South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
mainly focused on the use of social networks,  
particularly Twitter's API (Application Programming  
Interface). Big data was found to be a growing technique  
that presents electoral forecasts with an average MAE  
Revisión bibliográfica del pronóstico  
electoral a través del big data  
(
Mean Absolute Error) of 2.7%. Almost all the  
Bibliographic review of the electoral  
forecast through big data  
publications are made through isolated case studies,  
without identifying, so far, a general integrative  
theoretical model. It is concluded that there is limited  
evidence of the development of political science with the  
use of big data, especially in Latin America.  
Keywords: big data, electoral forecast, API,  
sentiment analysis  
Patricio Cabrera-Tenecela1  
1Asesoría en Investigación Académica (AiA) de Cabrera  
y Andrade Cía. Ltda. Of. 506, Edif. Cámara de  
Industrias de Cuenca, Av. Florencia Astudillo, Cuenca,  
Ecuador.  
INTRODUCCIÓN  
Correspondencia: pcabrera.aia@gmail.com  
Todo el mundo habla del big data, pero solo  
algunos saben qué es y en qué se diferencia de los datos  
masivos. Fasel (2014) sostiene que las características  
básicas de big data constituyen el volumen (gran  
cantidad de información), la velocidad (capacidad  
tecnológica de procesamiento de la información por  
Recepción: 17 de noviembre de 2021 - Aceptación: 29 de diciembre  
de 2021 - Publicación: 29 de diciembre de 2021.  
RESUMEN  
software especializado)  
y
la variedad (datos  
Son escasos los estudios que ofrecen una  
panorámica sobre el nivel de predictibilidad del big data  
en las ciencias políticas. El presente estudio realiza una  
descripción del origen de la información, el contexto, el  
nivel de error y de predicción estadística que emplea el  
big data para el pronóstico electoral. Esta revisión  
bibliográfica se realizó con el motor de búsqueda  
Google Académico. En total, se encontraron 41 estudios  
que cumplieron con criterios de selección, 13 emplean  
métodos computacionales, 19 análisis de sentimientos y  
estructurados como textos, imágenes, videos, etc. y no  
estructurados como variables continuas o discontinuas).  
Antes de adentrarnos en materia de pronóstico electoral  
es menester responder brevemente algunas interrogantes  
que pueden ofrecer un contexto al lector no  
experimentado: de dónde surge la información, para qué  
la procesan y cómo lo hacen.  
¿Cuál es el origen de tanta información? Uno de  
los medios más empleados constituye las redes sociales.  
Es sabido que estas son plataformas clave para que el  
público debata sobre cuestiones sociales, entre ellas,  
políticas. Por ello, los investigadores utilizan datos  
recabados en redes sociales como Twitter o Facebook  
para analizar las opiniones públicas y pronosticar los  
resultados de las elecciones (Yang et al., 2020). ¿Para  
qué se procesan tantos datos?, la respuesta es sencilla:  
para explicar, predecir y tomar decisiones. El big data  
cumple un principio estadístico fundamental: mientras  
más datos existen, mayor es la exactitud y menor es el  
error (Borel, 1935). ¿Cómo lo hacen? Los algoritmos  
empleados para analizar big data, además de los  
dominios propios de la inteligencia artificial, emplean  
técnicas desarrolladas por la estadística, por lo que no es  
posible comprender su importancia al margen de esta  
ciencia (González Díaz, 2017). Por esta razón, si se  
quiere aprovechar información disponible no  
estructurada de los microblogs de Twitter o Facebook,  
se debe estructurar la información en variables. Solo esta  
información es posible de aprovecharla en predicciones  
como regresiones lineales, regresiones ordinales,  
regresiones logísticas, series temporales, análisis  
multivariados, etc. En definitiva, el big data permite  
4
análisis de sentimientos supervisados. El resultado del  
estudio reveló que el big data se centra principalmente  
en el empleo de las redes sociales, particularmente de la  
API (Application Programming Interface) de Twitter. Se  
encontró que el big data es una técnica en auge que  
presenta pronósticos electorales con un MAE (Mean  
Absolute Error) promedio de 2,7%. Casi todas las  
publicaciones se realizan mediante estudios de casos  
aislados, sin identificar, hasta el momento, un modelo  
teórico integrador general. Se concluye que existe  
evidencia limitada del desarrollo de la ciencia política  
con el empleo del big data, especialmente en América  
Latina.  
Palabras clave: big data, pronóstico electoral,  
API, análisis de sentimientos  
ABSTRACT  
Few studies offer an overview of the level of  
predictability of big data in political science. This study  
makes a description of the origin of the information,  
context, level of error, and statistical prediction that big  
data uses for electoral forecasting. This bibliographic  
review was carried out with the Google Scholar search  
engine. In total, 41 studies were found that met selection  
criteria, 13 employing computational methods, 19  
aplicar modelos estadísticos información no  
estructurada que otrora era imposible.  
Los enfoques del pronóstico  
a
electoral  
tradicionalmente incluían información estructurada  
cuyo origen eran las encuestas, indicadores económicos,  
mercados de valores políticos y modelos estadísticos.  
sentiment analyses, and  
4 supervised sentiment  
analyses. The result of the study revealed that big data is  
https://doi.org/10.5281/zenodo.5908534  
27  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
Por ejemplo, la Encuesta Gallup publicó por primera vez  
encuestas en los años 30 y, en los 40, Louis Bean intentó  
predecir las elecciones estadounidenses con un modelo  
de regresión, pero los resultados no siempre fueron  
acertados (Lewis-Beck, 2005a). Los modelos de  
predicción más avanzados comenzaron en la década de  
los 80, destacándose el trabajo de Lewis-Beck y Rice  
esta técnica es posible de combinarla con los métodos  
tradicionales a fin de disponer modelos más complejos.  
Desde luego, no se trata de la panacea de la  
predicción electoral, sino de una técnica que, como  
muchas otras que inician, recibe críticas fundamentadas.  
Unos dicen que se está sobreestimando pues, si bien se  
supone que los enfoques son lo suficientemente buenos,  
el poder predictivo se ha exagerado enormemente y aún  
quedan por delante difíciles problemas de investigación  
(
1984) y Forsythe et al. (1995), cuyas propuestas no han  
sufrido grandes modificaciones hasta la llegada del big  
data.  
(
Gayo-Avello, 2012). Al respecto, los especialistas  
El big data se ha convertido en un “escáner en 3D  
en tiempo real” de lo que ocurre en la sociedad (Arcila  
et al. 2017). Jungherr (2016) realizó una revisión  
bibliográfica sistemática para evaluar el big data  
aplicado a las redes sociales, demostrando que este  
recurso ha cobrado especial relevancia en la política.  
