Mediometro mide patrones de difusión informativa, no determina verdad o falsedad. Un indicador de alerta no significa 'noticia falsa' — significa que el proceso de difusión muestra características estadísticamente inusuales.
Mediometro — Interfaz de Investigación
Explora datasets, metodologías y referencias académicas de todas las métricas.
4
Datasets
14
Papers citados
11
Métricas
48
Observaciones
Explorador de Métricas
ESD
ESD mide la diversidad editorial real de un cluster de fuentes, corrigiendo por propiedad, timing y similitud semántica.
ESD = voces_editoriales_únicas / fuentes_totales. Voces únicas requieren: (a) distinto grupo de propiedad, (b) >1h de separación, (c) Jaccard < 0.50, (d) coordination_score < 0.40.
Ejemplo Práctico
Un evento noticioso es cubierto por 15 fuentes. Dos grupos corporativos (Televisa 38%, TV Azteca 28%) dominan el 66% de la cobertura, dejando solo 6 fuentes verdaderamente independientes.
ESD = 6 / 15 = 0.40
0.40
Diversidad baja: solo 40% de las fuentes son independientes. Riesgo de narrativa única dominante.
Televisa: 38
TV Azteca: 28
El Universal: 12
Reforma: 8
Proceso: 5
Otros (9): 9
Limitaciones conocidas: No pondera por alcance de audiencia en v2.0. El grupo de propiedad requiere registro manual.
HHI
Índice de concentración narrativa adaptado de Herfindahl-Hirschman. HHI > 0.25 = oligopolio.
HHI = suma de (participación_grupo_i)² para todos los grupos propietarios.
Ejemplo Práctico
El mercado mediático de un país tiene 4 grupos: Grupo A controla 45% de la audiencia, Grupo B 30%, Grupo C 15%, e independientes el 10% restante.
HHI = 0.45^2 + 0.30^2 + 0.15^2 + 0.10^2 = 0.2025 + 0.09 + 0.0225 + 0.01 = 0.325
0.325
HHI=0.325 indica concentración moderada-alta. Sobre 0.25 se considera mercado concentrado (antitrust).
Grupo A: 45
Grupo B: 30
Grupo C: 15
Independientes: 10
Limitaciones conocidas: Requiere mapeo preciso de propiedad.
Hirschman, A.O. (1945).
National Power and the Structure of Foreign Trade
COORDINATION En Vivo: 84
Mide la probabilidad de que la publicación simultánea sea coordinada y no periodismo orgánico.
Sincronización temporal (50%) + similitud semántica (30%) + conteo de fuentes (20%). Simetría de arista CooRTweet.
Ejemplo Práctico
25 cuentas publican el mismo mensaje en una ventana de 3 minutos. La similitud de texto es 72% y comparten 4 de las mismas fuentes.
Score = (85 x 0.50) + (72 x 0.30) + (60 x 0.20) = 42.5 + 21.6 + 12.0 = 76.1
76
Score 76/100: coordinación alta. Patrón consistente con campaña organizada, no viralidad orgánica.
Temporal (50%): 85
Similitud (30%): 72
Fuentes (20%): 60
SCS En Vivo: 41
Story Confidence Score mide la fiabilidad del proceso informativo — no la verdad.
SCS-Process = independencia_editorial(45%) + precisión_histórica(30%) + transparencia(25%). SCS-Content = evidencia(50%) + verificación(50%). Combinado = Process(65%) + Content(35%).
Ejemplo Práctico
Una narrativa sobre reforma energética: las fuentes tienen 80% de independencia editorial, 65% de historial confiable, pero solo 40% de transparencia en metodología.
Process = (80x0.45)+(65x0.30)+(40x0.25) = 65.5. Content = (70x0.50)+(55x0.50) = 62.5. SCS = (65.5x0.65)+(62.5x0.35) = 64.5
64.5
SCS=64.5/100: credibilidad moderada. La baja transparencia metodológica reduce la confianza general.
Independencia (45%): 80
Historial (30%): 65
Transparencia (25%): 40
Evidencia (50%): 70
Verificacion (50%): 55
Limitaciones conocidas: La verificación externa requiere Google Fact Check API (opt-in, deshabilitada por defecto).
Wardle, C. & Derakhshan, H. (2017).
Information Disorder: Toward an interdisciplinary framework
— DOI
BOT SCORE En Vivo: 50
Detección de bots adaptada de BLOC basada en análisis de secuencias conductuales de patrones de publicación.
