SciELO - Scientific Electronic Library Online

 
vol.5 número2Una perspectiva computacional y de análisis estadístico de textos para el Análisis de Sentimiento de la conversación en redes sociodigitales alrededor de debates electoralesArgumentación retórica en las elecciones de 2023. La campaña de Delfina Gómez en Twitter para la gubernatura del Estado de México índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Revista panamericana de comunicación

versión On-line ISSN 2683-2208

Rev. panam. comun. vol.5 no.2 Ciudad de México jul./dic. 2023  Epub 19-Feb-2024

https://doi.org/10.21555/rpc.v5i2.2984 

Artículos

Jóvenes creadores de contenidos en torno a las autolesiones: identificación de metalenguajes en X (Twitter)

Young content creators around self-harm: identifying metalanguages on X (Twitter)

Esther Martínez-Pastor1  , Planteamiento del artículo, Investigación, Redacción, Discusión, Resultados, Obtención de la financiación
http://orcid.org/0000-0002-2861-750X

Catalina Gaete-Salgado2  , Recolección datos, Redacción, Discusión, Resultados
http://orcid.org/0000-0002-2112-2643

1Universidad Rey Juan Carlos, España, esther.martinez.pastor@urjc.es

2Pontificia Universidad Católica de Chile, catalina.gaete@gmail.com


Resumen.

Ante el aumento de las autolesiones no suicidas entre menores esta investigación se centra en conocer el contenido que generan los jóvenes en la red social de X (antes Twitter). Son parte de una comunidad digital y crean códigos lingüísticos verbales y no verbales entorno a las autolesiones. Para identificarlos se han plateado estos objetivos :1) identificar los idiomas prevalentes en tweets vinculados a las autolesiones, 2) conocer los hashtags y palabras concretas vinculadas a las autolesiones en tweets y 3) comprender el significado de los emoticonos que utilizan y comparten en tweets. Para ello se ha realizado una investigación cuantitativa y cualitativa. Mediante una API que recolectó en Twitter un total de 187.906 tweets, provenientes de 66.732 de usuarios distintos, entre noviembre de 2022 y junio de 2023 sobre autolesiones. De ese total se llevó a cabo un análisis cualitativo de 1000 tweets que tenían el mayor número de likes por semana. Entre los principales resultados obtenidos se destaca que se utilizan los idiomas más hablados en el mundo después del chino mandarín: el inglés y el español. Asimismo, los jóvenes han generado en las redes un argot de hashtags y palabras concretas vinculadas a las autolesiones para no ser identificados por las redes; y que demuestran sus emociones a través de emoticonos.

Palabras clave: Autolesiones no suicidas (ANS); redes sociales; jóvenes; menores; metalenguaje

Abstract.

Given the increase in non-suicidal self-harm among minors, this research focuses on the content generated by young people on the social network X (formerly Twitter). They are part of a digital community and create verbal and non-verbal linguistic codes around self-harm. To identify them, the following objectives were set: 1) to identify the languages prevalent in tweets linked to self-harm, 2) to find out the hashtags and specific words linked to self-harm in tweets and 3) to understand the meaning of the emoticons they use and share in tweets. To do this, quantitative and qualitative research was carried out. Through an API that collected a total of 187,906 tweets on Twitter, from 66,732 different users, between November 2022 and June 2023 about self-harm. From this total, a qualitative analysis was carried out on 1000 tweets that had the highest number of likes per week. Among the main results obtained, it is highlighted that the most spoken languages in the world after Mandarin Chinese are used: English and Spanish. Likewise, young people have generated a slang of hashtags and specific words linked to self-harm on the networks so as not to be identified by the networks; and they show their emotions through emoticons.

Keywords: Non-suicidal self-harm (NSA); social networks; young people; minors; metalanguage

Aproximación a las autolesiones no suicidas, jóvenes y redes sociales

Aproximación a las autolesiones no suicidas

Las autolesiones no suicidas (ANS) se refieren a las personas que se han infligido intencionadamente daños en el cuerpo, que pueden provocar hemorragias, hematomas o dolor sin intención suicida (American Psychiatric Association, 2022, p. 822). Esta conducta se ejerce de forma deliberada sobre el propio cuerpo, cortando, arañando y quemando, entre otras formas. Se ha identificado que es una práctica utilizada como una forma de regulación emocional, ya sea para reducir emociones negativas, tensión, ansiedad, tristeza o autorreproches y, a menudo, para resolver alguna dificultad interpersonal. Las autolesiones tienen el propósito de aliviar un sentimiento negativo o un estado cognitivo, o para inducir un estado de sentimiento positivo (American Psychiatric Association, 2022, p. 923). En ocasiones coexiste con diagnósticos de depresión, trastorno de estrés postraumático, ansiedad generalizada y trastornos alimentarios (Calvete et al., 2015, p. 223).

El perfil de los que se infligen autolesiones está relacionado, principalmente, con jóvenes y adolescentes (Pérez-Elizondo, 2020). Marchant et al. (2019) identificaron un aumento de los ingresos hospitalarios de personas entre 15 y 19 años a causa de las autolesiones. Otros autores sostienen que esta práctica se inicia incluso más temprano, a los 11 años (Barrocas et al., 2012; Klonsky, 2011; Muehlenkamp et al., 2012; Muehlenkamp & Gutiérrez, 2004), aunque la edad de inicio puede estar entre los 13 y 16 años (Muehlenkamp et al., 2018). Cipriano et al. (2017) sostienen que los adolescentes entre 12 y 14 años han tenido más conductas autolesivas que los adultos. En el estudio de Swannell et al. (2014), observaron que la edad en la que más ANS aparecían era la adolescencia, entre los 10 y 17 años (17,2%), seguida de la gente joven, hasta los 24 años (13,4%) y siendo mucho más baja en la edad adulta (5,5%). En relación al género no parece que haya diferencias significativas entre géneros (Pérez- Elizondo, 2020).