Identificó más de un centenar de estudios centrados en  
el uso de Twitter en las campañas electorales y demostró  
que este recurso es útil para evaluar posibilidades de  
enfatizan el bajo nivel de predictibilidad, sólo el 40% de  
predicciones coincide con las encuestas y sólo el 25% es  
mejor que las encuestas (Ceron et al., 2016b); por lo que,  
algunos sostienen que no se dispone de evidencia  
suficiente que respalde que el big data haya superado a  
las encuestas tradicionales (Gayo-Avello, 2013; Jäger,  
2
016; Metaxas y Mustafaraj, 2012). Otra crítica es que  
la mayoría de estudios se han realizado después de  
disponer de los resultados electorales (ex post), por tal  
razón, los modelos se muestran sesgados al hecho  
electoral ya ocurrido y resulta muy forzado aplicarlos a  
otras elecciones (Gayo-Avello, 2013). Este último  
autor, enfatiza que el perfil de usuarios de Twitter no  
representa bien a los votantes pues, en su mayoría, éstos  
suelen ser, principalmente, electores profesionales  
jóvenes que no necesariamente están de acuerdo con las  
mayorías poblacionales. Muchos estudios recomiendan  
no fiarse de la cantidad de mensajes sobre un candidato  
pues estos pueden ser negativos, además de contener  
humor e ironía que es lo contrario a la intención del voto  
voto en función de partidos, candidatos  
y
comportamiento de los electores durante las campañas.  
Jungherr sostiene que este recurso es útil en campañas  
con muchos recursos y está vinculado indirectamente  
con el éxito electoral. Está probado que el volumen de  
microblogs de respaldo o rechazo a un candidato se  
incrementa a medida que se aproximan las elecciones  
cuando existe gran atención pública hacia la política  
(
Trilling, 2015).  
Además, la disponibilidad de acceso a grandes  
bases de datos (particularmente de Twitter) convierte a  
la información en un valioso recurso que puede ser  
aprovechado para realizar pronósticos electorales. Este  
recurso ha generado mucha expectativa en materia de  
predicción electoral. Ceron et al. (2016) sugieren que la  
floreciente relación entre las redes sociales, la sociedad  
y la política, se debe al impacto que tiene la web en la  
vida cotidiana. El big data muestra que la información  
disponible tiene incidencia en la vida de los electores,  
así como la realidad de estos se ve reflejada en las redes  
sociales (Jungherr et al., 2020). En política hay que  
reconocer que gran parte de la campaña electoral se  
realiza en Internet.  
(
2
Ceron et al., 2016b; Gayo-Avello, 2013; Jungherr,  
016). Northcott (2020) sostiene que el big data puede  
ser un sucedáneo de indicadores económicos o de  
expertos políticos, pero nunca su reemplazo. Incluso hay  
quienes sugieren que, el empleo del big data a los  
microblogs de las redes sociales, en el mejor de los  
casos, no hace más que prestar atención sobre temas  
desatendidos en el debate oficial; mientras que, una  
lectura más pesimista apuntaría al hecho de que el  
discurso reflejado en las redes sociales está dominado  
por contenido divertido más que por contenido  
sustancial (Trilling, 2015).  
A pesar de las críticas que se realizan sobre esta  
técnica, es importante notar que las evidencias del  
pronóstico electoral, todavía aisladas, desdicen muchas  
de las creencias anteriormente expuestas. Estos primeros  
años de investigación en redes sociales en política han  
establecido un rico cuerpo de evidencia empírica, que  
funciona solo en estudios de caso (Jungherr, 2016). Si  
bien estos estudios no presentan pronósticos integrados  
tan altos como los planteados en los modelos basados en  
las propuestas de Lewis-Beck y Rice (1984) y Forsythe  
et al. (1995), esta técnica ha desarrollado muchas  
propuestas que se les aproximan. Más aún, algunos  
estudios son capaces de integrar las técnicas clásicas  
como las encuestas, antecedentes económicos, historia  
Big data de redes sociales para el pronóstico electoral  
El big data se está convirtiendo en un recurso muy  
accesible para quienes prefieren el cómputo de la  
opinión política y de la intención de voto en los  
microblogs de las redes sociales (especialmente de  
Twitter), así como en noticias en línea y otros recursos  
de la web, a las tradicionales encuestas. Arcila et al.  
(
2017) sostienen que, en un ambiente social en el que las  
encuestas siempre son cuestionadas debido a su falta de  
precisión, surge el empleo del big data para conocer qué  
sentimientos políticos tienen los electores, toda vez que  
https://doi.org/10.5281/zenodo.5908534  
28  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
de los partidos, etc. en modelos predictivos con niveles  
tan precisos y confiables que resultan difícil de soslayar.  
Un referente de este estudio constituyó el  
metaanálisis realizado por Gayo-Avello (2013) quien  
estudió 11 publicaciones que emplearon Twitter para  
realizar pronóstico electoral. Este estudio identificó el  
tiempo de recolección de información, los procesos de  
limpieza de la base de datos para disminuir el ruido y el  
sesgo, el método de predicción, así como el reporte de  
resultados en términos de error absoluto medio (Mean  
Absolute Error, MAE). Este, en la mayoría de casos,  
responde al reporte de las propias publicaciones  
analizadas, mientras que, en algunos casos es Gayo-  
Avello quien calcula este valor con propósito de conocer  
el nivel de predictibilidad de los métodos empleados.  
Otro elemento relevante es el tiempo que emplean los  
investigadores recolectando la data para diseñar una  
predicción, el cual varía de 3 años a 1 semana, previos a  
las elecciones.  
búsqueda “pronóstico electoral”, “big data”, “análisis de  
sentimientos”, “machine-learning”, “redes sociales”. Se  
dio preferencia a los artículos publicados en inglés, al  
ser el campo anglosajón donde se encuentra más  
desarrollada la investigación sobre predicción electoral,  
el portugués para aprovechar la producción científica  
latinoamericana en esta lengua y al castellano que  
constituye la lengua materna del autor.  
