Topic modeling en twitter: determinación de la agenda política peruana en el
periodo de enero a setiembre del 2018
Topic modeling on twitter: determination of the peruvian political agenda in the
period from January to September 2018
DOI: http://dx.doi.org/10.21704/ac.v80i2.1446
Autor de correspondencia (*): Gamboa, J. Email: jgamboa@lamolina.edu.pe
© Universidad Nacional Agraria La Molina, Lima, Perú.
Forma de citar el artículo: Gamboa, J. 2019. Topic modeling en twitter: determinación de la agenda política
peruana en el periodo de enero a setiembre del 2018.
Jesús Eduardo Gamboa Unsihuay
1*
1
Universidad Nacional Agraria La Molina, Lima, Perú. Email: jgamboa@lamolina.edu.pe
Recepción: 14/01/2018; Aceptación: 05/06/2019
Resumen
El objetivo de esta investigación fue determinar los temas abordados por los distintos grupos
de la clase política peruana a través del análisis de los contenidos compartidos por sus
miembros en sus cuentas de Twitter, en el periodo de enero a setiembre del 2018, haciendo
uso de la técnica de minería conocida como modelo de temas (Topic Modeling) y el modelo
de asignación latente de Dirichlet. Se encontró que tres cuartas partes de los contenidos
de Fuerza Popular y los grupos parlamentarios de izquierda, la corrupción judicial, las
funciones de representación parlamentaria y eventos que sucedieron durante los meses de
verano; asimismo, se encontraron diferencias en los temas de mayor divulgación entre los
grupos políticos. Luego de contrastar dichos hallazgos con los acontecimientos ocurridos
en la realidad, se concluyó que la metodología propuesta permite efectivamente detectar los
tópicos de la agenda política a partir de un gran volumen de textos.
Palabras clave: minería de texto; segmentación; modelamiento de temas; Twitter; agenda
política; Perú.
Abstract
of the Peruvian political class, through the analysis of the content shared by its members
on their Twitter accounts in the period from January to September 2018 making use of the
mining technique known as Topic Modeling and the Dirichlet’s Allocation Latent model.
The research found that three quarters of the textual content refers to the management of the
Executive and Legislative Power, the party activities of Fuerza Popular and the parliamentary
Website: http://revistas.lamolina.edu.pe/index.php/acu/index
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
groups of the left, judiciary corruption, the parliamentary representation functions and events
that took place during the summer season (January and February). In addition, there are
Keywords: text mining; clustering; topic modeling Twitter; political agenda; Perú.
1. Introducción
La minería de textos comprende el uso
de modelos y algoritmos que permiten
extraer el conocimiento implícito de datos
textuales. Dichos patrones pueden referirse
al comportamiento (qué hacen o sobre qué
sienten u opinan) de los autores (Mateo,
2016). Por otro lado, la información en
formato textual, especialmente aquella
que es compartida en redes sociales, viene
creciendo rápidamente en los últimos años.
En particular, Twitter es un servicio de
microblogging (envío de mensajes cortos)
cuyo alcance e impacto es mucho mayor que
los medios de comunicación tradicionales
(Farías, 2017).
En lo que respecta al uso de datos
textuales para análisis político, Grimmer
(2009) emplea el “modelo de Agenda
los tópicos expuestos por senadores
estadounidenses a partir de sus comunicados
de prensa, mientras que Yano et al. (2009)
aplican modelo de temas en datos extraídos
de blogs políticos. Montesinos (2014) utiliza
análisis de sentimientos en datos de Twitter
en el contexto de elecciones presidenciales
en Chile. De manera similar, Pla & Hurtado
(2014)
de Twitter. Fang et al. (2015) realiza un
procedimiento semejante, pero en usuarios
escoceses. En Latinoamérica, Alvarado et
al. (2016) aplica análisis de sentimiento
en datos de Twitter durante la campaña
política por la alcaldía de Bogotá. Uno de
los trabajos más recientes en el área política
corresponde a Greene & Cross (2017),
quienes hacen uso del modelamiento de
temas de manera dinámica con el propósito
de determinar el contenido de los discursos
plenarios de los parlamentarios europeos
durante el periodo de 1999 a 2014. En Perú,
Sigueñas (2016) presentó una conferencia
acerca de Topic Modeling aplicado a
discursos presidenciales. Más aplicaciones
locales de minería de texto pueden ser
encontradas en el artículo de Linares et al.
(2015) quienes exponen un caso de análisis
de sentimientos basado en datos de Twitter,
con el propósito de estudiar los deseos de
los turistas por visitar Perú. Por otro lado,
usan la minería
de textos para comprender, a través de
cuestionarios abiertos, cómo los estudiantes
y de bibliotecología perciben la formación
que se les brinda, mientras que Cárdenas et
al. (2015, 2018) presentan una aplicación de
Topic Modeling en el área industrial.