Este fenómeno no es nuevo, pero desde la pandemia ha aumentado considerablemente entre los jóvenes tal y como apunta la Fundación ANAR y UNICEF (Fundación ANAR, 2021; UNICEF, 2021a; 2021b) o la Fundación de Ayuda contra la Drogadicción (FAD) (Sanmartín et al, 2022). Estas entidades, entre otras, recogen la necesidad de prestar atención a nuestros jóvenes en relación a la salud mental y, concretamente, en autolesiones. Por ello, se solicitan protocolos para prevenir estas conductas e implementar programas de formación en los centros escolares, con recursos materiales y humanos. Según la Fundación Anar en su Informe de 2022 las autolesiones en España “se ha multiplicado por 51,5 en los últimos años (con una tasa de crecimiento en los últimos once años de 5.050%), pasando de 110 consultas en 2012 a 5.665 en el año 2022. Respecto al año 2021, las consultas por este motivo se han incrementado un 77%” (Fundación Anar, 2022: p. 48). Asimismo UNICEF también alerta que las tasas de autolesiones, suicidio y ansiedad entre niños y jóvenes en el mundo son alarmantemente altas.

El rol de las redes sociales

Las redes sociales proporcionan una plataforma para que las personas compartan sus sentimientos y estados emocionales diarios, lo que permite identificar experiencias relacionadas con la salud mental. Por ejemplo, estudios previos han descrito el uso de Twitter para compartir contenidos y experiencias relacionadas con la depresión (Lachmar et al., 2017) y el suicidio (Coppersmith et al., 2016). En los últimos años, se ha detectado que en Twitter, Instagram o TikTok se comparten contenidos relacionados con la práctica de las ANS (Lookingbill, 2022, Alhassan et al., 2021; Hilton, 2017; Moreno et al., 2016). En el caso de las autolesiones no suicidas, el uso de las redes permite a los usuarios compartir imágenes y texto, y tener una interacción activa con otros pares a través de los likes o los retweets (Martínez-Pastor et al., 2023). Los usuarios, en su mayoría jóvenes y adolescentes, crean y comparten contenidos sobre métodos para autolesionarse, consejos para el cuidado de heridas, imágenes de cortes sangrantes y utensilios, los que circulan con relativa facilidad en las plataformas digitales. Estudios recientes han identificado que estos contenidos y la interacción con pares ha creado comunidades en torno a las autolesiones (Martínez-Pastor et al., 2023).

Guccini y McKinley (2022) aplicaron una perspectiva etnográfica para estudiar las comunidades de autolesiones no suicidas en Tumblr, una plataforma de formato microblogging. Los investigadores recolectaron 182 hashtags relacionados con las autolesiones. Siguiendo las recomendaciones de estos 182 hashtags, recolectaron, además, perfiles y posts. El algoritmo de Tumblr empezó a sugerirles otros usuarios involucrados en la práctica, reglas implícitas, palabras clave y lenguajes comunes. Los hallazgos de esta investigación indican que la interacción entre usuarios y posts relacionados a las autolesiones dan forma a una “comunidad de prácticas imaginada”. En esta comunidad se comparte tanto la experiencia personal de la autolesión (lo que es descrito como self-oriented posts, en donde se comparten imágenes o descripciones de cortes o heridas, por ejemplo), como la experiencia social de la autolesión (denominado socially-motivated posts), en donde se comparten muestras de apoyo, contención emocional y consejos.

Por otro lado, Brown et al. (2018) analizan imágenes de lesiones y heridas de autolesiones compartidas en Instagram, que promueven el refuerzo de la conducta autolesiva. Moss et al. (2023) tomaron la misma plataforma y realizaron una revisión sistemática de 15 estudios que abordaban el uso de Instagram para acceder a contenido sobre autolesiones. Encontraron que existe una relación entre el tiempo que jóvenes y adolescentes pasan en Instagram, el deterioro de su salud mental y la práctica misma de la autolesión. Además, en su análisis emergió el concepto de pertenencia (belonging), ya que identificaron el uso de la plataforma como una forma de encontrar apoyo de sus pares. Aseguran que esta percepción de la experiencia online, en donde los jóvenes y adolescentes se sienten seguros y comprendidos, contrasta con el mundo offline, en donde se enfrentan con reacciones que promueven la estigmatización.

En síntesis, los estudios en torno a la actividad online relacionada a las autolesiones no suicidas encuentran tanto riesgos como beneficios (Brown et al., 2018). Entre los riesgos se encuentra una aceptación, normalización e incluso un refuerzo de la conducta autolesiva, mientras que, entre los beneficios, está que se reduce el aislamiento social de quienes se autolesionan y que se forman comunidades de apoyo.

Twitter (ahora X) es una plataforma improbable para este tipo de contenidos, ya que es usada en menor medida por quienes se autolesionan, en su mayoría jóvenes y adolescentes. Según datos de Statista en 2023, los adolescentes de entre 13 y 17 años representan solo un 6,5% de los usuarios de Twitter. Sin embargo, es una red con una alta penetración entre jóvenes en España (IAB, 2022). Además, estudios recientes han alertado sobre el incremento de posts que comparten contenido relacionado a las autolesiones, incluyendo imágenes de cortes potencialmente letales. Según un informe de agosto de 2022 del Network Contagion Research Institute, el uso de los hashtags o palabras clave relacionadas con las autolesiones (como #shtwt) aumentaron en un 500% en menos de un año, con miles de menciones mensuales que celebran, glorifican y alientan la práctica de las autolesiones (Network Contagion Research Institute, 2022). Finalmente, un foco en Twitter (ahora X) es particularmente importante ya que se trata de una plataforma en donde la moderación de contenidos es menor que en otras redes sociales (Martínez-Pastor et al., 2023).

