circulaÇÃo de informaÇÃo no twitter: como líderes de …€¦ · reframe the news felipe bonow...

Associação Nacional dos Programas de Pós-Graduação em Comunicação

XXIX Encontro Anual da Compós, Universidade Federal de Mato Grosso do Sul, Campo Grande - MS, 23 a 25 de junho de 2020

1 www.compos.org.br

www.compos.org.br/anais_encontros.php

CIRCULAÇÃO DE INFORMAÇÃO NO TWITTER: como líderes de opinião ressignificam as notícias 1

INFORMATION FLOW ON TWITTER: how opinion leaders reframe the news

Felipe Bonow Soares 2

Resumo: Este estudo tem como objetivo analisar o processo de circulação e recirculação de

notícias no Twitter. Particularmente, observa-se o papel dos líderes de opinião neste

processo. Para isso, são analisadas duas conversações que totalizam um conjunto

de dados de mais de 1 milhão de tweets. Utiliza-se uma abordagem de métodos mistos

a partir de Análise de Redes Sociais e Análise de Conteúdo. Os resultados indicam

que líderes de opinião ressignificam as notícias conforme suas narrativas políticas.

Além disso, observou-se que os usuários pró-Bolsonaro apresentam uma dinâmica

de superparticipação que ajuda a impulsionar a visibilidade de certas mensagens.

Palavras-Chave: Circulação de Informação. Líder de opinião. Recirculação.

Abstract: This study aims to analyze the news circulation and recirculation process on Twitter.

Particularly, we seek to observe the opinion leaders’ role in this process. We analyze

two political conversations. These datasets comprise more than 1 million tweets. We

use a mixed methods approach, based on Social Network Analysis and Content

Analysis. Our results show that opinion leaders reframe the news according to their

political narratives. Furthermore, we identified that pro-Bolsonaro users are more

likely to act as superparticipants to fuel the visibility of certain messages.

Keywords: Information Flow. Opinion Leader. Recirculation.

1. Introdução

As discussões políticas são um dos elementos centrais nos usos de plataformas de redes

sociais (LARSSON & MOE, 2014; WELLER et al., 2014). No Brasil, por exemplo, as

campanhas eleitorais de 2018 e eventos políticos durante o primeiro ano do governo de Jair

Bolsonaro em 2019 foram foco de conversações. Neste contexto, usuários assumem papel

importante na circulação de informações e interpretação de notícias (ZAGO & BASTOS, 2013;

ZAGO, 2014). Além disso, muitas páginas que produzem ou compartilham conteúdo

1 Trabalho apresentado ao Grupo de Trabalho Comunicação e Cibercultura do XXIX Encontro Anual da Compós,

Universidade Federal de Mato Grosso do Sul, Campo Grande - MS, 23 a 25 de junho de 2020 2 Doutorando no PPG em Comunicação e Informação da Universidade Federal do Rio Grande do Sul. Email:

[email protected].



2 www.compos.org.br


“alternativo” acabam disputando visibilidade com veículos jornalísticos tradicionais

(BENKLER, FARIS & ROBERTS, 2018; ALVES & ALBUQUERQUE, 2019).

Neste sentido, este artigo busca compreender os processos de circulação de informação

no Twitter e o papel dos líderes de opinião (KATZ & LAZARSFELD, 1955; LAZARSFELD,

BERELSON & GAUDET, 1968) na ressignificação de acontecimentos políticos. Para isto, este

estudo utiliza métodos mistos, com base na Análise de Redes Sociais e na Análise de Conteúdo,

para analisar duas conversações políticas no Twitter em que houve disputas de narrativas entre

as notícias de veículos jornalísticos e o conteúdo gerado por grupos políticos e líderes de

opinião.

Os problemas de pesquisa que guiam este estudo são:

PP1: Quais as dinâmicas de circulação de informações nos grupos destas conversações?

PP2: Que tipos de usuários recebem maior visibilidade nos grupos destas redes?

PP3: Qual o conteúdo das mensagens dos “líderes de opinião”?

2. Circulação de informação no Twitter

O Twitter é uma plataforma de redes sociais (ELLISON & BOYD, 2013) frequentemente

utilizada na disseminação de notícias e conversações sobre acontecimentos em tempo real

(BASTOS, RAIMUNDO & TRAVITZKI, 2013; WELLER et al., 2014). Além disso, o design

da plataforma favorece o debate de temas em nível macro ou social, quando há uma discussão

com características mais públicas e com participação de grupos diversos de usuários (BRUNS

& MOE, 2014). Por isso, o Twitter é utilizado para diversos tipos de participação política, em

especial no debate sobre acontecimentos políticos (LARSSON & MOE, 2014). Devido a essas

características da plataforma, usuários frequentemente acessam o Twitter em busca de notícias

e informações relevantes (RECUERO, ARAÚJO & ZAGO, 2011).

No Twitter, os usuários ocupam papel central no processo circulação de informações

(ZAGO & BASTOS, 2013). Este processo ocorre especialmente via retweet (RT), em que

usuários compartilham um conteúdo com sua rede de contatos na plataforma, permitindo que

a mensagem se espalhe para novos grupos sociais (RECUERO, ARAÚJO & ZAGO, 2011;

BRUNS & MOE, 2014). Neste cenário, usuários muito ativos podem definir quais temas

ganham maior visibilidade e impulsionar certos conteúdos, já que as trending topics3 do Twitter

3 Trending topics é uma ferramenta do Twitter que mostra os termos mais utilizados no momento em mensagens

de usuários de todo o mundo ou de localizações específicas, como países ou cidades.



3 www.compos.org.br


frequentemente são criadas a partir de uma minoria de usuários muito ativos (BASTOS,

RAIMUNDO & TRAVITZKI, 2013). A participação destes usuários nas discussões pode ser

associada ao conceito de superparticipantes (GRAHAM & WRIGHT, 2013), ou seja, usuários

que influenciam as discussões devido a sua participação acima da média. Nestes casos, os

usuários muito ativos frequentemente investem em valores como clusterização, quando

existem muitos laços partilhados dentro de um grupo, e cooperação, quando há alguma ação

coletiva (RECUERO, AMARAL & MONTEIRO, 2012).

Em função da participação de usuários na circulação de informações em plataformas

como o Twitter, o conteúdo original de notícias passa por um processo de “recirculação”

(ZAGO, 2012, 2014). Neste processo, os usuários muitas vezes reconfiguram as mensagens e

atribuem novos sentidos à informação que está “recirculando” (AQUINO BITTENCOURT,

2015). Isto ocorre principalmente em acontecimentos políticos, já que o Twitter serve como

uma plataforma em que usuários também interpretam e ressignificam acontecimentos sociais

(MAIREDER & AUSSERHOFER, 2014). Desta forma, o Twitter não serve apenas para

circulação de notícias, mas também para a interpretação destas informações e recirculação de

conteúdo. Além de veículos jornalísticos, líderes de opinião também são centrais para esse

processo.

3. Two-step flow e líderes de opinião

A ideia de líderes de opinião está associada ao modelo comunicacional do two-step flow.

Este modelo tem origem em estudos que buscavam compreender a circulação de notícias e

informações políticas durante processos eleitorais (KATZ & LAZARSFELD, 1955;

LAZARSFELD, BERELSON & GAUDET, 1968). Neste modelo, os autores identificaram que

certos indivíduos, chamados de líderes de opinião, ocupavam papel central no processo de

circulação de informação. Os líderes de opinião recebiam as notícias das mídias de massa e as

repassavam a outros indivíduos (menos engajados no consumo de notícias) em um processo

interpessoal. Desta forma, os líderes de opinião eram capazes de influenciar politicamente os

menos engajados. Ainda assim, esta influência seguia um processo de seletividade, ou seja,

indivíduos eram mais suscetíveis a persuasão de líderes de opinião que reforçavam suas crenças

(BERELSON, LAZARSFELD & MCPHEE, 1954).

