{"CACHEDAT":"2026-05-18 11:01:00","TRANSLATEDAT":"2026-05-18 11:01:00","SOURCESIGNATURE":"873797facc63c37029ff491a16877b323f77c59b3ea3abe931d88697984ae269","SLUG":"information-circulation-visibility-p2b5TyW2TY","MARKDOWN":"# Information Visibility & Prominence\n\nInformation Visibility refers to whether — and how prominently — specific information items, topics, sources, or accounts appear to users in digital environments. Information that exists in a platform's index or network does not automatically reach all users, nor reach them in the same way. \n\nVisibility is the outcome of two interacting forces: \n\n* how information is circulated (sharing, redistribution, spread) and \n* how it is surfaced prominently, pushed down, or filtered out.\n\n\n:::warning\n**Distinguishing reliability and visibility is essential for information literacy.**\n\n* **Reliability** depends on who created an item (author) and how it was edited (editorial review) — not on whoever shared it, on the environment it appeared in, or on how prominently it was surfaced.\n* **Visibility** depends on who shares an item, on the mechanisms that surface it, and on the practices through which it is amplified. Visibility is not a measure of reliability.\n\nFor example, a retweeted article: the account that shared it and the platform that surfaced it influenced its visibility — but the article has its own author and editorial history, whose reliability must be assessed separately.\n\n:::\n\n# Information Circulation: Sharing, Forwarding, Linking, Reposting, Quoting\n\nPeople, accounts (including bots), and organisations circulate existing information items by sharing, forwarding, linking, reposting, quoting, or otherwise redistributing them.\n\n→ When an item is passed on with added commentary, interpretation, or reframing, a new information item is created with a new author.\n\n# Source-Driven Information Promotion & Visibility\n\nPractices initiated by sources — those who create, publish, or promote information items. Sources include individual users, content creators, organisations, advertisers, and website operators. Unlike platform-driven mechanisms, these practices are driven by the sources themselves, who decide how to make their content visible. They operate in two modes: by adapting content to the platforms' ranking systems (Reach, Direct Addressing, SEO, SMO, Platform-specific Optimisation), or by paying directly for placement (Paid Placements).\n\n## Account Reach\n\nThe size and structure of a sharer's potential audience.\n\nSeveral factors determine reach:\n\n* #### follower or subscriber count\n* #### verification status \n* #### account standing: age, engagement history, platform reputation\n\nReach affects visibility in two ways:\n\n* *directly*: items shared by high-reach accounts appear in more feeds at the moment of sharing\n* *indirectly*: high-reach accounts generate more engagement signals, which platform algorithms then use to elevate items in ranking (→ Algorithmic Gatekeeping)\n\n→ Reach varies widely: a private account with 100 followers and a public account with one million followers operate at fundamentally different scales of influence on visibility.\n\n## Direct Addressing\n\nMechanisms by which sharers target specific recipients, producing immediate prominence for those users through platform notifications.\n\nExamples:\n\n* #### @mentions\n* #### tagging (in photos, posts, or threads)\n* #### quote-tweets & reply-mentions\n* #### group direct messages\n* #### mailing-list addressing (To, CC)\n\n→ Direct addressing differs from regular sharing: the targeted user receives the item directly via notification, regardless of whether they would otherwise have encountered it through their feed.\n\n→ Direct addressing is a hybrid mechanism. It operates user-side, but functions through platform infrastructure (notification systems). Its effect is immediate prominence for the addressed user.\n\n## Search Engine Optimisation (SEO)\n\nSource-side practices to adapt **websites** — their content, metadata, and link structure — so that they rank more prominently in **general-purpose search engine results** (Google, Bing, DuckDuckGo, etc.).\n\nCommon practices include:\n\n* keyword research and integration in titles, headings, body text\n* metadata optimisation (title tags, meta descriptions, alt text)\n* link building (acquiring inbound links from authoritative sites)\n* site structure and internal linking\n* page speed and mobile-friendliness\n* producing content that matches search intent\n\n→ SEO is the most formalised optimisation discipline because search engine ranking signals are relatively stable and well-documented (Lewandowski et al.). Specialised SEO professionals, agencies, and tools support its practice.\n\n→ SEO does not change how search engines rank pages — it adapts the website to fit existing ranking criteria. Publishers can shape what the algorithm sees, not how it decides.\n\n## Social Media Optimisation (SMO)\n\nSource-side practices to maximise visibility, engagement, and shareability of content on social media platforms.\n\nCommon practices include:\n\n* hashtag strategies (trending or topic-specific tags)\n* posting timing (when target audiences are active)\n* content format choices (short video, carousels, reels)\n* headline and hook design (catching attention quickly)\n* encouraging engagement (questions, polls, calls to action)\n* cross-platform repurposing of content\n\n→ SMO is less formalised than SEO because social media ranking signals are more opaque and platform-specific. Practices shift as algorithms change.\n\n## Platform-Specific Optimisation\n\nOptimisation strategies tailored to the conventions and ranking logics of individual platforms — beyond general SEO or SMO principles.\n\n* TikTok: hooking viewers in the first three seconds, using trending sounds, vertical short-form video\n* Instagram: high-quality visuals, Reels-first strategy, hashtag mixing\n* YouTube: thumbnail design, watch-time optimisation, keyword-rich titles and descriptions\n* LinkedIn: long-form professional posts, native publishing, networked engagement\n* X (Twitter): concise hooks, threads, replying to high-reach accounts\n\n→ Platform-specific optimisation requires understanding each platform's ranking system, audience behaviour, and content format preferences. What works on TikTok rarely works on LinkedIn.\n\n## Paid Placements & Advertising\n\nSource-side practice of paying for visibility — sponsored content placed alongside organic content, typically through advertising.\n\nCommon forms:\n\n* sponsored search results (search engine ads)\n* sponsored posts and promoted content (social media)\n* display ads (banners, videos)\n* influencer partnerships (paid collaborations)\n\n→ Paid placements bypass organic ranking systems: instead of optimising content to rank well, the source pays the platform directly for placement.\n\n→ They are sometimes clearly labelled (\"Sponsored\", \"Ad\"), sometimes only weakly distinguishable from organic results. Labelling standards vary by jurisdiction and platform. \n\n# Platform-Side Information Promotion & Gatekeeping\n\n\n:::warning\nWhat users actually see is rarely the product of a single mechanism. In a search engine, an algorithmically ordered list of organic results is presented alongside paid placements, AI-generated summaries, and sometimes editorial highlights — and the underlying ranking signals can be deliberately influenced through *Search Engine Optimisation*. In a social media feed, algorithmically ranked posts appear next to sponsored content, recommended accounts, and trending overlays. Each component follows its own logic and contributes to a composite visibility outcome.\n\n:::\n\n## Editorial Curation\n\nPlatform-side manual curation: information items deliberately featured by editorial teams or platform operators rather than surfaced through algorithmic ranking.\n\nExamples:\n\n* featured Snippets in search results\n* curated trending sections\n* editor-selected stories in news aggregators\n* platform-promoted hashtags\n* Editor's Picks in app stores\n* featured creators or accounts\n\n→ Editorial highlights sit alongside the algorithmic mechanisms and reflect the platform's own judgements about which content deserves prominent display.\n\n→ Unlike algorithmic gatekeeping (curation and personalisation), editorial gatekeeping involve human editorial choices by the platform itself. Functionally, this is a form of *Editorial Gatekeeping* ) — performed by the platform rather than by traditional publishers.\n\n## Algorithmic Gatekeeping\n\n**Algorithmic Gatekeeping** refers to the role of algorithms in deciding which information items reach which users — the digital counterpart to *Editorial Gatekeeping* (→ Information, Sources & Information Environments → Editorial Review). It involves both **selection** (what is surfaced and ranked highly) and **exclusion** (what is filtered, demoted, or hidden).\n\nAlgorithmic gatekeeping operates across different platform types:\n\n* in **search engines**, algorithms select and order results based on queries\n* in **social media feeds**, algorithms decide which posts appear more prominently\n* in **video platforms**, algorithms suggest what to watch next\n* in **AI-based answer systems**, algorithms generate, summarise, or synthesise responses\n\nAlgorithmic gatekeeping operates in two modes that often work together: general operations applied across all users (*Algorithmic Curation*), and individual tailoring based on tracked user signals (*Algorithmic Personalisation*).\n\n### Algorithmic Curation\n\nGeneral algorithmic operations applied across users — they shape what information is available on the platform, regardless of who the user is.\n\n* **Crawling and Indexing** — *Which information items become available for display?*\n  * search engines crawling the web\n  * content aggregators indexing news sources\n  * app stores cataloguing available apps\n* **Filtering and Moderation** — *Which items are blocked or down-ranked under platform rules?*\n  * spam filters\n  * removal of policy-violating content (hate speech, illegal content, graphic material)\n  * down-ranking of low-quality or misleading material\n* **Quality Scoring** — *Which sources or items are evaluated as more credible or higher-quality?*\n  * search engines penalising low-quality sites\n  * news aggregators ranking by source authority\n  * peer-review-influenced ranking on academic search engines\n* **Trending Detection** — *Which items are surfaced as currently popular?*\n  * trending topics on social platforms\n  * top charts on streaming services\n  * \"What's happening\" and \"Today's headlines\" sections\n  * popular hashtags\n\n→ Algorithmic curation defines the *pool* of information available on the platform. It largely operates the same way for all users.\n\n### Algorithmic Personalisation\n\nAlgorithmic operations that adapt the selection, order, and presentation of information to individual users based on their tracked signals. These signals accumulate over time into user histories that algorithms draw on.\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n* **Personalised Ranking** — *Which items are ordered higher for this user?*\n  * personalised search results (location, history, profile shape ordering)\n  * social media feed ordering (\"For You\" feeds, \"Top posts\")\n  * engagement-based ranking — optimisation for predicted interaction, dominant on social media\n* **Recommendations** — *Which items are suggested to this user beyond what they actively requested?*\n  * \"Recommended for you\" video lists\n  * suggested accounts, groups, or topics to follow\n  * \"People you may know\"\n  * related articles, similar products, \"Up next\"\n* **Personalised Advertising** — *Which adverts are targeted to this user?*\n  * search ads tailored to past queries\n  * social media sponsored posts based on profile and behaviour\n  * retargeted display ads on websites\n  * influencer partnerships matched to audience interests\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n→ Personalisation creates a **feedback loop**: what users do affects what they see next, and what they see next can influence what they do.\n\n#### ☑ User Signals Tracked by the Platform for Algorithmic Personalisation\n\nActions a user performs — actively or passively — within an information channel that may be tracked and used by algorithms to personalise the selection and visibility of information items.\n\n→ User actions are not limited to deliberate interactions such as clicking or liking. Many actions are passive or automatic, such as how long a user stays on a page, how far they scroll, or where they are located. Users are often unaware that these actions influence what they encounter next.\n\n| Type | What it is | Examples |\n|------|------------|----------|\n| **Explicit feedback** | Deliberate interactions the user chooses to perform | - searches / search queries<br>- clicks<br>- likes / reactions<br>- comments / replies<br>- shares / reposts / forwards<br>- follows / subscribes<br>- saves / bookmarks<br>- ratings / reviews<br>- purchases / downloads |\n| **Implicit behaviour** | Passive behavioural signals captured during use | - watch time / listen time / dwell time<br>- scroll behaviour (how far, how fast)<br>- hover behaviour<br>- skip behaviour |\n| **Contextual data** | Information about the situation in which the user is accessing the platform | - user's location data while using the application<br>- device type (e.g., phone or laptop)<br>- time of access |\n| **Account and social data** | Information from the user's profile and social connections | - profile information (age, interests, profession, gender)<br>- language settings<br>- linked accounts<br>- contact list / address book |\n\n\n:::info\n* Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), *Recommender Systems Handbook* (pp. 217–253). Springer. <https://doi.org/10.1007/978-0-387-85820-3_7>\n* Kelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. *ACM SIGIR Forum, 37*(2), 18–28. <https://doi.org/10.1145/959258.959260>\n* Li, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Beyond explicit and implicit: How users provide feedback to shape personalized recommendation content. In *Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25)*. Association for Computing Machinery. <https://doi.org/10.1145/3706598.3713241>\n* Narayanan, A. (2023). *Understanding social media recommendation algorithms.