Entretanto, el ambiente político peruano
del año 2018 viene siendo más convulso que
el de los años anteriores, constituyéndose
en una crisis política a causa de la
corrupción ( ), la cual
se ha evidenciado en los escándalos por el
caso Odebrecht (Diario Gestión, 2018), los
pedidos de vacancia (Diario El Comercio,
2017; Diario Correo , 2018) y la posterior
renuncia de Pedro Pablo Kuczynski a
la presidencia de la República (Diario
La República, 2018b), la revelación de
videos en los que se negociaban votos de
congresistas (Diario El Comercio, 2018a)
y la difusión de audios que dejaban al
descubierto la corrupción en el Consejo
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Nacional de la Magistratura (Diario El
Comercio, 2018c). Como consecuencia de
este entorno político complejo, el contenido
de texto disponible se incrementa y su lectura
se hace una labor difícil, ya que además la
interés en la política (Diario Perú21, 2018c).
Por este motivo, es trascendente el uso de
herramientas analíticas de texto, tales como
Topic Modeling, que permitan resumir el
contenido textual y así conocer la agenda
política de nuestros representantes. Así, el
objetivo de esta investigación es extraer los
principales temas abordados por los grupos
políticos a partir de los textos compartidos
por sus principales representantes, en sus
respectivas cuentas de Twitter, en el periodo
de enero a setiembre del 2018.
2. Materiales y métodos
Materiales empleados
Para el desarrollo de la presente investigación
se hizo uso de una computadora portátil con
GB de memoria RAM. En este ordenador
se trabajó con el software R en su versión
Además, fue necesario contar con una
aplicación en una cuenta de Twitter, cuyas
credenciales sirvieron para realizar la
conexión entre el software (R) y la API de
Twitter.
Metodología
del estudio, se llevó a cabo las siguientes
tareas: extracción de documentos, limpieza
y estructuración de datos, modelamiento
de temas mediante la asignación latente de
Dirichlet, selección del número de temas y
su interpretación.
a) Extracción de documentos
Un documento es una secuencia de tokens,
los cuales, a su vez, son una secuencia
ininterrumpida de caracteres, siendo una
palabra un ejemplo representativo de
token. Para la investigación se consideró
como documento al conjunto de las
publicaciones realizadas en Twitter, durante
cada semana, por cada uno de los 141
políticos pertenecientes al Poder Ejecutivo
(EJE) o que son integrantes de uno de los
siguientes grupos parlamentarios (en orden
alfabético): Acción Popular (AP), Alianza
por el Progreso (APP), Célula Parlamentaria
Aprista (APRA), Frente Amplio por Justicia,
No agrupados (NAG), Nuevo Perú (NP)
y Peruanos por el Kambio (PPK). Así,
del año 2018 y los 9 grupos políticos, se
conformaron el corpus de la investigación.
La extracción de los tuits se realizó en el
software R, haciendo uso del paquete rtweet,
mediante el cual se realizó la lectura de las
credenciales de acceso a la aplicación en
Twitter y se accedió al contenido compartido
de manera pública por los 141 políticos.
b) Limpieza y estructuración de datos
Los datos textuales son considerados en la
categoría de datos no estructurados ya que
están almacenados en un formato que no
es adecuado para su análisis, sin embargo,
es posible su limpieza, eliminando y
convirtiendo ciertos caracteres que pueden
ser considerados como ruido en el análisis.
Entre las tareas de limpieza, que fueron
ejecutadas en R por los paquetes tm y
topicmodels, se tuvo lo siguiente:
• Remoción de signos de puntuación
tales como los puntos (.), las comas (,),
los signos de exclamación (¡!), los dos
puntos (:), las comillas (“ ”), etc. Así
también caracteres numéricos, tildes,
enlaces web, marcadores HTML, entre
otros.
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
• Retiro de palabras que no aportan al
stopwords o palabras vacías, por
ejemplo, preposiciones (a, de, en, para,
por, sin, …), artículos (el, la, un, …),
conjunciones (aunque, luego, ni, que,
pero, y, …).
• Conversión de mayúsculas en
minúsculas y uniformización del espacio
entre palabras o tokens.
La tarea posterior a la limpieza de textos es
su estructuración, la cual consiste en obtener
una matriz de términos de documento. Esta
matriz contiene las frecuencias de aparición
de las palabras del vocabulario en cada
documento y fue obtenida utilizando el
paquete tm del software R.
c) Modelamiento
La Asignación Latente de Dirichlet (ALD),
propuesta por Blei et al , es un
modelo probabilístico para conjuntos de
datos discretos tales como los documentos
de texto. Mediante este modelo se asume
que un documento es generado por una
mixtura de tópicos y que cada uno de
estos es construido en base a una mixtura
de palabras. Además, de acuerdo con
Heinrich (2008), el aprendizaje se realiza
de manera no supervisada ya que los temas
no son conocidos de antemano, por ello se
dice que la asignación de estos temas es
latente y su comportamiento probabilístico
(mixtura) es explicado por una distribución
Dirichlet cuyos parámetros son estimados
por el modelo. A diferencia de una técnica
tradicional de segmentación, la ALD no
restringe la asociación de un documento a
un único tema en particular.
El modelo generador de documentos
funciona de la siguiente manera:
1. Se asume que el corpus está compuesto
por D documentos, cada uno de los
cuales es generado por una mixtura de
k
temas, es decir
, d = 1, ...,
D, siendo α=α
1
...α
K
un hiperparámetro.
