¡Hola! ¿Cómo estás?
La gente está enojada. Todos, eh. Los ciudadanos, los políticos. Y es un problema, ¿eh? Porque el enojo te cambia muchas cosas, incluso tus preferencias de política.
Bah, ¿estamos más enojados que antes o es pura percepción?
Estamos. Seguí leyendo que te muestro.
Espero que te guste. Gracias por leer.
Las preguntas de hoy
¿Estamos más enojados que hace 10 años?
¿Cómo afecta nuestro enojo a nuestras preferencias de políticas?
Cualquiera que use redes lo sabe: la gente está enojada. O, bueno, me da la impresión. No sé si en la vida, pero por lo menos online (que es donde pasa buena parte de la vida de muchos): la gente está enojada. Podés decirme que no, que es mi percepción. O que sí, que la gente está enojada pero que estaba igual de enojada hace 5 o 10 años y no me daba cuenta.
Puede ser. Pero no es, ¿sabés por qué? Porque alguien se tomó el trabajo de documentar evidencia para darle validez empírica a mi percepción y ¿SABÉS QUÉ? LA GENTE ESTÁ ENOJADA.
Y que la gente esté enojada es un problema. Primero porque no está bueno estar enojado, loco. Sé feliz, disfrutá de las pequeñas cosas de la vida como estar en tu oficina con un cafecito leyendo este newsletter procrastinando las cosas útiles que tenés que hacer amparado en la excusa que usás para mentirte a vos mismo que dice que en realidad leer esto te sirve un montón para andá a saber qué cosa. Segundo, también importante: porque cuando estamos enojados tomamos decisiones que no son siempre, digamos, las mejores.
El paper de hoy es de Stefanie Stancheva (que, quién te dice no gana el Nobel en un unos años) y varios coautores de elite. Es un poco diferente a lo que estás acostumbrado porque no es el tipo de papers cuya fortaleza es identificar la causalidad de nada (o, bueno, casi nada). O sea, no te va a responder muy bien por qué la gente está más enojada (el candidato es, por supuesto, el mismo de todos los males de la vida moderna: el teléfono). Simplemente te va a mostrar de forma sistemática y rigurosa el hecho: la gente está enojada, más que nunca.
En concreto.
¿La gente está hoy más enojada que antes? ¿Qué gente? ¿Quiénes son los que se están enojando más? ¿Las mujeres, los hombres, los demócratas, los repúblicanos? Los ciudadanos, los políticos, todos?
¿Ese enojo afecta nuestras preferencias de política?
¿Cómo hacemos para responder todo esto? Con datos. Muchos datos de fuentes varias: Twitter, Reddit, discursos en el congreso, de todo. No te voy a mostrar todo, porque el paper tiene (literalmente) 150 páginas, pero te voy a mostrar suficiente (Twitter). Paso a paso.
La data cruda: Bajate todos los días (cada cinco segundos) todos los tuits emitidos desde Estados Unidos desde 2013 hasta 2025 que hablen de tópicos que potencialmente puedan generar emociones (o sea, digamos, temas “políticos”). El paper usa 28 palabras para filtrar tuits: migración, terrorismo, crimen, guerra, justicia, injusticia, inequidad, aborto, armas, educación, clima, inflación, precio, empleo, impuesto, comercio, economía, crecimiento, presupuesto, déficit, deuda, salud, salud pública, Medicare, corte suprema, política de gobierno, congreso, senado.
Ya sé: es normal que la gente que habla de estos temas lo haga con emociones negativas. Pero claro: el punto no es el nivel sino el crecimiento en esa negatividad. Ya vamos ahí.
La caracterización: Antes de medir qué tan enojados están, necesitamos caracterizarlos: ¿quiénes son los tuiteros en cuestión? ¿dónde viven, a quién votan? Buscá para cada tuit el Estado de donde tuitea y el nombre que usa. Con eso andá a los registros electorales y hacé el match. Se pierden un montón, obvio, pero te quedan 16 mil usuarios únicos a quienes podés medirles el enojo cada vez que hayan tuiteado durante 10 años. Para cada uno de ellos sabés dónde viven, su sexo, si están registrados en algún partido político (y, sino, podés inferir su ideología en base a los usuarios que siguen), su edad, su educación.
Medirles el enojo: ¿cómo sabemos si un tuit destila enojo, miedo, ansiedad, alegría, felicidad? Con algo que los economistas usamos cada vez más: análisis de texto. Con las palabras que escribís y clasificadores hoy bastante estándar podés identificar la presencia de cada una de estas emociones en cada tuit: enojo, tristeza, miedo, repulsión, orgullo, alegría, gratitud, esperanza.