O modelo foi denominado two-step flow porque a informação dos veículos de massa

passaria pelos líderes de opinião para então atingir uma camada maior de indivíduos. Este



4 www.compos.org.br


processo era também resultado do menor acesso a veículos de massa no contexto em que estes

estudos foram realizados. Com a possibilidade de circulação de informações em plataformas

de redes sociais, este processo é bem mais complexo (HILBERT et al., 2017). Neste sentido,

Bennett e Manhein (2006) argumentam a favor do modelo one-step flow em que a informação

está disponível em larga escala para que indivíduos a acessem diretamente das fontes (como

veículos jornalísticos). Porém, estudos mostram que o modelo two-step flow ainda explica

diversas formas de interações, em que indivíduos contam com o papel de líderes de opinião

para interpretar as informações (GANGADHARBATLA & VALAFAR, 2017; DRUCKMAN,

LEVENDUSKY & MCLAIN, 2018).

Entende-se, portanto, que os líderes de opinião seguem ocupando posição privilegiada

no debate político em plataformas de redes sociais. Estes usuários geralmente investem em sua

reputação para serem reconhecidos por alguma forma de autoridade nos debates sociais (CHA

et al., 2010). Por isso, muitos dos líderes de opinião assumem posições ideológicas/partidárias

bastante marcadas em debates políticos, usando isto para ganhar visibilidade nestes casos

(SOARES, RECUERO & ZAGO, 2018). Em função da necessidade de certo reconhecimento

social para ser identificado como líder de opinião, estes usuários são geralmente parte de

categorias tradicionais da elite política, como políticos e jornalistas, por exemplo (DUBOIS &

GAFFNEY, 2014). Ainda assim, o design das plataformas de redes sociais facilita a

emergência de outros tipos de “influenciadores” em situações específicas, geralmente de

maneira geralmente efêmera (BAKSHY et al., 2011). Como líderes de opinião muitas vezes

assumem e reforçam posições políticas específicas e possuem influência na ressignificação de

informações nas plataformas de redes sociais, sua participação em discussões políticas também

pode influenciar em desordens informacionais.

4. Desordens informacionais

Desordens informacionais são, de forma geral, problemas informacionais em discussões

sociais, o que inclui conteúdo completamente falso, informações que buscam enganar

indivíduos, discurso de ódio, entre outros tipos de conteúdo que acabam prejudicando a

qualidade de debates públicos (WARDLE & DERAKHSHAN, 2017). Muitas vezes, as

desordens informacionais são estudadas por meio de campanhas de desinformação, ou seja, da

circulação de conteúdo falso ou manipulados que buscam enganar indivíduos (WARDLE &

DERAKHSHAN, 2017; BENKLER, FARIS & ROBERTS, 2018; TUCKER et al., 2018).



5 www.compos.org.br


Defende-se neste estudo que também o processo de recirculação de notícias e disputa de

significados com os veículos de jornalismo pode contribuir para a formação de um espaço de

desordem informacional.

Este processo de disputa de significados se dá principalmente em contextos polarizados,

já que há disputa pela narrativa dos acontecimentos políticos (HARDY & PHILLIPS, 1999).

As conversações políticas nas plataformas de redes sociais, em particular no Twitter, costumam

assumir estruturas polarizadas, com a formação de dois grupos com posições antagônicas

(SMITH et al., 2014; HIMELBOIM et al., 2017). Alguns estudos sugerem que este tipo de

estrutura gera o que são chamadas de “câmaras de eco”, em que indivíduos se isolam em grupos

que compartilham a mesma opinião e permitem a circulação de apenas de conteúdo que reforça

sua posição política (SUNSTEIN, 2001, 2017).

Ainda que grupos políticos geralmente sigam tendências de homofilia e filtrem o

conteúdo que circulam entre seus usuários (BARBERÁ et al., 2015; RECUERO, ZAGO &

SOARES, 2017), não há suficiente evidência que a formação de câmaras de eco ocorra em

debates políticos em nível social (DUBOIS & BLANK, 2018; GUESS et al., 2018; BRUNS,

2019; EADY et al., 2019). Mesmo os usuários com posições políticas mais radicais acabam

recebendo conteúdo contraditório, seja de forma inadvertida ou em discussões políticas

(DUBOIS & BLANK, 2018; BRUNS, 2019). Estudos mostram que a maioria dos usuários

ainda compartilha em grande parte a sua dieta midiática, acessando veículos tradicionais na

busca de informações (FLETCHER & NIELSEN, 2017; NEWMAN et al., 2019). Além disso,

em disputas políticas nas plataformas de redes sociais, usuários polarizados acabam utilizando

as informações dos usuários aos quais antagonizam para produzir a sua narrativa e/ou contrapor

as narrativas de outros grupos políticos (LARSSON, 2019a; SOARES et al., 2019).

O que parece ocorrer, porém, é que alguns usuários muito ativos privilegiam um certo

tipo de informação e se tornam uma espécie de “minoria barulhenta”, que acabam afetando as

discussões políticas nas plataformas de redes sociais (GUESS et al., 2018). Assim, usuários se

apropriam do design das plataformas em disputas informativas (CASTRO, 2019), de forma

que a ação dos superparticipantes impulsiona a visibilidade de certas temáticas

(PAPAKYRIAKOPOULOS, SERRANO & HEGELICH, 2020). Isto ajuda a explicar o fato de

que páginas políticas disputam visibilidade com veículos jornalísticos e acabam muitas vezes

tendo seu conteúdo mais compartilhado do que veículos tradicionais (ALVES &

ALBUQUERQUE, 2019). Entende-se, portanto, que estudar as dinâmicas de participação em



6 www.compos.org.br


grupos políticos e o papel dos líderes de opinião é fundamental para compreender como as

notícias recirculam nestes espaços e como seus conteúdos são ressignificados de forma que

podem contribuir na emergência de desordens informacionais.

5. Metodologia

Com o objetivo de entender as dinâmicas de circulação de informações no Twitter e o

papel dos líderes de opinião na recirculação de notícias, decidiu-se analisar duas conversações

políticas na plataforma. Estas conversações foram selecionadas a partir de um conjunto de

dados de conversações políticas no Brasil em função da presença de disputa de sentidos na

circulação e recirculação de notícias.

A primeira conversação analisada é sobre a publicação da revista Veja em 28 de setembro

de 2018, na qual foi divulgado um processo legal em que a ex-esposa de Jair Bolsonaro, então

candidato à presidência, o acusa de cometer diversos crimes4. A segunda conversação analisada

é sobre os incêndios que ocorreram na floresta Amazônica em 20195. Neste caso, Bolsonaro,

já presidente, foi acusado por políticos e ativistas brasileiros e por líderes mundiais de ter

contribuído para a amplitude dos fogos em decorrência de suas declarações públicas e decisões

administrativas6.

Para a coleta dos dados, foi utilizado o programa open source Social Feed Manager

(PROM, 2017), que faz requerimento de dados via API do Twitter. A seleção dos dados foi

realizada por meio de palavra-chave e delimitação temporal (um dia). Além disso, como o

objetivo deste estudo é observar a circulação de informações, foram selecionados apenas

retweets (RT). Para a análise dos dados, foram utilizados métodos mistos. A Análise de Redes

Sociais (ARS) (WASSERMAN & FAUST, 1994) foi utilizada para compreender a estrutura

das redes e as dinâmicas de circulação de conteúdo. A Análise de Conteúdo foi utilizada

(KRIPPENDORF, 2013) para analisar os líderes de opinião e suas mensagens nestas

conversações.