1.3. Jóvenes y comunidades

Los autores Kirmayer et al. (2013) aseguran que las comunidades en internet se forman rápidamente en torno a toda clase intereses o preocupaciones comunes, en donde cohabitan, se redefinen y/o emergen identidades, a través de un proceso social nuevo. Según Bruns y Burgess (2011), los hashtags facilitan este proceso, ya que crean conversaciones en torno a temas comunes. Los hashtags, creados por los mismos usuarios, coordinan las conversaciones que abordan un mismo tema o temas similares, facilitando la creación de comunidades digitales en torno a palabras o códigos comunes (Cunha et al., 2011). En este sentido, y siguiendo los hallazgos del estudio etnográfico de los Guccini y McKinley (2022), no solo los hashtags son utilizados como catalizadores de la comunidad digital de autolesiones, sino también términos o palabras clave, como “barcode”, “beans” y “styrofoam”. Estos conceptos son creados y entendidos por quienes forman parte de la comunidad, aunque tienen un significado diferente para quienes están fuera de ella. Para ser parte de la comunidad, dicen Guccini y McKinley (2022), es necesario familiarizarse con el lenguaje específico de la comunidad.

En este sentido, las personas que comparten contenidos relacionados a las autolesiones no suicidas en redes sociales no lo hacen de manera aislada, sino que encuentran en las redes a otros usuarios afines. Con el devenir de su práctica, estos usuarios construyen comunidades, las que pueden definirse como comunidades de práctica. Según Eckert (2006), las comunidades de práctica son aquellas que agrupan a sujetos en torno al desarrollo de una actividad u objetivo común. Este concepto permite identificar formas etnográficas y lingüísticas diferentes a las que tradicionalmente han liderado el estudio de las comunidades, como pueden ser las categorías étnicas, geográficas, de género o clase social. Las comunidades de práctica, en cambio, se centran en una actividad común que se hace con regularidad y que, en el transcurso de ese ejercicio, desarrollan formas, visiones, relaciones de poder y formas de hablar. El concepto de comunidades de práctica es, por lo tanto, el mejor marco teórico para analizar a quienes practican las autolesiones y comparten contenidos en redes sociales, ya que permiten poner el foco en un lenguaje situado, sensible a cambios que devienen en cambios de la práctica y a la naturaleza convencional del lenguaje (Eckert, 2006).

Como se ha visto en las investigaciones previamente citadas, las comunidades en torno a las autolesiones no suicidas son heterogéneas y se reúnen en torno a otras actividades relacionadas a las autolesiones: no solo en la práctica de dañar el cuerpo, sino también en el cuidado y tratamiento doméstico de las heridas, técnicas para no ser descubiertos o para evitar hospitalizaciones (Guccini y McKinley, 2022). Usan un vocabulario compartido, aunque muchas veces este vocabulario es encubierto, y por tanto, difícil de monitorear por quienes no forman parte de esa comunidad (Guccini y McKinley, 2022).

Para continuar explorando los contenidos en torno a las autolesiones no suicidas que circulan en redes sociales, esta investigación busca avanzar en comprender un elemento esencial identificado por los estudios mencionados previamente: el metalenguaje de la comunidad de autolesiones en Twitter (ahora X).

Hipótesis y objetivos

La hipótesis de la que se parte es que: los jóvenes que practican las autolesiones no suicidas son parte de una comunidad digital en X (previamente Twitter), que tiene códigos lingüísticos verbales y no verbales.

Los objetivos que el trabajo plantea son:

  • Identificar el o los idiomas prevalentes en tweets vinculados a las autolesiones.

  • Identificar hashtags y palabras concretas vinculadas a las autolesiones en tweets.

  • Identificar el significado de los emoticonos que utilizan y comparten en tweets.

Metodología

La metodología utiliza fue cuantitativa y cualitativa. De un lado, el equipo de investigación desarrolló una API para X (Twiiter) que recolectó cuantitativamente una muestra de 187.906 tweets, provenientes de 66.732 de usuarios distintos en Twitter a nivel global, entre noviembre de 2022 y junio de 2023 sobre autolesiones. Para identificar las palabras claves que utilizan los jóvenes en la red social se utilizó el hashtag “self harm” y con la API recuperamos todas las etiquetas aparecidas en el conjunto de los mensajes (Martínez-Pastor et al., 2023). Posteriormente, se analizaron las etiquetas devueltas y se seleccionaron las más repetidas. Finalmente, se detectaron que las más utilizadas por los jóvenes son shtwt (self harm Twitter), selfharm, ouchietwt y goretwt. Del total de tweets (187.906), se llevó a cabo un análisis cualitativo de 1.000 tweets que tenían el mayor número de likes por semana. La selección del “like” (me gusta) se debe a la necesidad de obtener la aceptación de otros y la respuesta que reciben de los demás, es decir, la dependencia de la respuesta de otros usuarios. Esto refleja una baja autoestima y la necesidad de que a los jóvenes los likes les influya directamente para su valorarse a sí mismos y, al mismo tiempo, influenciarse por los demás (Critikián & Núñez, 2021; Quintanilla, 2002). Conviene indicar que, en el momento de iniciar la recolección de datos, la plataforma aún no iniciaba su conversión de Twitter a X, por lo que posiblemente, hay características de la plataforma que hayan cambiado entre el inicio de la recolección de datos y ahora.

