Un reciente estudio académico ha puesto de manifiesto la profunda influencia que ejercen las plataformas digitales sobre el comportamiento electoral de los ciudadanos. La investigación, publicada por El País Ciencia y Tecnología, examina cómo el tipo de red social predominante en un municipio correlaciona con la inclinación política de sus habitantes. Los hallazgos indican que el uso de Facebook polariza hacia la extrema derecha, mientras que otras plataformas como Instagram o TikTok generan dinámicas electorales significativamente distintas, revelando un mapa digital que redefine la geografía política contemporánea.
El análisis se basa en la comparación de dos municipios con perfiles socioeconómicos similares en términos de renta, tasa de paro y edad media de la población. Al controlar estas variables, los investigadores pudieron aislar el efecto específico del consumo de medios digitales. Los resultados muestran que aquellos territorios donde la población consume mayoritariamente Facebook presentan una mayor propensión a votar por partidos de extrema derecha. En contraste, los municipios con un uso predominante de Instagram muestran una inclinación hacia partidos de centro y progresistas, sugiriendo que el algoritmo y el tipo de contenido visual influyen en la percepción ideológica de los usuarios.
El papel de TikTok y los medios tradicionales en la movilización
El estudio destaca un fenómeno particular respecto a la plataforma TikTok. En los municipios donde esta red social es la más utilizada, se observa una mayor movilización electoral, pero esta no se concentra en un solo bloque ideológico, sino que se reparte entre todos los partidos. Esto sugiere que TikTok actúa como un catalizador de participación política general, independientemente de la afiliación partidista. Por otro lado, los datos revelan que los ciudadanos que destacan por leer medios de comunicación tradicionales en internet tienden a no votar por la extrema derecha, lo que refuerza la idea de que el acceso a información estructurada y periodística contrarresta la polarización extrema generada por ciertos algoritmos de redes sociales.
Los expertos señalan que estas diferencias no son accidentales, sino que responden a la arquitectura de cada plataforma. Facebook, con su énfasis en el debate público y la confrontación, puede amplificar discursos radicales. En cambio, Instagram, centrado en la estética y la identidad, favorece a movimientos más moderados o progresistas. TikTok, por su parte, con su formato de video corto y alto engagement, logra captar la atención de un electorado más joven y diverso, facilitando la difusión de mensajes políticos variados y aumentando la concientización sobre la importancia de votar.
Implicancias para la democracia digital y el futuro electoral
Estos hallazgos tienen profundas implicancias para la comprensión de la democracia en la era digital. La polarización política no es solo un fenómeno de ideología, sino también de tecnología. Las plataformas no son neutrales; sus diseños influyen en qué información llega a los usuarios y cómo la procesan. Esto plantea desafíos para los partidos políticos, que deben adaptar sus estrategias de comunicación a cada canal digital para llegar a su audiencia objetivo. Además, sugiere la necesidad de políticas de alfabetización digital que ayuden a los ciudadanos a navegar críticamente por estas plataformas, distinguiendo entre información verificada y contenido polarizante.
En el contexto chileno, donde el uso de redes sociales es masivo y las elecciones son cada vez más competidas, entender estos patrones es crucial. Los partidos y candidatos deben considerar no solo qué mensaje enviar, sino a través de qué plataforma hacerlo, sabiendo que cada una tiene un efecto distinto en la movilización y la preferencia del votante. La investigación abre la puerta a futuros estudios que exploren cómo estas dinámicas digitales pueden ser utilizadas para fortalecer la participación democrática y reducir la polarización extrema, asegurando que el voto refleje una deliberación informada y no solo la exposición a algoritmos sesgados.
