Para a utilização da ARS, foi necessário primeiramente converter os dados para arquivos

de rede. Para transformar os dados, foi utilizado um script do Python. Nesta análise, os nós da

4 https://veja.abril.com.br/politica/ex-mulher-acusou-bolsonaro-de-ocultar-patrimonio-da-justica-eleitoral/. 5 https://brasil.elpais.com/tag/incendios_forestales_provocados/a/. 6 Por exemplo: https://www.dw.com/pt-br/n%C3%A3o-%C3%A9-atitude-de-presidente-diz-macron-sobre-

bolsonaro/a-50359370.

https://veja.abril.com.br/politica/ex-mulher-acusou-bolsonaro-de-ocultar-patrimonio-da-justica-eleitoral/

https://brasil.elpais.com/tag/incendios_forestales_provocados/a/

https://www.dw.com/pt-br/n%C3%A3o-%C3%A9-atitude-de-presidente-diz-macron-sobre-bolsonaro/a-50359370

https://www.dw.com/pt-br/n%C3%A3o-%C3%A9-atitude-de-presidente-diz-macron-sobre-bolsonaro/a-50359370



7 www.compos.org.br


rede são usuários do Twitter e as conexões entre eles são retweets. A tabela abaixo detalha os

conjuntos de dados utilizados para análise.

TABELA 1

Conjuntos de dados

Dia Palavra-chave Retweets Nós Conexões

28 de setembro de 2018 “Bolsonaro” 422.234 122.324 374.062

22 de agosto de 2018 “Amazonia” 614.778 296.281 577.664

Para a análise da estrutura das conversações e das dinâmicas de circulação de

informações, foram utilizadas métricas de ARS. Foram utilizadas as métricas de modularidade

e E-I index para identificação de grupos na rede. Foram utilizadas as métricas de grau e

coeficiente de clusterização para a análise da atividade dos usuários em cada grupo. As métricas

de ARS foram selecionadas para explorar a primeira questão de pesquisa deste estudo: qual a

dinâmica de circulação de informações nos grupos das redes estudadas?

A métrica de modularidade7 permite a identificação de módulos na rede a partir das

conexões entre os nós (BLONDEL et al., 2008), ou seja, grupos de usuários com interações

mais densas tendem a ser agrupados em um mesmo módulo. De forma complementar, foram

observadas conexões entre os grupos por meio do cálculo de E-I index, que é baseado no

número de conexões internas e externas (KRACKHARDT & STERN, 1998). O valor do E-I

index vai de -1, quando todas as conexões são internas, a 1, quando todas as conexões são

externas. Com base em modularidade e E-I index foi possível dividir a rede em grupos a partir

das definições de Larsson (2019b), que detalha dois tipos de estrutura de rede/grupos: “zonas

difusas” (fuzzy zones) e “clusters coerentes” (coherente clusters). As zonas difusas são

formadas por módulos com estruturas que se sobrepõem e possuem fronteiras difusas. Os

clusters coerentes são módulos que apresentam uma estrutura delimitada e fronteiras claras.

Para estas análises, foram considerados apenas módulos com pelo menos 2% do número total

de usuários na rede, para eliminar interações isoladas e focar nos grupos centrais da rede. A

partir do cálculo de modularidade foram identificados três módulos principais na conversação

sobre a denúncia da revista Veja. Estes módulos compreendem 92,05% dos nós e 97,89% das

7 Para a modularidade, calculada via Gephi, utilizou-se resolução 2.0 para evitar a formação de diversos pequenos

grupos.



8 www.compos.org.br


conexões da rede. Na conversação sobre a Amazônia, foram identificados quatro módulos

principais. Estes compreendem 95,32% dos nós e 97,85% das conexões.

Para a análise da atividade dos usuários em cada grupo, foram observadas as métricas de

grau e de coeficiente de clusterização. O grau se refere ao número de conexões de cada nó na

rede (FREEMAN, 1979). A métrica de grau pode ser dividida em dois tipos: grau de entrada,

que no caso das redes analisadas se refere ao número de RT de diferentes usuários que um nó

recebeu; e o grau de saída, que se refere ao número de usuários que um nó retuitou. Assim,

grau de entrada serve para identificar líderes de opinião (usuários que receberam muitos RT) e

o grau de saída serve para identificar superparticipantes (usuários que realizaram muitos RT).

Além disso, foi também considerado o grau ponderado. Este cálculo considera, além do número

de conexões de um nó, o peso das conexões. Isto é, se um usuário publicou três tweets e outro

usuário retuitou as três mensagens, o grau destas conexões é 1 (um usuário que interagiu com

outro), enquanto o grau ponderado é 3 (porque considera também o número de interações – 3

RT). Por fim, analisou-se o coeficiente de clusterização, que mede o nível de conectividade

entre nós “vizinhos”, de forma que este cálculo está relacionado com a densidade dos grupos

(WATTS & STROGATZ, 1998).

A segunda questão de pesquisa deste estudo é: que tipo de usuários receberam maior

visibilidade nos grupos destas redes? Para isto, utilizou-se a métrica de grau de entrada para a

identificação dos usuários com maior visibilidade nos grupos (CHA et al., 2010; SOARES,

RECUERO & ZAGO, 2018). Foram selecionados os 100 usuários com maior grau de entrada

em cada grupo. Estes foram classificados como:

1. Veículos jornalísticos: tradicionais veículos de jornalismo brasileiros ou

internacionais.

2. Veículos hiperpartidários: são veículos de mídia que apoiam uma agenda política em

particular. Esses veículos são geralmente nativos digitais e oferecem “versões

alternativas” dos fatos, geralmente afirmando que veículos jornalísticos tradicionais

não são confiáveis (BENKLER, FARIS & ROBERTS, 2018; TUCKER et al., 2018;

LARSSON, 2019a).

3. Políticos: políticos profissionais que ocupem ou não alguma posição no momento.

4. Jornalistas: jornalistas que trabalham para algum veículo de mídia e/ou possuem

blogs pessoais.



9 www.compos.org.br


5. Celebridades: pessoas públicas famosas devido a suas atividades. Foram

considerados como celebridades usuários que realizam atividades tradicionais, como

atores, escritores, músicos; e também celebridades nativas digitais, como youtubers,

por exemplo.

6. Comentadores políticos: são usuários que possuem algum tipo de reputação com base

nos seus comentários políticos. Foram considerados, por exemplo, usuários que

possuem colunas em veículos de mídia, mas não são jornalistas, assim como usuários

que ganharam visibilidade no Twitter a partir de suas publicações sobre política.

7. Organizações políticas: organizações como partidos políticos, organizações

governamentais e movimentos políticos.

8. Páginas de política: são páginas criadas para discutir temas políticos, de forma que

informam ou persuadem outros usuários sobre tópicos sociais. São diferentes dos

veículos hiperpartidários porque não se definem como veículos “jornalísticos”.

9. Outros: são usuários que não se encaixam nas categorias acima. De forma geral,

foram classificados como “outros” os usuários “comuns” que acabaram ganhando

visibilidade devido a dinâmicas de rede (BAKSHY et al., 2011).

Para a classificação dos usuários nas categorias acima descritas, foram acessados seus

perfis no Twitter, foi observada a descrição do usuário, assim como suas publicações recentes.

Por fim, a terceira questão de pesquisa deste estudo é: qual o conteúdo das mensagens

dos líderes de opinião? Para esta questão, utilizou-se Análise de Conteúdo (KRIPPENDORF,

2013) para analisar as mensagens dos líderes de opinião. Para isso, identificou-se o tweet com

maior número de RT de cada um dos 100 usuários com maior grau de entrada em cada grupo.

Em um primeiro momento, foram observadas as mensagens dos “veículos jornalísticos”, para

observar as temáticas que circularam nas notícias nas conversações analisadas, e dos “veículos

hiperpartidários”, para comparar se o conteúdo era semelhante ao produzido por veículos

jornalísticos. Em seguida, como o objetivo era observar as mensagens dos líderes de opinião,

o foco da Análise de Conteúdo foi nos tweets de: políticos, jornalistas, celebridades,

comentadores políticos, organizações políticas e páginas de política, que ocupam um papel

mais tradicional de líder de opinião nas discussões políticas em rede (DUBOIS & GAFFNEY,

2014) – ou seja, as mensagens de “outros” não foram analisadas, visto que estes usuários

geralmente emergem a partir de alguma dinâmica de rede (BAKSHY et al., 2011). As

mensagens dos líderes de opinião foram analisadas em comparação com o conteúdo das



10 www.compos.org.br


notícias de veículos tradicionais para observar se seus tweets (a) reforçava/concordava com o

conteúdo das notícias, (b) negava/discordava do conteúdo das notícias, (c) mencionava o

conteúdo das notícias, mas não apresentava posição clara, ou (d) abordava outro tópico. Além

disso, nos três primeiros casos, foi observado se (a) alguma notícia era apenas reproduzida, (b)

se havia algum comentário/ressignificação de notícias, ou (c) se a mensagem atacava veículos

jornalísticos tradicionais. A partir desta análise, foi possível observar de que forma os líderes

de opinião ressignificam o conteúdo das notícias no processo de recirculação no Twitter.