El análisis de contenido se realizó mediante una ficha técnica que permitía codificar las variables más relevantes de los menores y las autolesiones, según la literatura. Esta técnica permite extraer datos cuantitativos de un objeto primordialmente cualitativo, al contabilizar la frecuencia de ideas, palabras o códigos (Berg et al., 2004; Neuendorf, 2002). Esta metodología permite identificar patrones y obtener estadísticas descriptivas de un objeto de estudio particular. Para aplicarlo, se desarrolló una ficha técnica que permite detectar y cuantificar características particulares de cada objeto, en este caso, de cada uno de los 1.000 tweets, para medir su frecuencia. Para la confección de la ficha técnica se identificaron las variables y subvariables objeto del estudio. De acuerdo con la literatura y con el trabajo realizado las estas variables que se analizaron fueron: el idioma en relación con el perfil y con el idioma del tweet (Hilton, 2017; Gómez-Adorno et al., 2016); la frecuencia de aparición de palabras clave y su posición en el texto (Scherr et al., 2020; Shanahan et al., 2019; Moreno et al., 2016) y los emoticonos que aparecen en los mensajes (Lavis & Winter, 2020; Cantón, 2020). Posteriormente se describieron las categorías a partir de las tendencias identificadas en la etapa anterior, y se agruparon situaciones o incidencias similares, con la finalidad de crear categorías de análisis específicas, pero lo suficientemente amplias para capturar las situaciones de similar naturaleza, además de ayudarnos con la literatura sobre el tema. Después, se confecciona la ficha técnica la plataforma de Microsoft Forms. Y finalmente se realizó una prueba con el equipo de investigación para su unificar la codificación con las primeras 10-15 respuestas del formulario En esta etapa se eliminaron variables que en el piloto resultaban irrelevantes y se mejoró la descripción de otras. Esta ficha técnica se elaboró con el equipo de redes sociales del proyecto “Representación mediática de las autolesiones de los menores en los medios de comunicación y Redes” (PID2021-124550OB-I00), subvencionado por el Plan Nacional del Ministerio de Ciencia e Innovación de España. El equipo determinó las variables, las que se volcaron en un formulario de Microsoft Online (Krippendorff, 2004).

Resultados y discusión

A. Identificar el o los idiomas prevalentes en tweets vinculados a las autolesiones.

Como se muestra en la Tabla 1, la codificación del idioma se hizo identificando si el texto del perfil o del tweet está escrito en español, inglés, una combinación de ambos u otro idioma. Respecto al perfil, también se consideró la opción de que el usuario hubiese sido eliminado o suspendido (0), o cuando el perfil no tenga ninguna descripción textual, sino sólo símbolos o emojis. En ambos casos, no es posible identificar el idioma.

Tabla 1 Estructura de ficha técnica de análisis para codificación de idioma. 

Variables Subvariables Valor
Idioma del perfil Usuario eliminado o suspendido 0
Español 1
Inglés 2
Combinación de ambos 3
Otro idioma 4
No tiene texto de presentación o solo tiene emojis y símbolos 5
Idioma del tweet Español 1
Inglés 2
Combinación de ambos 3
Otro idioma 4

El primer hallazgo al respecto es que el idioma más común, tanto en el perfil como en el tweet, es el inglés. Como muestra la Tabla 2, 686 (68,6%) perfiles están escritos enteramente en inglés. En tanto, la Tabla 3 muestra que 762 (76,2%) de los 1,000 tweets está escrito totalmente en inglés.

El español es el segundo idioma más prevalente en el texto del tweet, con 114 (11,4%) escritos completamente en español. Sin embargo, no así en el texto del perfil, donde solo 38 perfiles (3,8%) están escritos completamente en español. Es importante mencionar que los perfiles de usuarios pueden repetirse en la muestra de 1.000 tweets, teniendo un mismo usuario con dos o más tweets en el periodo analizado.

Estos hallazgos indican que el idioma preferido por la comunidad es el inglés, el segundo idioma más hablado en el mundo, después del chino mandarín, lo que les permite conseguir una comunidad de identidad con el tema que tratan (Gómez-Adorno et al., 2016).

Nota: Idioma del perfil. Determinar según el idioma general del texto de presentación del perfil, incluyendo hashtags y palabras clave. Si el texto está escrito en español codifica (1); si el texto está escrito en inglés (2). Si el texto es una combinación, por ejemplo, el texto está escrito en español, pero además incluye hashtags en inglés (3) . Si el texto está escrito en cualquier otro idioma que no sea español o inglés o una combinación de ambos (4). Si no tiene texto de presentación o solo tiene emojis o signos.

Figura 1 Frecuencia del idioma del perfil 

Nota. Idioma del tweet. Determinar según el idioma general del texto, incluyendo hashtags y palabras clave. Si el texto está escrito en español, codifica (1); si el texto está escrito en inglés (2). Si el texto es una combinación, por ejemplo, el texto está escrito en español, pero además incluye hashtags en inglés (3). Si el texto está escrito en cualquier otro idioma que no sea español, inglés o una combinación de ambos, entocnes seleccionar (4).

Figura 2 Frecuencia del idioma del tweet. 

Esto indica que el uso de un idioma más utilizado es el inglés y posteriormente el español. Comenzamos la búsqueda por la palabra “selfharm” al ser un fenómeno global y lo que identificamos el uso de otros idiomas como el español, seguido del indonesio, portugués y otros (alemán). Llama la atención que el idioma del perfil suele estar en inglés, pero los tweets pueden estar en español o cualquier otro idioma. Es decir, el idioma del perfil no es indicador del idioma que habla el usuario. También se ha detectado que los tweets en español usan más hashtags que palabras clave. Así como hay un muy pocos Tweets en chino o japonés, a pesar de que hay muchos comentarios de los mismos usuarios sobre el self harm japonés (ej: “sh en Japón es cosa seria”). Puede ser un indicador de que los usuarios chinos o japoneses no utilizan las palabras clave que se ocupan comúnmente en Occidente (como shtwt).

Entendemos que se debe a que es comprendido por todos los jóvenes y al estar configurándose como una comunidad digital es la manera de generar este grupo digital. Además, las etiquetas más utilizadas con htwt (self harm Twitter), selfharm, ouchietwt y goretwt palabras que son creadas por la comunidad para identificarse como argot fácilmente reconocible entre ellos. Tal y como indica Guccini y McKinley (2022) es necesario familiarizarse con el lenguaje específico de la comunidad que está actualmente gestándose con estas palabras.

B. Identificar hashtags y palabras concretas vinculadas a las autolesiones en tweets.

La codificación de los hashtags y palabras clave se hizo a través de una caja de texto abierta en el formulario de Microsoft Online, para escribir manualmente cada uno, separados por un espacio. El hashtag es fácilmente reconocible por el uso de la almohadilla (#).

