Documentación Metodológica para la Detección de Bots

1. Objetivo y alcance

Estimar, de forma fiable y reproducible, qué porcentaje de las cuentas en la base followers de un usuario son bots o cuentas falsas (fantasmas, lotes comprados), articulando señales débiles en un score ponderado y reportando un rango de estimación con su intervalo de confianza.

Todo el sistema descrito aquí constituye la fuente de verdad: los scripts SQL de la Fase 3 deben corresponderse 1:1 con esta documentación, y cualquier desvío debe justificarse explícitamente.

2. Contexto y justificación

Las redes sociales son una fuente primaria de noticias e información susceptible de ser manipulada. Los social bots actúan como "ejércitos coordinados" capaces de amplificar desinformación, propaganda y falsas tendencias Metodológico ^[A9]. La compra y venta de seguidores en volumen es un mercado sombra que infla métricas para hacer parecer influyentes a cuentas e influencers, y puede ser redirigido a fines de desinformación Contexto ^[B3].

Los bots son a su vez un habilitador técnico de campañas de manipulación de la opinión pública (troll farms y redes de cuentas falsas) Contexto ^[B1], y la manipulación de la conversación digital importa en términos democráticos porque las plataformas son hoy el entorno clave donde ocurren las prácticas de desinformación Contexto ^[B2].

Desde lo empírico, según la bibliografía analizada, entre el 9% y el 15% de las cuentas activas de Twitter son bots ^[A2]. Esta cifra proviene de estimaciones de 2017 (hace más de 9 años), por lo que debe leerse como referencia histórica orientativa, no como valor actual. Es nuestro benchmark de comparación: si la cuenta auditada queda por encima o por debajo de ese rango, contrastamos contra lo que era esperable en la plataforma en aquel periodo.

"Our estimates suggest that between 9% and 15% of active Twitter accounts are bots." — Varol et al., 2017 [A2] (estimación de 2017, referencia histórica)

3. Taxonomía de cuentas

Siguiendo el marco conceptual de Gorwa & Guilbeault ^[A7], no tratamos el resultado como binario ("bot o no"). Distinguimos tipos de cuenta, porque "bot" no es una categoría única y los tipos tienen señales distintas. La multiclasificación (no binaria) también es defendida por Zago et al. ^[A9].

Está tipología modera la lectura del resultado: no todo "bot" es malicioso (hay bots legítimos de difusión de noticias) y los cyborgs (cuenta con intervención humana parcial) escapan a cualquier detector basado en features ^[A1][A7]. Por eso además del % global, reportamos el desglose por categoría.

4. Variables de detección

Las features derivadas de nuestros 5 campos se agrupan en las categorías consolidamente reconocidas por la literatura: user related (username, edad de cuenta), friendship (seguidores), shared content (posts) y time-related ^[A9]. La literatura converge en que la metadata de usuario es de lo más predictivo ^[A1][A2].

4.1 Variables de username (user-related)

• Longitud del username (largo > 15): los bots tienden a usernames más largos ^[A1].
• Presencia de dígitos (≥4, típicamente al final): usernames "auto-generados" ^[A4][A8][A6].
• Prefijo compartido: nombres en serie; útil para fingerprinting de farms ^[A6].

4.2 Variables de antigüedad (user/time-related)

• días_antiguedad = julianday('now') - julianday(account_created_at).
• Cuenta reciente (< 90 días): "bot accounts also tend to be more recent" ^[A1][A4].
• PRECAUCIÓN CLAVE (USENIX): la antigüedad no prueba humanidad. Las cuentas compradas se "envejecen" (pre-aged) y se venden meses después ^[A6]. La fecha de creación sirve para detectar lotes, no como prueba de cuenta humana.

4.3 Variables de actividad (friendship/content)

• posts_por_dia = statuses_count / días_antiguedad: feature top confirmada ^[A8].
• Volume anómalo: bots muestran "incessant activity and excessive amounts of tweets" ^[A4]. Umbral indicativo de rango humano: 2–50 posts/día (basado en RTbust, que reclasifica como "human-like" la actividad 2–50/día ^[A5]).
• Cero posts en cuenta vieja (>1 año): fantasma crónico.

4.4 Ratio followers/followees

"bots usually have less followers and more followees" ^[A4]. Requiere friends_count (no en el esquema base). Se marca como feature ausente que mejoraría el sistema si se añadiera (ver Limitaciones).

4.5 Análisis de IDs (lotes)

Los IDs tipo snowflake codifican el momento de creación. IDs consecutivos o muy cercanos entre cuentas del mismo usuario indican registro en ráfaga, señal de lote comprado más fuerte que la fecha declarada ^[A3][A6].

5. Scoring ponderado

Los bots modernos pueden imitar el comportamiento humano de forma que ningún umbral simple es suficiente ^[A9], y ningún feature aislado identifica un bot ^[A8]. Por ello usamos un score acumulativo ponderado. Siguiendo a Cresci ^[A3], las señales de comportamiento colectivo / coordinación (cohortes, lotes) tienen el peso más alto, porque son las más robustas contra bots sofisticados; los rasgos de perfil individual son señales más débiles.

5.1 Pesos v1 (priors iniciales)

5.2 Bandas

Importante: estos pesos son priors justificados por la literatura, no valores finales. Se calibran en la Fase 3 mediante validación manual (ver sección 7), iterando de v1 a v2, v3… Se mantiene un registro versionado de pesos para reproducibilidad.

