Auditoría de @JMilei en X

Datos de la auditoría

1Resultado principal

2Escenarios estimados

El rango refleja la incertidumbre metodológica: el mínimo estima solo las señales fuertes, el máximo incluye actividad sospechosa.

3Señales detectadas

La ponderación de señales sigue a Cresci et al. [A3]: las señales de coordinación colectiva tienen mayor peso que las de perfil individual.

4Creación de cuentas (Historial temporal)

Distribución por Año de Creación

Cuentas Creadas en 2026 (Distribución Mensual)

Jornadas Masivas de Creación de Cuentas

Los picos de creación coordinados en un mismo día son indicador de granjas de cuentas [A5] RTbust 2019; [A6] USENIX 2013.

Jornadas Masivas Agrupadas por Rango de Fechas

Análisis agrupado por período consecutivo | Los rangos muestran períodos con picos sostenidos, no necesariamente días consecutivos sin interrupciones.

5Fundamentación metodológica

Esta auditoría utiliza un score acumulativo ponderado construido a partir de señales de detección validadas en la literatura académica (ver bibliografía abajo). Se aplica una detección de cohortes/lotes de creación coordinada y un muestreo estratificado para la validación manual.

Criterio

• Taxonomía: se clasifican las cuentas en cuatro bandas de sospecha (muy probable, alto riesgo, dudoso, baja) según el puntaje acumulado. [A7] Gorwa & Guilbeault (2018) proponen distinguir grados, no etiquetas binarias.
• Ponderación: las señales de comportamiento colectivo/coordinación (cohortes, lotes) tienen el mayor peso, por ser las más robustas frente a bots sofisticados. [A3] Cresci et al. (2017).
• Señales: ningún rasgo aislado identifica un bot con seguridad. [A8] la revisión sistemática de 2023 muestra que la combinación de features supera a los umbrales simples.
• Validación: muestras aleatorias por banda se exportan para etiquetado manual (método de referencia usado en la literatura). [A2] Varol et al. (2017).

Desglose de Señales de Detección

Bibliografía Utilizada

1. [A1] Ferrara, E., Varol, O., Davis, C., Menczer, F., & Flammini, A. (2016). The Rise of Social Bots. Communications of the ACM, 59(7), 96–104. DOI: 10.1145/2818717 · arXiv
2. [A2] Varol, O., Ferrara, E., Davis, C. A., Menczer, F., & Flammini, A. (2017). Online Human-Bot Interactions: Detection, Estimation, and Characterization. Proc. ICWSM 2017 (AAAI). ICWSM
3. [A3] Cresci, S., Di Pietro, R., Petrocchi, M., Spognardi, A., & Tesconi, M. (2017). The Paradigm-Shift of Social Spambots. WWW 2017 Companion. DOI: 10.1145/3041021.3055135 · arXiv
4. [A4] Bessi, A., & Ferrara, E. (2016). Social Bots Distort the 2016 U.S. Presidential Election Online Discussion. First Monday, 21(11). DOI: 10.5210/fm.v21i11.7090 · First Monday
5. [A5] Mazza, M., Cresci, S., Avvenuti, M., Quattrociocchi, W., & Tesconi, M. (2019). RTbust: Exploiting Temporal Patterns for Botnet Detection on Twitter. ACM WebSci 2019. arXiv
6. [A6] Thomas, K., McCoy, D., Grier, C., Kolcz, A., & Paxson, V. (2013). Trafficking Fraudulent Accounts. 22nd USENIX Security Symposium. USENIX
7. [A7] Gorwa, R., & Guilbeault, D. (2018). Unpacking the Social Media Bot: A Typology to Guide Research and Policy. Policy & Internet, 12(2), 225–248. arXiv
8. [A8] Ellaky, Z., Benabbou, F., & Ouahabi, S. (2023). Systematic Literature Review of Social Media Bots Detection Systems. Journal of King Saud University – Computer and Information Sciences, 35, 101551. DOI: 10.1016/j.jksuci.2023.04.004 · ScienceDirect

6Disclaimer y limitaciones del método