6. Resultados

O primeiro passo para as análises deste estudo foi identificar os grupos nas conversações.

Como descrito na metodologia deste artigo, utilizaram-se os cálculos de modularidade e E-I

index para a identificação dos módulos e as categorias de Larsson (2019b) para identificar

zonas difusas e/ou clusters coerentes. Para isto, também foram observadas as conexões entre

os módulos, o que facilita a identificação da aproximação entre eles e identificação dos tipos

de estrutura presente nas redes. A partir deste processo, em ambas as redes de conversação

foram identificadas uma zona difusa, composta pelos módulos azuis, e um cluster coerente,

composto pelo módulo verde (FIG. 1 e 2).

Na conversação sobre a denúncia da revista Veja (28 de setembro de 2018), foram

identificados três módulos principais. Nesta rede, o módulo azul claro compartilhava 3.949

conexões com o módulo azul e apenas 56 com o módulo verde, então os módulos azuis foram

considerados uma “zona”, enquanto o módulo verde um “cluster”. Na conversação sobre a

Amazônia (22 de agosto de 2019) foram identificados quatro módulos principais. Neste caso,

o módulo azul claro compartilhava 22.094 conexões com o módulo azul e 2.512 com o módulo

verde; enquanto o módulo azul escuro compartilhava 11.007 conexões com o módulo azul e

apenas 142 com o módulo verde. Mais uma vez, os módulos azuis foram classificados como

uma “zona” e o módulo verde como um “cluster”. Esses dados se refletem na posição dos

módulos na visualização da rede (baseada na força das conexões entre os nós) e no cálculo de

E-I index, que mostra o módulo verde mais isolado – mais conexões internas e menos conexões

internas (TAB. 2).





FIGURA 1 – Representação da rede de conversação sobre a denúncia da revista Veja

FIGURA 2 – Representação da rede de conversação sobre os incêndios na Amazônia





TABELA 2

E-I index dos grupos

Rede Revista Veja Incêndios na Amazônia

Módulo Azul Azul claro Verde Azul Azul claro Azul

escuro Verde

E-I index -0,862 -0,554 -0,958 -0,717 -0,606 -0,589 -0,952

Como será descrito na parte qualitativa desta análise, a divisão das redes entre uma “zona

difusa” e um “cluster coerente” se reflete também no conteúdo das mensagens. Com o intuito

de facilitar o acompanhamento da análise, desde já o cluster passa a ser chamado de grupo pró-

Bolsonaro, visto que esta agenda política se reflete nos usuários com maior visibilidade no

módulo verde e nas suas mensagens nas duas conversações observadas. Já a zona composta

pelos módulos azuis tem maior variação de ideologias e agendas políticas, por isso é definida

como grupo “anti-Bolsonaro”.

Com a identificação dos grupos na rede, foi possível avançar para a análise das dinâmicas

dos usuários na circulação de informação e das características dos grupos nestas conversações.

Como detalhado na TAB. 3, em ambas as redes o cluster pró-Bolsonaro teve números mais

altos de grau médio, grau ponderado médio e coeficiente de clusterização do que a zona anti-

Bolsonaro (mesmo quando considerados os módulos individualmente). Isto indica que o grupo

pró-Bolsonaro possui maior presença de superparticipantes (GRAHAM & WRIGHT), ou seja,

de usuários que participam acima da média e acabam impulsionando a visibilidade de certos

conteúdos, o que tem reflexo direto na circulação de informações nas plataformas de redes

sociais (BASTOS, RAIMUNDO & TRAVITZKI, 2013; PAPAKYRIAKOPOULOS,

SERRANO & HEGELICH, 2020). Além disso, a classificação do módulo verde como um

“cluster coerente” e dos módulos azuis como “zonas difusas” se confirma pelo coeficiente de

clusterização. Este indica que os usuários pró-Bolsonaro também estão mais conectados entre

si, já que possuem maior interação interna. Além disso, este dado indica que eles são mais

engajados entre si no compartilhamento mútuo de mensagens que circulam no grupo.





TABELA 3

Métricas dos grupos

Rede Revista Veja Incêndios na Amazônia

Grupo Anti-Bolsonaro Pró-

Bolsonaro Anti-Bolsonaro

Pró-

Bolsonaro

Nós 70.511 42.088 234.685 47.736

Coeficiente de

clusterização 0,016 0,034 0,003 0,018

Grau médio 1,932 5,348 1,673 3,529

Grau ponderado

médio 2,026 5,869 1,738 3,976

Módulo Azul Azul

claro Verde Azul

Azul

claro

Azul

escuro Verde

Nós 57.366 13.145 42.088 148.724 49.022 36.939 47.736

Coeficiente de

clusterização 0,020 0,001 0,034 0,001 0,007 0,001 0,018

Grau médio 2,062 1,062 5,348 1,413 2,106 1,227 3,529

Grau ponderado

médio 2,177 1,066 5,869 1,445 2,312 1,229 3,976

Para confirmar a diferença na presença de superparticipante nos grupos, foi utilizado o

teste estatístico T-Test8 para comparar os mil usuários mais ativos de cada grupo (pró-

Bolsonaro e anti-Bolsonaro) em cada rede. O T-Test foi utilizado para comparar a média de

grau de saída e grau de saída ponderado entre dois grupos. O teste foi realizado no Ucinet

(BORGATTI, EVERETT & FREEMAN, 2002), que inclui um teste de permutação (n=10.000

permutações aleatórias) e possui o design específico para dados de rede, evitando a

interferência no resultado em caso de dados não paramétricos. Como detalham as TAB. 4 e 5,

a diferença média entre os grupos é significativa (p<0,001 em todos os testes), isto é, os testes

estatísticos comprovam que os mil usuários pró-Bolsonaro com maior grau de saída e grau de

saída ponderado são mais ativos do que os mil usuários anti-Bolsonaro. Estes resultados

confirmam a maior atividade de superparticipantes entre os usuários pró-Bolsonaro.

8 O T-Test é, basicamente, um teste estatístico que compara a média entre dois conjuntos de dados.





TABELA 4

T-Test – Denúncia da Veja

Grupo Grau de

saída médio

Desvio

padrão

Diferença

média

Grau de

saída

ponderado

médio

Desvio

padrão

Diferença

média

Anti-

Bolsonaro 23,98 14,14

34,79*

27,46 17,98

41,32* Pró-

Bolsonaro 58,77 25,43 68,77 31,94

TABELA 5

T-Test – Incêndios na Amazônia

Grupo Grau de

saída médio

Desvio

padrão

Diferença

média

Grau de

saída

ponderado

médio

Desvio

padrão

Diferença

média

Anti-

Bolsonaro 25,3 14,25

8,83*

31,14 19,79

11,98* Pró-

Bolsonaro 34,13 12,82 43,12 18,63

Com relação ao primeiro problema de pesquisa deste estudo, pode-se afirmar que as

dinâmicas de circulação de informações ocorreram de forma diferente nos grupos das redes

analisadas. Os usuários que fazem parte do grupo pró-Bolsonaro foram mais ativos que os

outros usuários da rede e contaram com a presença de superparticipantes, o que faz com que o

conteúdo compartilhado por esse grupo aumente seu número de RT, podendo refletir em maior

visibilidade na rede. Além disso, a partir dos cálculos de E-I index e coeficiente de

clusterização, percebe-se que o grupo pró-Bolsonaro também tem maior tendência a realizar

conexões internas, o que torna o grupo mais “coerente” e sugere que estes usuários foram

especialmente ativos em compartilhar tweets que refletiam sua agenda política.