El primer hallazgo de esta investigación es que el uso de hashtags es menos frecuente que el uso de palabras clave. Como se puede ver en la Tabla 2, 781 tweets (78,1%) contienen al menos una palabra clave, mientras que solo 152 tweets (15,2%) contienen al menos un hashtag. Esto muestra que dentro de la comunidad de autolesiones hay un uso predominante de palabras clave por sobre hashtags.

Tabla 4 Frecuencia en el uso de palabras clave vs el uso de hashtags. 

Elemento Presente Ausente
Hashtag 152 848
Palabra clave 781 219

Las palabras clave identificadas en la codificación de 1.000 tweets son predominantemente en inglés y se refieren de alguna manera a las autolesiones, pero escritas en código. Es decir, son palabras que no se refieren explícitamente a esta práctica, sino que se entienden de acuerdo al contexto de la comunidad. Algunas de estas palabras son abreviaciones y su contenido es bastante literal, como “shtwt” (“sh” para abreviar self harm y “twt” para abreviar Twitter), mientras que otras son referencias abstractas a la práctica de la autolesión, como “ouchie”, que se refiere a una expresión coloquial de dolor en inglés. También aparecieron términos como “beans” y “styro”. Estos conceptos son una referencia visual de la herida causada por las autolesiones: “styro” o “styrofoam” (espuma de poliestireno en inglés) se refiere al color blanco de la dermis, mientras que “beans” (alubias en inglés) se refiere al aspecto de la hipodermis.

En el contexto de redes sociales, y particularmente en Twitter (ahora X), las palabras clave actúan como hashtag sin tener la almohadilla, es decir, son incluidas en el texto como una forma de hacer referencia a una comunidad o una conversación particular. Guccini y McKinley (2022) también identificaron el uso de estas palabras en la plataforma Tumblr, dando cuenta que su uso es transversal a las diferentes redes sociales y que se utilizan de una red a otra. Dada su naturaleza de no ser descifrada o entendida en su contexto, estas palabras pueden ser caracterizadas como un argot que, según la Real Academia Española, es un lenguaje especial entre personas de un mismo oficio o actividad. Además, como se ha visto en estudios previos, los participantes de esta comunidad hacen esfuerzos por mantener su práctica oculta, por lo que muchas de sus prácticas lingüísticas apuntan a que no sean descubiertos (Scherr et al., 2020; Shanahan et al., 2019; Moreno et al., 2016).

Tabla 4 Frecuencia de aparición de palabras clave y su posición en el texto. 

Palabras 10º Total
sh* 460 139 27 11 8 2 3 2 0 2 654
988* 63 77 45 29 11 13 3 5 2 2 250
beans* 15 62 41 39 24 10 1 1 0 0 193
ed* 93 46 7 5 2 1 0 1 0 0 155
gore* 43 20 16 4 12 6 7 0 4 2 114
ouchie* 3 41 11 18 9 8 2 9 3 3 107
styro* 0 20 30 21 10 9 9 5 2 1 107

Fuente: Elaboración propia a partir de la codificación de 1.000 tweets relacionados a las autolesiones no suicidas

Respecto a la frecuencia de aparición de cada palabra, es importante destacar que, en este estudio, las palabras se presentan con una base común y un final indefinido, representado por el signo asterisco (*), ya que, en el proceso de codificación, se identificó que una misma palabra puede tener diferentes formulaciones (por ejemplo, styro, styrofoam o styrotwt).

A partir del análisis de 1.000 tweets, es posible identificar que muchos tweets contenían más de una palabra clave, por lo que fueron codificadas en el orden de aparición en el texto. Como muestra la Tabla 4, las palabras más frecuentes (de acuerdo a la columna “total”) son aquellas que contienen la abreviación “sh*”, que hace referencia literal a las autolesiones. 654 tweets, es decir, el 65,4%, contiene esta formulación abreviada de self harm, usualmente acompañada de “twt” (shtwt), en referencia a Twitter. Esta abreviación es además la palabra que más se repite en la primera posición.

De acuerdo al total de apariciones, le sigue “988*”, un número que representa la línea de prevención del suicidio y otras crisis de salud mental, en Estados Unidos. Esta palabra suele ser mencionada con la abreviación “twt” de Twitter (988twt). Luego sigue “beans*” (usualmente beanstwt, aunque también puede mencionarse solo como “beans”). En la Figura 3 se puede ver un ejemplo de cómo se posicionan estas palabras en un tweet.

Figura 3 Palabras clave relacionadas a las autolesiones en un tweet. 

Después de sh*, 988* y beans*, las palabras más frecuentes son “ed*” y “gore*”. Este hallazgo es interesante porque ambas palabras pertenecen al dominio de otras comunidades en redes sociales, particularmente, de desórdenes alimenticios, como anorexia y bulimia (eating disorders) y gore, una tendencia de compartir contenido sensible explícito. La palabra clave que contiene la abreviación “ed*” es mencionada un total de 155 veces, lo que corresponde a un 15,5% de la muestra de 1.000 tweets. Por su parte, “gore*” es mencionada 114 veces (11,4%). Este resultado puede indicar que la comunidad de autolesiones se solapa o interactúa con otras comunidades digitales, en una relación que como explica Eckert (2006) en el contexto de las comunidades de práctica, puede ser armónica o conflictiva. En la Figura 4 se puede ver un ejemplo de la aparición de “ed*” en un tweet, en donde se muestra una relación conflictiva entre las dos comunidades.

Traducción: “Quisiera que shtwt (la comunidad de autolesiones en Twitter) mantenga su edtwt (la práctica de los desórdenes alimenticios en Twitter) por separado, porque no quiero ver malditos cortes a las 8:00 de la mañana”.

Figura 4 Relación entre las comunidades de autolesiones (shtwt) y desórdenes alimenticios (edtwt). En este caso, una relación conflictiva. 

Es importante indicar que la naturaleza dinámica y cambiante del objeto de estudio hace que sea muy probable que algunas palabras clave no hayan sido identificadas por el codificador, quien no forma parte de la comunidad de autolesiones y, por lo tanto, fue incapaz de reconocerlas (Brown & Plener, 2018).