* Knight First Amendment Institute, Columbia University. <https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms>\n\n:::\n\n# Information Amplification\n\nAmplification refers to the systematic boosting of an item's visibility beyond the individual-user level — to produce broad visibility across user accounts, and sometimes across information environments. \n\nWhere *Source-Driven Promotion* (above) covers what a single source itself does to gain visibility, and *Platform-Side Gatekeeping* (above) describes the algorithmic operations through which platforms surface and rank content for individual users, *Amplification* refers to the resulting *boost outcomes at scale* — produced either as the aggregate effect of those platform operations (→ *Algorithmic Amplification*) or through coordinated activity by multiple actors (→ *Coordinated Amplification*).\n\n## Amplification Mechanisms\n\nAmplification operates through two principal mechanisms.\n\n* **Algorithmic Amplification** is *platform-driven*: it is the aggregate effect of *Algorithmic Gatekeeping* — the cumulative outcome of platform curation and personalisation on which items reach which users and how prominently.\n* **Coordinated Amplification** is *actor-driven*: multiple accounts, groups, or campaigns deliberately act in concert to boost the visibility of an item, hashtag, or narrative beyond what individual user activity would produce. The literature classifies it along two dimensions — the **coordination** (transparent or concealed) and the **accounts** (real or fake) — and distinguishes accordingly (Rogers & Righetti, 2025):\n  * **Coordinated Authentic Amplification**: coordination is transparent and accounts are real (e.g. open civic campaigns, advocacy, marketing).\n  * **Coordinated Inauthentic / Artificial Amplification**: coordination is concealed, accounts are fake, or both — manufacturing an appearance of organic support (Meta's *Coordinated Inauthentic Behaviour* / CIB; Gleicher, 2018).\n\nThe two mechanisms frequently combine. Coordinated networks exploit engagement-based ranking to trigger algorithmic boosts; algorithmic ranking, in turn, compounds whatever visibility coordination has already produced.\n\n* \n:::info\n  * Gleicher, N. (2018). *Coordinated Inauthentic Behavior Explained*. Meta Newsroom. <https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/>\n  * Rogers, R., & Righetti, N. (2025). Coordinated inauthentic behaviour on Facebook? A typology of manufactured attention. <https://doi.org/10.1177/29768624251369784>\n\n  :::\n\n### Algorithmic Amplification\n\nAlgorithmic amplification is the cumulative effect of the gatekeeping mechanisms above (Curation and Personalisation): the systematic shaping of which items, topics, accounts, and formats appear prominently to users — and which are filtered, demoted, or pushed down.\n\nEmpirical research shows that engagement-based ranking systematically amplifies emotionally charged and out-group hostile content, even when users themselves do not prefer such content (Milli et al., 2025). It also compounds existing reach: accounts and items with high prior engagement are rewarded with further visibility, producing highly skewed reach distributions (rich-get-richer effect).\n\nAlgorithmic interventions can have nonlinear effects in the opposite direction as well. A reduction of around 20% in an item's feed prominence can cut its reach by an order of magnitude (Narayanan, 2023).\n\nAlgorithmic amplification is not a neutral reflection of user activity. Its effects are emergent and visible primarily in the aggregate: individual recommendations are imprecise (engagement rates remain below 1% on most platforms), but ranking, recommendation, and demotion systematically shape what circulates across the platform.\n\n\n:::info\n* Milli, S., et al. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus.\n\n\n* Narayanan, A. (2023). Understanding social media recommendation algorithms. Knight First Amendment Institute.\n\n:::\n\n### Coordinated Authentic Amplification\n\nCoordinated Authentic Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through openly disclosed, organised activity by real accounts. The coordinated origin is not concealed: participants act under their real identities or under known group affiliations.\n\nTypical contexts include \n\n* civic campaigns (e.g. NGO petitions, advocacy hashtags), \n* political mobilisation (e.g. party campaigning, get-out-the-vote efforts), \n* marketing and brand campaigns, \n* professional association communications, and \n* cultural movements such as Fridays for Future or #MeToo.\n\n\n:::warning\nWhether the underlying message is well-founded, balanced, or one-sided is a separate question — *authenticity* refers only to the transparency of the coordination, not to the truth-value or fairness of the content. An authentic campaign can amplify accurate information, misleading information, or a one-sided position.\n\n:::\n\n\n:::warning\nAuthentic and inauthentic coordination can produce visibility patterns that look identical from the outside — synchronised sharing, hashtag clustering, rapid uptake. The distinguishing feature is not the visible pattern but whether the coordinated origin is openly disclosed.\n\n:::\n\n### Coordinated Inauthentic / Artificial Amplification\n\nCoordinated Inauthentic / Artificial Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through organised activity in which the coordinated origin is concealed, the participating accounts are fake, or both. The aim is to manufacture an appearance of organic, independent support. Meta's term *Coordinated Inauthentic Behaviour* (CIB) — now incorporated into the EU Digital Services Act — centres on this combination of false identities and adversarial methods to evade detection (Gleicher, 2018; Rogers & Righetti, 2025).\n\nTypical contexts include political influence operations (state-sponsored or party-aligned), astroturfing campaigns (commercial or ideological), targeted disinformation around elections, public health, or geopolitical conflict, and reputation manipulation through fake reviews, ratings, or engagement. The operational means — *bots*, *trolls*, *sockpuppets*, and their coordinated networks (*bot farms*, *troll farms*, *sockpuppet networks*, *click farms*) — are described in detail below.\n\n\n:::warning\n*Inauthenticity* refers to the concealment of the coordinated origin or the use of fake accounts — not to the truth-value of the content being amplified. A coordinated network of fake accounts can amplify accurate information; a single authentic individual can spread fabricated information. Coordinated inauthentic amplification and the spread of false content are distinct phenomena that can occur independently or together.\n\n:::\n\nThe following account types described in this section apply across Digital Information Channels & Platforms where users can create accounts and post or interact publicly — particularly social media, discussion forums and community spaces, video and audio platforms, and review or comment sections. They are less prominent in private communication apps or in environments without user-generated content.They appear both independently and within coordinated networks. They are listed here because of their typical role in amplification dynamics; the explicitly coordinated formations are the Account Networks.\n\n| Term | Definition | Controlled by | Defined by | Typical purpose |\n|------|------------|---------------|------------|-----------------|\n| **Social Bot** | An automated or partly automated account that posts, likes, follows, shares, or replies online. | Software      | **Automation** | To amplify messages, create artificial popularity, spam, influence debate, or spread content at scale. |\n| **Cyborg** | A hybrid account combining human operation with software automation. | Mixed: human and software | **Selective automation** | To combine the scale of automation with the contextual plausibility of human input — for legitimate scheduling/management or for harder-to-detect influence operations. |\n| **Troll** | A person or account that deliberately provokes, disrupts, or inflames online discussion. | Usually a human user; sometimes coordinated groups | **Disruptive / provocative / antagonistic behaviour** | To upset others, derail conversations, provoke reactions, spread hostility, or polarise debate. |\n| **Sockpuppet** | A fake account used by someone to hide their real identity or pretend to be a different person. | A human user, though the account may also use automation | **Deceptive identity** | To create false support, attack others anonymously, evade bans, manipulate debate, or give the impression of independent agreement. |\n\n#### Social Bot\n\nA **social bot** is a bot designed to operate on social media platforms, posting, commenting, sharing, or interacting in ways that simulate human users. Social bots are typically programmed to act at scale and at high speed, far beyond what a human user could manage. Their activity is often repetitive and coordinated across many accounts, which distinguishes it from normal human use.\n\nSocial bots can be used for legitimate purposes — such as customer service, news distribution, or marketing — but they are also widely used to influence public opinion, amplify certain messages, manipulate discussions, or manufacture the appearance of widespread support for specific ideas, products, or causes. In the context of misinformation and disinformation, social bots play a particular role in spreading content rapidly and giving the false impression that many independent voices share the same view.\n\nWhen social bots are deployed in coordinated networks, they form a *Bot Farm*.\n\n\n:::info\n#### Bot\n\nA bot is a computer programme that automatically performs tasks, often repetitive ones. Bots range from simple, harmless tools — such as web crawlers that index pages for search engines, automated testing systems, or chatbots that answer routine customer questions — to malicious programmes designed to spread spam, malware, or disinformation.\n\n:::\n\n#### Cyborg\n\nA **cyborg** is a hybrid account that is partly operated by a human and partly automated by software. A cyborg may have routine posts scheduled or generated by software while a person handles selected interactions, replies, or sensitive content. The balance between automated and human activity varies between accounts.\n\nCyborgs can be used for legitimate purposes — such as content scheduling, brand or institutional account management, or hybrid customer service — but they are also used in influence operations to combine the scale and speed of automation with the contextual plausibility of human input.\n\nCyborgs are more difficult to identify than purely automated bots because part of their behaviour is genuinely human, which means single detection indicators rarely suffice for reliable identification.\n\n#### Troll\n\nA **troll** is a real person who deliberately disrupts online discussions through provocative, aggressive, or hostile behaviour. Trolls typically use personal accounts and target controversial issues, public figures (such as politicians or journalists), or media organisations. Their aim is to upset others, trigger reactions, or escalate conflicts — sometimes in support of a particular agenda, sometimes for entertainment or attention.\n\nWhile trolls often act independently, they may also operate in coordinated groups, sometimes paid by political or commercial actors (see *Troll Farm* under Mechanisms of Amplification).\n\n**Trolling is best understood as a pattern of online behaviour, not a specific kind of account.** The same behaviour can be performed by automated accounts, and ordinary users can engage in trolling on occasion.\n\n#### Sockpuppet\n\nA **sockpuppet** is a fake online identity created and operated by a real person who hides their true identity. Unlike trolls — who often act under a single openly hostile account — a sockpuppet operator typically runs multiple fake accounts in parallel to create the impression that several independent users hold the same opinion, support the same cause, or agree with the operator's own (often separate) main account.\n\nSockpuppets are commonly used to manufacture artificial consensus, support one's own arguments under different names, attack opponents while appearing impartial, evade bans by creating new identities after suspension, or manipulate online reviews, votes, and polls.\n\nSockpuppets differ from social bots in that they are manually operated by humans, which makes their content more contextually plausible and harder to detect through automated means. They differ from trolls in that their primary goal is deception about identity and the manufacturing of apparent consensus, not provocation — although sockpuppet operators can also engage in trolling behaviour through their fake identities.\n\nWhen a person or small group operates a coordinated set of sockpuppets together, they form a *Sockpuppet Network* (see Mechanisms of Amplification).