Para explorar os outros dois problemas de pesquisa que guiam este estudo, os 100

usuários com maior grau de entrada de cada grupo foram identificados, assim como suas

mensagens. A classificação dos usuários de maior visibilidade nos grupos (TAB. 6) mostra que

veículos jornalísticos tradicionais receberam bastante visibilidade entre usuários anti-

Bolsonaro na conversação sobre as denúncias da revista Veja, mas esta visibilidade diminui no

caso da floresta Amazônica. Já o grupo pró-Bolsonaro deu pouca visibilidade para veículos

jornalísticos.

* p<0,001





No que se refere a líderes de opinião, o grupo pró-Bolsonaro deu visibilidade

principalmente a políticos e comentadores políticos, ainda que jornalistas, celebridades e

páginas de conteúdo político também sejam centrais. Já o grupo anti-Bolsonaro deu mais

visibilidade a políticos na conversação sobre as denúncias da Veja (o que pode ser reflexo do

período de campanhas políticas) e focou principalmente em celebridades nas conversações

sobre a Amazônia. “Outros” aparecem com bastante visibilidade em ambos os grupos, o que

indica que usuários “comuns” podem ganhar visibilidade a partir das dinâmicas de interação

em rede devido ao conteúdo que compartilharam em uma mensagem específica (BAKSHY et

al., 2011).

TABELA 6

Usuários com maior grau de entrada

Atividade

Pró-Bolsonaro Anti-Bolsonaro

Veja Amazônia Veja Amazônia

Nós Grau de

entrada Nós

Grau de

entrada Nós

Grau de

entrada Nós

Grau de

entrada

Veículos

jornalísticos 0 0 2

1.913

(1,5%) 3

19.727

(20,1%) 6

15.065

(5,1%)

Veículos

hiperpartidários 5

11.553

(7,4%) 5

6.077

(4,6%) 3

3.447

(3,5%) 1

1.881

(0,6%)

Políticos 11 35.043

(22,5%) 12

29.855

(22,8%) 13

14.323

(14,6%) 13

18.604

(6,3%)

Jornalistas 8 12.010

(7,7%) 6

9.483

(7,2%) 18

6.999

(7,1%) 13

32.685

(11,1%)

Celebridades 4 12.088

(7,8%) 6

9.974

(7,6%) 5

7.820

(8%) 9

59.012

(20,1%)

Comentadores

políticos 14

31.572

(20,3%) 21

30.191

(23%) 13

7.991

(8,1%) 8

15.548

(5%)

Organizações

políticas 1

1.338

(0,9%) 1

3,005

(2,3%) 0 0 0 0

Páginas de

política 11

12.263

(7,9%) 11

17.718

(13,5%) 4

3.857

(3,9%) 4

5.169

(1,8%)

Outros 46 39.647

(25,5%) 36

22.996

(17,5%) 31

33.910

(34,6%) 46

146.235

(49,9%)

Total 100 155.487 100 131.212 100 98.074 100 293.199

Os dados acima apresentam os resultados do segundo problema de pesquisa deste estudo,

que se refere aos usuários com maior visibilidade nos grupos. De forma geral, pode-se dizer

que o grupo pró-Bolsonaro segue uma dinâmica de two-step flow (KATZ & LAZARSFELD,

1955), em que dão maior visibilidade para informações que são interpretadas por líderes de





opinião no processo de recirculação (ZAGO, 2012, 2014). Já no grupo anti-Bolsonaro, a

centralidade dos líderes de opinião, semelhante ao modelo two-step flow, ocorre de forma

conjunta a usuários que buscam dar visibilidade direta aos veículos jornalísticos, no que seria

um modelo mais próximo da ideia de one-step flow (BENNET & MANHEIN, 2006). Isto foi

identificado principalmente na conversação sobre as denúncias da revista Veja, em que

veículos jornalísticos possuem mais de 20% do total de grau de entrada entre os 100 usuários

mais centrais no grupo anti-Bolsonaro.

No que se refere ao conteúdo das mensagens (terceiro problema de pesquisa deste

estudo), o primeiro passo foi observar os tweets de maior circulação de veículos jornalísticos e

comparar com as mensagens de veículos hiperpartidários. Os resultados foram semelhantes nas

duas conversações. Veículos hiperpartidários no grupo anti-Bolsonaro majoritariamente

reforçavam o conteúdo das mensagens de veículos jornalísticos, enquanto os veículos

hiperpartidários no grupo pró-Bolsonaro buscavam apresentar outra “versão” dos fatos e

criticavam a mídia mainstream (semelhante a LARSSON, 2019a).

Na rede sobre as denúncias da revista Veja, a maioria dos tweets dos veículos

jornalísticos (oito das 13 mensagens mais RT) reproduziam as denúncias contra Bolsonaro –

todos os veículos jornalísticos eram parte do grupo anti-Bolsonaro nesta rede. Já as mensagens

dos veículos hiperpartidários no grupo pró-Bolsonaro em sua maioria (quatro de cinco)

negavam as acusações e atacavam a revista Veja. Duas dessas mensagens compartilhavam a

informação falsa de que a Veja teria recebido dinheiro para acusar Bolsonaro, por exemplo:

“Ex-jornalista da Veja Joice Hasselmann, denuncia que revista recebeu 600 milhões para

destruir Jair Bolsonaro na semana da eleição! COMPARTILHE” (1.814 RT).

Na conversação sobre a Amazônia os resultados são semelhantes. Veículos jornalísticos

no grupo anti-Bolsonaro reproduziam declarações de líderes internacionais e as repercussões

sobre os incêndios. Os veículos hiperpartidários no grupo anti-Bolsonaro enquadraram as

mensagens para criticar Bolsonaro, mas também reproduziam declarações sobre os incêndios,

por exemplo: “Papa pede ajuda de líderes mundiais para salvar a Amazônia da destruição de

Bolsonaro” (545 RT). Já os veículos hiperpartidários no grupo pró-Bolsonaro buscavam

diminuir a relevância dos incêndios e criticar políticos e celebridades que se posicionaram

sobre o assunto, por exemplo: “Artistas estão contribuindo para impulsionar a campanha de

desinformação contra a soberania do #Brasil na Floresta Amazônica. ‘A Amazônia está

pegando fogo, isso é terrível’, disse Jaden Smith ao compartilhar uma imagem de três décadas





atrás.” (1.421 RT). Os dois veículos jornalísticos que aparecem no grupo pró-Bolsonaro neste

rede são agências de fact-checking, que tiveram suas mensagens utilizadas para justificar a

narrativa dos usuários, que afirmavam haver uma campanha de desinformação contra

Bolsonaro porque celebridades utilizavam fotos antigas para se manifestar sobre as queimadas,

por exemplo: “A foto que mostra a Floresta Amazônica tomada por fumaça, compartilhada,

inclusive, por Jaden Smith, foi usada em uma matéria do @guardian em 2007 e mostra a

Amazônia há 30 anos, em 1989 #PrayforAmazonas #PrayforAmazonia #AFP” (542 RT).

A mesma tendência é reproduzida por líderes de opinião no processo de recirculação

(TAB. 7). Nas mensagens com mais RT, usuários anti-Bolsonaro buscaram reproduzir e

comentar as notícias dos veículos jornalísticos, já os líderes de opinião pró-Bolsonaro negaram

o conteúdo jornalístico e buscaram impor sua própria narrativa.

