La pregunta
¿Existe una prima de conflicto en el sub-ecosistema religioso de YouTube?
Es decir: dentro del mismo canal, ¿reciben los vídeos cuyos títulos llevan marcadores combativos (destroys, debunks, refutes, vs…) más interacción relativa que los que no los llevan?
La idea viene de la literatura sobre outrage media y de la economía de la atención. La plataforma premia retención y confrontación; nuestra hipótesis es que el encuadre combativo es un recurso usado deliberadamente para capturar interacción.
Una pregunta correlacional, no causal: los canales eligen sus propios títulos. Estimaremos una mezcla del efecto del encuadre y del efecto de la selección editorial. Lo declaramos desde el principio.
Los 15 canales del corpus
Cuatro familias temáticas, muestreo intencional con criterios preregistrados.
Criterios: foco temático estable, +100k suscriptores, actividad continuada, referencias cruzadas entre canales. Las miniaturas se descargaron vía API de YouTube en el momento del snapshot.
La recolección y un detalle técnico
YouTube Data API v3 desde R con el paquete tuber. Cuota: 10.000 unidades/día.
Ruta barata
- Para cada canal, su uploads playlist.
playlistItems.listpaginado → IDs y fechas (1 ud/página de 50).videos.list→ detalles (1 ud/vídeo).commentThreads.list→ top-50 comentarios (1 ud/vídeo).
Total: ≈ 3.000 unidades. Coste descartado: search.list, 100 ud/llamada.
youtube.googleapis.com.El bug que tuvimos que rodear
tuber::get_playlist_items() en la versión 1.4.0 ignora silenciosamente page_token: siempre devuelve la primera página.
Solución: bajar al endpoint REST con httr::GET(). Mismo coste, paginación real.
Ventana y muestreo
Ventana: 2022-2025
La propuesta pedía 2020-2025. Al paginar descubrimos:
- Michael Knowles: solo 2025.
- Dan McClellan: desde feb-2024.
- Allie Beth Stuckey: desde abr-2022.
Tres canales sin presencia en la mitad del periodo. Acortamos.
Sin muestreo: el universo
Universo en ventana: 11.940 vídeos. Bajamos los detalles de todos en lotes de 50 (videos.list, ~240 unidades).
- Nada de muestrear: trabajamos con la población completa.
- Prohibidos los Shorts (< 60 s): fuera de todo el análisis.
- Corpus final tras limpieza: 9.746 vídeos.
Cómo es el corpus: interacción por familia
Comentarios y likes no miden lo mismo: los comentarios capturan discusión; los likes, aprobación ligera.
Lectura: el ateísmo / filosofía genera más del doble de comentarios por visualización (0,020) que la apologética o la divulgación (~0,009). La religión política queda más abajo (0,006): mucha producción, audiencia que comenta menos por vídeo.
El marcador combativo (y el problema con "vs")
Diccionario: destroys, debunks, owns, refutes, exposes, dismantles, schools, demolishes, concedes, vs.
Detección por palabra completa, insensible a mayúsculas. 256 vídeos (2,6 %) llevan al menos un marcador.
Pero 178 de los 256 son la palabra "vs" (70 %). Y muchos son simplemente debates formales:
Contraste metodológico: DESTROYS (28 casos) suele codificar ataque; vs muchas veces solo etiqueta un debate.
Decisión: reportar siempre dos versiones, con y sin vs. La segunda es más limpia y aún deja 78 casos.
Regresión H1: cuatro modelos
Efectos fijos por canal, errores estándar agrupados por canal.
| Y | Modelo | β | p | nc |
|---|---|---|---|---|
| coment/views | Con vs | +0,0035 | 0,062 | 256 |
| Sin vs | +0,0020 | 0,215 | 78 | |
| likes/views | Con vs | −0,0040 | 0,038 | 256 |
| Sin vs | −0,0039 | 0,169 | 78 |
Clustering: ¿reproducen los datos las familias?
K-medias sobre 5 variables a nivel de canal, estandarizadas.
Variables del perfil de cada canal:
- Mediana de log(ratio comentarios)
- Mediana de log(ratio likes)
- Mediana de log(duración)
- Proporción de títulos combativos
- Dispersión temporal
k elegido: 3 (codo + alineación con las familias originales). Estabilidad: 1,0 en 10 semillas.