Segmenta por pausas >1h. Change score = 1 - coseno(v1,v2). Cambio bajo = bot rígido. Varianza alta = bot sofisticado.
Ejemplo Práctico
Análisis de 4 cuentas que amplifican una narrativa. Cuenta A publica cada 47 segundos exactos con texto idéntico. Cuenta C varía horarios y estilo.
Change Score A = 1 - cos(v1,v2) = 0.08 (bajo = rigido = bot). Change Score C = 0.92 (alto = variado = humano)
92
Score 92/100: alta probabilidad de bot. Cambio semántico bajo (0.08) indica rigidez algorítmica.
Cuenta A (Bot): 92
Cuenta B (Hibrida): 58
Cuenta C (Humana): 12
Cuenta D (Humana): 8
Limitaciones conocidas: Adaptado para RSS, no Twitter. Puede no detectar cuentas adversariales sofisticadas.
Beskow, D.M. & Carley, K.M. (2023).
BLOC: A Framework for Behavioral Sequence Analysis
— DOI
ECHO CHAMBER En Vivo: 100
Mide si un cluster de fuentes forma una cámara de eco — solo reforzando una perspectiva.
SEDA: (refuerzo - rechazo + 1) × 50. BC > 0.555 = polarización bimodal.
Ejemplo Práctico
Un debate político genera 100 publicaciones. 78 apoyan la misma posición, solo 8 presentan argumentos contrarios, y 14 son neutrales.
Echo Score = 78 / (78 + 8 + 14) x 100 = 78. BC = 0.72 > 0.555 = bimodal confirmado
78
Echo Score 78: cámara de eco severa. Coeficiente bimodal 0.72 confirma polarización extrema.
A favor: 78
En contra: 8
Neutral: 14
Limitaciones conocidas: El Coeficiente de Bimodalidad es un proxy del test dip de Hartigan. Adecuado para 20-500 artículos.
BURST
Desviación de frecuencia de keyword respecto al comportamiento histórico normal. Detecta ráfagas narrativas inyectadas artificialmente.
z = (freq_hora - media_24h) / desv_est_24h. MAD-score usado para distribuciones no normales.
Ejemplo Práctico
Un keyword normalmente aparece 12 veces/hora. En la hora 5, aparece 120 veces — un incremento de 10x respecto a la media.
Media 24h = 12.3, Sigma = 8.7. Z-score hora 5 = (120 - 12.3) / 8.7 = 12.4. Burst nivel 3 (alto)
z=12.4
Z-score=12.4: ráfaga extrema (nivel 3). Probabilidad de actividad coordinada o evento crítico.
Hora 1: 5
Hora 2: 8
Hora 3: 12
Hora 4: 45
Hora 5: 120
Hora 6: 85
Hora 7: 30
Hora 8: 15
Brodersen, K.H. et al. (2015).
Inferring causal impact using Bayesian structural time-series
— DOI
AMPLIFICATION En Vivo: -0.3
Tasa de amplificación de narrativa comparada con línea base histórica.
z-score vs media de 90 días. z≥3.0=crítica, z≥2.5=alta, z≥2.0=media.
Ejemplo Práctico
Una narrativa tiene 234 publicaciones pero solo 8 fuentes únicas. El ratio normal histórico (90 días) es 4.2 posts por fuente.
Ratio amplificacion = posts_totales / fuentes_unicas = 234 / 8 = 29.25. Baseline 90d = 4.2. Z-score = (29.25 - 4.2) / 3.8 = 6.6
z=6.6
Z-score=6.6: amplificación anómala. 65% del volumen proviene de actividad coordinada.
Organico: 25
Coordinado: 65
Bot: 10
Vosoughi, S., Roy, D. & Aral, S. (2018).
The spread of true and false news online
— DOI
BIAS
Detección de sesgo lingüístico: verbos factivos, hedge words, lenguaje inflamatorio.
Análisis léxico + enriquecimiento LLM opcional vía MCP.
Ejemplo Práctico
Análisis lingüístico de 100 artículos sobre una reforma: 85 contienen marcadores de sesgo (lenguaje emocional, carga valorativa, framing selectivo).
Bias Score = (marcadores_sesgo / total_marcadores) x 100 = (85 / 100) x 100 = 85
85
Bias Score 85: sesgo muy alto. Predominan marcadores emocionales (35%) y carga valorativa (28%).