Identificar el argot de estos usuarios permite conocer y estudiar estas comunidades digitales que Eckert (2006) las define como comunidades de práctica. En este caso, agrupa a usuarios en torno a una actividad común, las autolesiones, que se hace con regularidad y creando y compartiendo un código, unas representaciones y una manera de crear contenidos y compartirlos entre sí. Incluso, en este sentido la comunidad protege sus contenidos y los usuarios dicen mucho “block don’t report porque son conscientes de las políticas de contenido sensible de la plataforma, y por lo tanto piden que los usuarios no los denuncien por sus contenidos sensibles y los bloqueen en vez de denunciar.

El concepto de comunidades de práctica es, por lo tanto, el mejor marco teórico para analizar a quienes practican las autolesiones y comparten contenidos en redes sociales, ya que permiten poner el foco en un lenguaje situado, sensible a cambios que devienen en cambios de la práctica y a la naturaleza convencional del lenguaje (Eckert, 2006).

C. Identificar el significado de los emoticonos que utilizan y comparten entre sí

De los 1.000 tweets analizados, se identificó un variado uso de emojis. Estos son símbolos gráficos utilizados como un atajo para expresar conceptos e ideas. Son expresiones no verbales que no solo manifiestan sentimientos, como las expresiones faciales, sino también algunas actividades, el clima, objetos y banderas, entre otras (Kralj Novak et al., 2015). Emoji significa literalmente “personaje ilustrado” en japonés y se incorporó en dispositivos móviles de Japón a inicios de la década de 1990. Se difundieron en popularidad cuando Apple los incorporó a sus dispositivos (Kralj Novak et al., 2015) y desde ahí crecieron hasta ser utilizados en casi todas las plataformas de comunicación digital de mensajería instantánea y redes sociales (Pavalanathan & Eisenstein, 2015). El uso de emojis está estandarizado en Unicode, un sistema de codificación universal para diferentes dispositivos tecnológicos.

El primer hallazgo de este estudio es que el uso de emojis no es mayoritario en los tweets relacionados con las autolesiones: solo el 30,6% de los tweets contenía al menos uno, mientras que el 69,4% no incluía ninguno. Sin embargo, entre los que sí contenían emojis, se puede identificar un patrón en el uso de estos recursos visuales. Por ejemplo, como se puede ver en la Tabla 5, los emojis que hacen referencia a sangre y utensilios son mínimos: solo 6 tweets, de un total de 1.000, incluyen este tipo de emojis. Este hallazgo puede relacionarse a la necesidad de la comunidad de autolesiones de mantenerse relativamente oculta en las redes sociales, ya que buscan generar códigos que no son fácilmente identificables por un usuario que no pertenece al grupo (Lerman et al., 2023). Por eso, la utilización de emojis explícitos, como son los utensilios y la sangre, no sería común en los tweets relacionados a autolesiones.

Tabla 5 Frecuencia de aparición de emojis en tweets según grupo o tipo de emoji 

Presencia Grupo amor Grupo tristeza Grupo felicidad Grupo miedo Grupo vergüenza Grupo sangre Grupo utensilios Grupo animales o naturaleza Otro emoji
306 65 56 46 7 0 2 4 57 115
No 694 241 250 260 299 306 304 302 249 191

Otro hallazgo es la utilización de emojis relacionados con sentimientos o estados de ánimo, que fueron los más comunes en los tweets analizados. Los que representan amor (por ejemplo, incluyendo corazones en el texto) fueron incluidos en 65 tweets. Le sigue el grupo tristeza, que fue incluido en 56 y finalmente el grupo felicidad, que fue incluido en 46 tweets. Estos resultados indican que la presencia de los grupos amor y felicidad confirma lo que se ha encontrado en estudios previos, en donde la práctica de las autolesiones se romantiza o idealiza (Khasawneh et al., 2021) indicando que la felicidad es cuando uno de corta lejos de pensar que es tristeza. Esto podría confirmarse también a través de la alta presencia de emojis de tristeza, ya que muchas veces estos se utilizaban de forma irónica o sarcástica, no queriendo realmente reflejar un ánimo triste. Lo que indica que la utilización de los emojis los jóvenes los utilizan en su contexto de dolor para apoyarse, se muestra una imagen de un lacito rosa romantizando el hecho de autolesionarse y cómo se sugieren maneras para afilar los utensilios para llevarlo a cabo. Por ello, otro elemento de la comunidad es el uso de los emojis para mostrar sus emociones y compartirlas con los demás.

Conclusiones

Las autolesiones no suicidas son un fenómeno que tiene una clara presencia en redes sociales. Es indispensable explorar y comprender esta práctica y su dimensión digital, ya que se están gestando comunidades numerosas, dinámicas y cambiantes que, además, intentan mantenerse ocultas. Así lo demuestra esta investigación, que identifica el uso de un idioma común y comprendido por todos los jóvenes en cualquier lugar del mundo accediendo a las redes sociales, como es el inglés, y como se ha identificado, también el español. Estos son idiomas que, por otra parte, son los más hablados en el mundo, después del chino mandarín. Asimismo, los jóvenes han generado en las redes un argot de hashtags y palabras concretas vinculadas a las autolesiones en tweets para no ser identificados por las redes y evitar que sean eliminados los contenidos que están creando. Este es un lenguaje propio, al margen de los adultos, dado que la mayoría de los casos no comprenden e incluso desconocen este set de códigos. Y finalmente, sus emociones las manifiestan a través los emojis que muchas veces no tienen una traducción o significado evidente, haciendo que el uso de estos recursos no verbales también forme parte de su argot o set de códigos. De esta forma, mantienen aspectos de la práctica de las autolesiones ocultos para el mundo adulto offline. A través de los emojis también fue posible identificar que muchos usuarios romantizan la práctica autolesiva, lo que confirma las descripciones de estudios previos

Se abren vías de investigación que deberían trabajarse, como la representación de las emociones en los mensajes que crean los jóvenes de estas comunidades digitales. Por otro lado, se pone la voz de alarma en estas conductas para que las plataformas de redes sociales mejoren sus sistemas de moderación y control de contenido sensible, para poder prevenir la libre circulación de estas conductas en sus medios.