Steyvers (2004), así como
Grün y Hornik (2011), sugieren el
k
= 50/k como valor inicial, el
cual es establecido por defecto en R,
mientras que Grimmer (2009) propone
el modelamiento jerárquico, asignando la
1
1
D
)
es la
matriz de dimensión K X D que contiene
Para la aplicación en datos de Twitter se
consideró que la cantidad de documentos
es D=
K=20, según los criterios de selección del
número de temas que serán presentados
en la siguiente sección.
2.
documento (W
d,n
) debe ser generada
a partir de un tema (Z
d,n
), el cual se
muestrea a partir de una distribución
multinomial con parámetro
d
la
mixtura del paso previo mediante
3. Las palabras que explican cada tema
vienen dadas por la mixtura
,
k = 1, ...; K donde
β
k
=(β
1k...
β
vk
)es
el hiperparámetro, al que se le asigna el
valor de β
w,k
=0.1según recomendación
de y de
Grün & Hornik (2011). Por lo tanto, la
matriz
1
2
), de dimensión
K X V, muestra la probabilidad de que
4. El último paso consiste en la generación
documento dado que ya se generó
el tema (paso 2) y su mixtura de
( )
,,
~ | 1,..., ; 1,...,
dn k dn d
w Mult z k d D n N= = =
φ
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Al utilizar este algoritmo, el documento
es generado bajo el supuesto de la ´bolsa
de palabras´, el cual señala que el orden de
las palabras no aporta mayor información
al análisis. No obstante, a diferencia de la
generación de documentos en la que a partir
de los tópicos se originan los términos W
d,n
que componen los textos (corpus), en la
determinación de temas se da el proceso
inverso.
En efecto, esta determinación de temas
se realiza mediante inferencia bayesiana,
la cual consiste en la obtención de la
distribución a posteriori de las cantidades
de interés, es decir la
cual no puede ser obtenida analíticamente,
sino que debe aproximarse mediante
métodos computacionales como el
algoritmo del muestreador de Gibbs, el cual
fue empleado en esta investigación. Este
distribuciones condicionales completas,
sin embargo no es necesario incluir los
distribución a posteriori puede ser derivada
a partir de
. Heinrich (2008)
propone que el tema asignado para una
palabra depende de la asignación de
los temas de las demás palabras y del
vocabulario. De esta manera, determina que
la distribución condicional completa para la
( )
() ( )
,,
() ( )
,
11
|, ,
1
tk
ki t di k
i ii i
VK
tk
ki t d k
tk
nn
fz k w t
nn
βα
βα
−−
−−
−
= =
++
= = = ×
+ +−
∑∑
zw
considerando
{ }
,i dn=
la expresión, además
()
,
t
ki
n
−
representa el
número de veces que la palabra t ha sido
()
,
k
di
n
−
,
el número de veces que el tema k ha sido
observado a través de una palabra en el
Luego, la distribución de los parámetros
uso del teorema de Bayes. En primer lugar,
la mixtura de temas por documento resulta:
donde n
d
es el vector de frecuencias de las
K
d,k
es la
mixtura de palabras por tema:
donde n
k
es el vector de frecuencias de cada
ɸ
k,t
es la probabilidad de que
palabra. Todo el proceso de inferencia
detallado fue ejecutado en R mediante el
paquete topicmodels.
d) Selección del número de temas
utilizan el
concepto de selección bayesiana de modelos,
aproximando la verosimilitud marginal
fk) mediante la estimación de la media
armónica de un conjunto de valores fK
k) cuando z es obtenido de la distribución
posterior fK k) mediante el muestreador
de Gibbs. Luego, plantea elegir el valor de K
que maximiza dicha verosimilitud marginal.
Por otro lado, Cao et al. (2009) propone
un indicador basado en el promedio de las
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
correlaciones en pares de los temas, debiendo
ser elegido el valor de K que minimiza
dicha correlación promedio. Arun et al.
(2010) considera al modelo de ALD como
un método en el que la matriz de términos de
documentos se factoriza en una matriz M
1
de
dimensión K X V y otra M
2
de dimensión D X
K. El indicador sugerido por Arun se basa en
de las distribuciones de valor singular de M
1
y L
1XD
donde L
1XD
es un vector que contiene
el número de términos de cada documento
del corpus. Este indicador se minimiza para
elegir el número de temas K. Finalmente,
Deveaud et al. (2014) proponen estimar el
indicador de divergencia de información
entre todos los pares de temas, el cual debe
ser maximizado. Estos cuatro indicadores
vienen implementados en el software R, en
el paquete ldatuning.
e) Interpretación de los temas
En principio, la interpretación de cada tema
que lo compone. Grimmer (2009) etiqueta los
un grupo aleatorio de documentos con alta
probabilidad de contener cada tema, también
propone usar documentos asociados a cada
tópico a través del tiempo y contrastarlos
con los acontecimientos sucedidos en la
realidad. El paquete LDAvis fue una de las
herramientas útiles para la interpretación de
temas.
Este paquete permitió obtener una
cuyo valor cercano a cero permitió señalar
las palabras de gran exclusividad en el tema
en análisis, es decir que su probabilidad de
ser parte de una mixtura que explica otro
tema es cercana o igual a cero, mientras
señalaron términos bastante frecuentes, pero
que no eran exclusivos del tema en cuestión.
0,6, permitió interpretar y dar nombre a cada
tema.