No voy a entrar en detalles porque me aburriría yo más que vos. Pero voy a resumir en 5 líneas cómo funciona la cosa. Sos libre de saltearte los próximos párrafos (hasta que leas VOLVÉ), salvo que te carcoma la curiosidad.
En poquísimas palabras (y con cierta licencia para simplificar el problema), lo que hacés es esto: primero le pedís a un LLM (ChatGPT, Claude, DeepSeek) que lea una muestra de tuits. Digamos, unos 200.000 tuits. Le pedís, para cada uno de ellos, que te los clasifique en cuanto a las emociones que emana: si hay enojo, si hay miedo, si hay tristeza. Te preguntarás por qué etiquetamos 200.000 tuits y no los otros tantos millones. Fácil: porque etiquetar así los millones de tuits del corpus te saldría una fortuna. Entonces usás esos 200.000 como material de entrenamiento, que luego le vas a pasar a un modelo mucho más chico, que corre gratis en tu computadora y con eso vas a clasificar al resto.
Lo que hace ese modelo chico y gratis de computadora doméstica es agarrar cada tuit que le pases y convertirlo en un punto dentro de un "mapa de significado". Imaginate un mapa (que en realidad tiene muchas más que dos dimensiones) y en donde oraciones que quieren decir cosas parecidas caen “geográficamente” cerca. En ese mapa, las coordenadas de una oración tipo “tremendo pollo al spiedo el que hacen ahí en la pollería Serrano” van a ser relativamente más cercanas a “en la rotistería de mi barrio hacen buenas aves” que a “¿viste cómo el calamar se comió tres pepas contra el bicho el otro día? qué manga de muertos”.
Una vez que cada uno de los 200.000 tuits tiene un punto en ese mapa de significado, el problema se vuelve bastante más simple: con esos 200.000 tuits mapeados identificás cuál es la zona del mapa que el LLM marcó como, por ejemplo, tuits con enojo. Esto te va a decir algo tipo “las oraciones que caen cerca de esta zona del mapa, tienen alta probabilidad de haber sido clasificadas como enojo por el LLM, las que caen en esta otra zona, tienen baja probabilidad de haber sido clasificadas como enojo”. O sea que para cada zona en ese mapa de significado tenés asociada una probabilidad de enojo.
Último paso: agarrás cada uno de las millones de tuits que aún no clasificaste y te fijás en donde caen en el mapa de significado. Si resulta que uno de esos tuits, dado su contenido, cae cerca de la zona “contenido enojado” que ya identificaste antes, vas a clasificarlo como un tuit enojado. Y así con cada emoción que quieras identificar en cada uno de los millones de tuits de tu muestra.
¿Y cómo sabemos que la clasificación está más o menos bien? Difícil saberlo porque no existe algo así como un ground truth (la verdad absoluta de si un tuit es del tipo enojado o no). Lo que se hace es algo así: tomás una muestra aparte de una cantidad de tuits y los hacés clasificar a mano por tres personas distintas, por separado y sin saber cómo las había clasificado la máquina. Punto 1: en este caso, por ejemplo, los tres humanos tienen un grado de coincidencia en las clasificaciones de enojo de una oración de, digamos 75%. ¿Y el modelo? De nuevo, en este caso, tiene un grado de acuerdo con los humanos (alguno de los tres) de … también 75%. O sea: no sabemos si la máquina clasifica bien las emociones, pero digamos que su grado de acuerdo con otros humanos no es muy diferente del de los humanos entre sí.
VOLVÉ.
Primer resultado: la gente está enojada. El grafo de abajo te muestra los tuits de ciudadanos americanos entre 2013 y 2025 clasificados según las emociones que destilan. La línea azul, arriba de todo, es la suma de todas las emociones: o sea, tiene un 1 si el tuit expresa alguna emoción y un 0 si no expresa emociones. La línea celeste, un poquito por debajo es, para sorpresa de nadie, el contenido de enojo. Muy por abajo, bastante más irrelevantes, están el miedo la tristeza, la gratitud, la alegría, el orgullo, la esperanza, el disgusto y otras.
Te ayudo a leerlo: en 2013, 30% de los tuits (sobre temas políticos, claro) en cuestión tenían contenido de enojo. Hoy algo así como el 50%. Te digo: la gente está enojada.
El lector atento me dirá que no es que la gente esté más enojada, sino que tuiter cambió y antes la gente que usaba tuiter era más tranquila que los que usan tuiter hoy. El lector atento está equivocado: 80% del efecto se debe a aumentos en el enojo intra-usuario: o sea, mismo usuario, palabras más fuertes.