Se reportan ocho categorías de información: 1) la  
técnica de big data general empleada como puede ser  
computacional, análisis de sentimientos y análisis de  
sentimientos supervisados integrados; 2) el origen de los  
datos que se analizan que se refiere a las redes sociales,  
a la prensa o al internet en general; 3) el tipo de  
predicción que puede ser previo al hecho electoral (ex  
ante) o posterior a él (ex post); 4) el autor del estudio; 5)  
el lugar expresado en el país en el que se realizaron las  
elecciones que pueden ser generales, particulares, de  
congreso, asamblea o de consulta popular; 6) el año en  
el que se realizó el evento electoral; 7) el error absoluto  
medio que se expresa en porcentajes (MAE); así como  
Respecto a la organización de la información,  
Ceron et al. (2016b) sugieren una clasificación de tres  
métodos para evaluar la predicción electoral con el big  
data: 1) computacional, mismo que evalúa la cantidad  
de mensajes o menciones a un partido o candidato, 2)  
análisis de sentimientos, el cual considera la afinidad  
política con base en el aprendizaje automático del  
8
) el porcentaje de predicción que se expresa en  
2
regresión lineal (r ).  
Los resultados se presentan en una tabla que  
contiene las ocho categorías que en su conjunto  
permiten describir el origen de los datos y la  
predictibilidad de estudios que emplean el big data en  
pronósticos electorales.  
lenguaje natural,  
y 3) análisis de sentimientos  
supervisados, que emplean algoritmos de codificación  
manual supervisada por humanos para distinguir la  
afinidad política (Ceron et al., 2016a) que originalmente  
fueron propuestas por Hopkins y King (2010). Sin  
embargo, la técnica de análisis de sentimientos  
supervisados no siempre está declarada de forma  
explícita en las publicaciones. Al respecto, se  
desconocen estudios actualizados sobre el origen,  
contexto y nivel de predictibilidad de los datos.  
Puesto que la literatura sobre los diversos usos del  
big data en la política es demasiado amplia para cubrir  
todas las áreas en una revisión bibliográfica, este estudio  
está orientado exclusivamente a estudios publicados en  
revistas, libros o conferencias indexados, revisados por  
pares, escritos en inglés, portugués o castellano, que  
abordan el uso del big data para establecer un modelo de  
pronóstico electoral, ya sea que éste se haya desarrollado  
previo al hecho electoral (ex ante) o posterior al mismo  
RESULTADOS  
El criterio de agrupación de la bibliografía sobre el  
big data consideró a las tres técnicas planteadas por  
Ceron et al., (2016a): el primero es computacional que  
se concentra en la cantidad de datos, el segundo es de  
análisis de sentimientos mediante diccionarios  
ontológicos y procesamiento de lenguaje natural  
mediante aprendizaje automático, y, el tercero mediante  
análisis de sentimientos supervisado que consiste en la  
aplicación de algoritmos que permiten analizar  
sentimientos sostenidos en las habilidades codificadoras  
humanas. Los resultados de estas tres técnicas se  
presentan de forma resumida en la Tabla 1. Las  
posibilidades del empleo del big data combinadas son  
varias, por ello, también es posible distinguir si  
únicamente trabajan con blogs o si es que, además de  
este recurso, emplea las encuestas tradicionales. Otro  
elemento importante fue diferenciar estudios que  
presentan modelos predictivos realizados antes del  
hecho electoral (ex ante) de aquellos modelos que se han  
construido después del hecho electoral (ex post). Por  
último, se consideró el alcance de los estudios en materia  
de predictibilidad, para lo cual se identificó el error y la  
predicción en términos de regresión, según haya  
comunicado en la publicación analizada.  
(
ex post). En definitiva, el objetivo del estudio es  
identificar el origen de los datos y la predictibilidad de  
estudios que emplean el big data en pronósticos  
electorales.  
MATERIALES Y MÉTODOS  
Para la revisión bibliográfica se consideraron todas  
las publicaciones disponibles sobre pronóstico electoral.  
Los artículos fueron identificados exclusivamente en  
Google Académico, gracias al uso de los comandos de  
El método computacional era el primero en ser  
empleado por lo que se ubica en las primeras  
predicciones electorales con el big data. La fuente más  
https://doi.org/10.5281/zenodo.5908534  
29  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
empleada es la API (Application Programming  
Inference) de Twitter. Al respecto se han encontrado  
algunos estudios. En España, se evaluó las elecciones  
regionales y generales del 2011 obteniendo que el  
volumen de tweets se correlaciona con los votos de los  
electores por partidos políticos (Soler et al., 2012). El  
estudio realizado en Italia también monitoreó el  
volumen de los tweets relacionados con los distintos  
partidos políticos y los resultados de las elecciones  
& Hamling, 2017; Hadi et al., 2019), los resultados de  
las elecciones generales del Reino Unido 2010  
(Kalampokis et al., 2017); la elección presidencial de  
Indonesia en el año 2014 (Ibrahim et al., 2015), así como  
a las elecciones presidenciales francesas de 2017 (Wang  
y Gan, 2017). Por otro lado, resultó muy novedoso  
encontrar dos publicaciones que señalan haber realizado  
una predicción previa a la publicación de resultados (ex  
ante) en elecciones de la Cámara de Representantes de  
Estados Unidos 2010 y 2012 (Huberty, 2015; Huberty,  
2013) y la elección presidencial de Indonesia (Budiharto  
y Meiliana, 2018). Existen otras propuestas que analizan  
Facebook, así ocurrió en la propuesta de las elecciones  
parlamentarias de la Unión Europea del 2014 (Braga  
et al., 2017) o en las elecciones generales del Reino  
Unido del 2015 (Burnap et al., 2016). Además, resulta  
curioso el trabajo (ex ante) con métodos combinados de  
encuestas y Twitter. Este fue el caso de Awais et al.  
(2021) quien aplicó un modelo combinado para las  
elecciones generales de Pakistán de 2018; así como el  
caso de Callejas Cuervo y Vélez Guerrero (2019),  
quienes predijeron las elecciones presidenciales de  
Colombia en 2018 .  
Finalmente, el análisis de sentimientos  
supervisado que consiste en la aplicación del big data  
con algoritmos supervisados por humanos y que ha sido  
aplicada al menos en tres lugares diferentes empleando  
las bases de la API de Twitter. Un primer caso fueron  
las elecciones generales irlandesas de 2011  
(Bermingham y Smeaton, 2011); luego se encuentra en  
elecciones presidenciales de Estados Unidos del 2012  
(Attarwala et al., 2017) y, en este mismo país, en las  
elecciones presidenciales del 2016 (Ramteke et al.,  
2016). Sin embargo, ninguna de estas propuestas tiene  
una versión ex ante, pues todos los modelos fueron  
aplicados después de las elecciones. Sólo el estudio de  
Ceron et al. (2016b) empleó un algoritmo propio  
denominado SASA (Supervised Aggregated Sentiment  
Analysis) demostrando efectividad en la predicción de  
las elecciones presidenciales de Francia, Italia y Estados  
Unidos en el año 2012, con errores bajos. Por lo tanto,  
se considera, hasta el momento uno de los modelos más  
efectivos y más recurrentemente citados.  
