Análisis de la base de seguidores de @Kicillofok en X

Datos de la auditoría

Fecha del análisis	06/09/2026
Tamaño del dataset	264.48 MB
Cuentas totales analizadas	1,443,773

1Resultado principal

33.0%

de las cuentas presentan señales altas de bot / no auténticas (muy probable + alto riesgo)

Tipo de cuenta	Cantidad	Porcentaje
Granja / Lote	271,638	18.81%
Bot activo	1,766	0.12%
Cuenta Fantasma	203,138	14.07%
Cuenta Sospechosa	6,356	0.44%
Cuenta Real	960,875	66.55%

2Escenarios estimados

Escenario	Incluye	Cuentas	Porcentaje
Mínimo	muy probable + alto riesgo	476,852	33.03%
Máximo	dudoso + alto riesgo + muy probable	482,898	33.45%

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

3Señales detectadas

Señal	Peso	Cuentas	%	Referencia
Lote (Creación temporal agrupada)	6.00	271,638	18.81%	Cresci 2017 [A3]; USENIX 2013 [A6]; RTbust 2019 [A5]; SLR 2023 [A8]
Fantasma: 0 posts y cuenta con más de 1 año	2.50	278,580	19.30%	DeBot/Zago 2019
Actividad excesiva: posts/día > 50	2.00	1,925	0.13%	Varol 2017 [A2]
Cuenta nueva (<90 días) con followers>1000 o 0 posts	1.50	2,852	0.20%	Arms race spambots [A3]
0 posts publicados	1.00	286,375	19.84%	SLR 2023 [A8]
0 seguidores propios	1.00	285,200	19.75%	SLR 2023 [A8]
Nombre de usuario con ≥4 dígitos	0.75	0	0.00%	Platform-specific [A8]
Usuario largo (>15 chars) o prefijo compartido	0.75	0	0.00%	USENIX 2013 [A6]

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

Año	Cuentas	Porcentaje
2007	441	0.03%
2008	1,179	0.08%
2009	19,769	1.37%
2010	98,945	6.85%
2011	66,004	4.57%
2012	56,383	3.91%
2013	53,770	3.72%
2014	48,364	3.35%
2015	84,819	5.87%
2016	176,036	12.19%
2017	154,726	10.72%
2018	96,820	6.71%
2019	127,698	8.84%
2020	184,491	12.78%
2021	81,234	5.63%
2022	76,750	5.32%
2023	49,755	3.45%
2024	33,824	2.34%
2025	20,218	1.40%
2026	12,545	0.87%

Cuentas Creadas en 2026 (Distribución Mensual)

Mes	Cuentas	Porcentaje
2026-01	1,235	0.09%
2026-02	1,189	0.08%
2026-03	1,469	0.10%
2026-04	1,292	0.09%
2026-05	1,471	0.10%
2026-06	2,016	0.14%
2026-07	1,942	0.13%
2026-08	1,759	0.12%
2026-09	172	0.01%

Jornadas Masivas de Creación de Cuentas

Fecha	Cuentas
2010-10-27	1,637
2020-03-22	1,514
2020-03-23	1,847
2020-03-24	2,336
2020-03-25	1,724
2020-03-26	1,579
2020-03-27	1,608
2020-03-29	1,681
2020-03-30	1,968
2020-03-31	1,509
2020-04-02	1,629
2020-04-26	1,829
2020-06-01	2,202
2020-06-02	1,892
2022-09-02	2,156

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

Rango de 9 días

23 de Marzo — 31 de Marzo de 2020

Total de cuentas

14.252

Desglose diario

23 de Marzo

1.847

24 de Marzo

2.336

25 de Marzo

1.724

26 de Marzo

1.579

27 de Marzo

1.608

29 de Marzo

1.681

30 de Marzo

1.968

31 de Marzo

1.509

🇧🇷 Contexto político

23 de Marzo: COVID-19: Aislamiento obligatorio en Ciudad y Provincia de Buenos Aires.

Ver fuente

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 forense

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).

Señales de detección desglosadas

Señal	Peso	Cuentas	Referencia
Cohorte / lote (agrupación temporal de creación)	6.00	271,638	Cresci 2017 [A3]; USENIX 2013 [A6]; RTbust 2019 [A5]; SLR 2023 [A8]
Fantasma: 0 posts y cuenta con más de 1 año	2.50	278,580	DeBot/Zago 2019
Actividad excesiva: posts/día > 50	2.00	1,925	Varol 2017 [A2]
Cuenta nueva (<90 días) con followers>1000 o 0 posts	1.50	2,852	Arms race spambots [A3]
0 posts publicados	1.00	286,375	SLR 2023 [A8]
0 seguidores propios	1.00	285,200	SLR 2023 [A8]
Nombre de usuario con ≥4 dígitos	0.75	0	Platform-specific [A8]
Usuario largo (>15 chars) o prefijo compartido	0.75	0	USENIX 2013 [A6]

Bibliografía citada

[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
[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
[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
[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
[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
[A6] Thomas, K., McCoy, D., Grier, C., Kolcz, A., & Paxson, V. (2013). Trafficking Fraudulent Accounts. 22nd USENIX Security Symposium. USENIX
[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
[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

11Disclaimer y limitaciones del método

Naturaleza estadística: este método estima una proporción a nivel poblacional; no constituye una identificación individual definitiva de bots. Las cuentas listadas en el Top 15 son candidatas y deben validarse manualmente.
Falsos positivos/negativos: ninguna señal aislada es concluyente, y un usuario legítimo puede compartir rasgos (ej. cuenta nueva con 0 posts) sin ser un bot. Existe margen de error, aún no cuantificado de forma calibrada para esta base específica.
Datos limitados: el análisis se basa únicamente en username, seguidores, posts y fecha de creación. No incluye texto de tweets, retuits, red de seguidores ni señales de suspensión de cuentas, que mejorarían la precisión.
Calibración: los pesos deben recalibrarse con la validación manual de las muestras por banda para ajustar la precisión del modelo a esta base.