNA).
4. Metodologia de Análise
Foi feito um monitoramento de uma rede composta por candidatos à Prefeitura do
município de João Pessoa e os possíveis eleitores que mencionaram (mention) um deles
em suas contas do Twitter durante todo o 1º turno. Feito isso, utilizou-se uma
1
https://twitter.com/
2
A fim de evitar ambiguidades, utilizar-se-á o temos em inglês.
3. ferramenta de Análise de Redes Sociais, o Gephi3, que nos permite analisar dados em
busca de singularidades e aplicar métricas de SNA, com o intuito de responder nossas
hipóteses. A ferramenta fornece muitas possibilidades de visualizações e de
combinações de resultados. Para esse estudo foram escolhidas apenas algumas, que
foram divididas em duas etapas de análise. Na primeira, a rede foi analisada de acordo
com sua modularidade (ou “Modularity”). Já na segunda etapa utilizou-se algumas
métricas de Centralidade como:
“PageRank”, que atribui valores aos nós baseados nas ligações que os outros nós
possuem (nós com mais ligações possuem valores maiores do que nós com
poucas ligações). Para um candidato, ser mencionado por uma pessoa com
muitas ligações na rede lhe confere um alto “Page Rank”;
“Centrality Degree” (Grau de Centralidade), que representa o número de ligações
de um nó na rede;
“Betweenness Centrality” que indica o quão frequentemente um nó aparece no
caminho mais curto entre outros nós na rede;
“Closeness Centrality”, que indica, na média, o quão próximo um nó é dos
demais.
5. Resultados Obtidos
Ao analisar a rede de acordo com sua Modularidade, que avalia o peso de cada aresta
para detectar a formação de comunidades, ou sub-redes, a ferramenta foi capaz de
encontrar 4 comunidades, indicando cada um dos principais candidatos na disputa,
como pode ser visto na Figura 2.
Figura 2 – Comunidades encontradas de acordo com a Modularidade
3
https://gephi.org/
4. Após identificar as comunidades presentes no grafo, foram analisados os resultados
das métricas aplicadas. Como pode ser observado na Tabela 1, Luciano Cartaxo além de
possuir um maior número de conexões na rede, como é descrito pelo “Centrality
Degree”, ele supera os outros candidatos no que se refere ao “Betweenness”, uma vez
que apresenta mais que o dobro do segundo candidato. Luciano Cartaxo também se
mostrou mais próximo dos demais nós da rede, por apresentar o menor “Closeness”
dentre os demais candidatos. Além disso, obter um “PageRank” elevado, indica uma
certa influência no comportamento da rede, uma vez que esse valor é baseado nos
valores de outros nós.
Tabela 1 – Resultados da aplicação das métricas de SNA
Candidato Degree Closeness Betweenness PageRank
Luciano Cartaxo 2680 1.740 6,341,336.043 0.213
Estela Isabel 1754 2.175 3,707,639.268 0.166
Cícero Lucena 939 2.558 1,817,709.744 0.052
Zé Maranhão 478 2.775 1,044,550.945 0.029
6. Considerações Finais
Tendo os resultados das análises, podemos afirmar que ao monitorar uma rede de uma
eleição composta por possíveis eleitores e candidatos, podemos fazer o uso de métricas
de SNA para ter uma ideia do comportamento dessa rede como um todo. Ou seja, em
um cenário ideal, o comportamento de uma rede seguirá o comportamento do(s)
membro(s) mais influente(s), uma vez que ele é grande disseminador de informações.
No caso do monitoramento feito, quanto mais um nó foi citado no Twitter, mais ele se
tornou “influente” na rede, e isso pode indicar que é o de maior aceitação no universo da
análise. Quando falamos de eleição, o nó de maior aceitação vira sinônimo de possível
vencedor. Confrontando o resultado obtido com a ordem das Eleições no 1º turno,
vemos apenas uma diferença no que se refere ao 2º e 3º lugar. O resultado do 1º turno
das Eleições para prefeito de João Pessoa obteve Luciano Cartaxo em 1º lugar, Cícero
Lucena em 2º, Estela Isabel em 3º e Zé Maranhão em 4º, de acordo com dados do TSE4.
Nossos estudos anteciparam qual candidato seria o primeiro colocado, mas não obteve
tanto sucesso ao analisar os demais. Isso pode ter sido influenciado por vários fatores,
uma vez que não fizemos a análise do conteúdo das mensagens postadas. Muitas
menções a um candidato podem, na verdade, ser de cunho negativo e isso aumentar o
nível de rejeição dos eleitores contra ele. Para trabalhos futuros, o conteúdo das
mensagens está sendo avaliado para obtermos outros pontos de vista sobre o processo.
Mesmo assim, é razoável afirmar que a interação dos nós de uma rede composta
pelos candidatos de uma eleição e seus possíveis eleitores pode sim ter influência no
resultado final do processo.
4
http://www.tre-pb.gov.br/eleicoes/resultados.html
5. Referências
Berkowitz, S. D. (1982) “An Introduction to Structural Analysis: The Network
Approach to Social Research”. Toronto: Butterworth.
Blondel, V. D., Guillaume, J., Lambiotte, R., Lefebvre, E. (2008) Fast unfolding of
communities in large networks.
Feofiloff, P., Kohayakawa, Y., Wakabayashi, Y. (2011) “Uma Introdução Sucinta à
Teoria dos Grafos”.
Sedgewick, R., Wayne, K. (2011) “Algorithms, 4th Edition. Addison-Wesley
Professional”.
Stanley, W., Faust, K. (1994) “Social Network Analysis: Methods and Applications”.
Cambridge University Press.
Twitter. (2012). “Sobre o Twitter”. Acessado em 6 de Novembro de 2012.
https://twitter.com/about