Referencias

Alhassan, M.A., Inuwa-Dutse, I., Bello, B. S., & Pennington, D. (2021, July). Self-harm: detection and support on Twitter. In ECSM 2021 8th European Conference on social media (255 pp.). Academic Conferences International. [ Links ]

American Psychiatric Association (DSM-5-TR) (2022). Diagnostic and statistical Manual of mental disorders. Fifth Edition. Washington, DC: American Psychiatric Association. https://doi.org/10.1176/appi.books.9780890425787 [ Links ]

Barrocas, A. L., Hankin, B. L., Young, J. F., & Abela, J. R. (2012). Rates of nonsuicidal self-injury in youth: age, sex, and behavioral methods in a community sample. Pediatrics, 130(1), 39-45. https://doi.org/10.1542/peds.2011-2094 [ Links ]

Berg, B. (2004). Qualitative research methods for the social sciences 5. Teaching sociology. 18. https://doi.org/10.2307/1317652 [ Links ]

Brown R.C. & Plener P.L. (2018) Non-suicidal Self-Injury in Adolescence. Curr Psychiatry Rep. 19(3), 20. https://doi.org/10.1007/s11920-017-0767-9 [ Links ]

Brown, R. C., Fischer, T., Goldwich, A. D., Keller, F., Young, R., & Plener, P. L. (2018). # cutting: Non-suicidal self-injury (NSSI) on Instagram. Psychological medicine, 48(2), 337-346. https://doi.org/10.1017/S0033291717001751 [ Links ]

Bruns, A., & Burgess, J. (2011). The use of Twitter hashtags in the formation of ad hoc publics. In Proceedings of the 6th European consortium for political research (ECPR) general conference 2011 (pp. 1-9). The European Consortium for Political Research (ECPR). [ Links ]

Calvete, E., Orue, I., Aizpuru, L., & Brotherton, H. (2015). Prevalencia y funciones de autolesiones no suicidas en adolescentes españoles. Psicothema, 27(3), 223-228. [ Links ]

Cantón, M. C. (2020). El lenguaje no verbal en las redes sociales. Sabir. International Bulletin of Applied Linguistics, 1, 5-32. https://doi.org/10.25115/ibal.v1i2.3485 [ Links ]

Cipriano, A., Cella, S., & Cotrufo, P. (2017). Nonsuicidal self-injury: A systematic review. Frontiers in psychology, 8, 1946. https://doi.org/10.3389/fpsyg.2017.01946 [ Links ]

Coppersmith, G., Ngo, K., Leary, R., & Wood, A. (2016, June). Exploratory analysis of social media prior to a suicide attempt. In Proceedings of the third workshop on computational linguistics and clinical psychology (pp. 106-117). https://doi.org/10.18653/v1/W16-0311 [ Links ]

Critikián, D. M., & Núñez, M. M. (2021). Redes sociales y la adicción al like de la generación z. Revista de comunicación y salud, 11, 55-76. https://doi.org/10.35669/rcys.2021.11.e281 [ Links ]

Cunha, E., Magno, G., Comarela, G., Almeida, V., Gonçalves, M. A., & Benevenuto, F. (2011, June). Analyzing the dynamic evolution of hashtags on twitter: a language-based approach. In Proceedings of the workshop on language in social media (LSM 2011) (pp. 58-65). [ Links ]

Eckert, P. (2006). Communities of practice. Concise encyclopedia of pragmatics, 2nd edition. Oxford: Elsevier (pp. 109-112). [ Links ]

Fundación ANAR (2021). Informe Anual. https://www.anar.org/anar-trato-en-2021-a-4-542-menores-de-edad-por-ideacion-suicida-autolesiones-o-intento-de-suicidio/Links ]

Gómez-Adorno, H., Markov, I., Sidorov, G., Posadas-Durán, J. P., & Arias, C. F. (2016). Compilación de un lexicón de redes sociales para la identificación de perfiles de autor. Research in computing science, 115, 19-27. https://doi.org/10.13053/rcs-115-1-2 [ Links ]

Guccini, F., & McKinley, G. (2022). “How deep do I have to cut?“: Non-suicidal self-injury and imagined communities of practice on Tumblr. Social science & medicine, 296, 114760. https://doi.org/10.1016/j.socscimed.2022.114760 [ Links ]

Hilton, C. Emma (2017). Unveiling self-harm behaviour: what can social media site Twitter tell us about self-harm? A qualitative exploration. Journal of clinical nursing, 26(11-12), 1690-1704. https://doi.org/10.1111/jocn.13575 [ Links ]

Khasawneh, A. et al. (2021). An investigation of the portrayal of social media challenges on YouTube and Twitter. ACM Transactions on social computing, 4(1), 1-23. https://doi.org/10.1145/3444961 [ Links ]

Kirmayer, L. J., Raikhel, E., & Rahimi, S. (2013). Cultures of the Internet: Identity, community and mental health. Transcultural psychiatry, 50(2), 165-191. https://doi.org/10.1177/1363461513490626 [ Links ]

Klonsky, E. D. (2011). Non-suicidal self-injury in United States adults: prevalence, sociodemographics, topography and functions. Psychological medicine, 41(9), 1981-1986. https://doi.org/10.1017/S0033291710002497 [ Links ]

Kralj Novak, P., Smailović, J., Sluban, B., & Mozetič, I. (2015). Sentiment of emojis. PloS one, 10(12), e0144296. https://doi.org/10.1371/journal.pone.0144296 [ Links ]

Krippendorff, K. (2004). Measuring the reliability of qualitative text analysis data. Quality and quantity, 38, 787-800. https://doi.org/10.1007/s11135-004-8107-7 [ Links ]