(
Caldarelli et al., 2014). En Alemania la mera cantidad  
de mensajes que mencionan un partido reflejó el  
resultado de las elecciones (Tumasjan et al., 2011).  
Asimismo, el estudio de las elecciones del Congreso de  
los EE. UU. Del 2010 y 2012 demostró que la cantidad  
de tweets predice el número de votos (DiGrazia et al.,  
2
013). El único estudio identificado en América Latina  
con este método se realizó en Chile, el cual concluyó que  
las veces que mencionan a los candidatos es un predictor  
del voto electoral (Santander et al., 2017). Otra fuente  
para la técnica computacional es Facebook, misma que  
ha sido empleada para predecir la nominación  
presidencial de 2008 en Estados Unidos obteniendo un  
alto nivel predictivo (Williams y Gulati, 2009). Una  
combinación poco usual es la que une bases de datos  
obtenidas en encuestas y Facebook, así se hizo en un  
estudio de las elecciones generales de Nueva Zelanda  
(
Cameron et al., 2016). También se considera una  
fuente para el big data a las publicaciones de la prensa,  
sobre la cantidad de menciones que se hacen a partidos  
o candidatos, este fue el caso del trabajo sobre las  
elecciones presidenciales de Estados Unidos en el 2004  
(
Lerman et al., 2008). Por su parte otra propuesta de esta  
naturaleza se realizó en Italia para el referéndum  
constitucional del 2016, las elecciones municipales de  
Roma del 2016 y las elecciones generales de Italia del  
2
018 (Fronzetti Colladon, 2020). Por último, un análisis  
de las elecciones presidenciales de 2018 en Brasil  
consideró a varias redes sociales combinadas con las  
encuestas (Firmino  
y Murta, 2019). Todas las  
predicciones encontradas se realizaron después de  
ocurrido el hecho electoral (ex post) por lo que la  
predicción se orienta a la creación de modelos, antes que  
a generar un mecanismo real de predicción.  
Una segunda técnica que es más avanzada que la  
primera constituye el análisis de sentimientos a través  
del big data, empleando inteligencia artificial y  
aprendizaje automático. Es decir, estos modelos  
Cabe mencionar que un promedio a nivel general  
obtenido de los estudios ha publicado el error cuadrado  
medio (MAE) da como resultado un valor de 2,7%,  
mientras que la predicción electoral en términos de  
regresión es del 79,5%. Desde luego, este último  
indicador no es un valor confiable pues en casos muy  
específicos varían los tipos de regresión o correlación,  
por lo tanto, no se trata de un valor confiable, sino de un  
indicador aproximado pero limitado. Por su parte, el  
MAE constituye un indicador en el que se puede confiar  
mayormente pues casi todos los estudios emplean la  
misma ecuación para obtenerlo. En cualquier caso, estos  
porcentajes constituyen un referente limitado, pero  
únicamente  
son  
analizados  
por  
algoritmos  
computacionales. En efecto, esta propuesta es de las más  
avanzadas y en ella se encuentra mayor cantidad de  
publicaciones. Ejemplos del empleo de la API de  
Twitter son los modelos predictivos (ex post) aplicados  
a las elecciones al Congreso de los Estados Unidos del  
2
010 (Livne et al., 2011; Metaxas et al., 2011);  
elecciones de Singapur (Skoric et al., 2012); elecciones  
presidenciales de Estados Unidos en el 2016 (Agrawal  
https://doi.org/10.5281/zenodo.5908534  
30  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
cierto, de la producción en el pronóstico electoral con el  
big data.  
Tabla 1  
Predicción con base en big data y otros indicadores  
Técnica  
Datos  
Predicción Autor  
Lugar  
Alemania  
Año  
2009  
Error %  
1,65  
Predicción%  
-
(Tumasjan et al., 2011)  
2
2
011 y  
012  
2,69 y  
6,05  
(Soler et al., 2012)  
España  
-
Twitter  
Ex post  
(Caldarelli et al., 2014)  
Italia  
2013  
-
79 y 74  
-
2
2
010 y  
012  
(
DiGrazia et al., 2013)  
Santander et al., 2017)  
Estados Unidos  
Chile  
2,2  
(
2017  
2
-
-
-
Ex post  
Ex post  
(Williams y Gulati, 2009)  
(MacWilliams, 2015)  
Estados Unidos  
Estados Unidos  
2008  
2012  
-
-
86  
78  
Facebook  
Facebook y  
Computacional encuesta  
Ex post  
Ex post  
(Cameron et al., 2016)  
Nueva Zelanda  
2011  
-
-
90  
-
2
014,  
Escocia, Grecia, Gran  
Bretaña, Hungría, Italia  
y Turquía.  
Google  
Trends  
(Mavragani y Tsagarakis,  
2019)  
205,  
2016,  
-
-
2
017.  
Ex post  
Ex post  
(Lerman et al., 2008)  
(Fronzetti, 2020)  
Estados Unidos  
Italia  
2004  
2018  
-
-
-
Prensa  
6,45  
Redes  
sociales y  
encuesta  
Ex post  
(Firmino y Murta, 2019)  
Brasil  
2018  
4,07  
-
Ex post  
Ex post  
Ex post  
(Livne et al., 2011)  
(Skoric et al., 2012)  
(Sang y Bos, 2012)  
Estados Unidos  
Singapur  
Países Bajos  
2010  
2011  
2011  
-
88  
-
-
5,23  
-
2
2
010 y  
012  
Ex ante  
(M. E. Huberty, 2013)  
Estados Unidos  
-
-
Ex post  
Ex post  
Ex post  
Ex post  
(Metaxas et al., 2011)  
(Hadi et al., 2019)  
(Kalampokis et al., 2017)  
(Ibrahim et al., 2015)  
Estados Unidos  
Estados Unidos  
Reino Unido  
Indonesia  
2010  
2016  
2010  
2014.  