2. Resultados y discusión
Limpieza de textos
Durante el procedimiento de limpieza, el
texto original se convierte en una lista de
tokens (en minúsculas, sin tildes, números,
caracteres especiales, URL, ni signos de
puntuación) tal como se muestra en la Tabla
1.
Tabla 1. Ejemplo de limpieza de texto
Texto sin limpiar Texto limpio
grandes empresas deben
por impuestos, más de
6000 millones debe
#Telefónica (#Movistar).
Sinvergüenzas https://t.
co/rOJN0ShkJN
millones grandes
empresas deben
impuestos
millones debe
telefonica
movistar
sinverguenzas
Resultados descriptivos
Una vez que los tuits están limpios, un
primer resultado corresponde a la nube de
palabras. En las Figuras 1 y 2 se muestran
estos resultados para los meses de enero y
setiembre de 2018. En estas nubes, se observa
que las palabras más frecuentes varían según
el contexto: en enero resaltan las palabras
referidas a las reacciones frente al indulto de
Alberto Fujimori (Fowks, 2017) y la visita
del papa Francisco ( ),
mientras que en setiembre son notorios los
términos relacionados con las reformas
políticas (Diario El Comercio, 2018d), sin
embargo, aquellas palabras concernientes
al Congreso de la República (congreso, ley,
comisión) se mantienen en ambos meses.
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Figura 1. Nube de palabras para enero de
2018
A partir de las nubes, se puede extraer
una lista de personajes más nombrados, es
decir aquellos que han sido mencionados
al menos 200 veces durante cada mes, los
cuales aparecen, junto a su(s) token(s),
señalados en la Tabla 2.
También es posible indicar los grupos
políticos y los usuarios más activos en Twitter
para el periodo de estudio, lo cual se muestra
en las y 4, respectivamente. Fuerza
Popular, la bancada mayoritaria del Congreso
de la República, ha compartido en promedio
tuits diarios, siendo las congresistas Úrsula
Letona y Lourdes Alcorta, ambas de Fuerza
Popular, las más activas en Twitter, con un
promedio de 12 tuits publicados por día.
Figura 2. Nube de palabras para setiembre
de 2018
Tabla 2. Personalidades más mencionadas por políticos peruanos en sus cuentas de Twitter
Personalidad
Token
E F M A M J J A S
Papa Francisco papa
Alberto Fujimori fujimori
Pedro Pablo
Kuczynski
ppk, ppkamigo
Jorge Barata barata
Keiko Fujimori keikofujimori
vizcarra,
martinvizcarrac
cesarvperu
Pedro Chávarry chavarry
César Hinostroza hinostroza
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
Figura 3. Grupos políticos más activos en
Twitter
Estructuración de datos y modelamiento
Para iniciar con el modelamiento se requiere
estructurar los datos. Así, la matriz de
términos de documentos es una tabla de
250 columnas (vocabulario). Un extracto de
esta matriz, referido a algunos términos en
los documentos de la semana 2, se muestra
en la .
A partir de este punto, la data se encuentra
estructurada y lista para el análisis. Se aplicó
el modelo de Asignación Latente de Dirichlet
considerando los siguientes parámetros de
control para el algoritmo del muestreador de
Gibbs: un total de 200 000 iteraciones de las
cuales “se queman” las primeras 1000 (burn
in) y de las restantes, se conservan solo 40
000 a efectos de disminuir la autocorrelación
entre dos iteraciones consecutivas. Además,
los valores iniciales par a α y β fueron los
propuestos por Grün & Hornik (2011).
Por otro lado, los indicadores de
(2004), Cao (2009) y Arun (2010) señalan
que es razonable considerar que el corpus
está construido en base a 20 temas.
Figura 4. Políticos más activos en Twitter
Tabla 3. Extracto de la matriz de términos de documentos
Términos
Documento igual imponer impuestos independientes indignante indulto infame
AP.2 1 0 0 0 0 1 0
APP.2 0 0 0 0 0 6 0
APRA.2 0 0 0 0 0 10 0
EJE.2 2 0 2 0 0 0 0
FA.2 0 0 0 0 0 4 2
FP.2 5 1 1 2 17 0
NAG.2 2 0 0 0 1 0
NP.2 2 0 0 0 0 57
PPK.2 0 0 0 2 0 2 0
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Figura 5. Indicadores para selección del número de temas
Interpretación de temas mediante mixtura
de palabras y vericación de documentos
En las Tablas 4 y 5 se aprecia las palabras
que caracterizan los temas para y
= 1, respectivamente, ordenados de mayor
a menor frecuencia de aparición. Ambas
Tablas pueden ser usadas para dar nombre a
los temas. Así, al primer tema, que concentra
casi la mitad de los contenidos, se le dará
el nombre de ´Labor del Poder Ejecutivo y
Legislativo´ ya que es explicado por palabras
como congreso, ley (una de las principales
funciones del Congreso de la República es
la aprobación de leyes), presidente y país (el
presidente representa los intereses del país).