El cluster combativo: el hallazgo clave
Tres clusters. El tercero es el bombazo.
| Cluster 3 (n=3) |
Capturing Christianity, Rationality Rules y Paulogia: la mayor proporción combativa (7-9 %) y la mediana más alta de comentarios. |
| Cluster 1 (n=6) |
Vídeos largos, interacción menor. Mezcla las cuatro familias. |
| Cluster 2 (n=6) |
Métricas intermedias. Familias otra vez mezcladas. |
El encuadre combativo une más que la posición religiosa.
El ecosistema como red
Detectamos menciones cruzadas en los 9.746 títulos.
Dos diccionarios
- Alias para los 15 canales del corpus (nombres, handles).
- 18 figuras externas frecuentes (W.L. Craig, Dawkins, Peterson, Trump, Shapiro…).
El resultado
- 54 aristas canal ↔ canal
- 105 aristas canal ↔ figura externa
- Visualización interactiva con
netCoin(el paquete del profesor).
Hubs y figuras-pegamento
Centralidad: PageRank
| Rank | Canal | PR |
|---|---|---|
| 1 | The Counsel of Trent | 0,140 |
| 2 | Alex O'Connor | 0,122 |
| 3 | Michael Knowles | 0,112 |
| 4 | Allie Beth Stuckey | 0,106 |
| 5 | Pints With Aquinas | 0,082 |
Paulogia: cita a varios canales del corpus pero recibe pocas menciones de vuelta. Francotirador contraapologético que dispara hacia fuera.
Figura-pegamento
Jordan Peterson aparece en títulos de 13 de los 15 canales, de las cuatro familias.
| Figura | Nº canales |
|---|---|
| Jordan Peterson | 13 |
| Joe Rogan | 12 |
| Donald Trump | 11 |
| Bart Ehrman | 10 |
El ADN léxico de cada familia
TF-IDF sobre los títulos: qué palabras son distintivas de cada categoría.
orthodox, protestants, akin, heschmeyer, dilemma
william lane craig, bowen, faith, evolution
origin, earth, language, ancient, satan
trump, media, riley, funding, meghan
Nubes de palabras: el mismo retrato, en imagen
El mismo ejercicio del TF-IDF en formato visual: una nube por familia con las 80 palabras más frecuentes en sus títulos.
Cómo se han hecho
- Tokenizamos los 9.746 títulos con
tidytext. - Quitamos stopwords inglés, números, palabras cortas y los nombres de los propios canales (si no, "Knowles" o "Paulogia" dominaban su nube).
- Las 80 palabras más frecuentes por familia →
wordcloudcon paleta propia de cada categoría.
Las versiones interactivas (wordcloud2) están en output/nubes/.
Lectura rápida
- Apologética: god, jesus, bible, christianity, catholic.
- Ateísmo: god, bible, christian, religion, evidence.
- Divulgación: bible, jesus, biblical, claims, ancient.
- Religión política: trump, christian, kids, people, charlie.
Cómo escribe el público: 141.935 comentarios
Bajamos hasta 50 comentarios (por relevancia) de 3.500 vídeos. Tres métricas a nivel comentario:
| Métrica | Combativo | Normal | p |
|---|---|---|---|
| % con shouting | 14,5 % | 13,2 % | <0,001 |
| % con léxico caliente | 8,0 % | 7,3 % | 0,010 |
| Longitud (palabras) | algo mayor | — | 3·10−5 |
Dos formas de calor
Las diferencias entre canales sí son rotundas y sociológicamente interpretables.
Calor léxico
Gen. Modified Skeptic 24 %
The Atheist Experience 11,7 %
Paulogia 10 %
El léxico más agresivo se concentra en el ateísmo contraapologético.
Calor visual
Allie Beth Stuckey: shouting 23,4 %
0,65 signos ! por comentario
Michael Knowles: 17,1 %
Religión política: intensidad por MAYÚSCULAS y exclamaciones, no por léxico.
Templanza
ReligionForBreakfast 2,0 %
Professor Dave 5,8 %
Divulgación académica: la templanza es del público, no del autor (Prof. Dave es muy contraapologético).
Lo que nos llevamos
No es una prima, es un trueque
El conflicto sube comentarios (marginal) y baja likes (significativo): discusión, no aprobación.
El encuadre une más que la posición
Capturing Christianity, Rationality Rules y Paulogia —apologética y ateísmo— caen en el mismo cluster combativo.
Los comentarios añaden una capa
Dos formas de calor: léxico y visual.
Formato > etiqueta temática
La categoría no predice tan bien como el estilo de producción.
Repositorio público, reproducible desde data/raw/:
github.com/GalexY3/fe_razon_y_algoritmos