\n\n#### ☑ Differentiating Social Bots, Trolls, and Sockpuppets\n\n| **Detection Dimension** | **Social Bots** | **Trolls** | **Sockpuppets** |\n|---------------------|-------------|--------|-------------|\n| **Profile Characteristics** | - [ ] The account looks newly created <br> - [ ] The profile is incomplete or generic <br> - [ ] The username may look non-personal and sometimes include random numbers | - [ ] The account has typically been active for longer and has a post history <br> - [ ] The profile is complete and seems personal; it may present strong ideological or political self-description <br> - [ ] The username looks personal | - [ ] The profile looks plausible and personal, often with a profile picture and biographical details (sometimes stolen, AI-generated, or copied) <br> - [ ] Account history may be moderate and designed to look authentic over time |\n| **Posting Behaviour** | - [ ] The activity does not match normal human online behaviour <br> - [ ] The accounts post or repost content very frequently <br> - [ ] The accounts post or repost content at all hours, day and night | - [ ] The activity resembles normal human online behaviour <br> - [ ] The account posts or replies at irregular times <br> - [ ] The account becomes more active during controversial discussions | - [ ] Activity patterns resemble normal human use <br> - [ ] Multiple accounts run by the same operator may show similar active hours or rhythms <br> - [ ] Sockpuppets tend to start fewer discussions and write shorter posts than typical users |\n| **Interactions**    | - [ ] The account does not have real conversations <br> - [ ] The accounts mostly like, share, or repost <br> - [ ] Replies are short and automated | - [ ] The account replies directly to other users <br> - [ ] The account engages in debates with the purpose of provoking reactions <br> - [ ] Conversations are extended to create or escalate conflict | - [ ] The account engages in real conversations, often supporting the operator's main account or other sockpuppets <br> - [ ] Replies are contextually appropriate and seem authentic <br> - [ ] Pairs of sockpuppets often interact in the same discussion at similar times |\n| **Content Features** | - [ ] The content is one-sided and repetitive <br> - [ ] The same narratives are posted many times | - [ ] The content is specifically tailored to harm or provoke a target <br> - [ ] The content targets individuals or social groups | - [ ] Content seems genuine and varied across accounts <br> - [ ] The underlying message or stance aligns suspiciously across the network <br> - [ ] More frequent use of personal pronouns such as \"I\" |\n| **Language**        | - [ ] Generic expressions, repetitive phrasing with keywords | - [ ] Varied, emotional, often abusive or offensive language | - [ ] Natural and varied language <br> - [ ] Multiple accounts may share linguistic fingerprints (similar phrasing, vocabulary, punctuation, or error patterns) |\n| **Network & Technical Indicators** | - [ ] Social bots follow other social bots, but the relationship is typically one-way and not reciprocal <br> - [ ] Coordinated behaviour is observable across multiple bot accounts | - [ ] Trolls follow human accounts <br> - [ ] Connections are often reciprocal (they follow their followers and vice versa) <br> - [ ] Trolls typically act independently of each other | - [ ] Multiple accounts engaging with each other in mutually supportive ways <br> - [ ] Connections may be artificially reciprocal between sockpuppets in the same network, or deliberately absent to avoid detection <br> - [ ] Same IP address, device fingerprint, or login pattern \\\\\\*(platform-side detection)\\\\\\* <br> - [ ] More clustered ego-networks than ordinary users <br> - [ ] Correlated activity timing across accounts |\n\n\n\n:::info\n* Ferrara, E. (2023). Social bot detection in the age of ChatGPT: Challenges and opportunities. *First Monday, 28*(6). <https://doi.org/10.5210/fm.v28i6.13185>\n* Kumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. *Proceedings of the 26th International Conference on World Wide Web (WWW '17)*, 857–866. <https://doi.org/10.1145/3038912.3052677>\n* Orabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detection of bots in social media: A systematic review. *Information Processing & Management, 57*(4), 102250. <https://doi.org/10.1016/j.ipm.2020.102250>\n* Solorio, T., Hasan, R., & Mizan, M. (2013). A case study of sockpuppet detection in Wikipedia. *Proceedings of the Workshop on Language Analysis in Social Media (LASM) at NAACL-HLT*, 59–68. Association for Computational Linguistics. <https://aclanthology.org/W13-1107/>\n* Tomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A survey on troll detection. *Future Internet, 12*(2), <https://doi.org/10.3390/fi12020031>\n* Tsikerdekis, M., & Zeadally, S. (2014). Multiple account identity deception detection in social media using nonverbal behavior. *IEEE Transactions on Information Forensics and Security, 9*(8), 1311–1321. <https://doi.org/10.1109/TIFS.2014.2332820>\n* Uyheng, J., Moffitt, J. D., & Carley, K. M. (2022). The language and targets of online trolling: A psycholinguistic approach for social cybersecurity. *Information Processing & Management, 59*(5), 103012. <https://doi.org/10.1016/j.ipm.2022.103012>\n\n:::\n\n#### Account Networks\n\n#### Bot Farm\n\nA **bot farm** is a network of bots operating simultaneously across multiple devices or servers, deployed by a single operator or organisation for a particular purpose.\n\nBot farms have a range of legitimate uses, including web indexing, automated software testing, data aggregation, and website performance monitoring. However, they are also commonly used for malicious activities such as creating fake engagement, generating large volumes of content, distributing spam, or carrying out cybersecurity attacks. When used to manipulate online discourse, bot farms can create the false impression of widespread support, opposition, or interest in a topic, account, or campaign.\n\n#### Troll Farm\n\nA **troll farm** is an organised group of coordinated, often paid workers who post deliberately provocative, misleading, or false content online — typically through fake accounts. Their aim is usually to manipulate public opinion, spread disinformation, or create social and political unrest. Troll farms have been documented in connection with state-sponsored influence operations as well as commercial reputation manipulation.\n\n#### Sockpuppet Network\n\nA sockpuppet network is a coordinated set of sockpuppet accounts operated by one person or a small group, used to simulate independent voices supporting a shared narrative, campaign, account, or cause. Sockpuppet networks are commonly used in political astroturfing, review and rating manipulation, and coordinated disinformation campaigns. Unlike bot farms, sockpuppet networks rely on manual operation by humans, which makes the content of individual accounts appear more authentic and harder to detect through automated means. Their coordination usually becomes detectable only when multiple accounts can be linked through behavioural patterns, shared technical signals, or mutual engagement.\n\n#### Click Farm\n\nA **click farm** is an operation where large numbers of low-paid workers, automated bots, or both are used to click on ads, follow social media accounts, like posts, leave reviews, or download apps. The goal is to artificially boost online engagement or traffic, making content, accounts, or products appear more popular than they actually are.\n\n## Phenomena\n\n#### ☑ Virality vs. Trending\n\n| Feature | Virality | Trending |\n|---------|----------|----------|\n| **What is being spread** | A single information item: a specific video, post, image, or other piece of content | A topic, hashtag, sound, format, or discussion cluster: not one specific item, but many posts referring to or using the same thing |\n| **Primary drivers** | Users share, repost, or forward the information item to others, who in turn pass it along; this cascading spread can be further amplified by recommendation algorithms | Many users post about, mention, or use the same topic, hashtag, or format within a short time; the platform detects this concentration of activity and highlights it in a dedicated \"Trending\" section (such as a trending topics list, trending hashtag overview, or trending sounds page) |\n| **Time pattern** | Often short and explosive; may recur later | Time-bound; persists as long as activity stays high or the platform keeps surfacing it |\n| **How it can be manipulated** | Coordinated sharing, bot amplification, artificial engagement directed at the specific information item | Coordinated posting campaigns, manufactured fake trends through bot networks, platform decisions to promote, filter, or suppress |\n\n*Both virality and trending can emerge organically or be artificially amplified through coordinated campaigns, bot activity, or platform decisions. Both can also give an advantage to emotionally arousing, morally charged, or divisive content, especially in political or conflict-oriented contexts.*\n\n### Virality\n\nThe pattern by which a specific information item spreads rapidly through sharing, recommendation, and re-circulation across networks, analogous to the way a virus propagates. Virality is shaped by content characteristics, social network structures, platform affordances, timing, and algorithmic amplification. \n\nContent that evokes high-arousal emotions, moral reactions, or out-group animosity is often more likely to be shared, especially in political or conflict-oriented contexts. However, virality is not determined only by the size of the original source: smaller accounts or outlets can also produce highly viral items. \n\nVirality can emerge organically, but it can also be artificially amplified through coordinated sharing, platform manipulation, or bot activity.\n\n### Trending\n\nA platform-assigned status indicating that a topic, hashtag, sound, format, or discussion cluster has received unusually concentrated activity within a short period. \n\nTrending is identified algorithmically and surfaced through platform features such as X / Twitter Trending Topics, trending hashtags, trending sounds, trending challenges, or other platform-specific trend features. Trending depends on platform-specific signals such as post volume, rate of increase, engagement, location, personalisation, and moderation filters. \n\nTopics that generate high engagement — including divisive, emotionally arousing, or morally charged topics — may be more likely to trend, but this depends on the platform's ranking system and moderation rules. \n\nTrending can emerge organically from many independent contributions, but it can also be influenced by coordinated campaigns, bot activity, or platform decisions about what to promote, filter, moderate, or suppress.\n\n\n:::info\n* **Berger, J. (2013).** *Contagious: Why Things Catch On.* New York: Simon & Schuster.\n* **Berger, J., & Milkman, K. L. (2012).** What makes online content viral? *Journal of Marketing Research*, 49(2), 192–205. <https://doi.org/10.1509/jmr.10.0353>\n* **Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).** How social learning amplifies moral outrage expression in online social networks. *Science Advances*, 7(33), eabe5641. <https://doi.org/10.1126/sciadv.abe5641>\n* **Jenkins, H., Ford, S., & Green, J. (2013).** *Spreadable Media: Creating Value and Meaning in a Networked Culture.* New York: NYU Press.\n* **Lee, J., & Umback, J. (2026).** The viral turn: rethinking virality in the creator economy on TikTok. *Continuum*, 1–26. <https://doi.org/10.1080/10304312.2026.2625794>\n* **Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).** The virality of hate speech on social media. *Proceedings of the ACM on Human-Computer Interaction*, 8 (CSCW1), 1–22. <https://doi.org/10.1145/3641025>\n* **Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).** Out-group animosity drives engagement on social media. *Proceedings of the National Academy of Sciences*, 118(26), e2024292118. <https://doi.org/10.1073/pnas.2024292118>\n* **Rathje, S., & Van Bavel, J. J. (2025).** The psychology of virality. *Trends in Cognitive Sciences*, 29(10), 914–927. <https://doi.org/10.1016/j.tics.2025.06.014>\n* **Rogers, E. M. (2003).** *Diffusion of Innovations* (5th ed.). New York: Free Press.\n* **Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).** Followers do not dictate the virality of news outlets on social media. *PNAS Nexus*, 3(7), pgae257. <https://doi.org/10.1093/pnasnexus/pgae257>\n* **Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).** Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics. *Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)*, 17(1), 777–786. <https://doi.org/10.1609/icwsm.v17i1.22187>\n* **Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).** Negativity spreads more than positivity on Twitter after both positive and negative political situations. *Affective Science*, 2(4), 379–390. <https://doi.org/10.1007/s42761-021-00057-7>\n\n:::\n\n### Spill-Over Effects & Epistemic Laundering\n\nThe process by which information that gains visibility within one information environment — whether through artificial amplification, trending, or editorial selection — is picked up and further distributed in other information environments or information access sytsems, thereby reaching audiences beyond the original environment. \n\nSpill-over can occur through journalistic reporting, cross-platform sharing, editorial curation, or user-driven redistribution. \n\n→ A research finding shared on a scholarly forum may be discussed on social media and summarised by an AI assistant. \\n→ A topic artificially amplified by bots on a social media platform may be picked up by journalists. \n\n→ Spill-over effects can increase the reach of both reliable and unreliable information, and can make information appear more widely established than it originally was. \n\n#### Epistemic Laundering\n\nSpill-over does not always preserve the apparent status of information. When the receiving channel carries stronger signals of authority or reliability than the channel of origin — academic format, peer review, formal publication — the information itself can be perceived as more reliable simply through having moved. This effect is known as Epistemic Laundering: information gains perceived reliability through its passage across channels, without any actual change to the underlying claims or evidence. It exploits the tendency of recipients to attribute the reliability of the channel in which they encounter information to the information itself. \n\n→ A claim originating in an anonymous blog post may be cited in a preprint, reproduced in an AI-generated answer, and finally cited in a peer-reviewed paper — at each step gaining academic surface and apparent authority, while the underlying claim remains unchanged or unverified.\n\n\n:::success\nA team at the University of Gothenburg, led by a medical researcher, invented a fake skin condition called Bixonimania to test whether AI systems would absorb and repeat medical misinformation. They presented it as a supposed condition linked to blue-light exposure from screens, with symptoms such as sore, itchy eyes and a pinkish hue on the eyelids. They then created deliberately fake academic-looking preprints, planted with obvious warning signs — a fictional author with an AI-generated photo, a non-existent university, and references to Starfleet Academy and the USS Enterprise. Nature reported that the preprints have since been removed from Preprints.org.