TABELA 7

Classificação das mensagens dos líderes de opinião

Mensagens

Pró-Bolsonaro Anti-Bolsonaro

Veja Amazônia Veja Amazônia

Concorda com

notícias

Total 0 0 16 (29,6%) 24 (52,2%)

Reproduz notícias 0 0 5 (9,3%) 2 (4,3%)

Comenta notícias 0 0 11 (20,4%) 22 (47,8%)

Discorda de

notícias

Total 32 (65,3%) 29 (50,9%) 0 0

Ataca veículos

jornalísticos 27 (55,1%) 11 (19,3%) 0 0

Comenta notícias 5 (10,2%) 18 (31,6%) 0 0

Neutro

Total 0 0 1 (1,9%) 2 (4,3%)

Ataca veículos

jornalísticos 0 0 1 (1,9%) 0

Comenta notícias 0 0 0 2 (4,3)

Outro tópico Total 17 (34,7%) 28 (49,1%) 37 (68,5%) 20 (43,5%)

A classificação dos tweets dos líderes de opinião mostra que os que faziam parte do grupo

anti-Bolsonaro seguiram a narrativa da mídia (que era positiva para a agenda política do grupo)

e majoritariamente comentaram as notícias, explorando os significados destas para criticar

Bolsonaro. Os exemplos a seguir ilustram esse comportamento: sobre a denúncia da Veja,





“Bolsonaro alem de racista, homofóbico é tb acusado por lavagem de dinheiro, funcionária

fantasma, ocultação de patrimônio, furto do cofre de banco, ocultação de patrimônio,

recebimento de pagamentos não declarados, auxílio moraria indevido. Motivos claro pra

#BolsonaroNaCadeia” (3.441 RT); e sobre a Amazônia, “Estou de saco cheio de ver gente

falando q a destruição da Amazônia não tem nada a ver com o Bolsonaro. Então expliquei

muito resumidamente só alguns dos motivos. A culpa é do Bolsonaro SIM.” (13.355 RT).

Os líderes de opinião pró-Bolsonaro, por outro lado, buscaram ressignificar os

acontecimentos políticos, negando a versão dos veículos jornalísticos. Uma das estratégias foi

atacar os veículos mainstream, por exemplo: “Queridos novos ambientalistas da imprensa: se

vão falar do fogo na Amazônia, tentem postar fotos atuais. Fotos de 2015, 2017 e de queimadas

e bichinhos na Índia não valem, isso é chamado ‘fake news’.” (4.487 RT). De forma

complementar, buscaram comentar as notícias com o objetivo de diminuir a relevância dos

acontecimentos, como nestes exemplos: sobre a denúncia da Veja, “A menos que descubram

que Bolsonaro roubou o país em bilhões, meteu os brasileiros no comunismo, financiou

ditadores pelo mundo e deixou os filhos milionários, meu voto ainda é dele. Não tem como

votar num laranja banana de um presidiário. Tenho vergonha na cara.” (6.184 RT); e sobre a

Amazônia, “Dizem que o amor é cego. Talvez por isso tanta gente que diz amar a Amazônia,

incluindo celebridades internacionais, está usando fotos de 1989, de incêndios no Canadá, de

macacos na Índia e coelhos na Califórnia p/ se referir às queimadas que se intensificam neste

período do ano.” (2.501 RT).

De forma geral, identificou-se que as mensagens dos líderes de opinião buscam produzir

uma narrativa positiva para suas agendas políticas. Desta forma, os que faziam parte do grupo

anti-Bolsonaro reproduziram as críticas ao político presentes nos noticiários, enquanto os que

eram parte do grupo pró-Bolsonaro produziram uma contra-narrativa sobre os fatos.

7. Discussão

De forma semelhante a estudos anteriores, identificou-se que o processo de recirculação

de notícias no Twitter é acompanhado por um processo de ressignificação dos acontecimentos

políticos (ZAGO, 2012, 2014; MAIREDER & AUSSERHOFER, 2014; AQUINO

BITTENCOURT, 2015). Neste processo, observou-se que os líderes de opinião ressignificam

os acontecimentos políticos para fortalecer suas agendas políticas, de forma que os líderes de

opinião na rede se destacam por produzir um discurso marcado por uma determinada posição





política, reforçando um cenário polarizado (SOARES, RECUERO & ZAGO, 2018). Este tipo

de cenário, porém, não se configura como uma câmara de eco, já que foi possível identificar o

debate sobre temáticas em comum (nos dois casos, pautadas por veículos jornalísticos), em que

há uma disputa pelo significado dos acontecimentos (BRUNS, 2019; LARSSON, 2019a).

Ainda assim, identificou-se assimetrias no tipo de informação que circula em cada grupo,

de forma que os usuários identificados como pró-Bolsonaro não deram visibilidade a veículos

mainstream (BENKLER, FARIS & ROBERTS, 2018). Ainda que este tipo de comportamento

seja comum entre usuários de extrema direita (BENKLER, FARIS & ROBERTS, 2018;

LARSSON, 2019a), no caso das conversações analisadas pode estar associado ao conteúdo das

notícias (que eram negativos para a agenda política destes usuários). Observou-se ainda que os

usuários pró-Bolsonaro contaram com uma dinâmica mais ativa na circulação de conteúdo que

produzia uma narrativa “alternativa” em favor de sua agenda política, já que os cálculos de

rede indicaram a atividade de superparticipantes (GRAHAM & WRIGHT, 2013) no grupo,

impulsionado a circulação de conteúdo pró-Bolsonaro (BASTOS, RAIMUNDO &

TRAVITZKI, 2013; PAPAKYRIAKOPOULOS, SERRANO & HEGELICH, 2020). Isto é

especialmente importante porque estes usuários podem agir como uma “minoria barulhenta” e

criar uma impressão inflada de apoio ao conteúdo que compartilham (GUESS et al., 2018).

De forma geral, foram identificados dois processos diferentes de circulação e

recirculação de informação. O grupo anti-Bolsonaro deu certa visibilidade a veículos

jornalísticos, reproduzindo um modelo one-step flow (BENNET & MANHEIN, 2006), assim

como contou com a presença de líderes de opinião para ressignificar as notícias, num processo

de two-step flow (KATZ & LAZARSFELD, 1995), geralmente reforçando a narrativa da mídia.

Identificou-se nesse grupo, portanto, um processo de reforço das notícias e uso de líderes de

opinião para interpretação desse conteúdo, como descrito na FIG. 3. O grupo pró-Bolsonaro,

por outro lado, rejeitou a narrativa mainstream e usou os líderes de opinião para a produção de

uma narrativa alternativa, em que reproduz um modelo two-step flow (KATZ &

LAZARSFELD, 1995) centrado em ressignificar os acontecimentos políticos, como descrito

na FIG. 4.

FIGURA 3 – Processo de circulação e recirculação de notícias no grupo anti-Bolsonaro





FIGURA 4 – Processo de recirculação de notícias no grupo pró-Bolsonaro

Entende-se que o processo de recirculação de notícias e ressignificação de

acontecimentos políticos que ocorre nos grupos pró-Bolsonaro nas análises realizadas é fator

facilitador na circulação de desinformação e nas desordens informacionais de forma geral

(WARDLE & DERAKHSHAN, 2017). Como foi identificado na análise deste estudo, há

mensagens que reproduzem desinformação entre as que receberam mais RT dentre estes

usuários. Defende-se, porém, que todo o ecossistema criado pela dinâmica de circulação de

informação no grupo favorece a produção de uma narrativa “alternativa” (LARSSON, 2019a)

a partir da rejeição da versão apresentada pelos veículos jornalísticos (BENKLER, FARIS &

ROBERTS, 2018). Muitas das mensagens dos líderes de opinião não reproduzem conteúdo

claramente falso, mas ao diminuir a relevância das acusações e muitas vezes atacar os veículos

mainstream favorecem para um processo de desconfiança em relação a notícias jornalísticas e

facilitam a circulação de conteúdo que contam com interpretações tendenciosas e

hiperpartidárias de acontecimentos políticos, assim como a produção de uma contra-narrativa

ao que é apresentado pelo jornalismo mainstream.