El mismo lector atento, no convencido con que lo que le estoy mostrando son aumentos en la tendencia, independientemente de los niveles, me dirá que “ah pero son tuits de temas políticos, obvio que tienen ira porque están hablando de política”. Nuevamente equivocado, el lector atento podrá apreciar en el grafo de abajo que el mismo ejercicio sobre tuits no políticos tiene, claro, un nivel más bajo de enojo, pero un aumento sostenido del enojo en el tiempo: del 10% al 20% en 10 años.
Segundo resultado: el enojo es generalizado. Se enojan los comunistas woke y se enojan los fascistas conservadores. Abajo está la evolución del enojo para republicanos y para demócratas. Con algún matiz, un aumento del enojo parecido en los dos lados del charco ideológico (el matiz: me parece que los demócratas hicieron un catch-up fuerte con los republicanos, que desde siempre estaban más enojados).
Y se enojan los hombres pero también se enojan las mujeres. ¿Sabés qué? se enojan más las mujeres.
Hasta ahora hablamos de lo que los economistas llamaríamos el “demand side” de la cuestión: la gente, los ciudadanos, los tuiteros. La otra pregunta interesante es cómo evolucionó el discurso del lado de la “supply side” de la política. O sea: la comunicación de los políticos mismos. Los políticos hablan en muchos lugares: tuitean, dan discursos. Y todo es analizable.
Tercer resultado: los políticos, cuando hablan en público y enfrente de todos, están enojados. Lo que ves abajo es el mismo ejercicio de arriba, pero aplicado a tuits de congresistas. Sus tuits en 2013 tenían un 20% de enojo. Hoy tienen un 50%.
¿Por qué los politicos tuitean con odio? Una hipótesis es que los hace mas virales. Y efectivamente: un tuit con enojo de un congresista se lleva 59% más retuits que uno sin emoción. Y no son ‘emociones’ en general: el enojo en particular es la única emoción con retorno positivo consistente (ah, y los tuits con gratitud son particularmente poco populares; también restan la esperanza, la alegría y el orgullo). El mercado les premia el enojo.
Pregunta final: ¿cómo afecta el enojo a nuestras preferencias políticas y de política? Esto lo respondemos con un experimento, la única partecita causal del paper. En particular, con algo que en ciencias sociales llamamos un survey experiment. Agarrás gente y la encuestás y en el medio de la encuesta metés variaciones pequeñas y mantenés todo el resto constante. Luego, si hay diferencias importantes y sistemáticas en lo que la gente te responde, sabés que probablemente esas diferencias hayan sido causadas por esas pequeñas variaciones.
Esas “pequeñas variaciones” dependen de la pregunta que te interese responder. Algo que se hace muy habitualmente, por ejemplo, es usar la encuesta para dar al entrevistado diferente información y ver cómo sus preferencias (políticas, de política) cambian en función de esa información.
Bueno, lo que hacen Stancheva y amigos, se imaginarán, es aleatorizar un ‘tratamiento’ que haga que la gente, antes de responder las preguntas de la encuesta sobre sus preferencias políticas (y de política), esté más o menos enojada. En este caso, la variación en el mensaje no se trata de darles más ni menos información, sino enojarlos más o menos sin cambiar la información específica que se le da a cada participante.
¿Cómo hacés para poner a alguien de buen humor o de mal humor? (resumen con licencia para simplificar) Con videos de perritos felices o de gente maltratando perritos. Bueno, no exactamente esto pero parecido. Juntá a un montón (miles) de personas y antes de hacer las preguntas que te interesan medir, mostrales diferentes cosas.
Tres tratamientos:
A los neutrales: nada.
A los que querés hacer enojar: videos de un incendio forestal en California que provocó una empresa eléctrica por no mantener los cables viejos. Muertos, casas quemadas y - punto importante -: nadie haciéndose cargo de nada.
A los que querés poner de buen humor: paisajes naturales apacibles con musiquita relajante. No son perritos, pero casi.
Minuto acá. ¿Qué van a medir después? Grado de acuerdo o desacuerdo con ciertas políticas: si estás a favor de que entren más inmigrantes, si hay que subirle los impuestos a las corporaciones, si conviene bajar las barreras al comercio (todas preguntas que salen de la encuesta final).