Emocional: 35
Carga valorativa: 28
Framing: 22
Neutral: 15
Limitaciones conocidas: El léxico estático puede no detectar sarcasmo e idiomatismos regionales.
Spinde, T. et al. (2023).
Media Bias Anywhere, Anytime? A Universal Bias Detection Framework
— DOI
SILENCE
Mide la ausencia coordinada de cobertura en temas con alta relevancia social.
silencio = relevancia_social × (1 - ratio_cobertura_mediática).
Ejemplo Práctico
Un tema de corrupción es detectado por 25 fuentes independientes en redes, pero solo 3 medios mainstream lo cubren en 72 horas.
Silence Score = (1 - cobertura_mainstream / deteccion_independiente) x 100 = (1 - 3/25) x 100 = 88
88
Silence Score 88: omisión severa. Solo 12% de cobertura mainstream vs detección independiente.
Redes (detectaron): 85
Mainstream (cubrieron): 12
Mainstream (omitieron): 88
McCombs, M.E. & Shaw, D.L. (1972).
The Agenda-Setting Function of Mass Media
NARRATIVE MASS
Masa narrativa — mide cuándo una narrativa se vuelve auto-sustentable sin amplificación artificial.
M(t) = suma(alcance × repetición × carga_emocional) × decaimiento(t).
Ejemplo Práctico
Una narrativa crece exponencialmente: 50 menciones el día 1, 1200 en el día 4, luego decrece. Total acumulado: 3490 menciones en 7 días.
Masa narrativa = 3490. Percolation ratio = 0.38 > 0.30 = transicion de fase detectada. Cascada auto-sostenida.
3490
Masa=3490, ratio de percolación 0.38: cascada auto-sostenida detectada. Transición de fase en día 3.
Dia 1: 50
Dia 2: 180
Dia 3: 520
Dia 4: 1200
Dia 5: 890
Dia 6: 450
Dia 7: 200
Stauffer, D. & Aharony, A. (1994).
Introduction to Percolation Theory
Visualizaciones
Exportar y Citar
Citar Mediometro
@misc{mediometro2026,
title = {Mediometro Intelligence Engine v2.1},
author = {Salazar, Joel and EdugameDigital},
year = {2026},
url = {https://mediometro.edugame.digital},
note = {Consultado 2026-04-19. Plataforma de monitoreo ciudadano de medios.}
}
Registro de Reproducibilidad
Todos los parámetros utilizados para generar la instantánea de análisis actual. Útil para reproducir resultados en revisión académica por pares.
| Parámetro | Valor |
|---|---|
| Motor | Mediometro Intelligence Engine v2.1 |
| Algoritmos | CooRTweet, BLOC, SEDA, Louvain/Leiden, TF-IDF coseno, z-score/MAD, léxico Ekman |
| Cantidad de métricas | 11 |
| Instantánea | 2026-04-19 22:20:17 CST |
Historial de Cambios Metodológicos
- v2.1 — Correcciones C1-C8, separación SCS-Process/Content, features F1-F8, 9 dashboards por audiencia
- v2.0 — Detección de bots BLOC, cámaras de eco SEDA, simetría CooRTweet, taxonomía Wardle, masa narrativa
- v1.0 — Versión inicial: score de coordinación, amplificación z-score, ráfagas de keywords, detección de silencios
Análisis Emocional
Ekman 6 Emotion Classification
E(k) = Σ(w_i × match_i) / n_items × 100, k ∈ {anger, fear, disgust, sadness, surprise, joy}
| Tipo | Ira | Miedo | Asco | Tristeza | Sorpresa | Alegría |
|---|---|---|---|---|---|---|
| misinformacion | 7.5 | 0 | 0 | 0 | 0 | 1.7 |
| desconocido | 10 | 0 | 0 | 2.5 | 0 | 0 |
Limitaciones: análisis léxico basado en presencia de palabras, sin comprensión semántica ni contexto. Los puntajes son indicativos, no definitivos.
Fase Narrativa
Narrative Lifecycle State Machine
seed → amplification → legitimization → saturation → decay
18
Decaimiento
48pts
15
Saturación
25pts
15
Semilla
31pts
2
Amplificación
38pts
Alertas de Percolación
Percolation Ratio Analysis
P = campaign_sources / total_active_feeds; phase_transition = (P ≥ threshold)
Sin alertas de percolación
Mediometro Intelligence Engine v2.1 — Todas las métricas fundamentadas en investigación revisada por pares. Haz clic en cualquier métrica para ver metodología y referencias académicas.