6. Detección de lotes y cohortes

Esta es la señal más robusta y prioritaria del sistema, porque se basa en comportamiento colectivo, no en features individuales fáciles de imitar ^[A3].

"a large enough group of spambots will still leave traces of automation, since they do have a common goal" — Cresci et al., 2017 [A3]

• Los social spambots muestran distribuciones anómalas de fecha de creación y followers frente a cuentas genuinas, que se distribuyen de forma más uniforme ^[A3].
• Los vendedores de cuentas crean lotes (batches) con fechas de registro agrupadas, las "envejecen" (mediana 31 días) y las venden en bloques que abarcan meses ^[A6].

6.1 Niveles de agrupación

• Día exacto: date(account_created_at).
• Semana: strftime('%Y-%W', account_created_at) (vendedores reposan stock).

6.2 Regla de anomalía

conteo > mediana_global + 3 × IQR (con sensibilidad alternativa usando P95/P99). Con millones de filas se usan percentiles robustos.

6.3 Coherencia interna (anti-falsos positivos)

La cohorte solo se marca como anómala si además cumple coherencia interna: ≥50% con 0 posts, o ≥3 prefijos de username compartidos dentro del día. Esto distingue un "lote comprado" de un "día viral real" con mucha gente creándose cuentas.

6.4 Análisis de IDs

Densidad de gaps entre IDs en rangos consecutivos / muy cercanos = registro en ráfaga → evidencia de lote más fuerte que la fecha declarada ^[A3][A6].

7. Validación manual estratificada

El score necesita calibración sobre datos reales y verificación por ojos humanos, en línea con el enfoque de aprendizaje activo con humano-en-el-bucle ^[A9].

• Estratos: las bandas del score (baja, dudosa, alto, muy probable) + un estrato aleatorio simple (baseline).
• Tamaño de muestra: n ≈ 384 por estrato (error ±5% con 95% de confianza para proporciones). Se arranca con 100/estrato y se decide.
• Extracción: ORDER BY RANDOM() LIMIT n por estrato, exportada a CSV para revisión.
• Etiquetado: el usuario marca cada cuenta como verdadero/falso bot → se calcula precisión por banda → se ajustan pesos (v2) y umbrales.
• Iteración: típicamente 2–3 rondas hasta estabilidad.

Este procedimiento estima la precisión por banda y permite reportar el resultado final con su intervalo de confianza, requisito de una "estimación fiable".

8. Estimación y reporte final

• % por categoría: bot activo / fantasma / lote / sospechoso / limpia.
• % por banda del score.
• Rango de estimación: mínimo = alto riesgo + lotes confirmados; máximo = al menos dudoso.
• Intervalo de confianza (95%) derivado del remuestreo / validación manual.
• Comparación con benchmark: referencia 9–15% de bots en plataformas ^[A2][A9].

Principio: se reporta un rango calibrable, no un número falso de precisión, porque los datos disponibles y los métodos no garantizan un número exacto.

9. Limitaciones decladas

• Bots sofisticados evaden features individuales: los social spambots pasan desapercibidos a nivel cuenta ^[A3]; nuestro sistema prioriza por ello los lotes/cohortes, que los agarran por coordinación.
• Cyborgs indetectables: cualquier nivel de intervención humana desestabiliza modelos basados en features de cuenta ^[A7].
• Sin ground truth etiquetado: el score se calibra con muestreo manual; no es una probabilidad formalmente calibrada.
• Campos limitados: sin bio, profile_image, last_status_at ni friends_count → no aplicamos default-profile ni ratio followers/followees (dos features fuertes en la literatura ^[A2][A4]).
• Sin series temporales de actividad: los métodos RTbust/FullBotometer no son aplicables ^[A5].
• Cuenta "pre-aged" no exculpa ^[A6]: la antigüedad se usa para lotes, no como prueba de humanidad.
• Benchmark orientativo: el % de referencia varía entre papers, épocas y datasets ^[A2][A9].

10. Bibliografía

A continuación, la bibliografía analizada, organizada por rol. Las marcas [An] corresponden a los documentos presentes en la carpeta Bibliografía.

Núcleo metodológico

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: Evidence, Theories, and Tools for the Arms Race. 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: The Role of the Underground Market in Twitter Spam and Abuse. 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
9. [A9] Zago, M., Nespoli, P., Papamartzivanos, D., Gil Pérez, M., Gómez Mármol, F., Kambourakis, G., & Martínez Pérez, G. (2019). Screening Out Social Bots Interference: Are There Any Silver Bullets?. IEEE Communications Magazine, 57(8), 98–104. DOI: 10.1109/MCOM.2019.1800520

Contexto (desinformación y mercado)

1. [B1] Frederick, K. (2019). The New War of Ideas: Counterterrorism Lessons for the Digital Disinformation Fight. Center for a New American Security (CNAS). JSTOR resrep20399.
2. [B2] Terzis, G., Kloza, D., Kużelewska, E., & Trottier, D. (eds.) (2020). Disinformation and Digital Media as a Challenge for Democracy. Intersentia. ISBN 978-1-78068-975-3.
3. [B3] Diaz Ruiz, C. (2025). Market-Oriented Disinformation Research: Digital Advertising, Disinformation and Fake News on Social Media. Routledge Studies in Marketing, vol. 50. DOI: 10.4324/9781003506676 (Open Access).