ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)Artículo de investigaciónhttps://doi.org/10.47460/uct.v30i133.1136El contagio digital de la desinformación: simulación de umbralescríticos de propagación en redes socialesBenjamín Roldan Polo-Escobar*https://orcid.org/0000-0001-5056-9957benjamin.polo@untrm.edu.peUniversidad Nacional Toribio Rodríguez deMendozaChachapoyas, PerúRenzo Enrique Polo-Moreanohttps://orcid.org/0009-0009-8747-897420193257@aloe.ulima.edu.peUniversidad de Lima, Facultad de CienciasEmpresariales y EconómicasCiudad de Lima, Perú*Autor de correspondencia: benjamin.polo@untrm.edu.peRecibido: (02/07/2026), Aceptado: (12/10/2026)Resumen. La propagación de desinformación en redes sociales puede intensificarse cuando las decisionesindividuales de compartir generan cascadas colectivas. El objetivo fue analizar la influencia del umbral deactivación sobre el alcance y la evolución temporal de este proceso mediante simulación computacional.Se implementó un modelo de umbrales con activación irreversible sobre redes aleatorias Erdős–Rényi de1.000 usuarios, conectividad promedio de diez contactos y un 5 % de difusores iniciales. Se realizaron100 repeticiones por escenario y se evaluaron umbrales entre 0,10 y 0,50, con refinamiento en la regiónde transición. El alcance promedio disminuyó del 88,26 % al 8,25 % al aumentar el umbral de 0,250 a0,255; la frecuencia de cascadas extensas pasó del 87 % al 1 %. Los hallazgos evidencian una transiciónabrupta condicionada por las reglas de activación y la estructura de la red simulada.Palabras clave: desinformación, simulación computacional, redes sociales, umbral de propagación.The Digital Contagion of Misinformation: Simulation of Critical PropagationThresholds in Social NetworksAbstract. Misinformation propagation on social networks can intensify when individual sharing decisionsgenerate collective cascades. This study aimed to examine the influence of activation thresholds on thefinal reach and temporal evolution of this process through computational simulation. An irreversiblethreshold model was implemented on Erdős–Rényi random networks comprising 1,000 users, an averagedegree of ten, and 5% initially active users. One hundred repetitions were performed per scenario.Thresholds from 0.10 to 0.50 were evaluated, followed by a finer analysis of the transition region. Meanreach dropped from 88.26% to 8.25% as the threshold increased from 0.250 to 0.255; the frequency ofextensive cascades decreased from 87% to 1%. These findings reveal an abrupt transition governed bythe activation rule and the structure of the simulated network, without implying a universal thresholdfor real-world platforms.Keywords: misinformation, computational simulation, social networks, propagation threshold.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación128
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)I.INTRODUCCIÓNLa circulación de contenidos falsos o engañosos en redes sociales constituye un problemade creciente relevancia para la comunicación pública, debido a que la rapidez de difusión y lainteracción entre usuarios pueden amplificar mensajes cuya veracidad no ha sido comprobada. Ladesinformación no depende únicamente de las características del contenido: también intervienenlas decisiones de compartir, las relaciones entre usuarios y las condiciones de exposición. Desdeuna perspectiva interdisciplinaria, su estudio requiere comprender tanto la dimensión social delfenómeno como los mecanismos estructurales que favorecen su circulación [1], [2].La evidencia empírica ha documentado diferencias significativas entre la difusión de contenidosverdaderos y falsos en determinados entornos digitales. Vosoughi et al. [3] observaron patrones decirculación diferenciados en Twitter, mientras que Del Vicario et al. [4] examinaron la propagaciónde desinformación en comunidades digitales, destacando el papel de la segregación de usuarios y lasdinámicas de exposición. Estos hallazgos muestran la pertinencia de estudiar la propagación comoun proceso colectivo, aunque sus resultados observacionales no deben extrapolarse automáticamentea todas las plataformas o poblaciones.La estructura de las interacciones también influye en la difusión.Se ha estudiado cómocuentas automatizadas pueden facilitar la circulación de fuentes de baja credibilidad [5] y cómo lasconexiones en plataformas sociales intervienen en la exposición a contenidos políticos engañosos[6]. Sin embargo, representar conjuntamente todos esos mecanismos exige información detalladay modelos de elevada complejidad. Una alternativa metodológica consiste