1
73  
89.35  
-
2,4 y 2,7  
0,61  
Twitter  
86  
(
2
Agrawal y Hamling,  
017)  
(Wang y Gan, 2017)  
Budiharto y Meiliana,  
018)  
Ex post  
Ex post  
Ex ante  
Estados Unidos  
Francia  
2016  
2017  
2019  
-
66,7  
2
-
-
-
(
2
Indonesia  
Análisis de  
sentimientos  
2
2
010 y  
012  
Ex ante  
(Huberty, 2015)  
Estados Unidos  
-
-
86  
-
Unión Europea  
Facebook  
Ex post  
(Braga et al., 2017)  
2014  
(Portugal)  
Ex post  
Ex post  
(Beauchamp, 2017)  
Estados Unidos  
Unión Europea  
(Grecia, Países Bajos y  
Alemania)  
2016  
2014  
-
96  
-
Twitter y  
encuesta  
(Tsakalidis et al., 2015)  
1,78  
Ex ante  
Ex ante  
(Awais et al., 2021)  
(Callejas y Vélez, 2019)  
Pakistán  
Colombia  
2018  
2018  
-
83  
-
2,19  
Google  
Trends  
Ex post  
(Burnap et al., 2016)  
Reino Unido  
Irlanda  
2015  
-
-
(Bermingham y Smeaton,  
Twitter  
Ex post  
2011  
-
65,9  
2
011)  
Análisis de  
Twitter  
Ex post  
Ex post  
(Attarwala et al., 2017)  
(Ramteke et al., 2016)  
Estados Unidos  
Estados Unidos  
Francia, Italia y Estados  
Unidos.  
2012  
2016  
-
-
75  
55,3  
sentimientos  
Twitter  
Supervisado  
3,26, 1,96  
y 0,02,  
Twitter  
Ex ante  
(Ceron et al., 2016b)  
2012  
-
La mayoría de estudios de pronóstico electoral  
DISCUSIÓN  
emplean el análisis de sentimientos con métodos  
computarizados aplicados  
a
bases de datos  
https://doi.org/10.5281/zenodo.5908534  
31  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
especialmente de la API de Twitter, mismas que son  
depuradas con el objetivo de reducir el sesgo y el ruido.  
Los pronósticos se expresan en términos de  
proximidad de los datos reales, para lo cual se emplean  
el error cuadrado medio (MAE), así como regresiones  
necesario mostrar una consolidación de evidencia,  
métodos de recopilación y selección de datos, así como  
una combinación de métodos de investigación  
tradicionales con métodos de rastreo digital a través de  
las redes sociales. A medida que se desarrollen nuevos  
estudios de pronóstico será posible encontrar patrones  
que permitan desarrollar una teoría general sobre el  
empleo del big data en el estudio científico de la política  
y las ciencias sociales en general.  
Es por ello que, la única publicación disponible,  
que plantea una perspectiva teórica ambiciosa, con  
evidencia empírica, de la relación entre política y big  
data, es la realizada por Ceron et al. (2016b) quienes  
proponen un algoritmo iSA (integrated Sentiment  
Analysis) que se ha sido mejorado (Ceron et al., 2016a).  
Este modelo, posee varios ejemplos ex ante, de  
rendimiento aceptables, en términos de proximidad a  
otros modelos de predicción basados en encuestas,  
indicadores políticos, económicos o culturales. Pese a  
que el pronóstico político con análisis de sentimientos  
supervisados no se reduce a los modelos propuestos por  
Ceron et al. (2016b), es posible creer que el futuro del  
pronóstico empleando el big data recurra a las  
habilidades codificadoras de seres humanos y no sólo a  
las de las máquinas.  
Es importante notar que el big data es más factible  
de aplicar en los microblogs provistos por la API, de  
Twitter, debido al fácil acceso que se tiene a estas bases  
de datos. Esta es una limitación en otras redes sociales  
como Facebook, Tik Tok, Instagram, entre otras, que  
tienden a ser empleadas por diversos grupos etarios,  
cuyas bases de datos no están disponibles tan fácilmente.  
En tal sentido, la mayoría de estudios sobre el  
comportamiento y el interés político de los ciudadanos  
se inclina al Twitter. La popularidad mundial de este  
recurso y el acceso a su data es ideal para la  
investigación comparativa.  
Como red social, el Twitter es más empleado para  
estudiar las campañas electorales que alientan la  
participación política que los pronósticos electorales. Al  
respecto, existen avances técnicos y estratégicos en la  
investigación sobre los efectos de las redes sociales en  
las campañas europeas y estadounidenses, mientras que,  
las características de los sistemas políticos y las fallas de  
los sistemas mediáticos y electorales en Latinoamérica,  
en países concretos como Chile y México, parecen  
desalentar su uso intensivo y multifuncional (Cárdenas  
et al., 2017). En tal sentido, es de esperarse que el  
empleo de las redes sociales no sea el mismo en países  
desarrollados y en vías de desarrollo, por lo tanto, es de  
suponer que los pronósticos electorales en estos últimos  
tengan mayor error. Este constituye un interesante  
problema a resolver a futuro, pues al momento se carece  
de evidencia suficiente para sacar una conclusión  
definitiva.  
2
lineales (r ), sin embargo, en muchos casos, únicamente  
se expresa el porcentaje obtenido en el modelo  
únicamente de forma descriptiva apegado al valor que  
obtendrá el o los candidatos, por lo que no es de interés  
didáctico reportarlo en el espacio que ocupa un artículo.  
En este caso únicamente se han presentado dichos  
2
porcentajes (MAE o r ) si es que han sido expresados  
por los autores. No se han hecho estimaciones como las  
que, en su momento, hizo Gayo-Avello (2013) para  
completar el MAE.  
El método computacional que evalúa el volumen  
de los microblogs no es suficiente pues quienes han  
empleado este método, reconocen que, a menudo,  
coexisten menciones a dos políticos opuestos en un  
mismo tuit (Caldarelli et al., 2014), así como elementos  
de ironía o sarcasmo (Gayo-Avello, 2012; Jungherr,  
2
016) cuyas menciones no pueden ser consideradas  
como respaldo, por lo que resulta complejo distinguir en  
ellas una intención de voto. En este sentido, los estudios  
más frecuentes del big data emplean el método de  
análisis de sentimientos que no es otra cosa que estudiar  
el comportamiento expresado en opiniones  
sentimientos a través de las redes sociales. Hasan et al.  
2018) señala que el empleo de este método ha ido  
y
(
creciendo debido a que los datos disponibles en las redes  
sociales no solo son útiles en la predicción de una  
elección, sino también con fines educativos, o para los  
campos de los negocios, la comunicación y el  
marketing.  