8. Considerações finais

Este estudo tinha como objetivo analisar o papel dos líderes de opinião nos processos de

circulação e recirculação de informações em grupos políticos. Identificou-se que os líderes de

opinião tendem a reforçar o conteúdo das notícias quando este é favorável para sua agenda

política, como foi visto nos grupos anti-Bolsonaro. Por outro lado, líderes de opinião tendem a

criar uma nova narrativa quando as notícias não são favoráveis para sua ideologia, como foi

observado nos grupos pró-Bolsonaro. Além disso, observou-se que usuários também dão

visibilidade a veículos jornalísticos quando as notícias são compatíveis com a agenda política

dos grupos, como foi observado nos grupos anti-Bolsonaro. Foram identificadas ainda

diferentes dinâmicas na circulação e recirculação de informação nos grupos presentes nas

conversações analisadas: o grupo pró-Bolsonaro nas duas redes contou com a atividade de





superparticipantes para impulsionar a produção de uma contra-narrativa produzida por líderes

de opinião, rejeitando o conteúdo do jornalismo mainstream.

Este estudo tem algumas limitações. Foram analisadas apenas duas conversações

políticas, de forma que a ampliação do corpus de análise pode enriquecer os resultados e a

discussão sobre a temática estudada. Da mesma forma, nos dois casos analisados a narrativa

dos veículos jornalísticos era negativa para a agenda política de Bolsonaro, de forma que o

comportamento dos usuários e dos líderes de opinião pode ter sido motivado por isso. Desta

forma, estudos futuros podem observar contextos em que a narrativa seja favorável ao político

para analisar se a mesma dinâmica se repete.

Referências

ALVES, M.; ALBUQUERQUE, A. Perda da hegemonia da imprensa: a disputa pela visibilidade na eleição de

2018. Lumina, v. 13, n. 3, p. 5-27, 2019.

AQUINO BITTENCOURT, M. C.. Ciberacontecimento e jornalismo digital: o impacto do compartilhamento e

da produção de sentidos nas práticas jornalísticas. Estudos em Jornalismo e Mídia, v 12, n. 2, p. 342-358,

jul./dez. 2015.

BAKSHY, E. HOFMAN, J.; MASON, W. A.; WATTS, D. J. Everyone’s an Influencer: Quantifying Influence

on Twitter. Proceedings of WSDM, 2011. Disponível em https://www.microsoft.com/en-us/research/wp-

content/uploads/2016/02/b_h_m_w_WSDM_11.pdf.

BARBERÁ, P.; JOST, J. H.; NAGLER, J.; TUCKER, J. A.; BONNEAU, R. Tweeting From Left to Right: Is

Online Political Communication More Than an Echo Chamber? Psychological Science, v. 26, n. 10, p. 1531-

1542, 2015. DOI: 10.1177/0956797615594620.

BASTOS, M. T.; RAIMUNDO, R. L. G.; TRAVITZKI, R. Gatekeeping Twitter: message diffusion in political

hashtags. Media, Culture & Society, v.35, n.2, p. 220-270, 2013.

BENKLER, Y.; FARIS, R.; ROBERTS, H. Network Propaganda: Manipulation, disinformation, and

radicalization in American politics. New York: Oxford University Press, 2018.

BENNET, W. L.; MANHEIM, J. B. The one-step flow of communication. The Annals of the American

Academy of Political and Social Science, 608, p. 213–232, 2006. DOI: 10.1177/0002716206292266.

BERELSON, B. R.; LAZARSFELD, P. F.; MCPHEE, W. N. Voting: A Study of Opinion Formation in a

Presidential Campaign. Chicago: University of Chicago Press, 1954.

BLONDEL, V. D.; GUILLAUME, J.; LAMBIOTTE, R.; LEFEBVRE, E. Fast unfolding of communities in large

networks. [physics.soc-ph], 2008. Disponível em: http://lanl.arxiv.org/abs/0803.0476.

BORGATTI, S. P.; EVERETT, M. G.; FREEMAN, L. C. Ucinet for Windows: Software for Social Network

Analysis. Harvard: Analytic Technologies, 2002.

BRUNS, A. Are Filter Bubbles Real?. Cambridge, UK: Polity Press, 2019.

BRUNS, A.; MOE, H. Structural Layers of Communication on Twitter. In: WELLER, K.; BRUNS, A.;

BURGESS, J.; MAHRT, M.; PUSCHMANN, C. (Org.). Twitter and Society. Nova York: Peter Lang Publishing,

2014 (p. 15-28).

CASTRO, J. C. L. Excentricidade, desinformação e polarização assimétrica: máquinas de guerra híbrida em

plataformas algorítmicas. In: Encontro Anual da Compós, XXVIII, 2019. PUC-RS, Porto Alegre. Anais... São

http://lanl.arxiv.org/abs/0803.0476





Paulo: Compós, 2019. Disponível em

http://www.compos.org.br/biblioteca/trabalhos_arquivo_29HHARR3PE7JU7UDBLWT_28_7169_21_02_2019

_19_51_26.pdf.

CHA, M.; HADDADI, H.; BENEVENUTO, F.; GUMMADI, K. P. Measuring user influence on twitter: The

million follower fallacy. In: Proceedings of the Fourth International AAAI Conference on Weblogs and

Social Media. Washington: AAAI, p. 10-17, 2010.

DRUCKMAN, J. N.; LEVENDUSKY, M. S.; MCLAIN, A. No Need to Watch: How the Effects of Partisan

Media Can Spread via Interpersonal Discussions. American Journal of Political Science, v. 62, n. 1, p. 99–112,

jan. 2018.

DUBOIS, E.; BLANK, G. The echo chamber is overstated: the moderating effect of political interest and diverse

media. Information, Communication & Society, v. 21, n. 5, 2018. DOI:

https://doi.org/10.1080/1369118X.2018.1428656.

DUBOIS, E.; GAFFNEY, D. The multiple facets of influence: identifying political influentials and opinion

leaders on Twitter. American Behavioral Scientist, v. 58, n. 10, p. 1260-1277, 2014.

EADY, G.; NAGLER, J.; GUESS, A.; ZILINSKY, J.; TUCKER, J. A. How Many People Live in Political

Bubbles on Social Media? Evidence From Linked Survey and Twitter Data. SAGE Open, 2019. DOI:

https://doi.org/10.1177/2158244019832705.

ELLISON, N. B.; BOYD, d. Sociality through Social Network Sites. In: DUTTON, W. H. (Org.). The Oxford

Handbook of Internet Studies. Oxford: Oxford University Press, 2013 (p. 151-172).

FLETCHER, R.; NIELSEN, R. K. Are News Audiences Increasingly Fragmented? A Cross-National

Comparative Analysis of Cross-Platform News Audience Fragmentation and Duplication. Journal of

Communication, v. 67, p. 476-498, 2017. DOI: 10.1111/jcom.12315.

FREEMAN L. C. Centrality in Social Networks: Conceptual clarification. Social Networks 1, p. 215-239, 1979.

GANGADHARBATLA, H; VALAFAR, M. Propagation of user-generated content online. International

Journal of Internet Marketing and Advertising, v. 11, n. 3, 218-232, 2017. DOI: 10.1504/IJIMA.2017.085655.

GRAHAM, T.; WRIGHT, S. Discursive equality and everyday talk online: the impact of “superparticipants”.

Journal of Computer-Mediated Communication, v. 19, n. 3, p. 625-642, 2013.

GUESS, A.; LYONS, B.; NYHAN, B.; REIFLER, J. Avoiding the echo chamber about echo chambers: Why

selective exposure to like-minded political news is less prevalent than you think. Miami: John S. and James L.

Knight Foundation, 2018.

HARDY, C.; PHILLIPS, N. No joking matter: Discursive struggle in the Canadian refugee system. Organization

Studies, v. 20, n. 1, p. 1–24, 1999.

HILBERT, M.; VÁSQUEZ, J.; HALPERN, D.; VALENZUELA, S.; ARRIAGADA, E. One Step, Two Step,

Network Step? Complementary Perspectives on Communication Flows in Twittered Citizen Protests. Social

Computer Review, v. 35, n. 4, 444-461, 2017. DOI: 10.1177/0894439316639561.

