Bibliografía
Estudios que sustentan las 10 leyes.
Cada ley del marco de dispersión remite a literatura revisada por pares. Esta es la lista completa de fuentes que aplicamos al contexto político.
- §01
Marco general — Semántica de la viralidad
Exploring Content Virality in Facebook: A Semantic Based Approach
Aswani, R., Kar, A. K., Aggarwal, S. & Ilavarsan, P. V. (2017). Lecture Notes in Computer Science, 10595, 209–220.
Analiza qué elementos semánticos del mensaje transforman el agrado pasivo en una decisión activa de propagar el contenido.
- §02
Ley I — Resonancia emocional
Understanding concept of virality from users' perspective
Atayeva, N. (2024). Tesis de maestría, University of Jyväskylä.
Documenta cómo las emociones de alta activación (ira, miedo) generan debate y reacciones reactivas que multiplican visibilidad por fricción.
- §03
Ley II — Centralidad e impacto colectivo
Everyone's an Influencer: Quantifying Influence on Twitter
Bakshy, E., Hofman, J. M., Mason, W. A. & Watts, D. J. (2011). Proceedings of the 4th ACM International Conference on Web Search and Data Mining, 65–74.
Demuestra que aunque los nodos centrales inician el contagio, la propagación profunda requiere masa crítica de usuarios ordinarios actuando como multiplicadores.
- §04
Ley VI — Formato visual y dinámico
The Role of Multimedia Content in Determining the Virality of Social Media Information
Bruni, L., Francalanci, C. & Giacomazzi, P. (2012). Information, 3(3), 278–289.
Los enlaces a fotos y videos son requisitos primordiales para mejorar experiencia, transmitir información de forma ágil y multiplicar drásticamente la re-compartición.
- §05
Ley III y Ley VII — RMPP y conectividad por relevancia
Recommendations to Boost Content Spread in Social Networks
Chaoji, V., Ranu, S., Rastogi, R. & Bhatt, R. (2012). Proceedings of the 21st International Conference on World Wide Web, 1–10.
Base del modelo RMPP: la trayectoria óptima contiene como máximo un borde nuevo. Las redes centradas en contenido son hasta 90× más efectivas que el Friend-of-Friend.
- §06
Ley VIII — Personalización algorítmica
"First I like it, then I hide it": Folk Theories of Social Feeds
Eslami, M., Rickman, A., Vaccaro, K., Aleyasen, A., Vuong, A., Karahalios, K., Hamilton, K. & Sandvig, C. (2016). Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems, 2371–2382.
Los feeds se personalizan con base en el historial e interacciones directas; alinearse con estos patrones es lo que empuja la publicación de forma orgánica.
- §07
Leyes I, IV y VI — Determinantes de viralidad
Exploring the Key Determinants of Social Media Content Creation: Analyzing Their Influence on Content Virality
Nevatia, A., Chib, S., Deshpande, S. & Agrawal, L. (2024). Library Progress International, 44(2s), 1767–1772.
Revisión empírica de los determinantes clave —emoción, timing y formato— que predicen la viralidad del contenido en redes contemporáneas.
- §08
Leyes II, IV y V — Centralidad, timing y peso de la interacción
Social Media Content Ranking based on Social Computing and User Influence
Ntalianis, K., Salem, A. M. & El Emary, I. (2015). Procedia Computer Science, 65, 148–157.
Propone el Factor de Importancia (IF) ponderado por la centralidad del usuario que interactúa, jerarquizando los likes, comentarios y compartidos por influencia.
- §09
Ley IX — Credibilidad y transparencia
Decoding Social Media Virality
Roring, R. S. (s.f.). Faculty of Computer Science, Jakarta International University.
Los usuarios evalúan métricas visibles de interacción (heurístico de arrastre / bandwagon) para percibir utilidad práctica y confiabilidad del emisor.
- §10
Ley X — Bots y factor humano
The Spread of True and False News Online
Vosoughi, S., Roy, D. & Aral, S. (2018). MIT Initiative on the Digital Economy.
Los bots difunden información verdadera y falsa al mismo ritmo; la propagación profunda la concreta la atracción humana por la novedad, no la automatización.