en aislar una reglaelemental de contagio social y evaluar sistemáticamente sus consecuencias mediante simulacióncomputacional.Los modelos de umbrales ofrecen una base matemática adecuada para este propósito. Gra-novetter [7] mostró que la participación individual puede depender de la proporción de personasque ya han adoptado una conducta, y Watts [8] estudió las condiciones de aparición de cascadasglobales en redes aleatorias. Posteriormente, Centola y Macy [9] explicaron la importancia delrefuerzo social en los procesos de contagio complejo. Estas contribuciones permiten interpretar ladifusión de información como una dinámica en la cual decisiones locales pueden producir resultadoscolectivos no lineales.En este contexto, el objetivo del presente estudio fue analizar, mediante simulación computa-cional, la influencia del umbral de activación individual sobre el alcance y la evolución de lapropagación de desinformación en una red social artificial. Se empleó un modelo de umbrales conactivación irreversible sobre una red aleatoria de 1.000 usuarios y se compararon distintos escenarios,con especial atención a la región donde se observan cambios bruscos en la extensión de las cascadas.El estudio no pretende verificar la veracidad de contenidos ni predecir el comportamiento de unaplataforma particular; su aporte consiste en caracterizar la sensibilidad de un mecanismo sencillode propagación bajo condiciones controladas.II.MARCO TEÓRICOLa desinformación comprende la circulación de contenidos falsos o engañosos, cuya identificaciónrequiere criterios distintos de aquellos utilizados para estudiar su transmisión. En una red social, elalcance de un mensaje puede depender de su contenido, del contexto de recepción y de la tendenciade los usuarios a replicarlo. La investigación sobre la psicología de las noticias falsas destaca,además, el papel de la atención y los procesos de evaluación de exactitud en la decisión de compartir[10]. En este trabajo se abstrae esa complejidad mediante una regla de activación: el estado activosignifica exclusivamente que un usuario ha compartido el contenido modelado.Una red social puede describirse como un grafo G = (V , E), donde V representa el conjunto deusuarios y E las conexiones que permiten la interacción. La teoría de redes complejas proporcionaherramientas para estudiar propiedades como el grado, la distribución de conexiones y las trayectoriasde difusión [11]. Para construir un escenario controlado se utiliza el modelo de red aleatoria deErdős–Rényi [12], en el cual cada par de usuarios se conecta con una probabilidad fija. Este enfoqueno reproduce todas las propiedades de las redes sociales reales, pero permite examinar de maneraPolo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación129
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)transparente la influencia del umbral de activación. La generación eficiente de redes aleatoriasconstituye un procedimiento computacional bien establecido [13].A diferencia del contagio simple, donde una exposición puede ser suficiente para transmitirun estado, el contagio complejo puede requerir múltiples señales o refuerzos procedentes de loscontactos [9]. En los modelos de umbrales, el usuario se activa cuando la proporción de sus vecinosactivos alcanza un valor prefijado [7], [8]. Así, un mismo mensaje puede extinguirse rápidamente oproducir una cascada extensa dependiendo de la susceptibilidad de los usuarios y de la topología dela red. En el presente modelo, todos los usuarios de un escenario comparten el mismo umbral, locual facilita interpretar el efecto del parámetro sin introducir heterogeneidad adicional.Una cascada corresponde a la activación sucesiva de usuarios conectados como consecuencia dela influencia acumulada de sus vecinos. Su tamaño final permite cuantificar el alcance del proceso.Los estudios de redes muestran que la posición y conectividad de los nodos pueden modificarla capacidad de difusión [14]; por ello, las condiciones iniciales y la estructura del grafo debenconsiderarse al interpretar los resultados. En este artículo se denomina región de transición críticaal intervalo de umbrales en que el alcance promedio cambia pronunciadamente. Esta denominaciónes operacional: no implica demostrar una transición de fase universal ni establecer un valor críticoválido para todas las redes. Además, dado que las proporciones de vecinos activos dependen degrados enteros, pequeños cambios del umbral pueden modificar de forma discreta las reglas efectivasde activación.III.METODOLOGÍAA.Diseño de la investigaciónLa investigación se desarrolló mediante un enfoque