Luego, el tema 2 recibió el nombre de
´Actividades de la bancada Fuerza Popular´,
dados los tokens asociados al tema tales
como bankadafp y milagrostakayama. De
nombres de las bancadas Nuevo Perú y
Frente Amplio, así como de sus integrantes,
motivo por el cual se le denominó
´Actividades de bancadas de izquierda´. Por
otro lado, el tema 4 trata acerca de los audios
y procedimientos irregulares en el Congreso
Nacional de la Magistratura (CNM), por lo
que se le denominó ´Corrupción judicial´.
A manera de ejemplo, un extracto del
documento 251, en el que se mencionan
diversas palabras asociadas al tema de la
´Corrupción judicial´, es mostrado en la
Figura 6
relevantes que componen la mixtura de este
tema se muestran en el panel derecho de la
Figura 7.
Enseguida, el tema 5 hace referencia a
eventos que sucedieron durante el verano:
los pedidos de vacancia presidencial, el caso
Odebrecht, las reacciones frente al indulto
de Alberto Fujimori, el accidente de un
bus ocurrido en Pasamayo (Diario Perú21,
2018a) y la huelga de agricultores de papa
(Diario La República, 2018a). Hasta este
punto, los cinco primeros temas explican
el 70,8% del corpus. La lista completa de
temas se detalla en la Tabla 6.
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
Tabla 4. Términos de caracterización exclusiva (0)
tema términos
1 asi, hace, bien, mejor, importante
2 descentralizacion, bankadafp, ferrenafe, milagrostakayama, grtujillo
nuevoperu, bancadafaperu, mov, richardarceperu, cdpueblos
4 becerril, reformajudicial, recuperarelperu, senorak, remover
5 pasamayo, keikoestalimpia, carnaval, fusiones, serpentin
6 familiamidis, education, lilarosahu, amp, school
7
8 cooperativas, sbs, castración, química, noallavado
9
10 yoshiyama, diainternacionaldelamujer, kenjivideos, anosdefuerzapopular, uif
11 robertovieirap, nicolaslucar, snp, econterno, amariateguiblog
12 cumbreperu, chavin, huantar, comandos, síria, chavindehuantar
14 jibaja, comonotevoyaquerer, felizdiadelcampesino, juntos, cosechando
15 sheput, salvadorheresi, penitenciario, homofobia, bancadappk
16 cavassa, cupula, murodelima, aironnelson, servidora
17
18 eyvi, juanita, detenerse, diadelmaestro, simulacro
19 pontifex, franciscoenperu, unidosporlaesperanza, polo, modopapa
20
siempreadelante, dmorazevallos, nadietelodicenosotrostelodecimos, laeducserespeta,
gorjeda
Tabla 5. Términos recurrentes (1)
tema términos
1 pais, congreso, ser, ley, presidente
2 comision, congresoperu, sesion, pleno, bankadafp
mujeres, nuevoperu, violencia, ley, congresoperu
4
5 ppk, barata, odebrecht, pasamayo, vacancia
6 familiamidis, midis, ministra, educacion, education
7 terepresenta, fpentodoelperu, semanaderepresentacion, distrito, obra
8 cooperativas, sbs, supervisión, pleno, ahorro
9 constitución, reforma, congreso, cnm, reformas
10 ppk, vacancia, presidente, ppkamigo, renuncia
11 robertovieirap, rppnoticias, exitosape, canaln, nicolaslucar
12 lista, menores, teestamosbuscando, completa, conoce
directiva, mesa, periodo, vizcarra, referendum
14 rusia, medios, gracias, publicidad, mundial
15 juansheput, sheput, bruce, juan, carlos
16
17
18 violencia, eyvi, agreda, feminicidio, maestros
19 papa, francisco, esperanza, pontifex, franciscoenperu
20 siempreadelante, universidades, reconstruccionconcambios, piura, mtc
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Figura 6. Extracto del documento 251
En la Figura 7 se puede visibilizar, además
de la mixtura de palabras que explica
el tema 4, la relación existente entre los
temas, formándose ciertas agrupaciones.
Los contenidos de la ´Labor del Poder
Ejecutivo y Legislativo´ (tema 1) guardan
relación con los tuits acerca de los temas 2
´Actividades de la bancada de Fuerza
Popular´ y ´Actividades de las bancadas de
izquierda´, respectivamente. Esta asociación
natural se da ya que el Poder Ejecutivo, la
bancada fujimorista y las de izquierda son
los principales actores del debate político
durante el periodo de estudio.
Figura 7. Relación entre temas (izquierda) y mixtura de términos para el tema 4 (derecha)
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
Tabla 6. Temas encontrados
N° Nombre Porcentaje
1 Labor del Poder Ejecutivo y Legislativo 49,5 %
2 Actividades de la bancada Fuerza Popular 9,7 %
Actividades de las bancadas de izquierda 4,9 %
4 Corrupción judicial
5 Eventos de verano 2,9 %
6 Inclusión social 2,7 %
7 Actividades de representación parlamentaria 2,7 %
8 Supervisión de cooperativas 2,5 %
9 2,4 %
10 2,4 %
11 Contenido periodístico
12 Búsqueda de personas desaparecidas y terrorismo 2,2 %
Referéndum 2,1 %
14 Mundial Rusia 2018 y ley de publicidad estatal 2,0 %
15 Actividades de bancada Ppk 1,6 %
16 Relación de José Cavassa con el partido Ppk 1,6 %
17
Actividades del Primer Ministro y polémica por enfoque de
género
1,5 %
18
19 1,1 %
20 Educación superior 0,9 %
Un segundo grupo de temas está
conformado por el tema 4 (´Corrupción
judicial´) y 9 (´ ´)
ya que el último puede considerarse como
consecuencia directa del primero (Diario
El Comercio, 2018e). Luego, los temas 6
(´Inclusión social´) y 7 (´Representación
parlamentaria´) se centran en actividades
de la capital, por lo que resultan muy poco
distanciadas; asimismo, los acontecimientos
sucedidos en verano (tema 5), como el
accidente de bus en Pasamayo o la huelga de
agricultores de papa.