Después de haber revisado las publicaciones  
científicas sobre pronóstico electoral, se ratifica la  
crítica según la cual la mayoría de estudios se han  
realizado después de disponer de los resultados  
electorales (ex post), pero hay que tener que cuenta que  
lo propio ocurre con el empleo de los sondeos de  
opinión. Por lo tanto, no es de esperar encontrar  
publicaciones de pronóstico electoral de forma habitual  
en publicaciones científicas pues las predicciones  
normalmente se publican en la prensa u otros medios  
más inmediatos. En los estudios científicos es de esperar  
modelos de análisis que pueden ser empleados por  
técnicos del pronóstico electoral. Sin embargo, existen  
limitaciones para replicar estos modelos pues la mayoría  
de ellos son estudios de casos que, a lo mucho,  
responden a estrategias útiles, pero no del todo  
replicables.  
Uno de los problemas más marcados es que las  
propuestas de análisis con el big data están débilmente  
interconectadas por lo que se trata de estudios de caso,  
antes que una técnica replicable ampliamente aceptada  
(
Jungherr, 2016). Para que este campo surja, es  
https://doi.org/10.5281/zenodo.5908534  
32  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
Como sostienen Ceron et al. (2016a) la predicción  
electoral es un proceso floreciente, pero que recién tiene  
una década de iniciado. Si bien es cierto, existe mucha  
inestabilidad en los pronósticos, comparados con los  
modelos combinados o las encuestas, no deja de ser  
verdad que tiene predicciones altas, mejores incluso que  
las revisiones sistemática o metaanálisis realizados, en  
su momento, por Ceron et al., (2016b) o por Gayo-  
Avello, (2013). En consecuencia, se trata de una técnica  
de análisis en desarrollo.  
Finalmente, es menester recalcar que el poder  
predictivo de los tweets todavía es débil, aunque mejor  
que el azar. Los hallazgos sugieren que el contexto en el  
que se llevan a cabo las elecciones es importante pues  
este podría llevar a ciertas sobreestimaciones y  
subestimaciones del sentimiento de voto. El análisis de  
estos factores relevantes merece especial atención pues  
es sabido que indicadores económicos como el empleo  
o el PIB, generan percepciones que permiten fiarse de  
mejor manera. En relación a ello, Northcott (2020)  
sostiene que elementos del contexto son mucho más  
relevantes que sólo el big data, estos elementos son las  
elecciones políticas, el clima, el PIB y los resultados de  
las intervenciones sugeridas por los experimentos  
económicos. En tal sentido, el big data requiere de  
información de campo adicional para tener en cuenta  
todos los factores relevantes. Sin embargo, la  
sobreabundancia de tales factores hace inviable una  
predicción precisa, por lo que es el criterio y la  
experiencia del autor la que finalmente hará lugar a  
modelos predictivos replicables.  
Las previsiones para un pronóstico electoral  
siempre son inciertas, por lo que cualquier modelo es  
estocástico más que determinista. En tal sentido,  
cualquier propuesta es aproximada, no definitiva. Sin  
embargo, es mejor una ciencia basada en evidencias  
antes que en creencias. El presente estudio ha  
demostrado que existe mucho interés en el pronóstico  
electoral, especialmente empleando métodos de análisis  
de sentimientos de los usuarios de Twitter, cuyo origen  
de la información reposa principalmente en la API. Ello  
ocurre especialmente en países desarrollados, mientras  
que en los países en vías de desarrollo existen muy  
escasos estudios académicos de esta naturaleza. El  
pronóstico electoral, de todos los estudios en conjunto,  
tiene un error cuadrado medio aproximado de 2,7%.  
BIBLIOGRAFÍA  
Agrawal, A. y Hamling, T. (2017). Sentiment Analysis of  
Tweets to Gain Insights into the 2016 US Election.  
Columbia Undergraduate Science Journal, 11.  
https://doi.org/10.52214/cusj.v11i.6359  
Arcila-Calderón, C., Ortega-Mohedano, F., Jiménez-Amores,  
J. y Trullenque, S. (2017). Análisis supervisado de  
sentimientos políticos en español: Clasificación en  
tiempo real de tweets basada en aprendizaje  
automático. Profesional de la Información, 26(5),  
9
73-982. https://doi.org/10.3145/epi.2017.sep.18  
Attarwala, A., Dimitrov, S. y Obeidi, A. (2017). How efficient  
is Twitter: Predicting 2012 U.S. presidential  
elections using Support Vector Machine via Twitter  
and comparing against Iowa Electronic Markets.  
2
017 Intelligent Systems Conference (IntelliSys),  
6
46-652.  
https://doi.org/10.1109/IntelliSys.2017.8324363  
Awais, M., Hassan, S. y Ahmed, A. (2021). Leveraging big  
data for politics: Predicting general election of  
Pakistan using a novel rigged model. Journal of  
Ambient Intelligence and Humanized Computing,  
Limitaciones  
La búsqueda de información únicamente se remite  
a publicaciones académicas que, por lo regular, aparecen  
después de consumado el hecho electoral. En este  
sentido, resulta muy complejo encontrar modelos ex  
ante debido a que estos aparecen de forma inmediata en  
medios masivos como la prensa o páginas web de las  
encuestadoras o empresa dedicadas al pronóstico  
electoral. En consecuencia, la mayoría de publicaciones  
se remiten a modelos con niveles de predicción bastante  
altos y con errores bajos pues se tratan de publicaciones  
ex post. Como prospectiva de estudio, aparte de evaluar  
la predictibilidad en estudios académicos, es considerar  
la misma en estudios no académicos que se publican de  
forma inmediata. Estos, al igual que las encuestas de  
opinión, podrían influir en la intención de voto de los  
electores. Dentro de este último, sin embargo, también  
se debe estudiar a los actores sociales no auténticos,  
como robots maliciosos y trolls, cuyos mensajes  
sesgados no son una expresión genuina de un usuario  
legítimo, pero podrían influir en el voto.  
1
2(4), 4305-4313. https://doi.org/10.1007/s12652-  
0
19-01378-z  
Beauchamp, N. (2017). Predicting and Interpolating State-  
Level Polls Using Twitter Textual Data. American  
Journal of Political Science, 61(2), 490-503.  
https://doi.org/10.1111/ajps.12274  
Bermingham, A. y Smeaton, A. F. (2011). On Using Twitter  
to Monitor Political Sentiment and Predict Election  
Results. Proceedings of the Workshop on Sentiment  
Analysis Where AI Meets Psychology, 2-11.  
Borel, E. (1935). El Azar. Montaner y Simon.  
Braga, S., Sampaio, R., Carlomagno, M., Vieira, F., Angeli, A.  
