Twitter como herramienta de paradiplomacia: un estudio cuantitativo exploratorio basado en los casos de Quebec y Cataluña
Bibliographic record
Abstract
Esta investigación cuantitativa exploratoria indagó en el campo de la paradiplomacia, a partir de la Teoría del Constructivismo Social, el fenómeno de la Nueva Diplomacia Pública, y en particular el uso de las plataformas de medios sociales para la política exterior de las subregiones nacionales. Este trabajo investigó sobre el uso que le dan a Twitter los actores subnacionales de Quebec y Cataluña para la promoción internacional de su causa independentista y/o de su marca país. Se tomaron como muestra los contenidos publicados en cuentas de los gobiernos centrales de Quebec y de Cataluña, de sus personeros de gobierno, de las delegaciones en el extranjero, y de los delegados que las dirigen –todos vinculados a la Relaciones Internacionales de cada caso- en dos periodos del año 2013, utilizando el software Brandwatch. La metodología del análisis se basó en distintos aspectos abordados por Landman (2008), Hernández Sampieri (2014) y Dahnke (1986) en el diseño de investigación, mientras que se empleó la técnica de análisis de contenido según Abela (2001), Krippendorff (2004) y Neuendorf (2002). En conclusión, los datos demuestran que Quebec realiza proporcionalmente más mensajes de Marca país, mientras Cataluña prioriza la promoción de su Paradiplomacia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".