\n\nWithin weeks, major AI chatbots began reproducing Bixonimania as a real medical condition, in some cases offering users explanatory or health-related advice. In parallel, the fake material was cited in at least one published paper, since retracted, in the Springer Nature journal *Cureus*.\n\nSpill-over: log posts → fake preprint → webcrawlers → AI chatbot answers → academic citation\n\n:::\n\n\n:::info\nStokel-Walker, C. (2026). Scientists invented a fake disease. AI told people it was real. Nature, 652(8110), 559-561. <https://doi.org/10.1038/d41586-026-01100-y>\n\n:::\n\n# Information Narrowing\n\nWhereas *Information Amplification* (above) describes how visibility is broadened across user accounts, *Information Narrowing* describes the inverse: how the range of perspectives reaching an individual user or social group becomes restricted. Two distinct mechanisms produce this narrowing — *Filter Bubble* (algorithmic personalisation) and *Echo Chamber* (user self-selection). The two are often conflated in popular discourse but operate differently.\n\n## Filter Bubble\n\nA **filter bubble** is an isolated information environment created by *Algorithmic Personalisation*, in which a user is increasingly exposed to content that aligns with their inferred preferences and past behaviour, while content that diverges is filtered out — typically without the user's awareness. The term was coined by Eli Pariser (2011) to describe how personalisation algorithms on Google, Facebook, and similar platforms can produce systematic exposure asymmetries based on user signals such as click history, location, and profile data.\n\nThe defining feature of a filter bubble is *unintentionality from the user's side*: the narrowing is generated by the platform's optimisation, not by the user's deliberate choice of sources.\n\n\n:::warning\nEmpirical research has substantially qualified Pariser's original thesis. Studies have found that algorithmic personalisation does shape what users see, but most users still encounter ideologically diverse content — partly because their own social networks include varied views, and partly because algorithms do not isolate as completely as the popular discourse suggests (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). The filter-bubble effect is real but typically weaker than commonly assumed; pre-internet selective exposure (e.g., choosing newspapers or TV channels) was in many cases stronger.\n\n:::\n\n\n:::info\n* Pariser, E. (2011). *The Filter Bubble: What the Internet Is Hiding from You*. Penguin Press.\n* Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. <https://doi.org/10.1126/science.aaa1160>\n* Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. *Public Opinion Quarterly*, 80(S1), 298–320. <https://doi.org/10.1093/poq/nfw006>\n* Bruns, A. (2019). *Are Filter Bubbles Real?* Polity Press.\n\n:::\n\n## Echo Chamber\n\nAn **echo chamber** is a social information environment in which a user is primarily exposed to opinions, claims, or ideologies that reinforce their existing beliefs, while dissenting views are absent, dismissed, or actively discredited. Cass Sunstein (2017) describes the political consequences: when groups insulate themselves from outside perspectives, internal beliefs intensify and become more extreme over time (group polarisation).\n\nUnlike *Filter Bubble*, which arises from algorithmic personalisation, an echo chamber results primarily from **user self-selection**: choices about whom to follow, which communities to join, which sources to trust, and which voices to dismiss. These choices are partly driven by *Confirmation Bias* — the cognitive tendency to seek out and trust information that aligns with existing beliefs. The reinforcing effect comes from the social structure itself, not from invisible algorithmic filtering.\n\nC. Thi Nguyen (2020) draws a conceptual distinction that matters for intervention:\n\n* An **epistemic bubble** is a social structure in which other relevant voices are simply *absent*. Its inhabitants do not hear opposing perspectives, but they do not actively reject them.\n* An **echo chamber** in the strict sense is a social structure in which other relevant voices are *actively discredited*. Members may hear opposing perspectives but learn to distrust their sources.\n\nAn epistemic bubble can be opened by introducing new information; an echo chamber resists correction even when external evidence is presented, because the sources of that evidence have already been delegitimised.\n\n\n:::warning\nEmpirical work suggests that strong, ideologically isolated echo chambers are less common than popular discourse implies (Cinelli et al., 2021; Guess et al., 2018), but where they exist, they can be highly resistant to correction. Mere agreement within a group is not in itself an echo chamber — the defining feature is the active exclusion or discrediting of outside perspectives.\n\n:::\n\n\n:::info\n* Sunstein, C. R. (2017). *#Republic: Divided Democracy in the Age of Social Media*. Princeton University Press.\n* Nguyen, C. T. (2020). Echo chambers and epistemic bubbles. *Episteme*, 17(2), 141–161. <https://doi.org/10.1017/epi.2018.32>\n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *PNAS*, 118(9), e2023301118. <https://doi.org/10.1073/pnas.2023301118>\n* Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). *Avoiding the Echo Chamber about Echo Chambers: Why Selective Exposure to Like-minded Political News Is Less Prevalent Than You Think*. Knight Foundation White Paper.\n\n:::","HTML":"<style>.scilmi-outline-content h1,.scilmi-outline-content h2{font-weight:700}.scilmi-outline-content .badge-scilmi{background:#0d6efd;color:#fff;padding:2px 8px;border-radius:99px;}</style><h1>Visibilidad y prominencia de la información</h1>\n<p>La visibilidad de la información se refiere a si —y con qué prominencia— determinados elementos de información, temas, fuentes o cuentas aparecen ante los usuarios en entornos digitales. La información que existe en el índice o la red de una plataforma no llega automáticamente a todos los usuarios, ni les llega de la misma manera.</p>\n<p>La visibilidad es el resultado de dos fuerzas que interactúan:</p>\n<ul>\n<li>cómo circula la información (compartición, redistribución, difusión) y\n</li>\n<li>cómo se destaca, se oculta o se filtra.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><strong>Distinguir entre fiabilidad y visibilidad es esencial para la alfabetización informacional.</strong></p>\n<ul>\n<li><strong>La fiabilidad</strong> depende de quién creó un elemento (autor) y de cómo se editó (revisión editorial), no de quién lo compartió, del entorno en el que apareció ni de la prominencia con la que se puso de relieve.\n</li>\n<li><strong>La visibilidad</strong> depende de quién comparte un contenido, de los mecanismos que lo ponen de relieve y de las prácticas a través de las cuales se amplifica. La visibilidad no es una medida de fiabilidad.\n<p>Por ejemplo, un artículo retuiteado: la cuenta que lo compartió y la plataforma que lo dio a conocer influyeron en su visibilidad, pero el artículo tiene su propio autor y su propio historial editorial, cuya fiabilidad debe evaluarse por separado.</p>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Circulación de la información: compartir, reenviar, enlazar, volver a publicar, citar</h1>\n<p>Las personas, las cuentas (incluidos los bots) y las organizaciones hacen circular los elementos de información existentes compartiéndolos, reenviándolos, enlazándolos, republicándolos, citándolos o redistribuyéndolos de cualquier otra forma.</p>\n<p>→ Cuando un elemento se transmite con comentarios, interpretaciones o reformulaciones añadidos, se crea un nuevo elemento de información con un nuevo autor.</p>\n<h1>Promoción y visibilidad de la información impulsadas por las fuentes</h1>\n<p>Prácticas iniciadas por las fuentes: quienes crean, publican o promocionan elementos de información. Las fuentes incluyen usuarios individuales, creadores de contenido, organizaciones, anunciantes y operadores de sitios web. A diferencia de los mecanismos impulsados por las plataformas, estas prácticas son impulsadas por las propias fuentes, que deciden cómo hacer visible su contenido. Funcionan de dos maneras: adaptando el contenido a los sistemas de clasificación de las plataformas (alcance, direccionamiento directo, SEO, SMO, optimización específica de la plataforma) o pagando directamente por la ubicación (ubicaciones pagadas).</p>\n<h2>Alcance de la cuenta</h2>\n<p>El tamaño y la estructura de la audiencia potencial de quien comparte.</p>\n<p>Hay varios factores que determinan el alcance:</p>\n<ul>\n<li>#### número de seguidores o suscriptores\n</li>\n<li>#### estado de verificación\n</li>\n<li>#### Situación de la cuenta: antigüedad, historial de interacción, reputación en la plataforma\n</li>\n</ul>\n<p>El alcance afecta a la visibilidad de dos maneras:</p>\n<ul>\n<li><em>directamente</em>: las publicaciones compartidas por cuentas de gran alcance aparecen en más feeds en el momento de su publicación\n</li>\n<li><em>indirectamente</em>: las cuentas de gran alcance generan más señales de interacción, que los algoritmos de la plataforma utilizan para elevar la posición de las publicaciones en el ranking (→ Control algorítmico)\n</li>\n</ul>\n<p>→ El alcance varía enormemente: una cuenta privada con 100 seguidores y una cuenta pública con un millón de seguidores operan a escalas de influencia sobre la visibilidad fundamentalmente diferentes.</p>\n<h2>Dirigirse directamente</h2>\n<p>Mecanismos mediante los cuales quienes comparten contenido se dirigen a destinatarios específicos, lo que genera una prominencia inmediata para esos usuarios a través de notificaciones de la plataforma.</p>\n<p>Ejemplos:</p>\n<ul>\n<li>#### @menciones\n</li>\n<li>#### etiquetado (en fotos, publicaciones o hilos)\n</li>\n<li>#### retuits con cita y menciones en respuestas\n</li>\n<li>#### mensajes directos de grupo\n</li>\n<li>#### direcciones de listas de correo (Para, CC)\n</li>\n</ul>\n<p>→ El envío directo difiere del uso compartido habitual: el usuario destinatario recibe el contenido directamente a través de una notificación, independientemente de si lo habría visto de otro modo en su feed.</p>\n<p>→ El envío directo es un mecanismo híbrido. Se gestiona desde el lado del usuario, pero funciona a través de la infraestructura de la plataforma (sistemas de notificación). Su efecto es una visibilidad inmediata para el usuario destinatario.</p>\n<h2>Optimización para motores de búsqueda (SEO)</h2>\n<p>Prácticas del lado del origen para adaptar <strong>los sitios web</strong> —su contenido, metadatos y estructura de enlaces— de modo que ocupen un lugar más destacado en <strong>los resultados de los motores de búsqueda de uso general</strong> (Google, Bing, DuckDuckGo, etc.).</p>\n<p>Entre las prácticas habituales se incluyen:</p>\n<ul>\n<li>investigación de palabras clave e integración en títulos, encabezados y cuerpo del texto\n</li>\n<li>optimización de metadatos (etiquetas de título, metadescripciones, texto alternativo)\n</li>\n<li>creación de enlaces (adquisición de enlaces entrantes de sitios web de autoridad)\n</li>\n<li>estructura del sitio y enlaces internos\n</li>\n<li>velocidad de la página y optimización para dispositivos móviles\n</li>\n<li>creación de contenido que se ajuste a la intención de búsqueda\n</li>\n</ul>\n<p>→ El SEO es la disciplina de optimización más formalizada, ya que las señales de posicionamiento de los motores de búsqueda son relativamente estables y están bien documentadas (Lewandowski et al.). Profesionales especializados en SEO, agencias y herramientas apoyan su práctica.</p>\n<p>→ El SEO no cambia la forma en que los motores de búsqueda clasifican las páginas, sino que adapta el sitio web para que se ajuste a los criterios de clasificación existentes. Los editores pueden moldear lo que ve el algoritmo, pero no cómo decide.</p>\n<h2>Optimización de redes sociales (SMO)</h2>\n<p>Prácticas del lado del contenido para maximizar la visibilidad, la interacción y la capacidad de compartir el contenido en las plataformas de redes sociales.</p>\n<p>Entre las prácticas habituales se incluyen:</p>\n<ul>\n<li>estrategias de hashtags (etiquetas de tendencia o específicas de un tema)\n</li>\n<li>el momento de publicación (cuando el público objetivo está activo)\n</li>\n<li>elección del formato de contenido (vídeos cortos, carruseles, carretes)\n</li>\n<li>diseño de titulares y ganchos (que capten la atención rápidamente)\n</li>\n<li>fomentar la participación (preguntas, encuestas, llamadas a la acción)\n</li>\n<li>Reutilización del contenido en diferentes plataformas\n</li>\n</ul>\n<p>→ El SMO es menos formalizado que el SEO porque las señales de posicionamiento en redes sociales son más opacas y específicas de cada plataforma. Las prácticas cambian a medida que cambian los algoritmos.</p>\n<h2>Optimización específica para cada plataforma</h2>\n<p>Estrategias de optimización adaptadas a las convenciones y lógicas de posicionamiento de cada plataforma, más allá de los principios generales de SEO o SMO.</p>\n<ul>\n<li>TikTok: captar la atención de los espectadores en los tres primeros segundos, utilizando sonidos de tendencia y vídeos cortos en formato vertical\n</li>\n<li>Instagram: imágenes de alta calidad, estrategia centrada en Reels, combinación de hashtags\n</li>\n<li>YouTube: diseño de miniaturas, optimización del tiempo de visualización, títulos y descripciones ricos en palabras clave\n</li>\n<li>LinkedIn: publicaciones profesionales de formato largo, publicación nativa, interacción en red\n</li>\n<li>X (Twitter): ganchos concisos, hilos, responder a cuentas de gran alcance\n</li>\n</ul>\n<p>→ La optimización específica para cada plataforma requiere comprender el sistema de clasificación de cada una, el comportamiento de la audiencia y las preferencias de formato de contenido. Lo que funciona en TikTok rara vez funciona en LinkedIn.</p>\n<h2>Posicionamiento de pago y publicidad</h2>\n<p>Práctica por parte de los creadores de pagar por la visibilidad: contenido patrocinado que se coloca junto al contenido orgánico, normalmente a través de la publicidad.