cuantitativo de simulación computacional,orientado al análisis de los mecanismos de propagación de desinformación en redes sociales. Seutilizó un modelo de umbrales de activación basado en la propuesta de Watts [8], que permiterepresentar procesos de difusión colectiva a partir de decisiones individuales condicionadas por elcomportamiento de los contactos de cada usuario.El diseño experimental consideró una red social artificial de 1.000 usuarios interconectados,en la cual una proporción inicial compartía información potencialmente falsa. La propagaciónposterior dependió de un umbral de activación que representaba la proporción mínima de contactospreviamente activos necesaria para que otro usuario compartiera el contenido.Se evaluarondiferentes valores de este parámetro para identificar condiciones asociadas con una difusión limitadao con la aparición de cascadas de gran alcance.El estudio se realizó exclusivamente mediante simulación computacional, sin utilizar informaciónpersonal, registros de plataformas digitales ni datos observacionales. Esta estrategia permitiócontrolar las condiciones iniciales y examinar sistemáticamente la influencia del umbral de activaciónsobre la dinámica colectiva.B.Construcción de la red social simuladaLa estructura de interacción se representó mediante un grafo aleatorio no dirigido de tipoErdős–Rényi [12], cuya formulación constituye una referencia clásica para el estudio de redescomplejas. Cada usuario fue representado mediante un nodo y las relaciones de contacto medianteconexiones entre pares de nodos.La probabilidad de establecer una conexión se determinó mediante:p =⟨k⟩N −1(1)donde p representa la probabilidad de conexión, ⟨k⟩el grado promedio esperado y N el númerototal de usuarios. Para el experimento se establecieron N = 1000 y ⟨k⟩= 10, obteniéndose unaprobabilidad de conexión aproximada de 0,01001.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación130
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)La red se generó mediante la biblioteca NetworkX de Python, utilizando el procedimientofast_gnp_random_graph, basado en un algoritmo eficiente de generación de redes aleatorias [13]. Encada repetición experimental se generó una nueva estructura de red y se seleccionaron aleatoriamente50 usuarios iniciales, equivalentes al 5 % de la población simulada. Para facilitar la comparación,una misma red y un mismo conjunto de usuarios iniciales se conservaron entre los diferentes valoresde umbral evaluados dentro de cada repetición.C.Formulación matemática del modelo de propagaciónEl mecanismo de difusión se estableció mediante un modelo determinista de umbrales aplicadosobre redes aleatorias. Cada usuario podía encontrarse en dos estados: inactivo, cuando todavía nohabía compartido la información, o activo, cuando ya había participado en su propagación.La proporción de contactos activos de cada usuario se calculó mediante:qi(t) = 1kiXj∈Nixj(t)(2)donde qi(t) representa la proporción de contactos activos del usuario i en el instante t, ki correspondeal número de contactos, Ni identifica el conjunto de sus vecinos y xj(t) representa el estado decada contacto, con valores de cero o uno. Para usuarios sin contactos, se estableció qi(t) = 0.La evolución del estado individual se definió mediante:xi(t + 1) =(1,xi(t) = 1 ∨qi(t) ≥θ,0,en otro caso.(3)donde θ representa el umbral de activación, común a todos los usuarios dentro de cada escenarioexperimental.Los usuarios sin contactos no podían activarse por influencia de vecinos.Laactualización de los estados se realizó de manera sincrónica y se consideró irreversible: una vez queun usuario compartía la información, permanecía activo durante el resto de la simulación.Esta formulación permite analizar cómo diferentes niveles de susceptibilidad a la influencia socialmodifican el alcance de la propagación, sin introducir mecanismos adicionales de recomendaciónalgorítmica o intervención externa.D.Procedimiento de simulaciónLa simulación se implementó en Python mediante las bibliotecas NumPy, SciPy y NetworkX,utilizando Matplotlib para la representación gráfica. Se estableció un máximo de 30 pasos temporalesy se realizaron 100 repeticiones independientes de la generación de redes y usuarios iniciales. Paragarantizar la reproducibilidad de la secuencia computacional se utilizó la semilla base 20261030.En una primera etapa se evaluaron nueve umbrales comprendidos entre 0,10 y 0,50, conincrementos de 0,05.Posteriormente, se desarrolló un análisis de refinamiento entre 0,240 y0,310, utilizando incrementos de 0,005. Este segundo procedimiento permitió examinar con