de corrupción ligados a personalidades del
Poder Ejecutivo y el partido de gobierno
´Referéndum´) es
una iniciativa contra la corrupción (Ramos,
2018), mientras que el tópico 16 (´Cavassa
y el partido PpK´) es una acusación, por
parte de la oposición, de que José Luis
Cavassa habría trabajado para el partido
PPK en campaña de 2016, según informó La
República (2018d).
Interpretación de temas mediante
vericación temporal
Si bien el primer tópico domina casi el
50% de los contenidos, cuando se realiza
el análisis semanalmente, los porcentajes
referidos a los demás temas van variando.
En la Figura 8 se detalla la distribución
semanal de temas para el primer trimestre de
2018 en la que destacan tres coincidencias
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
temporales con lo acontecido en la realidad:
a) La visita del papa Francisco a Perú
durante la tercera semana del año.
b) Los acontecimientos que sucedieron en
verano (accidente de bus en Pasamayo,
huelga de agricultores, etc.), los cuales
van perdiendo terreno en cuanto a
contenido textual a medida que avanzan
las semanas.
c) La renuncia de Pedro Pablo Kuczynski
en la semana 12, la cual vino antecedida
de algunas semanas por los pedidos de
vacancia presidencial
A continuación, en la Figura 9, se
representan los temas para el segundo
trimestre del año 2018. De manera similar
al primer trimestre, se observan las
coincidencias temporales:
a) El arresto domiciliario de Osmán Morote
(Diario El Comercio, 2018b), ordenado
por el Poder Judicial durante la semana
lo cual conlleva a un mayor contenido
textual referente al tema ´Terrorismo
y búsqueda de personas desparecidas´,
entre esas semanas.
b) La ´ ´ realizada en
la semana 18 (Diario Perú21, 2018b)
origina que el tema de ´Polémica por
temas de enfoque e ideología de género´
fuera resaltante durante esa semana y la
inmediata posterior.
c) El fallecimiento de Eyvi Ágreda
(Diario La República, 2018c), ocurrido
´´
d) El debate por la supervisión de
cooperativas de ahorro y crédito por
parte de la Superintendencia de Banca y
Seguros (2018), cuya aprobación se dio
al tema ´Supervisión de cooperativas´ en
las semanas previas.
e) El ´Mundial de fútbol Rusia 2018´ y la
´Ley que regula la publicidad estatal´
en medios fueron los temas de agenda
política a partir de la quincena de junio
(semanas 24, 25 y 26).
Figura 8 . Distribución semanal de temas (enero a marzo de 2018)
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
Figura 9. Distribución semanal de temas (abril a junio del 2018)
Figura 10. Distribución semanal de temas (julio a setiembre del 2018)
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Finalmente, en la Figura 10 resaltan tres
temas, en la agenda política del país, del
tercer trimestre del año 2018:
a) Las denuncias de corrupción judicial y
política que salieron a la luz la semana
28 mediante los denominados ´CNM
Audios´.
b) El pedido de referéndum durante el
mensaje a la nación del presidente
c)
Agenda por grupo político
Se muestra, en las Figuras 11 y 12 las
agendas políticas del Poder Ejecutivo y
Fuerza Popular, respectivamente, grupos
políticos que se han venido enfrentando
durante varios meses, según lo señalado en
el diario El Comercio (2018d). En el primer
caso, es notoria la división natural en tres
grandes temas: labor del Poder Ejecutivo
y Legislativo, inclusión social y educación
superior. Además, nótese que disminuye la
cantidad de contenido textual de este último
asuma la presidencia, pasando a tener una
agenda más variada (a partir de la semana
En contraste al Poder Ejecutivo, la
agenda política de la bancada de Fuerza
labor como Congresistas de la República y
como miembros fujimoristas, y los restantes
sobre un tema coyuntural y de corta duración,
por ejemplo, los acontecimientos de verano,
la vacancia presidencial, el terrorismo, la
de manera periódica el tema de ´actividades
de representación parlamentaria´.
Figura 11. Agenda política del Poder Ejecutivo
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
representación parlamentaria´.
Figura 12. Agenda política del grupo parlamentario Fuerza Popular
Finalmente, en la se tiene la agenda
política de los 9 grupos políticos para todo el
periodo en estudio:
1. Los contenidos de mayor recurrencia
entre los políticos del Poder Ejecutivo
responden a sus labores regulares,
así como los de inclusión social y, en
menor medida, la educación superior del
país. Puede observarse también siendo
este patrón de contenidos textuales
bastante disímil con los grupos políticos
parlamentarios.