</p>\n<p>Formas habituales:</p>\n<ul>\n<li>resultados de búsqueda patrocinados (anuncios en motores de búsqueda)\n</li>\n<li>publicaciones patrocinadas y contenido promocionado (redes sociales)\n</li>\n<li>anuncios gráficos (banners, vídeos)\n</li>\n<li>colaboraciones con influencers (colaboraciones pagadas)\n</li>\n</ul>\n<p>→ Las ubicaciones pagadas eluden los sistemas de posicionamiento orgánico: en lugar de optimizar el contenido para posicionarse bien, la fuente paga directamente a la plataforma por la ubicación.</p>\n<p>→ A veces están claramente etiquetados («Patrocinado», «Anuncio»), otras veces apenas se distinguen de los resultados orgánicos. Las normas de etiquetado varían según la jurisdicción y la plataforma.</p>\n<h1>Promoción de información y control de acceso por parte de la plataforma</h1>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Lo que los usuarios ven realmente rara vez es el resultado de un único mecanismo. En un motor de búsqueda, se presenta una lista de resultados orgánicos ordenada algorítmicamente junto con anuncios pagados, resúmenes generados por IA y, a veces, destacados editoriales; además, las señales de posicionamiento subyacentes pueden verse influidas deliberadamente a través de <em>la optimización para motores de búsqueda</em>. En el feed de una red social, las publicaciones ordenadas algorítmicamente aparecen junto a contenido patrocinado, cuentas recomendadas y superposiciones de tendencias. Cada componente sigue su propia lógica y contribuye a un resultado de visibilidad compuesto.</p></div>\n</div>\n</div>\n<h2>Curación editorial</h2>\n<p>Selección manual por parte de la plataforma: elementos de información destacados deliberadamente por equipos editoriales u operadores de la plataforma, en lugar de aparecer a través de la clasificación algorítmica.</p>\n<p>Ejemplos:</p>\n<ul>\n<li>fragmentos destacados en los resultados de búsqueda\n</li>\n<li>secciones de tendencias seleccionadas\n</li>\n<li>noticias seleccionadas por los editores en los agregadores de noticias\n</li>\n<li>hashtags promocionados por la plataforma\n</li>\n<li>Selecciones del editor en las tiendas de aplicaciones\n</li>\n<li>creadores o cuentas destacados\n</li>\n</ul>\n<p>→ Los contenidos destacados por la redacción se suman a los mecanismos algorítmicos y reflejan el criterio propio de la plataforma sobre qué contenido merece un lugar destacado.</p>\n<p>→ A diferencia del control algorítmico (curación y personalización), el control editorial implica decisiones editoriales humanas por parte de la propia plataforma. Funcionalmente, se trata de una forma de <em>control editorial</em> —realizada por la plataforma en lugar de por los editores tradicionales.</p>\n<h2>Selección algorítmica</h2>\n<p><strong>El control algorítmico</strong> se refiere al papel de los algoritmos a la hora de decidir qué elementos de información llegan a qué usuarios: la contrapartida digital del <em>control editorial</em> (→ Información, fuentes y entornos de información → Revisión editorial). Implica tanto <strong>la selección</strong> (lo que se muestra y se posiciona en los primeros puestos) como <strong>la exclusión</strong> (lo que se filtra, se degrada o se oculta).</p>\n<p>El control algorítmico opera en diferentes tipos de plataformas:</p>\n<ul>\n<li>en <strong>los motores de búsqueda</strong>, los algoritmos seleccionan y ordenan los resultados en función de las consultas\n</li>\n<li>en <strong>los feeds de las redes sociales</strong>, los algoritmos deciden qué publicaciones aparecen en un lugar más destacado\n</li>\n<li>en <strong>las plataformas de vídeo</strong>, los algoritmos sugieren qué ver a continuación\n</li>\n<li>en <strong>los sistemas de respuesta basados en IA</strong>, los algoritmos generan, resumen o sintetizan respuestas\n</li>\n</ul>\n<p>El control algorítmico funciona en dos modos que a menudo se combinan: operaciones generales aplicadas a todos los usuarios (<em>curación algorítmica</em>) y adaptación individual basada en señales de usuario rastreadas (<em>personalización algorítmica</em>).</p>\n<h3>Curación algorítmica</h3>\n<p>Operaciones algorítmicas generales aplicadas a todos los usuarios: determinan qué información está disponible en la plataforma, independientemente de quién sea el usuario.</p>\n<ul>\n<li><strong>Rastreo e indexación</strong>\n: <em>¿qué elementos de información se muestran?</em>\n<ul>\n<li>los motores de búsqueda rastrean la web\n</li>\n<li>los agregadores de contenido indexan las fuentes de noticias\n</li>\n<li>tiendas de aplicaciones que catalogan las aplicaciones disponibles\n</li>\n</ul>\n</li>\n<li><strong>Filtrado y moderación</strong>\n: <em>¿qué elementos se bloquean o se desclasifican según las normas de la plataforma?</em>\n<ul>\n<li>filtros de spam\n</li>\n<li>eliminación de contenido que incumpla las políticas (discurso de odio, contenido ilegal, material gráfico)\n</li>\n<li>descenso en el ranking de material de baja calidad o engañoso\n</li>\n</ul>\n</li>\n<li><strong>Puntuación de calidad</strong>\n: <em>¿qué fuentes o elementos se evalúan como más creíbles o de mayor calidad?</em>\n<ul>\n<li>Los motores de búsqueda penalizan los sitios de baja calidad\n</li>\n<li>los agregadores de noticias clasifican según la autoridad de la fuente\n</li>\n<li>Clasificación influida por la revisión por pares en los motores de búsqueda académicos\n</li>\n</ul>\n</li>\n<li><strong>Detección de tendencias</strong>\n: <em>¿qué elementos se muestran como populares actualmente?</em>\n<ul>\n<li>Temas de tendencia en las redes sociales\n</li>\n<li>listas de éxitos en servicios de streaming\n</li>\n<li>Secciones «Qué está pasando» y «Titulares de hoy»\n</li>\n<li>Hashtags populares\n</li>\n</ul>\n</li>\n</ul>\n<p>→ La curación algorítmica define el <em>conjunto</em> de información disponible en la plataforma. Funciona prácticamente de la misma manera para todos los usuarios.</p>\n<h3>Personalización algorítmica</h3>\n<p>Operaciones algorítmicas que adaptan la selección, el orden y la presentación de la información a cada usuario en función de las señales registradas. Estas señales se acumulan con el tiempo en los historiales de los usuarios, de los que se nutren los algoritmos.</p>\n<p>→ Dos usuarios en la misma plataforma —incluso con la misma consulta— suelen ver contenidos sustancialmente diferentes.</p>\n<ul>\n<li><strong>Clasificación personalizada</strong>\n: <em>¿qué elementos se ordenan en una posición más alta para este usuario?</em>\n<ul>\n<li>resultados de búsqueda personalizados (ubicación, historial, ordenación según el perfil)\n</li>\n<li>orden de los feeds de redes sociales (feeds «Para ti», «Publicaciones destacadas»)\n</li>\n<li>Clasificación basada en la interacción: optimización para la interacción prevista, predominante en las redes sociales\n</li>\n</ul>\n</li>\n<li><strong>Recomendaciones</strong>\n: <em>¿qué elementos se sugieren a este usuario más allá de lo que ha solicitado activamente?</em>\n<ul>\n<li>Listas de vídeos «Recomendados para ti»\n</li>\n<li>cuentas, grupos o temas sugeridos para seguir\n</li>\n<li>«Personas que quizá conozcas»\n</li>\n<li>artículos relacionados, productos similares, «Próximamente»\n</li>\n</ul>\n</li>\n<li><strong>Publicidad personalizada</strong>\n— <em>¿Qué anuncios se dirigen a este usuario?</em>\n<ul>\n<li>anuncios de búsqueda adaptados a consultas anteriores\n</li>\n<li>publicaciones patrocinadas en redes sociales basadas en el perfil y el comportamiento\n</li>\n<li>Anuncios de display redirigidos en sitios web\n</li>\n<li>colaboraciones con influencers adaptadas a los intereses de la audiencia\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Dos usuarios en la misma plataforma —incluso con la misma búsqueda— suelen ver contenidos sustancialmente diferentes.</p>\n<p>→ La personalización crea un <strong>bucle de retroalimentación</strong>: lo que hacen los usuarios afecta a lo que ven a continuación, y lo que ven a continuación puede influir en lo que hacen.</p>\n<h4>☑ Señales de usuario rastreadas por la plataforma para la personalización algorítmica</h4>\n<p>Acciones que realiza un usuario —de forma activa o pasiva— dentro de un canal de información y que pueden ser rastreadas y utilizadas por algoritmos para personalizar la selección y la visibilidad de los elementos de información.</p>\n<p>→ Las acciones de los usuarios no se limitan a interacciones deliberadas, como hacer clic o dar a «Me gusta». Muchas acciones son pasivas o automáticas, como el tiempo que un usuario permanece en una página, hasta dónde se desplaza o dónde se encuentra. A menudo, los usuarios no son conscientes de que estas acciones influyen en lo que ven a continuación.</p>\n<table><thead><tr>\n<th>Tipo</th>\n<th>Qué es</th>\n<th>Ejemplos</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Retroalimentación explícita</strong></td>\n<td>Interacciones deliberadas que el usuario decide realizar</td>\n<td>- búsquedas / consultas de<br>búsqueda-<br>clics- «me gusta» / reacciones-<br>comentarios / respuestas-<br>compartidos / reposts /<br>reenvíos- seguidores /<br>suscriptores- guardados /<br>marcadores- valoraciones /<br>reseñas- compras / descargas</td>\n</tr>\n<tr>\n<td><strong>Comportamiento implícito</strong></td>\n<td>Señales de comportamiento pasivo captadas durante el uso</td>\n<td>- tiempo de visualización / tiempo de escucha / tiempo de permanencia<br>- comportamiento de desplazamiento (hasta dónde, a qué velocidad)<br>- comportamiento al pasar el<br>cursor - comportamiento de salto</td>\n</tr>\n<tr>\n<td><strong>Datos contextuales</strong></td>\n<td>Información sobre la situación en la que el usuario accede a la plataforma</td>\n<td>- datos de ubicación del usuario mientras utiliza la aplicación<br>- tipo de dispositivo (p. ej., teléfono o ordenador portátil)<br>- hora de acceso</td>\n</tr>\n<tr>\n<td><strong>Datos de la cuenta y redes sociales</strong></td>\n<td>Información del perfil del usuario y sus conexiones sociales</td>\n<td>- información del perfil (edad, intereses, profesión, género)<br>- configuración de idioma<br>- cuentas vinculadas<br>- lista de contactos / agenda</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nAdomavicius, G., y Tuzhilin, A. (2011). Sistemas de recomendación sensibles al contexto. En F. Ricci, L. Rokach, B. Shapira y P. B. Kantor (Eds.), <em>Manual de sistemas de recomendación</em>\n(pp. 217–253). Springer. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;978-0-387-85820-3_7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/978-0-387-85820-3_7</a>\n</li>\n<li>\nKelly, D., y Teevan, J. (2003). Retroalimentación implícita para inferir las preferencias del usuario: una bibliografía. <em>ACM SIGIR Forum, 37</em>\n(2), 18–28. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;959258.959260\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/959258.959260</a>\n</li>\n<li>\nLi, W., Kuo, J.-C., Sheng, M., Zhang, P., y Wu, Q. (2025). Más allá de lo explícito y lo implícito: cómo los usuarios proporcionan retroalimentación para dar forma al contenido de las recomendaciones personalizadas. En <em>Actas de la Conferencia CHI 2025 sobre Factores Humanos en Sistemas Informáticos (CHI &#x27;25)</em>\n. Asociación para la Maquinaria Computacional. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3706598.3713241\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3706598.3713241</a>\n</li>\n<li>\nNarayanan, A. (2023). <em>Understanding social media recommendation algorithms.</em>\nKnight First Amendment Institute, Columbia University.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;knightcolumbia.org&#x2f;content&#x2f;understanding-social-media-recommendation-algorithms\" target=\"_blank\" rel=\"noopener\">https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Amplificación de la información</h1>\n<p>La amplificación se refiere al aumento sistemático de la visibilidad de un elemento más allá del nivel del usuario individual, con el fin de generar una amplia visibilidad en las cuentas de los usuarios y, en ocasiones, en entornos de información.</p>\n<p>Mientras que <em>la promoción impulsada por la fuente</em> (arriba) abarca lo que hace una sola fuente para ganar visibilidad, y <em>el control de acceso por parte de la plataforma</em> (arriba) describe las operaciones algorítmicas mediante las cuales las plataformas muestran y clasifican el contenido para los usuarios individuales, <em>la amplificación</em> se refiere a los <em>resultados</em> de este <em>impulso a gran escala</em>, producidos bien como efecto agregado de esas operaciones de la plataforma (→ <em>amplificación algorítmica</em>) o mediante la actividad coordinada de múltiples actores (→ <em>amplificación coordinada</em>).</p>\n<h2>Mecanismos de amplificación</h2>\n<p>La amplificación opera a través de dos mecanismos principales.</p>\n<ul>\n<li><strong>La amplificación algorítmica</strong> está <em>impulsada por la plataforma</em>: es el efecto agregado del <em>control algorítmico</em>, es decir, el resultado acumulativo de la curación y la personalización de la plataforma sobre qué contenidos llegan a qué usuarios y con qué prominencia.\n</li>\n<li><strong>La amplificación coordinada</strong> está <em>impulsada por los actores</em>: múltiples cuentas, grupos o campañas actúan deliberadamente de forma concertada para potenciar la visibilidad de un contenido, un hashtag o una narrativa más allá de lo que produciría la actividad de un usuario individual. La literatura la clasifica en dos dimensiones —la <strong>coordinación</strong> (transparente u oculta) y las <strong>cuentas</strong> (reales o falsas)— y distingue en consecuencia (Rogers y Righetti, 2025):\n<ul>\n<li><strong>Amplificación coordinada auténtica</strong>: la coordinación es transparente y las cuentas son reales (p. ej., campañas cívicas abiertas, defensa de causas, marketing).\n</li>\n<li><strong>Amplificación coordinada no auténtica/artificial</strong>: la coordinación es oculta, las cuentas son falsas, o ambas cosas, lo que crea una apariencia de apoyo orgánico (<em>Comportamiento no auténtico coordinado</em> de Meta / CIB; Gleicher, 2018).\n</li>\n</ul>\n</li>\n</ul>\n<p>Ambos mecanismos suelen combinarse. Las redes coordinadas aprovechan la clasificación basada en la interacción para activar impulsos algorítmicos; la clasificación algorítmica, a su vez, potencia la visibilidad que la coordinación ya ha generado.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nGleicher, N. (2018). <em>Explicación del comportamiento inauténtico coordinado</em>\n. Sala de prensa de Meta.