E. y Suhurt, J. (2017). Eleições online em tempos de  
‘
big data’: Métodos e questões de pesquisa a partir  
das eleições municipais brasileiras de 2016. Estudos  
em Comunicação, 1(25), Article 25.  
http://ojs.labcom-  
ifp.ubi.pt/index.php/ec/article/view/290  
Budiharto, W. y Meiliana, M. (2018). Prediction and analysis  
of Indonesia Presidential election from Twitter using  
sentiment analysis. Journal of Big Data, 5(1), 51.  
https://doi.org/10.1186/s40537-018-0164-1  
Burnap, P., Gibson, R., Sloan, L., Southern, R. y Williams, M.  
(
2016). 140 characters to victory?: Using Twitter to  
CONCLUSIONES  
predict the UK 2015 General Election. Electoral  
https://doi.org/10.5281/zenodo.5908534  
33  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
Studies,  
41,  
230-233.  
Gayo-Avello, D. (2013). A Meta-Analysis of State-of-the-Art  
Electoral Prediction from Twitter Data. Social  
Science Computer Review, 31(6), 649-679.  
https://doi.org/10.1177/0894439313493979  
González Díaz, I. (2017). Big Data para CEOs y Directores  
de Marketing: Como dominar Big Data Analytics en  
5 semanas para directivos. Isaac González Diaz.  
Hadi, K., Lasri, R. y Abderrahmani, A. (2019). Social Data  
Analytics for Forecasting Electoral Outcomes. 8(8),  
4.  
https://doi.org/10.1016/j.electstud.2015.11.017  
Caldarelli, G., Chessa, A., Pammolli, F., Pompa, G., Puliga,  
M., Riccaboni, M. y Riotta, G. (2014). A Multi-  
Level Geographical Study of Italian Political  
Elections from Twitter Data. PLOS ONE, 9(5),  
e95809.  
https://doi.org/10.1371/journal.pone.0095809  
Callejas Cuervo, M. y Vélez Guerrero, M. A. (2019).  
Predicción electoral usando un modelo híbrido  
basado en análisis sentimental y seguimiento a  
encuestas: Elecciones presidenciales de Colombia.  
Hasan, A., Moin, S., Karim, A. y Shamshirband, S. (2018).  
Machine Learning-Based Sentiment Analysis for  
Twitter Accounts. Mathematical and Computational  
Revista 94-104.  
Politécnica,  
15(30),  
https://doi.org/10.33571/rpolitec.v15n30a9  
Applications,  
23(1),  
11.  
Cameron, M., Barrett, P. y Stewardson, B. (2016). Can Social  
Media Predict Election Results? Evidence From  
New Zealand. Journal of Political Marketing, 15(4),  
https://doi.org/10.3390/mca23010011  
Hopkins, D. y King, G. (2010). A Method of Automated  
Nonparametric Content Analysis for Social Science.  
American Journal of Political Science, 54(1), 229-  
4
16-432.  
https://doi.org/10.1080/15377857.2014.959690  
Cárdenas, A., Ballesteros, C. y Jara, R. (2017). Social  
networks and electoral campaigns in Latin America.  
A comparative analysis of the cases of Spain,  
Mexico and Chile: Redes sociales y campañas  
electorales en Iberoamérica. Un análisis  
comparativo de los casos de España, México y  
Chile. Redes sociais e campanhas eleitorais na  
América Latina. Uma análise comparativa dos  
casos de Espanha, México e Chile., 41, 19-40.  
https://doi.org/10.7764/cdi.41.1259  
247.  
https://doi.org/10.1111/j.1540-  
5907.2009.00428.x  
Huberty, M. (2015). Can we vote with our tweet? On the  
perennial difficulty of election forecasting with  
social media. International Journal of Forecasting,  
31(3),  
992-1007.  
https://doi.org/10.1016/j.ijforecast.2014.08.005  
Huberty, M. (2013). Multi-cycle forecasting of congressional  
elections with social media. Proceedings of the 2nd  
workshop on Politics, elections and data, 23-30.  
https://doi.org/10.1145/2508436.2508439  
Ceron, A., Curini, L. y Iacus, S. M. (2016a). iSA: A fast,  
scalable and accurate algorithm for sentiment  
analysis of social media content. Information  
Ibrahim, M., Abdillah, O., Wicaksono, A. y Adriani, M.  
(2015). Buzzer Detection and Sentiment Analysis  
for Predicting Presidential Election Results in a  
Twitter Nation. 2015 IEEE International  
Conference on Data Mining Workshop (ICDMW),  
1348-1353.  
Sciences, 105-124.  
367-368,  
https://doi.org/10.1016/j.ins.2016.05.052  
Ceron, A., Curini, L. y Iacus, S. M. (2016b). Politics and Big  
Data: Nowcasting and Forecasting Elections with  
https://doi.org/10.1109/ICDMW.2015.113  
Social  
Media.  
Routledge.  
Jäger, K. (2016). Not a New Gold Standard: Even Big Data  
Cannot Predict the Future. Critical Review, 28(3-4),  
335-355.  
https://doi.org/10.1080/08913811.2016.1237704  
Jungherr, A. (2016). Twitter use in election campaigns: A  
systematic literature review. Journal of Information  
https://doi.org/10.4324/9781315582733  
DiGrazia, J., McKelvey, K., Bollen, J. y Rojas, F. (2013).  
More Tweets, More Votes: Social Media as a  
Quantitative Indicator of Political Behavior. PLOS  
ONE,  
8(11),  
e79449.  
https://doi.org/10.1371/journal.pone.0079449  
Technology  
&
Politics,  
13(1),  
72-91.  
Fasel, D. (2014). Big Data – Eine Einführung. HMD Praxis  
https://doi.org/10.1080/19331681.2015.1132401  
Jungherr, A., Rivero, G. y Gayo-Avello, D. (2020). Retooling  
Politics: How Digital Media Are Shaping  
Democracy. Cambridge University Press.  
Kalampokis, E., Karamanou, A., Tambouris, E. y Tarabanis,  
K. (2017). On Predicting Election Results using  
Twitter and Linked Open Data: The Case of the UK  
2010 Election. Journal of Universal Computer  
Science. https://doi.org/10.3217/jucs-023-03-0280  
Lerman, K., Gilder, A., Dredze, M. y Pereira, F. (2008).  
Reading the Markets: Forecasting Public Opinion of  
Political Candidates by News Analysis. Conference  
on Computational Linguistics (Coling).  
der  
Wirtschaftsinformatik, 51(4), 386-400.  
https://doi.org/10.1365/s40702-014-0054-8  
Firmino, L. y Murta, F. (2019). Comunicação política no  
Facebook e previsão eleitoral - Análise de big data  
da eleição presidencial brasileira de 2018 no Brasil:  
Big data analysis of the 2018 Brazilian presidential  
election 47-63.  
https://doi.org/10.34019/1981-  
070.2019.v13.28589  
Forsythe, R., Frank, M., Krishnamurthy, V. y Ross, T. W.  