2. La agenda política de la bancada
Fuerza Popular prioriza, además de sus
actividades regulares, los eventos de
verano y las actividades de representación
parlamentaria. Es la bancada con mayor
contenido respecto a este último tema.
3. Las bancadas de izquierda (Nuevo Perú
Libertad) presentan agendas políticas
similares: además de comunicar sus
labores cotidianas, prima el contenido
acerca de la corrupción judicial.
4. Las bancadas de Acción por el Progreso
y Peruanos por el Kambio también se
inclinan por compartir contenidos acerca
de corrupción en el sistema de justicia.
Este último grupo parlamentario, de
manera similar a Fuerza Popular y a las
bancadas de izquierda, suele compartir
sus actividades partidarias, aunque en
menor medida.
5. La Célula Parlamentaria Aprista opta
por informar acerca del terrorismo y la
búsqueda de personas desaparecidas.
Fuera de ello, su agenda de temas
difundidos es bastante variada.
6. Los congresistas no agrupados
anteponen el contenido periodístico. A
excepción de los temas de ´Terrorismo
y búsqueda de personas desparecidas´ y
´Contenidos periodísticos´, las agendas
políticas de la Célula Parlamentaria
Aprista y los congresistas no agrupados
es muy similar.
7. La bancada Acción Popular muestra una
agenda bastante variada, dando pesos
no muy distintos a todos los temas,
a excepción de las labores del Poder
Ejecutivo y Legislativo que resaltan al
igual que en los otros grupos políticos.
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
Figura 13. Agenda por grupo político
4. Conclusiones
La técnica de Topic Modeling mediante la
Asignación Latente de Dirichlet permite
tratados en un gran conjunto de textos. En
efecto, se detectó que la principal prioridad
de los políticos peruanos ha sido compartir
las labores de gestión que conlleva su cargo.
Por otro lado, si bien el tema de corrupción
judicial se originó recién en el tercer
para poder ser uno de los temas de mayor
difusión en el año. El mismo efecto, pero
en menor medida, sucede con los eventos
acontecidos durante los meses de enero y
febrero. Cabe resaltar que los políticos han
mostrado poco interés en las elecciones
municipales y regionales llevadas a cabo
en el mes de octubre de 2018, ya que el
análisis no logra localizar este tema, a
diferencia de otros eventos puntuales tales
de fútbol Rusia 2018 y la visita del papa
Francisco, los cuales sí tuvieron eco en
las cuentas de Twitter de los políticos
peruanos. Al comparar las agendas por
grupos políticos, se nota que estos presentan
agendas con temas disímiles: mientras que
el Poder Ejecutivo otorga importancia a
las actividades de inclusión social, Fuerza
Popular y las bancadas de izquierda dan
espacio a sus actividades partidarias. Por
otra parte, el tema de corrupción judicial
ha sido mencionado por el Poder Ejecutivo,
Fuerza Popular y la Célula Parlamentaria
Aprista en menor medida que otros grupos
políticos. Para futuros trabajos se recomienda
adicionar análisis de sentimientos textuales,
ya que no solo se estudiarían los contenidos
sino el grado de concordancia o discordancia
de los autores con lo que escriben. Además,
es posible considerar el uso de bigramas y
trigramas, así como de técnicas que permitan
la limpieza de términos textuales con errores
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
5. Literatura citada
Alvarado, J.; Carrillo, A.; Forero, J.;
Caicedo, L.; Urueña, J. 2016. Análisis
de sentimiento político en twitter
para las elecciones de la alcaldía de
Internacional de Estadística,
Murty, M. 2010. On Finding the
Natural Number of Topics with
Latent Dirichlet Allocation: Some
Observations. En: Zaki, M.J. et al.
(Eds.). Advances in Knowledge
Discovery and Data Mining. Springer,
Dirichlet Allocation. Journal of
Machine Learning Research
1022.
Cao, J.; Xia, T.; Li, J.; Zhang, Y.; Tang,
for adaptive LDA model selection.
Neurocomputing (72): 1775 – 1781.
Cardenas, R.; Bello, K.; Coronado, A.;
demand analysis for engineering
majors in Peru using Shallow Parsing
and Topic Modeling. Machine
Learning Summer School. Japón.
Darling, W. 2011. A Theoretical and
Practical Implementation Tutorial on
Topic Modeling and Gibbs Sampling.
Reporte técnico. Disponible en
lda.pdf
Deveaud, R.; Sanjuan, E.; Bellot, P. 2014.
Modeling for Ad Hoc Information
Retrieval. Revue des Sciences et
Presentan moción de vacancia contra
PPK por “incapacidad moral”.
2018. Correo, Lima, Perú; 8 marzo.
Disponible en https://goo.gl/MX9n1s
PPK: presentan moción de vacancia
presidencial. 2017. El Comercio,
Lima, Perú; 15 diciembre. Disponible
en https://goo.gl/cwvvGx
El diálogo entre Kenji, Bocángel y Mamani.
2018ª. El Comercio, Lima, Perú; 21
marzo. Disponible en https://goo.gl/
fxuzGG
Osmán Morote, el cabecilla de Sendero
que deja el penal de Ancón. 2018b.
El Comercio, Lima, Perú; 18 abril.
Disponible en https://goo.gl/7tXzLS
Audios complican situación de jueces
y miembros del CNM. 2018c. El
Comercio, Lima, Perú; 20 julio.
Disponible en https://goo.gl/nujjmh
Pugna entre Ejecutivo y FP se reaviva:
2018d. El Comercio, Lima, Perú; 28
agosto. Disponible en https://goo.gl/
BMGTb1
de reforma tienen que aprobarse”.
2018e. El Comercio, Lima, Perú; 19
setiembre. Disponible en https://goo.
gl/24UrJj
Odebrecht: Jorge Barata revela aportes a
PPK, Fuerza Popular, Nacionalistas y
Apra. 2018. Gestión, Lima, Perú; 28
febrero. Disponible en https://goo.gl/
k9SuHW
Agricultores de papa se van otra vez a la
huelga. 2018a. La República, Lima,
https://
goo.gl/e7PCki
Congreso aceptó renuncia de PPK. 2018b.
Disponible en https://goo.gl/SNihbK
Eyvi Ágreda: Murió la joven que fue
República, Lima, Perú; 1° junio.
Disponible en https://goo.gl/rQfjBB
Topic modeling en twitter: determinación de la agenda política peruana en el periodo de enero a setiembre del 2018
José Luis Cavassa habría trabajado para
partido PPK en campaña de 2016.
2018d. La República, Lima, Perú; 7
setiembre. Disponible en https://goo.
gl/mZ1iRM
A 51 se eleva la cifra de muertos tras accidente
en Pasamayo. 2018a. Perú21, Lima,
https://
goo.gl/2xSgQG
Lima. 2018b. Perú21, Lima, Perú; 5
mayo. Disponible en https://goo.gl/
zgUjh8
Datum. 2018c. Credibilidad de políticos
desciende a niveles alarmantes,
advierten. Perú21, Lima, Perú; 14
ago. Disponible en https://goo.gl/
ytao8z
Fang, A.; Ounis, I.; Habel, P.; Macdonald,
User’s Political Orientation. In: 6th
Symposium on Future Directions in
Information Access, Grecia.
Farías, M. 2017. Twitter como vía para
análisis del caso #Conga, Perú. Tesis
de licenciatura. Universidad de Piura,
Piura. Perú. 89 p.
Fowks, J. 2017. Protesta masiva en Lima
contra Kuczynski por el indulto a
Fujimori. El País, Lima, Perú; 29 dic.
Disponible en https://goo.gl/SbhqQt
Greene, D.; Cross, J. 2017. Exploring the
Political Agenda of the European
Parliament Using a Dynamic Topic
Modeling Approach. Political
of Sciences of the United States of
Grimmer, J. 2009. A Bayesian Hierarchical
Topic Model for Political Texts:
Measuring Expressed Agendas in
Senate Press Releases. Political
Grün, B.; Hornik, K. 2011. Topicmodels: An
Journal of Statistical Software (40):
Heinrich, G. 2008. Parameter estimation
for text analysis. Reporte técnico.
Disponible en http://www.arbylon.
Hidalgo, M. 2017. La vacancia de PPK
se resuelve el próximo jueves 21.
El Comercio, Lima, Perú; 16 dic.
Disponible en https://goo.gl/GJKnnP
Linares, R.; Herrera, J.; Cuadros, A.; Alfaro,
L. 2015.
to Peru by using sentiment analysis
in Twitter social network. In: Latin
American Computing Conference,
Mateo, J. 2016. Análisis de contenidos
Europeo (BCE). Trabajo de máster.
Universidad Complutense de Madrid,
Madrid, España. 71 p.
Montesinos, L. 2014. Análisis de
sentimientos y predicción de eventos
en Twitter. Tesis de pregrado.
Universidad de Chile, Santiago de
Chile. Chile. 60 p.
Pla, F.; Hurtado, L. 2014. Political Tendency
Sentiment Analysis Techniques. In:
25th International Conference on
agosto, 2014. Irlanda.
Presidencia del Consejo de Ministros. 2018.
Decreto Supremo que convoca a
Elecciones Regionales y Municipales
2018; 4 ene. Disponible en https://
goo.gl/xKjcrE
Gamboa, J. / Anales Cientícos 80(2): 308-327 (2019)
referéndum para combatir la
corrupción en Perú. Diario Financiero,
Lima, Perú; 10 oct. Disponible en
https://goo.gl/Bu1JQe
SBS [Superintendencia de Banca y Seguros].
2018. SBS Informa. Boletín Semanal
N° 021. Disponible en https://goo.gl/
AGvHLi
Sigueñas, M. 2016. Técnicas de Minería de
Textos para el Análisis de Discursos
y Documentos. Disponible en https://
goo.gl/i79hg8
Francisco en el Perú: Lo que nos dejó
Disponible en https://goo.gl/xX1dan
Use of text
mining for understanding Peruvian
students and faculties’ perceptions
Annual International Symposium on
Information Management and Big
Lima, Perú.
crisis peruana. Disponible en http://
peruana/
Yano, T.; Cohen, W.; Smith, N. 2009.
Predicting response to political blog
posts with topic models. Proceedings
of Human Language Technologies.
In: The 2009 Annual Conference
of the North American Chapter of
the Association for Computational
Linguistics, 1° jun., 2009. Estados
Unidos.
