Data from social media provide unprecedented opportunities to investigate the processes that govern the dynamics of collective social phenomena. We consider an information theoretical approach to define and measure the temporal and structural signatures typical of collective social events as they arise and gain prominence. We use the symbolic transfer entropy analysis of microblogging time series to extract directed networks of influence among geolocalized subunits in social systems. This methodology captures the emergence of system-level dynamics close to the onset of socially relevant collective phenomena. The framework is validated against a detailed empirical analysis of five case studies. In particular, we identify a change in the characteristic time scale of the information transfer that flags the onset of information-driven collective phenomena. Furthermore, our approach identifies an order-disorder transition in the directed network of influence between social subunits. In the absence of clear exogenous driving, social collective phenomena can be represented as endogenously driven structural transitions of the information transfer network. This study provides results that can help define models and predictive algorithms for the analysis of societal events based on open source data.

Los datos de las redes sociales brindan oportunidades sin precedentes para investigar los procesos que rigen la dinámica de los fenómenos sociales colectivos. Consideramos un enfoque teórico de la información para definir y medir las firmas temporales y estructurales típicas de los eventos sociales colectivos a medida que surgen y ganan importancia. Utilizamos el análisis de entropía de transferencia simbólica de series temporales de microblogging para extraer redes de influencia dirigidas entre subunidades geolocalizadas en los sistemas sociales. Esta metodología captura el surgimiento de dinámicas a nivel de sistema cercanas al inicio de fenómenos colectivos socialmente relevantes. El marco se valida con un análisis empírico detallado de cinco estudios de casos. En particular, identificamos un cambio en la característica escala de tiempo de la transferencia de información que marca el inicio de los fenómenos colectivos impulsados por la información. Además, nuestro enfoque identifica una transición orden-desorden en la red de influencia dirigida entre subunidades sociales. En ausencia de una conducción exógena clara, los fenómenos sociales colectivos pueden representarse como transiciones estructurales impulsadas endógenamente de la red de transferencia de información. Este estudio proporciona resultados que pueden ayudar a definir modelos y algoritmos predictivos para el análisis de eventos sociales basados en datos de fuente abierta.

Les dades de les xarxes socials ofereixen oportunitats sense precedents per investigar els processos que regeixen la dinàmica dels fenòmens socials col·lectius. Considerem un enfocament teòric de la informació per definir i mesurar les firmes temporals i estructurals típiques dels esdeveniments socials col·lectius a mesura que sorgeixen i guanyen importància. Utilitzem l'anàlisi d'entropia de transferència simbòlica de sèries temporals de microblogging per extreure xarxes d'influència dirigides entre subunitats geolocalitzades en els sistemes socials. Aquesta metodologia captura el sorgiment de dinàmiques a nivell de sistema properes a l'inici de fenòmens col·lectius socialment rellevants. El marc es valida amb una anàlisi empírica detallada de cinc estudis de casos. En particular, identifiquem un canvi en la característica escala de temps de la transferència d'informació que marca l'inici dels fenòmens col·lectius impulsats per la informació. A més, el nostre enfocament identifica una transició ordre-desordre a la xarxa d'influència dirigida entre subunitats socials. En absència d'una conducció exògena clara, els fenòmens socials col·lectius poden representar-se com transicions estructurals impulsades endògenament de la xarxa de transferència d'informació. Aquest estudi proporciona resultats que poden ajudar a definir models i algoritmes predictius per a l'anàlisi d'esdeveniments socials basats en dades de font oberta.