1995). Using Market Prices to Predict Election  
Brazil.  
Lumina,  
13(3),  
4
(
Results: The 1993 UBC Election Stock Market. The  
Canadian Journal of Economics / Revue canadienne  
Lewis-Beck, M. (2005a). Election Forecasting: Principles and  
Practice. The British Journal of Politics and  
d’Economique,  
28(4a),  
770-793.  
https://doi.org/10.2307/135930  
International  
Relations,  
7(2),  
145-164.  
FronzettiColladon, A. (2020). Forecasting election results by  
studying brand importance in online news.  
International Journal of Forecasting, 36(2), 414-  
https://doi.org/10.1111/j.1467-856X.2005.00178.x  
Lewis-Beck, M. y Rice, T. (1984). Forecasting presidential  
elections: A comparison of naive models. Political  
4
27.  
Behavior,  
6(1),  
9-21.  
https://doi.org/10.1016/j.ijforecast.2019.05.013  
Gayo-Avello, D. (2012). No, You Cannot Predict Elections  
with Twitter. IEEE Internet Computing, 16(6), 91-  
https://doi.org/10.1007/BF00988226  
Livne, A., Simmons, M., Adar, E. y Adamic, L. (2011). The  
Party Is Over Here: Structure and Content in the  
2010 Election. Proceedings of the International  
9
4. https://doi.org/10.1109/MIC.2012.137  
https://doi.org/10.5281/zenodo.5908534  
34  
South American Research Journal, 2(1), 27-35  
https://www.sa-rj.net/index.php/sarj/article/view/12  
AAAI Conference on Web and Social Media, 5(1),  
Computer Science and Electronic Engineering  
2
01-208.  
(CEEC),  
89-93.  
MacWilliams, M. C. (2015). Forecasting Congressional  
https://doi.org/10.1109/CEEC.2017.8101605  
Elections Using Facebook Data. PS: Political  
Williams, C. y Gulati, G. (2009). What is a Social Network  
Worth? Facebook and Vote Share in the 2008  
Presidential Primaries. In Annual Meeting of the  
American Political Science Association, 1-17.  
Science  
&
Politics,  
48(4),  
579-583.  
https://doi.org/10.1017/S1049096515000797  
Mavragani, A. y Tsagarakis, K. (2019). Predicting referendum  
results in the Big Data Era. Journal of Big Data,  
Yang, K., Hui, P. y Menczer, F. (2020). How Twitter Data  
6
(1), 3. https://doi.org/10.1186/s40537-018-0166-z  
Metaxas, P. y Mustafaraj, E. (2012). Social Media and the  
Elections. Science, 338(6106), 472-473.  
https://doi.org/10.1126/science.1230456  
Metaxas, P., Mustafaraj, E. y Gayo-Avello, D. (2011). How  
Not) to Predict Elections. 2011 IEEE Third  
Sampling  
Characterizations.  
http://arxiv.org/abs/2006.01447  
Biases  
U.S.  
Voter  
Behavior  
ArXiv:2006.01447  
[cs].  
Zhukov, D., Khvatova, T., Millar, C. y Andrianova, E. (2022).  
Beyond big data – new techniques for forecasting  
elections using stochastic models with self-  
(
International Conference on Privacy, Security, Risk  
and Trust and 2011 IEEE Third International  
Conference on Social Computing, 165-171.  
https://doi.org/10.1109/PASSAT/SocialCom.2011.  
organisation  
and  
memory.  
Technological  
Forecasting and Social Change, 175, 121425.  
https://doi.org/10.1016/j.techfore.2021.121425  
9
8
Northcott, R. (2020). Big data and prediction: Four case  
studies. Studies in History and Philosophy of  
Science 96-104.  
Part  
A,  
81,  
https://doi.org/10.1016/j.shpsa.2019.09.002  
Ramteke, J., Shah, S., Godhia, D. y Shaikh, A. (2016). Election  
result prediction using Twitter sentiment analysis.  
2
016 International Conference on Inventive  
Computation Technologies (ICICT), 1, 1-5.  
https://doi.org/10.1109/INVENTIVE.2016.782328  
0
Sang, E. y Bos, J. (2012). Predicting the 2011 Dutch senate  
election results with Twitter. Proceedings of the  
Workshop on Semantic Analysis in Social Media,  
5
3-60.  
Santander, P., Elórtegui, C., González, C., Allende, H., Palma,  
W., Santander, P., Elórtegui, C., González, C.,  
Allende-Cid, H., &y Palma, W. (2017). Redes  
sociales, inteligencia computacional y predicción  
electoral: El caso de las primarias presidenciales de  
Chile  
https://doi.org/10.7764/cdi.41.1218  
Skoric, M., Poor, N., Achananuparp, P., Lim, E. y Jiang, J.  
2012). Tweets and Votes: A Study of the 2011  
2017.  
Cuadernos.info,  
41,  
41-56.  
(
Singapore General Election. 2012 45th Hawaii  
International Conference on System Sciences, 2583-  
2
591. https://doi.org/10.1109/HICSS.2012.607  
Soler, J., Cuartero, F. y Roblizo, M. (2012). Twitter as a Tool  
for Predicting Elections Results. 2012 IEEE/ACM  
International Conference on Advances in Social  
Networks Analysis and Mining, 1194-1200.  
https://doi.org/10.1109/ASONAM.2012.206  
Trilling, D. (2015). Two Different Debates? Investigating the  
Relationship between a Political Debate on TV and  
Simultaneous Comments on Twitter. Social Science  
Computer  
Review,  
33(3),  
259-276.  
https://doi.org/10.1177/0894439314537886  
Tsakalidis, A., Papadopoulos, S., Cristea, A. I.,  
&
Kompatsiaris, Y. (2015). Predicting Elections for  
Multiple Countries Using Twitter and Polls. IEEE  
Intelligent 10-17.  
https://doi.org/10.1109/MIS.2015.17  
Tumasjan, A., Sprenger, T. O., Sandner, P. G., & Welpe, I. M.  
2011). Election Forecasts With Twitter: How 140  
Systems,  
30(2),  
(
Characters Reflect the Political Landscape. Social  
Science Computer Review, 29(4), 402-418.  
https://doi.org/10.1177/0894439310386557  
Wang, L. y Gan, J. Q. (2017). Prediction of the 2017 French  
election based on Twitter data analysis. 2017 9th  
https://doi.org/10.5281/zenodo.5908534  
35