HIMELBOIM, I.; SMITH, M. A.; RAINIE, L.; SCHNEIDERMAN, B.; ESPINA, C. Classifying Twitter Topic-

Networks Using Social Network Analysis. Social Media + Society, v. 3, n. 1, p. 1-13, 2017. DOI:

https://doi.org/10.1177/2056305117691545.

KATZ, E.; LAZARSFELD, F. P. Personal influence: the part played by people in the flow of mass

communications. Glencoe, IL: The Free Press, 1955.

KRACKHARDT, D.; STERN, R. Informal networks and organizational crises: An experimental simulation.

Social Psychology Quarterly, v. 51, n. 2, 123–140, 1988.

KRIPPENDORF, K. Content Analysis: An Introduction to Its Methodology. California, CA: Sage Publications,

2013.

LARSSON, A. O. News Use as Amplification – Norwegian National, Regional and Hyperpartisan Media on

Facebook. Journalism & Mass Communication Quarterly, v. 96, p. 3, 2019a. DOI:

https://doi.org/10.1177/1077699019831439.

http://www.compos.org.br/biblioteca/trabalhos_arquivo_29HHARR3PE7JU7UDBLWT_28_7169_21_02_2019_19_51_26.pdf

http://www.compos.org.br/biblioteca/trabalhos_arquivo_29HHARR3PE7JU7UDBLWT_28_7169_21_02_2019_19_51_26.pdf

https://doi.org/10.1080/1369118X.2018.1428656

https://doi.org/10.1177/2158244019832705

https://doi.org/10.1177/2056305117691545

https://doi.org/10.1177/1077699019831439





LARSSON, A. O. ‘Coherent clusters’ or ‘fuzzy zones’ – Understanding attention and structure in online political

participation. First Monday, v. 24, n. 8, 2019b. DOI: https://doi.org/10.5210/fm.v24i8.9863.

LARSSON, A. O.; MOE, H. Twitter in Politics and Elections: Insights from Scandinavia. In: WELLER, K.;

BRUNS, A.; BURGESS, J.; MAHRT, M.; PUSCHMANN, C. (Org.). Twitter and Society. Nova York: Peter

Lang Publishing, 2014 (p. 319-330).

LAZARSFELD, P. F.; BERELSON, B.; GAUDET, H. The People’s Choice: How the Voter Makes up His Mind

in a Presidential Campaign. New York: Columbia University Press, 1968.

MAIREDER, A.; AUSSERHOFER, J. Political Discourses on Twitter: Networking Topics, Objects, and People.

In: WELLER, K.; BRUNS, A.; BURGESS, J.; MAHRT, M.; PUSCHMANN, C. (Org.). Twitter and Society.

Nova York: Peter Lang Publishing, 2014 (p. 305-318).

NEWMAN, N.; FLETCHER, R.; KALOGEROPOULOS, A.; NIELSEN, R. K. Reuters Institute Digital News

Report 2019. Oxford: University of Oxford, 2019.

PAPAKYRIAKOPOULOS, O.; SERRANO, J. C. M.; HEGELICH, S. Political communication on social media:

A tale of hyperactive users and bias in recommender systems. Online Social Networks and Media, v. 15, n.1,

2020. DOI https://doi.org/10.1016/j.osnem.2019.100058.

PROM, C. Tool Report: Social Feed Manager. MAC Newsletter, v. 45, n. 2, Article 9, 2017.

RECUERO, R.; AMARAL, A.; MONTEIRO, C. Fandoms, Trending Topics and Social Capital in Twitter.

Proceedings of Internet Research, XIII, Salford, UK: AOIR, 2012. Disponível em

https://spir.aoir.org/index.php/spir/article/view/7.

RECUERO, R.; ARAÚJO, R.; ZAGO, G. How does Social Capital affect Retweets?. Proceedings of

International AAAI Conference on Weblogs and Social Media, V, Barcelona, Spain: AAAI, 2011.

RECUERO, R.; ZAGO, G.; SOARES, F. B. Mídia social e filtros-bolha nas conversações políticas no Twitter.

In: Encontro Anual da Compós, XXVI, 2017. Faculdade Cásper Líbero, São Paulo. Anais... São Paulo: Compós,

2017a. Disponível em

http://www.compos.org.br/data/arquivos_2017/trabalhos_arquivo_XH5ITTDY1PYGE7PDUQJM_26_5374_18

_02_2017_12_53_33.pdf.

SMITH, M.; RAINIE, L.; HIMELBOIM, I.; SHNEIDERMAN, B. Mapping Twitter Topic Networks: From

Polarized Crowds to Community Clusters. Washington: Pew Research Center, 2014.

SOARES, F. B.; RECUERO, R.; ZAGO, G. Influencers in Polarized Political Networks on Twitter. In

Proceedings of the International Conference on Social Media & Society, Copenhagen, Denmark (SMSociety),

2018. DOI: 10.1145/3217804.3217909.

SOARES, F. B.; VIEGAS, P.; SUDBRACK, S.; RECUERO, R.; HÜTTNER, L. R. Desinformação e esfera

pública no Twitter: disputas discursivas sobre o assassinato de Marielle Franco. Revista Fronteiras - estudos

midiáticos, v. 21, n. 3, p. 2-14. DOI: 10.4013/fem.2019.213.01.

SUNSTEIN, C. Echo Chambers. Princeton: Princeton University Press, 2001.

SUNSTEIN, C. #Republic. Princeton: Princeton University Press, 2017.

TUCKER, J. A.; GUESS, A.; BARBERA, P.; VACCARI, C.; SIEGEL, A.; SANOVICH, S.; STUKAL, D.;

NYHAN, B. Social Media, Political Polarization, and Political Disinformation: A Review of the Scientific

Literature. 2018. Disponível em: http://dx.doi.org/10.2139/ssrn.3144139.

WARDLE, C.; DERAKHSHAN, H. Information disorder: Toward an interdisciplinary framework for research

and policy making. Strasbourg: Council of Europe, 2017

WASSERMAN, S.; FAUST, K. Social Network Analysis. Cambridge: Cambridge University Press, 1994.

https://doi.org/10.1016/j.osnem.2019.100058

http://www.compos.org.br/data/arquivos_2017/trabalhos_arquivo_XH5ITTDY1PYGE7PDUQJM_26_5374_18_02_2017_12_53_33.pdf

http://www.compos.org.br/data/arquivos_2017/trabalhos_arquivo_XH5ITTDY1PYGE7PDUQJM_26_5374_18_02_2017_12_53_33.pdf

http://dx.doi.org/10.2139/ssrn.3144139





WATTS, D. J.; STROGATZ, S. H. Collective dynamics of ‘small-world’ networks. Nature, v. 393, p. 440-442,

1998.

WELLER, K.; BRUNS, A.; BURGESS, J.; MAHRT, M.; PUSCHMANN, C. Twitter and Society: An

Introduction. In: WELLER, K.; BRUNS, A.; BURGESS, J.; MAHRT, M.; PUSCHMANN, C. (Org.). Twitter

and Society. Nova York: Peter Lang Publishing, 2014 (p. xxix- xxxviii).

ZAGO, G. Da circulação à recirculação jornalística: filtro e comentário de notícias por interagentes no Twitter.

In: Encontro Anual da Compós, XXI, 2012. Universidade Federal de Juiz de Fora, Juiz de Fora. Anais... São

Paulo: Compós, 2012. Disponível em http://www.compos.org.br/data/biblioteca_1896.pdf.

ZAGO, G. Circulação e Recirculação de Narrativas do Acontecimento no Jornalismo em Rede: A Copa de

2014 no Twitter. 217f. Tese (Doutorado em Comunicação e Informação), Universidade Federal do Rio Grande

do Sul, 2014.

ZAGO, G.; BASTOS, M. T. Visibilidade de Notícias no Twitter e no Facebook: Análise Comparativa das Notícias

mais Repercutidas na Europa e nas Américas. Brazilian Journalism Research, v. 9, n. 1, p. 116-133, 2013.

circulaÇÃo de informaÇÃo no twitter: como líderes de …€¦ · reframe the news felipe bonow...

Documents