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;about.fb.com&#x2f;news&#x2f;2018&#x2f;12&#x2f;inside-feed-coordinated-inauthentic-behavior&#x2f;\" target=\"_blank\" rel=\"noopener\">https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/</a>\n</li>\n<li>\nRogers, R., y Righetti, N. (2025). ¿Comportamiento inauténtico coordinado en Facebook? Una tipología de la atención fabricada. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1177&#x2f;29768624251369784\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1177/29768624251369784</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Amplificación algorítmica</h3>\n<p>La amplificación algorítmica es el efecto acumulativo de los mecanismos de control de acceso mencionados anteriormente (curación y personalización): la configuración sistemática de qué elementos, temas, cuentas y formatos aparecen de forma destacada para los usuarios, y cuáles se filtran, se degradan o se ocultan.</p>\n<p>La investigación empírica muestra que la clasificación basada en la interacción amplifica sistemáticamente el contenido cargado de emotividad y hostil hacia grupos externos, incluso cuando los propios usuarios no prefieren ese tipo de contenido (Milli et al., 2025). También agrava el alcance existente: las cuentas y los elementos con una alta interacción previa son recompensados con mayor visibilidad, lo que produce distribuciones de alcance muy sesgadas (efecto de «los ricos se hacen más ricos»).</p>\n<p>Las intervenciones algorítmicas también pueden tener efectos no lineales en la dirección opuesta. Una reducción de alrededor del 20 % en la prominencia de un contenido en el feed puede reducir su alcance en un orden de magnitud (Narayanan, 2023).</p>\n<p>La amplificación algorítmica no es un reflejo neutral de la actividad de los usuarios. Sus efectos son emergentes y visibles principalmente en el conjunto: las recomendaciones individuales son imprecisas (las tasas de interacción se mantienen por debajo del 1 % en la mayoría de las plataformas), pero la clasificación, la recomendación y la degradación configuran sistemáticamente lo que circula por la plataforma.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Milli, S., et al. (2025). Interacción, satisfacción del usuario y la amplificación de contenidos divisivos en las redes sociales. PNAS Nexus.\n</li>\n<li>Narayanan, A. (2023). Comprender los algoritmos de recomendación de las redes sociales. Knight First Amendment Institute.\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Amplificación auténtica coordinada</h3>\n<p>La amplificación auténtica coordinada es el impulso deliberado de una noticia, un tema, un hashtag, una cuenta o una narrativa a través de una actividad organizada y abiertamente divulgada por cuentas reales. El origen coordinado no se oculta: los participantes actúan bajo sus identidades reales o bajo afiliaciones grupales conocidas.</p>\n<p>Entre los contextos típicos se incluyen</p>\n<ul>\n<li>campañas cívicas (p. ej., peticiones de ONG, hashtags de defensa),\n</li>\n<li>movilización política (p. ej., campañas de partidos, iniciativas para fomentar la participación electoral),\n</li>\n<li>campañas de marketing y de marca,\n</li>\n<li>comunicaciones de asociaciones profesionales, y\n</li>\n<li>movimientos culturales como Fridays for Future o #MeToo.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Que el mensaje subyacente esté bien fundado, sea equilibrado o parcial es una cuestión aparte: <em>la autenticidad</em> se refiere únicamente a la transparencia de la coordinación, no al valor de verdad o a la imparcialidad del contenido. Una campaña auténtica puede amplificar información veraz, información engañosa o una posición parcial.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>La coordinación auténtica y la no auténtica pueden producir patrones de visibilidad que parecen idénticos desde fuera —compartición sincronizada, agrupación de hashtags, rápida difusión—. La característica distintiva no es el patrón visible, sino si el origen coordinado se revela abiertamente.</p></div>\n</div>\n</div>\n<h3>Amplificación coordinada inauténtica/artificial</h3>\n<p>La amplificación coordinada inauténtica/artificial es el impulso deliberado de una noticia, un tema, un hashtag, una cuenta o una narrativa a través de una actividad organizada en la que se oculta el origen coordinado, las cuentas participantes son falsas, o ambas cosas. El objetivo es crear la apariencia de un apoyo orgánico e independiente. El término de Meta <em>«Comportamiento inauténtico coordinado</em>» (CIB), ahora incorporado a la Ley de Servicios Digitales de la UE, se centra en esta combinación de identidades falsas y métodos adversarios para evadir la detección (Gleicher, 2018; Rogers y Righetti, 2025).</p>\n<p>Entre los contextos típicos se incluyen las operaciones de influencia política (patrocinadas por el Estado o alineadas con un partido), las campañas de astroturfing (comerciales o ideológicas), la desinformación dirigida en torno a elecciones, la salud pública o conflictos geopolíticos, y la manipulación de la reputación mediante reseñas, valoraciones o interacciones falsas. Los medios operativos —<em>bots</em>, <em>trolls</em>, <em>cuentas ficticias</em> y sus redes coordinadas (<em>granjas de bots</em>, <em>granjas de trolls</em>, <em>redes de cuentas ficticias</em>, <em>granjas de clics</em>)— se describen en detalle a continuación.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><em>La falta de autenticidad</em> se refiere al ocultamiento del origen coordinado o al uso de cuentas falsas, no al valor de veracidad del contenido que se amplifica. Una red coordinada de cuentas falsas puede amplificar información veraz; un solo individuo auténtico puede difundir información inventada. La amplificación coordinada y no auténtica y la difusión de contenido falso son fenómenos distintos que pueden ocurrir de forma independiente o conjunta.</p></div>\n</div>\n</div>\n<p>Los siguientes tipos de cuentas descritos en esta sección se aplican a todos los canales y plataformas de información digital en los que los usuarios pueden crear cuentas y publicar o interactuar públicamente —en particular, redes sociales, foros de debate y espacios comunitarios, plataformas de vídeo y audio, y secciones de reseñas o comentarios—. Son menos frecuentes en las aplicaciones de comunicación privada o en entornos sin contenido generado por los usuarios. Aparecen tanto de forma independiente como dentro de redes coordinadas. Se enumeran aquí debido a su papel típico en la dinámica de la amplificación; las formaciones explícitamente coordinadas son las redes de cuentas.</p>\n<table><thead><tr>\n<th>Término</th>\n<th>Definición</th>\n<th>Controladas por</th>\n<th>Definido por</th>\n<th>Propósito típico</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Bot social</strong></td>\n<td>Una cuenta automatizada o parcialmente automatizada que publica, da «Me gusta», sigue, comparte o responde en línea.</td>\n<td>Software</td>\n<td><strong>Automatización</strong></td>\n<td>Para amplificar mensajes, crear popularidad artificial, enviar spam, influir en el debate o difundir contenido a gran escala.</td>\n</tr>\n<tr>\n<td><strong>Ciborg</strong></td>\n<td>Una cuenta híbrida que combina la intervención humana con la automatización por software.</td>\n<td>Misto: humano y software</td>\n<td><strong>Automatización selectiva</strong></td>\n<td>Para combinar la escala de la automatización con la plausibilidad contextual de la intervención humana, ya sea para una programación o gestión legítima o para operaciones de influencia más difíciles de detectar.</td>\n</tr>\n<tr>\n<td><strong>Troll</strong></td>\n<td>Persona o cuenta que provoca, perturba o exacerba deliberadamente el debate en línea.</td>\n<td>Normalmente un usuario humano; a veces grupos coordinados</td>\n<td><strong>Comportamiento disruptivo / provocador / antagónico</strong></td>\n<td>Para molestar a otros, descarrilar conversaciones, provocar reacciones, difundir hostilidad o polarizar el debate.</td>\n</tr>\n<tr>\n<td><strong>Cuenta falsa</strong></td>\n<td>Cuenta falsa utilizada por alguien para ocultar su identidad real o hacerse pasar por otra persona.</td>\n<td>Un usuario humano, aunque la cuenta también puede utilizar automatización</td>\n<td><strong>Identidad engañosa</strong></td>\n<td>Para crear apoyo falso, atacar a otros de forma anónima, eludir bloqueos, manipular el debate o dar la impresión de un acuerdo independiente.</td>\n</tr>\n</tbody></table>\n<h4>Bot social</h4>\n<p>Un <strong>bot social</strong> es un bot diseñado para operar en plataformas de redes sociales, publicando, comentando, compartiendo o interactuando de formas que simulan a los usuarios humanos. Los bots sociales suelen estar programados para actuar a gran escala y a gran velocidad, mucho más allá de lo que un usuario humano podría gestionar. Su actividad suele ser repetitiva y coordinada entre muchas cuentas, lo que la distingue del uso humano normal.</p>\n<p>Los bots sociales pueden utilizarse con fines legítimos —como el servicio de atención al cliente, la distribución de noticias o el marketing—, pero también se utilizan ampliamente para influir en la opinión pública, amplificar ciertos mensajes, manipular debates o fabricar la apariencia de un apoyo generalizado a ideas, productos o causas específicas. En el contexto de la desinformación y la información errónea, los bots sociales desempeñan un papel particular en la difusión rápida de contenidos y en dar la falsa impresión de que muchas voces independientes comparten la misma opinión.</p>\n<p>Cuando los bots sociales se despliegan en redes coordinadas, forman una <em>granja de bots</em>.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><h4>Bot</h4>\n<p>Un bot es un programa informático que realiza tareas de forma automática, a menudo repetitivas. Los bots abarcan desde herramientas sencillas e inofensivas —como los rastreadores web que indexan páginas para los motores de búsqueda, los sistemas de pruebas automatizadas o los chatbots que responden a preguntas rutinarias de los clientes— hasta programas maliciosos diseñados para difundir spam, malware o desinformación.</p></div>\n</div>\n</div>\n<h4>Cyborg</h4>\n<p>Un <strong>cyborg</strong> es una cuenta híbrida que es operada en parte por un humano y en parte automatizada por software. Un cyborg puede tener publicaciones rutinarias programadas o generadas por software, mientras que una persona se encarga de interacciones seleccionadas, respuestas o contenido sensible. El equilibrio entre la actividad automatizada y la humana varía según las cuentas.</p>\n<p>Los cyborgs pueden utilizarse con fines legítimos —como la programación de contenidos, la gestión de cuentas de marcas o instituciones, o el servicio de atención al cliente híbrido—, pero también se emplean en operaciones de influencia para combinar la escala y la velocidad de la automatización con la verosimilitud contextual de la intervención humana.</p>\n<p>Los cyborgs son más difíciles de identificar que los bots puramente automatizados porque parte de su comportamiento es genuinamente humano, lo que significa que los indicadores de detección aislados rara vez bastan para una identificación fiable.</p>\n<h4>Troll</h4>\n<p>Un <strong>troll</strong> es una persona real que perturba deliberadamente los debates en línea mediante un comportamiento provocador, agresivo u hostil. Los trolls suelen utilizar cuentas personales y se centran en temas controvertidos, figuras públicas (como políticos o periodistas) u organizaciones mediáticas. Su objetivo es molestar a los demás, provocar reacciones o agravar conflictos —a veces en apoyo de una agenda concreta, a veces por entretenimiento o para llamar la atención—.</p>\n<p>Aunque los trolls suelen actuar de forma independiente, también pueden operar en grupos coordinados, a veces a sueldo de actores políticos o comerciales (véase <em>«Granja de trolls»</em> en «Mecanismos de amplificación»).</p>\n<p><strong>El trolling se entiende mejor como un patrón de comportamiento en línea, no como un tipo específico de cuenta.</strong> El mismo comportamiento puede ser llevado a cabo por cuentas automatizadas, y los usuarios comunes pueden participar en el trolling en ocasiones.</p>\n<h4>Sockpuppet</h4>\n<p>Un <strong>sockpuppet</strong> es una identidad falsa en línea creada y gestionada por una persona real que oculta su verdadera identidad. A diferencia de los trolls —que suelen actuar bajo una única cuenta abiertamente hostil—, el operador de un sockpuppet suele gestionar varias cuentas falsas en paralelo para crear la impresión de que varios usuarios independientes comparten la misma opinión, apoyan la misma causa o están de acuerdo con la cuenta principal del operador (a menudo independiente).</p>\n<p>Los sockpuppets se utilizan habitualmente para fabricar un consenso artificial, respaldar los propios argumentos bajo diferentes nombres, atacar a los oponentes aparentando imparcialidad, eludir las expulsiones creando nuevas identidades tras la suspensión, o manipular reseñas, votos y encuestas en línea.</p>\n<p>Los sockpuppets se diferencian de los bots sociales en que son manejados manualmente por personas, lo que hace que su contenido sea más plausible en su contexto y más difícil de detectar mediante medios automatizados. Se diferencian de los trolls en que su objetivo principal es el engaño sobre la identidad y la fabricación de un consenso aparente, no la provocación —aunque los operadores de sockpuppets también pueden participar en comportamientos de trolling a través de sus identidades falsas.</p>\n<p>Cuando una persona o un pequeño grupo maneja conjuntamente un conjunto coordinado de sockpuppets, forman una <em>red de sockpuppets</em> (véase Mecanismos de amplificación).</p>\n<h4>☑ Diferenciación entre bots sociales, trolls y sockpuppets</h4>\n<table><thead><tr>\n<th><strong>Dimensión de detección</strong></th>\n<th><strong>Bots sociales</strong></th>\n<th><strong>Trolls</strong></th>\n<th><strong>Cuentas falsas</strong></th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Características del perfil</strong></td>\n<td>- [ ] La cuenta parece recién creada<br>- [ ] El perfil está incompleto o es genérico<br>- [ ] El nombre de usuario puede parecer impersonal y, en ocasiones, incluir números aleatorios</td>\n<td>- [ ] La cuenta suele llevar más tiempo activa y tiene un historial<br>de publicaciones- [ ] El perfil está completo y parece personal; puede presentar una fuerte<br>autodescripción ideológica o política- [ ] El nombre de usuario parece personal</td>\n<td>- [ ] El perfil parece verosímil y personal, a menudo con una foto de perfil y datos biográficos (a veces robados, generados por IA o copiados)<br>- [ ] El historial de la cuenta puede ser moderado y estar diseñado para parecer auténtico con el paso del tiempo</td>\n</tr>\n<tr>\n<td><strong>Comportamiento en las publicaciones</strong></td>\n<td>- [ ] La actividad no se corresponde con el comportamiento<br>humano normal en línea. - [ ] Las cuentas publican o repostan contenido con mucha frecuencia<br>. - [ ] Las cuentas publican o repostan contenido a todas horas, tanto de día como de noche.