mayorresolución las variaciones del alcance final observadas en la región de transición.En cada escenario, la simulación comenzó con el 5 % de usuarios activos y continuó medianteactualizaciones sucesivas de sus estados. El procedimiento finalizó cuando no se produjeron nuevasactivaciones o se alcanzó el máximo de pasos establecido.E.Indicadores de propagación y análisis de resultadosEl comportamiento de la desinformación se evaluó mediante tres indicadores: alcance final,evolución temporal de la difusión y frecuencia de cascadas de gran alcance.El alcance final se determinó mediante:Ar(θ) = 1NNXi=1xi(Tr)(4)donde Ar(θ) representa la proporción final de usuarios activos en la repetición r, para un determinadoPolo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación131
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)umbral θ, y Tr corresponde al último paso de dicha simulación.El alcance promedio se obtuvo a partir de:¯A(θ) = 1RRXr=1Ar(θ)(5)siendo R el número de repeticiones por escenario. Adicionalmente, se calcularon la desviaciónestándar muestral y los percentiles 2,5 y 97,5 para describir la variabilidad de los resultados.Se definió operacionalmente una cascada de gran alcance como aquella en la cual al menos el 50% de los usuarios compartía la información. Su frecuencia relativa se estimó mediante:Pc(θ) = 1RRXr=1I [Ar(θ) ≥0, 50](6)donde I es una función indicadora que toma el valor de uno cuando se cumple la condición y ceroen caso contrario.Finalmente, la región de transición crítica se identificó a partir de los cambios en el alcancepromedio y la frecuencia de cascadas entre umbrales consecutivos. Este análisis permitió reconocerintervalos de elevada sensibilidad del sistema frente a pequeñas variaciones del parámetro deactivación, sin asumir la existencia de un umbral crítico universal independiente de las característicasde la red.IV.RESULTADOSA.Evolución temporal de la propagaciónLa simulación permitió examinar la evolución del porcentaje acumulado de usuarios quecompartieron la información en función del umbral individual de activación. En todos los escenariosse partió de 50 usuarios activos (5 % de la red). La Figura 1 presenta las trayectorias promedio de100 repeticiones para cuatro umbrales representativos. Las curvas muestran que, con valores de0,10 y 0,20, la difusión se extendió prácticamente a la totalidad de la red; por el contrario, conumbrales de 0,30 y 0,40, el alcance permaneció próximo al valor inicial.Fig. 1. Evolución temporal promedio del porcentaje de usuarios activos para cuatro umbrales deactivación.La divergencia entre las curvas indica que la variación del umbral modifica tanto la expansióntemporal como el alcance acumulado. Estos resultados representan porcentajes de usuarios quecompartieron el contenido en una red simulada, no medidas empíricas de circulación de noticiasfalsas en plataformas reales.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación132
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)B.Influencia del umbral sobre el alcance finalAl comparar los nueve umbrales de la exploración inicial (0,10–0,50), se observó una marcadadisminución del alcance final entre los escenarios de 0,25 y 0,30. Para un umbral de 0,20, el alcancemedio fue prácticamente del 100 %; a 0,25 alcanzó el 88,26 %, mientras que a 0,30 descendió al6,06 %. La Figura 2 resume esta relación e incluye la variabilidad entre repeticiones mediante lospercentiles 2,5 y 97,5.Fig. 2. Alcance final promedio en función del umbral de activación; la banda representa lospercentiles 2,5 y 97,5 de las repeticiones.La variabilidad fue especialmente importante en el escenario con umbral de 0,25, dondecoexistieron realizaciones con propagación extensa y otras con difusión limitada. Esto sugiere unaregión de transición sensible a la topología de cada red y a la posición de los usuarios activosinicialmente.C.Refinamiento de la región de transición y frecuencia de cascadasPara precisar el intervalo de cambio se evaluaron umbrales comprendidos entre 0,240 y 0,310con incrementos de 0,005. La Tabla 1 presenta los escenarios seleccionados, su alcance promedio, ladispersión y la frecuencia de repeticiones en las que al menos el 50 % de los usuarios compartió elcontenido. La Figura 3 presenta la totalidad de los umbrales del refinamiento.Tabla 1. Resultados seleccionados del refinamiento (100 repeticiones por umbral)UmbralAlcance medio (%)DE (p. p.)Cascadas ≥50 % (%)0,24088,2630,50870,25088,2630,50870,2558,259,3110,2707,230,9400,3006,060,4200,3105,820,340Nota: DE = desviación estándar entre repeticiones; p. p. = puntos porcentuales. Una cascada de gran alcance sedefinió como un resultado final ≥50 % de usuarios activos.Para examinar con mayor precisión el comportamiento de la propagación en la región detransición, la Figura 3 presenta los resultados del refinamiento de los umbrales de activación. LaFigura 3a muestra la variación del alcance promedio de la desinformación, mientras que la Figura3b representa la frecuencia de cascadas de gran alcance, definidas como aquellas que involucranPolo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación133