¿Y por qué las emociones positivas o negativas podrían afectar estas preferencias? Son tres dimensiones que no se alinean del todo en el eje izquierda-derecha, pero que tienen algo en común que nos permite culpar a alguien (cosa que solemos hacer cuando estamos enojados). Los migrantes (que nos sacan el laburo y encima nos cambian la cultura), los chinos (que arruinan nuestras industrias), los ricos (que no nos dejan progresar).
Último resultado del paper: cuando hacés que alguien se enoje (con algo tan básico como unos videítos, parecidos a los que te aparecen en tuiter), lográs que se vuelva más anti-migrante, más anti-comercio y más anti-ricos (y pro-políticas distributivas). A la inversa funciona más o menos: los videítos de perritos te ponen contento (y hasta te cambian un poco las percepciones) pero mucho no te cambian tus preferencias de política. De nuevo: indignarte, garpa.
Ya sé, ya sé: es un experimento y los efectos seguramente sean de corto plazo. Si te hago enojar ahora, cambio tus elecciones de políticas yayaya, pero nada dice que eso se mantenga cuando te calmás. Verdad. De hecho, posiblemente no se mantenga cuando te calmás. Pero ahí está el punto del paper: el efecto de estar enojado en nuestras decisiones vive poco. Pero resulta que estamos demasiado tiempo enojados.
Cierro con una lista no exhaustiva de cosas que me hacen enojar (old man yells at cloud alert):
Los 2-factor authentications para páginas que no le importan a nadie. SABES QUÉ? ME DA IGUAL SI ME ENTRAN A LA CUENTA DE PIZZERIA DON CARLOS QUE NI SIQUIERA TIENE GUARDADA MI TARJETA Y PIDEN UNA PIZZA EN MI NOMBRE.
Las pizzerías de barrio que no tienen una pizza llamada “Especial” seguida por el nombre de la pizzería. Punto para Don Carlos, que tiene la Especial Don Carlos. Punto en contra para la pizzería Don Matute, en Colegiales, que se niega a hacer una pizza Especial Don Matute a pesar de mi reiterada insistencia.
Que la contraseña no pueda ser igual a ninguna de las últimas 98 contraseñas y tenga que tener 19 caracteres, excepto números primos, símbolos, pero exceptuando algunos símbolos (que no puede no tenerlos), 7 mayúsculas y 2 minúsculas pero no consecutivas salvo que haya entre 8 y 14 consonantes totales sin contar el símbolo de los que tiene que tener.
Que el mozo me pregunte si es la primera vez que vengo para aclararme que ahí trabajan el concepto de platitos.
Que trabajen el concepto de platitos.
Que exista el concepto de platitos.
Que me expliquen el concepto de platitos. Por si nunca fuiste, te cuento: son recipientes (el diminutivo te avisa que su tamaño es menor al habitual) en donde se sirve comida que eventualmente se consumirá entre los comensales presentes y finalmente se depositará dinero en la cuenta del establecimiento que la comercializa. O sea, bastante similar a los que trabajan el concepto de restaurant.
Que la descripción de los platitos sea una lista de ingredientes. “DE LA TIERRA: ANIMAL DE PEZUÑA PARTIDA, PALTA, PERA, AVELLANA, SEMILLAS.” Te jode contarme más o menos cómo los combinás? Me viene mejor eso que la explicación del concepto de platitos.
Microsoft Teams.
Microsoft Outlook.
Microsoft.
Las impresoras.
¿Pero sabés lo que más me molesta? Que todavía no hayas comprado acá (o en tu librería amiga) #EstoTambiénEsEconomía, el libro definitivo, referencia de cómo vivir de cualquier persona de bien.
Mientras vas a la librería te dejo otras cosas que podés hacer para bancar este proyecto popular sin gastar ni un peso moneda de curso legal argentino.
Apretá el botoncito que dice “me gusta”.
Compartí este post por Twitter, Instagram, Facebook. Mandalo por Whatsapp, TikTok, corré la voz.
Ah y dejame tu mail si aún no lo hiciste y querés recibir grandes envíos como este una vez cada algunas semanas:
Te puede interesar
El paper de hoy lo encontrás acá.
Hacé el favor y leé todo lo que escribió Stantcheva.
Nada que ver, pero…
Muy interesante este paper que muestra que los médicos intrínsecamente más altruistas (digo yo, posiblemente los que tengan más vocación de servicio) son los que más probablemente te receten lo que necesitás (y no lo que les da $).
Qué pasa con tu carrera y tus salarios a lo largo de toda la vida cuando arrancaste en una ocupación que eventualmente desaparece? Acá te dicen.
Masterpiece! Nuevo suscriptor (o cómo sea que funcione substack, no conozco estas tecnologías aún)