</td>\n<td>- [ ] La actividad se asemeja al comportamiento<br>humano normal en línea- [ ] La cuenta publica o responde a horas<br>irregulares- [ ] La cuenta se vuelve más activa durante debates controvertidos</td>\n<td>- [ ] Los patrones de actividad se asemejan al uso<br>humano normal- [ ] Varias cuentas gestionadas por el mismo operador pueden mostrar horas de actividad o ritmos<br>similares- [ ] Las cuentas falsas suelen iniciar menos debates y escribir publicaciones más breves que los usuarios habituales</td>\n</tr>\n<tr>\n<td><strong>Interacciones</strong></td>\n<td>- [ ] La cuenta no mantiene conversaciones reales-<br>[ ] Las cuentas principalmente dan «me gusta», comparten o vuelven a publicar-<br>[ ] Las respuestas son breves y automatizadas</td>\n<td>- [ ] La cuenta responde directamente a otros usuarios<br>- [ ] La cuenta participa en debates con el propósito de provocar reacciones<br>- [ ] Las conversaciones se alargan para crear o agravar conflictos</td>\n<td>- [ ] La cuenta participa en conversaciones reales, a menudo apoyando la cuenta principal del operador u otras cuentas<br>ficticias - [ ] Las respuestas son adecuadas al contexto y parecen auténticas<br>- [ ] Las parejas de cuentas ficticias suelen interactuar en el mismo debate a horas similares</td>\n</tr>\n<tr>\n<td><strong>Características del contenido</strong></td>\n<td>- [ ] El contenido es parcial y repetitivo<br>- [ ] Se publican las mismas narrativas muchas veces</td>\n<td>- [ ] El contenido está específicamente diseñado para dañar o provocar a un objetivo<br>- [ ] El contenido se dirige a individuos o grupos sociales</td>\n<td>- [ ] El contenido parece genuino y variado en todas las cuentas-<br>[ ] El mensaje o la postura subyacentes coinciden de forma sospechosa en toda la red-<br>[ ] Uso más frecuente de pronombres personales como «yo»</td>\n</tr>\n<tr>\n<td><strong>Lenguaje</strong></td>\n<td>- [ ] Expresiones genéricas, frases repetitivas con palabras clave</td>\n<td>- [ ] Lenguaje variado, emotivo, a menudo abusivo u ofensivo</td>\n<td>- [ ]<br>Lenguaje natural y variado - [ ] Varias cuentas pueden compartir huellas lingüísticas (frases, vocabulario, puntuación o patrones de error similares)</td>\n</tr>\n<tr>\n<td><strong>Indicadores técnicos y de red</strong></td>\n<td>- [ ] Los bots sociales siguen a otros bots sociales, pero la relación suele ser unidireccional y no<br>recíproca- [ ] Se observa un comportamiento coordinado entre múltiples cuentas de bots</td>\n<td>- [ ] Los trolls siguen cuentas humanas<br>- [ ] Las conexiones suelen ser recíprocas (siguen a sus seguidores y viceversa)<br>- [ ] Los trolls suelen actuar de forma independiente entre sí</td>\n<td>- [ ] Varias cuentas que interactúan entre sí de forma<br>solidaria. - [ ] Las conexiones pueden ser artificialmente recíprocas entre cuentas ficticias de la misma red, o estar deliberadamente ausentes para evitar la detección<br>. - [ ] Misma dirección IP, huella digital del dispositivo o patrón de inicio de sesión \\\\*(detección por parte de la plataforma)\\\\*-<br>[ ] Redes ego más agrupadas que las de los<br>usuarios normales. - [ ] Sincronización de la actividad entre cuentas.</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nFerrara, E. (2023). Detección de bots sociales en la era de ChatGPT: retos y oportunidades. <em>First Monday, 28</em>\n(6). <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.5210&#x2f;fm.v28i6.13185\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.5210/fm.v28i6.13185</a>\n</li>\n<li>\nKumar, S., Cheng, J., Leskovec, J. y Subrahmanian, V. S. (2017). Un ejército de mí mismo: cuentas falsas en comunidades de debate en línea. <em>Actas de la 26.ª Conferencia Internacional sobre la World Wide Web (WWW &#x27;17)</em>\n, 857–866. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3038912.3052677\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3038912.3052677</a>\n</li>\n<li>\nOrabi, M., Mouheb, D., Al Aghbari, Z., &amp; Kamel, I. (2020). Detección de bots en las redes sociales: una revisión sistemática. <em>Information Processing &amp; Management, 57</em>\n(4), 102250. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2020.102250\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2020.102250</a>\n</li>\n<li>\nSolorio, T., Hasan, R., y Mizan, M. (2013). Un estudio de caso sobre la detección de cuentas falsas en Wikipedia. <em>Actas del Taller sobre Análisis del Lenguaje en Redes Sociales (LASM) en NAACL-HLT</em>\n, 59–68. Asociación de Lingüística Computacional.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;aclanthology.org&#x2f;W13-1107&#x2f;\" target=\"_blank\" rel=\"noopener\">https://aclanthology.org/W13-1107/</a>\n</li>\n<li>\nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S. y Poggi, A. (2020). Estudio sobre la detección de trolls. <em>Future Internet, 12</em>\n(2), <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.3390&#x2f;fi12020031\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.3390/fi12020031</a>\n</li>\n<li>\nTsikerdekis, M., y Zeadally, S. (2014). Detección del engaño de identidad mediante cuentas múltiples en redes sociales utilizando el comportamiento no verbal. <em>IEEE Transactions on Information Forensics and Security, 9</em>\n(8), 1311–1321. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1109&#x2f;TIFS.2014.2332820\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1109/TIFS.2014.2332820</a>\n</li>\n<li>\nUyheng, J., Moffitt, J. D., y Carley, K. M. (2022). El lenguaje y los objetivos del trolling en línea: un enfoque psicolingüístico para la ciberseguridad social. <em>Information Processing &amp; Management, 59</em>\n(5), 103012. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2022.103012\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2022.103012</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h4>Redes de cuentas</h4>\n<h4>Granja de bots</h4>\n<p>Una <strong>granja de bots</strong> es una red de bots que operan simultáneamente en múltiples dispositivos o servidores, desplegados por un único operador u organización con un fin concreto.</p>\n<p>Las granjas de bots tienen una serie de usos legítimos, entre los que se incluyen la indexación web, las pruebas automatizadas de software, la agregación de datos y la supervisión del rendimiento de sitios web. Sin embargo, también se utilizan habitualmente para actividades maliciosas, como crear interacción falsa, generar grandes volúmenes de contenido, distribuir spam o llevar a cabo ataques de ciberseguridad. Cuando se utilizan para manipular el discurso en línea, las granjas de bots pueden crear la falsa impresión de un apoyo, una oposición o un interés generalizados en un tema, una cuenta o una campaña.</p>\n<h4>Granja de trolls</h4>\n<p>Una <strong>granja de</strong> <strong>trolls</strong> es un grupo organizado de trabajadores coordinados, a menudo remunerados, que publican en línea contenido deliberadamente provocativo, engañoso o falso, normalmente a través de cuentas falsas. Su objetivo suele ser manipular la opinión pública, difundir desinformación o crear malestar social y político. Se ha documentado la existencia de granjas de trolls en relación con operaciones de influencia patrocinadas por el Estado, así como con la manipulación de la reputación comercial.</p>\n<h4>Red de cuentas ficticias</h4>\n<p>Una red de cuentas ficticias es un conjunto coordinado de cuentas ficticias gestionadas por una persona o un pequeño grupo, que se utilizan para simular voces independientes que apoyan una narrativa, campaña, cuenta o causa compartidas. Las redes de cuentas ficticias se utilizan habitualmente en el astroturfing político, la manipulación de reseñas y valoraciones, y las campañas coordinadas de desinformación. A diferencia de las granjas de bots, las redes de cuentas falsas se basan en la gestión manual por parte de personas, lo que hace que el contenido de las cuentas individuales parezca más auténtico y más difícil de detectar mediante medios automatizados. Su coordinación suele ser detectable solo cuando se pueden vincular varias cuentas a través de patrones de comportamiento, señales técnicas compartidas o interacción mutua.</p>\n<h4>Granja de clics</h4>\n<p>Una <strong>granja de</strong> <strong>clics</strong> es una operación en la que se utiliza un gran número de trabajadores mal remunerados, bots automatizados o ambos para hacer clic en anuncios, seguir cuentas en redes sociales, dar «me gusta» a publicaciones, dejar reseñas o descargar aplicaciones. El objetivo es impulsar artificialmente la interacción o el tráfico en línea, haciendo que el contenido, las cuentas o los productos parezcan más populares de lo que realmente son.</p>\n<h2>Fenómenos</h2>\n<h4>☑ Viralidad frente a tendencia</h4>\n<table><thead><tr>\n<th>Característica</th>\n<th>Viralidad</th>\n<th>Tendencia</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Qué se está difundiendo</strong></td>\n<td>Un único elemento de información: un vídeo, una publicación, una imagen u otro contenido específico</td>\n<td>Un tema, hashtag, sonido, formato o grupo de debate: no un elemento específico, sino muchas publicaciones que hacen referencia o utilizan lo mismo</td>\n</tr>\n<tr>\n<td><strong>Factores principales</strong></td>\n<td>Los usuarios comparten, vuelven a publicar o reenvían el elemento de información a otras personas, quienes a su vez lo transmiten; esta difusión en cascada puede amplificarse aún más mediante algoritmos de recomendación</td>\n<td>Muchos usuarios publican, mencionan o utilizan el mismo tema, hashtag o formato en un breve periodo de tiempo; la plataforma detecta esta concentración de actividad y la destaca en una sección específica de «Tendencias» (como una lista de temas de tendencia, un resumen de hashtags de tendencia o una página de sonidos de tendencia)</td>\n</tr>\n<tr>\n<td><strong>Patrón temporal</strong></td>\n<td>A menudo breve y explosivo; puede repetirse más adelante</td>\n<td>Limitada en el tiempo; persiste mientras la actividad se mantenga alta o la plataforma siga mostrándola</td>\n</tr>\n<tr>\n<td><strong>Cómo se puede manipular</strong></td>\n<td>Compartir de forma coordinada, amplificación mediante bots, interacción artificial dirigida a un elemento de información específico</td>\n<td>Campañas coordinadas de publicación, tendencias falsas fabricadas a través de redes de bots, decisiones de la plataforma para promocionar, filtrar o suprimir</td>\n</tr>\n</tbody></table>\n<p><em>Tanto la viralidad como las tendencias pueden surgir de forma orgánica o ser amplificadas artificialmente a través de campañas coordinadas, la actividad de bots o las decisiones de la plataforma. Ambas también pueden favorecer a contenidos que despiertan emociones, con carga moral o que generan división, especialmente en contextos políticos o de conflicto.</em></p>\n<h3>Viralidad</h3>\n<p>Patrón por el cual una información concreta se difunde rápidamente a través del intercambio, la recomendación y la recirculación por las redes, de forma análoga a como se propaga un virus. La viralidad viene determinada por las características del contenido, las estructuras de las redes sociales, las posibilidades de las plataformas, el momento y la amplificación algorítmica.</p>\n<p>El contenido que evoca emociones intensas, reacciones morales o animosidad hacia grupos externos suele ser más probable que se comparta, especialmente en contextos políticos o orientados al conflicto. Sin embargo, la viralidad no viene determinada únicamente por el tamaño de la fuente original: las cuentas o medios más pequeños también pueden producir contenidos altamente virales.</p>\n<p>La viralidad puede surgir de forma orgánica, pero también puede amplificarse artificialmente mediante el intercambio coordinado, la manipulación de la plataforma o la actividad de bots.</p>\n<h3>Tendencia</h3>\n<p>Estado asignado por la plataforma que indica que un tema, hashtag, sonido, formato o grupo de debate ha recibido una actividad inusualmente concentrada en un breve periodo de tiempo.</p>\n<p>Las tendencias se identifican algorítmicamente y se muestran a través de funciones de la plataforma como los Temas de tendencia de X / Twitter, los hashtags de tendencia, los sonidos de tendencia, los retos de tendencia u otras funciones de tendencia específicas de la plataforma. Las tendencias dependen de señales específicas de la plataforma, como el volumen de publicaciones, la tasa de crecimiento, la interacción, la ubicación, la personalización y los filtros de moderación.</p>\n<p>Los temas que generan una alta interacción —incluidos los temas polémicos, que despiertan emociones o con carga moral— pueden tener más probabilidades de convertirse en tendencia, pero esto depende del sistema de clasificación y las normas de moderación de la plataforma.</p>\n<p>Las tendencias pueden surgir de forma orgánica a partir de muchas contribuciones independientes, pero también pueden verse influidas por campañas coordinadas, la actividad de bots o las decisiones de la plataforma sobre qué promover, filtrar, moderar o suprimir.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li><strong>Berger, J. (2013).</strong> <em>Contagious: Why Things Catch On.</em> Nueva York: Simon &amp; Schuster.\n</li>\n<li><strong>Berger, J., y Milkman, K. L. (2012).</strong>\nWhat makes online content viral? <em>Journal of Marketing Research</em>\n, 49(2), 192–205. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1509&#x2f;jmr.10.0353\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1509/jmr.10.0353</a>\n</li>\n<li><strong>Brady, W. J., McLoughlin, K., Doan, T. N., &amp; Crockett, M. J. (2021).</strong>\nCómo el aprendizaje social amplifica la expresión de la indignación moral en las redes sociales en línea. <em>Science Advances</em>\n, 7(33), eabe5641. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;sciadv.abe5641\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/sciadv.abe5641</a>\n</li>\n<li><strong>Jenkins, H., Ford, S., &amp; Green, J. (2013).</strong> <em>Medios difundibles: Creación de valor y significado en una cultura en red.</em> Nueva York: NYU Press.\n</li>\n<li><strong>Lee, J., y Umback, J. (2026).</strong>\nEl giro viral: replantearse la viralidad en la economía de los creadores en TikTok. <em>Continuum</em>\n, 1–26. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1080&#x2f;10304312.2026.2625794\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1080/10304312.2026.2625794</a>\n</li>\n<li><strong>Maarouf, A., Pröllochs, N., y Feuerriegel, S. (2024).</strong>\nLa viralidad del discurso de odio en las redes sociales. <em>Actas de la ACM sobre Interacción Persona-Ordenador</em>\n, 8 (CSCW1), 1–22. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3641025\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3641025</a>\n</li>\n<li><strong>Rathje, S., Van Bavel, J. J., &amp; van der Linden, S. (2021).</strong>\nLa animosidad hacia los grupos ajenos impulsa la participación en las redes sociales. <em>Actas de la Academia Nacional de Ciencias</em>\n, 118(26), e2024292118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2024292118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2024292118</a>\n</li>\n<li><strong>Rathje, S., y Van Bavel, J. J. (2025).</strong>\nLa psicología de la viralidad. <em>Trends in Cognitive Sciences</em>\n, 29(10), 914–927. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.tics.2025.06.014\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.tics.2025.06.014</a>\n</li>\n<li><strong>Rogers, E. M. (2003).</strong> <em>La difusión de las innovaciones</em> (5.ª ed.). Nueva York: Free Press.\n</li>\n<li><strong>Sangiorgio, E., Cinelli, M., Cerqueti, R., &amp; Quattrociocchi, W. (2024).</strong>\nLos seguidores no determinan la viralidad de los medios de comunicación en las redes sociales. <em>PNAS Nexus</em>\n, 3(7), p. 257. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;pnasnexus&#x2f;pgae257\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/pnasnexus/pgae257</a>\n</li>\n<li><strong>Schlessinger, J., Garimella, K., Jakesch, M. y Eckles, D. (2023).</strong>\nEfectos de la promoción algorítmica de tendencias: Evidencia de campañas coordinadas en los temas de tendencia de Twitter. <em>Actas de la Conferencia Internacional AAAI sobre la Web y las Redes Sociales (ICWSM)</em>\n, 17(1), 777–786. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1609&#x2f;icwsm.v17i1.22187\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1609/icwsm.v17i1.22187</a>\n</li>\n<li><strong>Schöne, J. P., Parkinson, B. y Goldenberg, A. (2021).</strong>\nLa negatividad se propaga más que la positividad en Twitter tras situaciones políticas tanto positivas como negativas. <em>Affective Science</em>\n, 2(4), 379–390. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;s42761-021-00057-7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/s42761-021-00057-7</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Efectos de contagio y blanqueo epistémico</h3>\n<p>Proceso por el cual la información que gana visibilidad dentro de un entorno informativo —ya sea a través de la amplificación artificial, las tendencias o la selección editorial— es recogida y distribuida posteriormente en otros entornos informativos o sistemas de acceso a la información, llegando así a audiencias más allá del entorno original.</p>\n<p>El efecto de contagio puede producirse a través de la cobertura periodística, el intercambio entre plataformas, la curación editorial o la redistribución impulsada por los usuarios.</p>\n<p>→ Un hallazgo de investigación compartido en un foro académico puede ser debatido en las redes sociales y resumido por un asistente de IA. <br>→ Un tema amplificado artificialmente por bots en una plataforma de redes sociales puede ser recogido por periodistas.</p>\n<p>→ Los efectos de propagación pueden aumentar el alcance tanto de la información fiable como de la no fiable, y pueden hacer que la información parezca más ampliamente establecida de lo que era originalmente.</p>\n<h4>Blanqueo epistémico</h4>\n<p>El efecto de propagación no siempre preserva el estatus aparente de la información. Cuando el canal receptor transmite señales de autoridad o fiabilidad más fuertes que el canal de origen —formato académico, revisión por pares, publicación formal—, la información en sí misma puede percibirse como más fiable simplemente por haberse trasladado. Este efecto se conoce como «blanqueo epistémico»: la información gana en fiabilidad percibida al pasar por distintos canales, sin que se produzca ningún cambio real en las afirmaciones o pruebas subyacentes. Aprovecha la tendencia de los receptores a atribuir la fiabilidad del canal en el que encuentran la información a la propia información.</p>\n<p>→ Una afirmación procedente de una entrada de blog anónima puede citarse en un preprint, reproducirse en una respuesta generada por IA y, finalmente, citarse en un artículo revisado por pares —ganando en cada paso apariencia académica y autoridad aparente, mientras que la afirmación subyacente permanece inalterada o sin verificar—.</p>\n<div class=\"scilmi-callout scilmi-callout-success\">\n<div class=\"scilmi-callout-row\" aria-label=\"Success\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C16.4183 20 20 16.4183 20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20ZM9.26825 11.3599L10.9587 13.3885L14.7 8.40006C15.0314 7.95823 15.6582 7.86869 16.1 8.20006C16.5419 8.53143 16.6314 9.15823 16.3 9.60006L11.8 15.6001C11.4128 16.1164 10.645 16.1361 10.2318 15.6402L7.7318 12.6402C7.37824 12.216 7.43556 11.5854 7.85984 11.2318C8.28412 10.8783 8.91468 10.9356 9.26825 11.3599Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Un equipo de la Universidad de Gotemburgo, dirigido por un investigador médico, inventó una enfermedad cutánea falsa llamada «bixonimania» para comprobar si los sistemas de IA absorberían y repetirían información médica errónea. La presentaron como una supuesta afección relacionada con la exposición a la luz azul de las pantallas, con síntomas como dolor y picor en los ojos y un tono rosáceo en los párpados. A continuación, crearon preprints deliberadamente falsos con apariencia académica, en los que se incluyeron señales de advertencia evidentes: un autor ficticio con una foto generada por IA, una universidad inexistente y referencias a la Academia de la Flota Estelar y al USS Enterprise. Nature informó de que los preprints han sido retirados desde entonces de Preprints.org. En cuestión de semanas, los principales chatbots de IA comenzaron a reproducir la «bixonimania» como una afección médica real, ofreciendo en algunos casos a los usuarios explicaciones o consejos relacionados con la salud. Paralelamente, el material falso fue citado en al menos un artículo publicado, posteriormente retirado, en la revista <em>Cureus</em> de Springer Nature. Efecto dominó: entradas de blog → preprint falso → rastreadores web → respuestas de chatbots de IA → cita académica</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Stokel-Walker, C. (2026). Los científicos inventaron una enfermedad falsa. La IA le dijo a la gente que era real. Nature, 652(8110), 559-561. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1038&#x2f;d41586-026-01100-y\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1038/d41586-026-01100-y</a></p></div>\n</div>\n</div>\n<h1>Restricción de la información</h1>\n<p>Mientras que <em>la amplificación de la información</em> (véase más arriba) describe cómo se amplía la visibilidad entre las cuentas de los usuarios, <em>la restricción de la información</em> describe lo contrario: cómo se restringe el abanico de perspectivas que llegan a un usuario individual o a un grupo social. Dos mecanismos distintos producen esta restricción: <em>la burbuja de filtro</em> (personalización algorítmica) y <em>la cámara de eco</em> (autoselección del usuario). Ambos se suelen confundir en el discurso popular, pero funcionan de manera diferente.</p>\n<h2>Burbuja de filtro</h2>\n<p>Una <strong>burbuja de filtro</strong> es un entorno de información aislado creado por <em>la personalización algorítmica</em>, en el que un usuario se ve cada vez más expuesto a contenidos que se ajustan a sus preferencias inferidas y a su comportamiento pasado, mientras que los contenidos que se alejan de ello se filtran, normalmente sin que el usuario sea consciente de ello. El término fue acuñado por Eli Pariser (2011) para describir cómo los algoritmos de personalización de Google, Facebook y plataformas similares pueden producir asimetrías sistemáticas de exposición basadas en señales del usuario, como el historial de clics, la ubicación y los datos del perfil.</p>\n<p>La característica definitoria de una burbuja de filtro es <em>la falta de intencionalidad por parte del usuario</em>: la restricción es generada por la optimización de la plataforma, no por la elección deliberada de fuentes por parte del usuario.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>La investigación empírica ha matizado sustancialmente la tesis original de Pariser. Los estudios han revelado que la personalización algorítmica sí influye en lo que ven los usuarios, pero la mayoría de ellos siguen encontrando contenidos ideológicamente diversos —en parte porque sus propias redes sociales incluyen puntos de vista variados, y en parte porque los algoritmos no aíslan tan completamente como sugiere el discurso popular (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). El efecto de la burbuja de filtro es real, pero suele ser más débil de lo que se suele suponer; la exposición selectiva previa a Internet (por ejemplo, la elección de periódicos o canales de televisión) era, en muchos casos, más fuerte.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Pariser, E. (2011). <em>The Filter Bubble: What the Internet Is Hiding from You</em>. Penguin Press.\n</li>\n<li>\nBakshy, E., Messing, S., &amp; Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. <em>Science</em>\n, 348(6239), 1130–1132. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;science.aaa1160\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/science.aaa1160</a>\n</li>\n<li>\nFlaxman, S., Goel, S. y Rao, J. M. (2016). Burbujas de filtro, cámaras de eco y consumo de noticias en línea. <em>Public Opinion Quarterly</em>\n, 80(S1), 298–320. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;poq&#x2f;nfw006\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/poq/nfw006</a>\n</li>\n<li>Bruns, A. (2019). <em>¿Son reales las burbujas de filtro?</em> Polity Press.\n</li>\n</ul></div>\n</div>\n</div>\n<h2>Cámara de eco</h2>\n<p>Una <strong>cámara de eco</strong> es un entorno de información social en el que un usuario se ve expuesto principalmente a opiniones, afirmaciones o ideologías que refuerzan sus creencias existentes, mientras que los puntos de vista discrepantes están ausentes, se descartan o se desacreditan activamente. Cass Sunstein (2017) describe las consecuencias políticas: cuando los grupos se aíslan de las perspectivas externas, las creencias internas se intensifican y se vuelven más extremas con el tiempo (polarización grupal).</p>\n<p>A diferencia de <em>la burbuja de filtro</em>, que surge de la personalización algorítmica, una cámara de eco es el resultado principalmente de <strong>la autoselección del usuario</strong>: las decisiones sobre a quién seguir, a qué comunidades unirse, en qué fuentes confiar y qué voces descartar. Estas decisiones están impulsadas en parte por <em>el sesgo de confirmación</em>, la tendencia cognitiva a buscar y confiar en información que se alinea con las creencias existentes. El efecto de refuerzo proviene de la propia estructura social, no de un filtrado algorítmico invisible.</p>\n<p>C. Thi Nguyen (2020) establece una distinción conceptual relevante para la intervención:</p>\n<ul>\n<li>Una <strong>burbuja epistémica</strong> es una estructura social en la que otras voces relevantes simplemente están <em>ausentes</em>. Sus habitantes no escuchan perspectivas opuestas, pero tampoco las rechazan activamente.\n</li>\n<li>Una <strong>cámara de eco,</strong> en sentido estricto, es una estructura social en la que otras voces relevantes son <em>desacreditadas activamente</em>. Los miembros pueden escuchar perspectivas opuestas, pero aprenden a desconfiar de sus fuentes.\n</li>\n</ul>\n<p>Una burbuja epistémica puede abrirse introduciendo nueva información; una cámara de eco se resiste a la corrección incluso cuando se presentan pruebas externas, porque las fuentes de esas pruebas ya han sido deslegitimadas.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Los estudios empíricos sugieren que las cámaras de eco fuertes e ideológicamente aisladas son menos comunes de lo que el discurso popular da a entender (Cinelli et al., 2021; Guess et al., 2018), pero cuando existen, pueden ser muy resistentes a la corrección. El mero acuerdo dentro de un grupo no es en sí mismo una cámara de eco: la característica definitoria es la exclusión activa o el descrédito de las perspectivas externas.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Sunstein, C. R. (2017). <em>#Republic: Divided Democracy in the Age of Social Media</em>. Princeton University Press.\n</li>\n<li>\nNguyen, C. T. (2020). Cámaras de eco y burbujas epistémicas. <em>Episteme</em>\n, 17(2), 141–161. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1017&#x2f;epi.2018.32\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1017/epi.2018.32</a>\n</li>\n<li>\nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., &amp; Starnini, M. (2021). El efecto de la cámara de eco en las redes sociales. <em>PNAS</em>\n, 118(9), e2023301118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2023301118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2023301118</a>\n</li>\n<li>Guess, A., Lyons, B., Nyhan, B., &amp; Reifler, J. (2018). <em>Evitar la cámara de eco sobre las cámaras de eco: por qué la exposición selectiva a noticias políticas afines es menos frecuente de lo que se cree</em>. Libro blanco de la Fundación Knight.\n</li>\n</ul></div>\n</div>\n</div>","UPDATEDAT":"2026-05-17T18:10:25.150Z","LANG":"es","ID":"ab29e11c-2108-42ab-9bd3-f3f70f7012f9","TITLE":"Circulación y visibilidad de la información","SOURCELANG":"en"}