Lachmar, E. M., Wittenborn, A. K., Bogen, K. W., & McCauley, H. L. (2017). #MyDepressionLooksLike: Examining public discourse about depression on Twitter. JMIR mental health, 4(4), e8141. https://doi.org/10.2196/mental.8141 [ Links ]

Lavis, A., & Winter, R. (2020). # Online harms or benefits? An ethnographic analysis of the positives and negatives of peer-support around self-harm on social media. Journal of child psychology and psychiatry, 61(8), 842-854. [ Links ]

Lerman, K. (2023). Radicalized by Thinness: Using a Model of Radicalization to Understand Pro-Anorexia Communities on Twitter. arXiv preprint arXiv:2305.11316. [ Links ]

Lookingbill, V. (2022). Examining nonsuicidal self-injury content creation on TikTok through qualitative content analysis. Library & information science research, 44(4), 101199. https://doi.org/10.1016/j.lisr.2022.101199 [ Links ]

Martínez-Pastor, E., Atauri-Mezquida, D., Nicolás-Ojeda, M. Á., & Blanco-Ruiz, M. (2023). Visualización e interpretación de las interacciones en los mensajes de autolesiones no suicidas (ANS) en Twitter. Redes. Revista hispana para el análisis de redes sociales, 34(2), 238-253. https://doi.org/10.5565/rev/redes.996 [ Links ]

Moreno, M. A., Ton, A., Selkie, E., & Evans, Y. (2016). Secret society 123: Understanding the language of self-harm on Instagram. Journal of adolescent health, 58(1), 78-84. https://doi.org/10.1016/j.jadohealth.2015.09.015 [ Links ]

Moss, C., Wibberley, C., & Witham, G. (2023). Assessing the impact of Instagram use and deliberate self-harm in adolescents: A scoping review. International journal of mental health nursing, 32(1), 14-29. https://doi.org/10.1111/inm.13055 [ Links ]

Muehlenkamp, J. J., Claes, L., Havertape, L., & Plener, P. L. (2012). International prevalence of adolescent non-suicidal self-injury and deliberate self-harm. Child and adolescent psychiatry and mental health, 6(1), 1-9. https://doi.org/10.1186/1753-2000-6-10 [ Links ]

Muehlenkamp, J. J., Xhunga, N., & Brausch, A. M. (2018). Self-injury age of onset: A risk factor for NSSI severity and suicidal behavior. Archives of suicide research. https://doi.org/10.1080/13811118.2018.1486252 [ Links ]

Muehlenkamp, J. J., & Gutierrez, P. M. (2004). An investigation of differences between self-injurious behavior and suicide attempts in a sample of adolescents. Suicide and Life-Threatening Behavior, 34(1), 12-23. https://doi.org/10.1521/suli.34.1.12.27769 [ Links ]

Network Contagion Research Institute (2022). Online communities of adolescents and young adults celebrating, glorifying, and encouraging self-harm and suicide are growing rapidly on Twitter. https://networkcontagion.us/reports/8-29-22-online-communities-of-adolescents-and-young-adults-celebrating-glorifying-and-encouraging-self-harm-and-suicide-are-growing-rapidly-on-twitter/Links ]

Neuendorf, K. A. (2002). The content analysis guidebook. Thousand Oaks: Sage. [ Links ]

Pavalanathan, U., & Eisenstein, J. (2015). Emoticons vs. emojis on Twitter: A causal inference approach. arXiv preprint arXiv:1510.08480. [ Links ]

Pérez-Elizondo, A. D. (2020). Enfermedad por autolesión. ¡Primero me corto, luego existo! Archivos de investigación materno infantil, 11(2), 77-81. https://doi.org/10.35366/101554 [ Links ]

Quintanilla, I. (2002). Psicología del consumidor. Madrid: Prentice Hall. [ Links ]

Sanmartín, A., Ballesteros, J. C., Calderón, D., & Kuric, S. (2022). Barómetro juvenil 2021. Salud y bienestar: Informe sintético de resultados. Madrid: Centro Reina Sofía sobre Adolescencia y Juventud, Fundación FAD Juventud. https://doi.org/10.5281/zenodo.6340841 [ Links ]

Scherr, S., Arendt, F., Frissen, T., & Oramas M, J. (2020). Detecting intentional self-harm on Instagram: Development, testing, and validation of an automatic image-recognition algorithm to discover cutting-related posts. Social science computer review, 38(6), 673-685. https://doi.org/10.1177/0894439319836389 [ Links ]

Shanahan, N., Brennan, C., & House, A. (2019). Self-harm and social media: thematic analysis of images posted on three social media sites. BMJ open, 9(2), e027006. https://doi.org/10.1136/bmjopen-2018-027006 [ Links ]

Swannell, S. V., Martin, G. E., Page, A., Hasking, P., & St John, N. J. (2014). Prevalence of nonsuicidal selr-injury in nonclinical samples: Systematic review, meta-analysis and meta-regression. Suicide and life-threatening behavior, 44(3), 273-303. https://doi.org/10.1111/sltb.12070 [ Links ]

UNICEF (2021a). Por lo menos 1 de cada 7 niños y jóvenes ha vivido confinado en el hogar durante gran parte del año, lo que supone un riesgo para su salud mental y su bienestar, según UNICEF. [ Links ]

UNICEF (2021b). Estado Mundial de la infancia 2021. [ Links ]

Financiación

Este estudio se ha financiado gracias al Proyecto “Representación mediática de las autolesiones de los menores en los medios de comunicación y Redes” (PID2021-124550OB-I00) enmarcado en la convocatoria Proyectos de Generación del Conocimiento 2021, subvencionado por el Plan Nacional del Ministerio de Ciencia e Innovación.

2Cómo citar este artículo: Martínez-Pastor, E., & Gaete-Salgado, C. (2023). Jóvenes creadores de contenidos en torno a las autolesiones: identificación de metalenguajes en X (Twitter). Revista Panamericana de Comunicación, 5(2), 55-70. https://doi.org/10.21555/rpc.v5i2.2984

Recibido: 31 de Octubre de 2023; Aprobado: 23 de Diciembre de 2023

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons