WebCiência IQ-UFG: padrões temporaismultiescala na transpandemia

Abstract

Social networks generate structured data in space and time, making it possible to analyse complex processes within a community. The enormous flow of information, however, requires methods for data acquisition and analysis over time. In this context, the temporal pattern in the performance of the YouTube scientific dissemination channel WebCiênciaIQ-UFG was evaluated during the transpandemic. To model the influence of time on multiple scales, Moran's EigenvectorMaps (MEM) were used in redundancy analyses and multivariate variograms. The results indicated that channel's metrics performance was best represented by MEM generated from connections based on relative temporal distance and weighted non-linearly with webinars' posting dates. Temporal structures were mainly related to type of teaching during the trans pandemic and to the management of the extension action (large scale), as well as to academic cycles and webinar years (intermediate scale). In addition to modelling multiple scales, MEM controlled the increasing variance in performance metrics between neighbouring webinars over time, in addition to the unidirectional trend of the temporal coordinate.Las redes sociales generan datos estructurados en el espacio y el tiempo, lo que permite analizar procesos complejos en una comunidad. El enorme flujo de información, sin embargo, requiere métodos para adquirir y analizar datosa tiempo. En este contexto, se evaluó el patrón temporal en el desempeño del canal de divulgación científica WebCiência IQ-UFG, en YouTube®, durante la transpandemia. Para modelar la influencia del tiempo en múltiples escalas, se utilizaron mapas de vectores propios de Moran (MEM) en análisis de redundancia y variogramas multivariados. Los resultados indicaron que las métricas de rendimiento del canal estuvieron mejor representadas por MEM generado a partir de conexiones basadas en la distancia temporal relativa y ponderadas de forma no lineal con la fecha de publicación del webinars. Las estructuras temporales estuvieron relacionadas principalmente con la enseñanza a distancia o presencial y el equipo directivo (gran escala), así como con los ciclos académicos y años de los webinars (escala intermedia). Además de modelar múltiples escalas, MEM controló la creciente variación en las métricas de rendimiento de webinars vecinos a lo largo del tiempo, así como la tendencia unidireccional de la coordenada temporal.