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)al menos al 50 % de los usuarios. Ambas representaciones permiten identificar la sensibilidad delsistema ante pequeñas modificaciones del umbral y caracterizar las condiciones bajo las cuales ladifusión pasa de un comportamiento generalizado a uno limitado.Fig. 3. Refinamiento de los umbrales: a) alcance promedio y b) porcentaje de simulaciones queprodujeron cascadas de gran alcance.El cambio más pronunciado se produjo entre 0,250 y 0,255: el alcance medio disminuyó de 88,26% a 8,25 %, una reducción de 80,02 puntos porcentuales. En el mismo intervalo, la frecuencia decascadas de gran alcance pasó del 87 % al 1 %. A partir de 0,270 no se observaron cascadas de almenos el 50 % en las 100 repeticiones realizadas para cada escenario.Se identificó así una región de transición concentrada entre 0,250 y 0,255 para la configuraciónestudiada. Dado que la fracción de vecinos activos adopta valores discretos determinados porel grado de cada nodo, esta discontinuidad no debe interpretarse como un umbral universal dedesinformación: constituye una propiedad del modelo, la topología aleatoria y los parámetrosseleccionados. Su alcance explicativo se examinará en la discusión.D.DiscusiónLos resultados evidenciaron una elevada sensibilidad de la propagación al umbral de activaciónindividual. En la red aleatoria estudiada, los valores de umbral bajos favorecieron la expansión casigeneralizada del contenido, mientras que los valores elevados limitaron la difusión a una proporcióncercana a la población inicialmente activa. Este comportamiento es compatible con el enfoquede cascadas globales de Watts [8], según el cual la interacción entre susceptibilidad individualy estructura de la red puede originar respuestas colectivas desproporcionadas frente a cambiosrelativamente pequeños en las condiciones de activación.El contraste más marcado apareció entre los umbrales de 0,250 y 0,255. En ese intervalo, elalcance medio descendió de 88,26 % a 8,25 %, y la frecuencia de cascadas que involucraron al menosa la mitad de la red disminuyó del 87 % al 1 %. Esta variación debe interpretarse dentro de laconfiguración analizada y no como un valor crítico universal. En particular, como cada usuarioposee un número entero de conexiones, las proporciones posibles de vecinos activos son discretas; porello, un incremento reducido del umbral puede excluir combinaciones de activación antes suficientesy producir cambios abruptos en la dinámica agregada. La dispersión observada en los escenariospróximos a la transición también pone de manifiesto la influencia de las realizaciones específicas dela red y de los usuarios inicialmente activos.La evolución temporal complementó este resultado. Cuando el umbral fue reducido, la acumu-lación de usuarios activos se aceleró durante los primeros pasos de simulación y alcanzó rápidamenteniveles próximos a la saturación. En cambio, con umbrales de 0,30 y 0,40, el crecimiento fue escasoy la propagación permaneció localizada. Esta diferencia sugiere que el mismo contenido puedeseguir trayectorias colectivas muy distintas dependiendo de la regla de respuesta social incorporadaal modelo. La investigación sobre contagio complejo ha mostrado, asimismo, que la exposición y elrefuerzo entre contactos pueden ser determinantes para la difusión de determinadas conductas [9],aunque nuestro experimento no permite establecer equivalencias directas con decisiones reales delos usuarios.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación134
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)Desde una perspectiva social, el estudio ofrece una representación simplificada de cómo podríaemerger una amplificación colectiva de contenidos no verificados. No obstante, el modelo nodistingue noticias verdaderas y falsas por sus propiedades informativas: representa únicamentela decisión de compartir un contenido etiquetado como desinformación en el escenario simulado.Por consiguiente, sus resultados no demuestran que una noticia falsa se propague necesariamentemás que una verdadera. Las diferencias empíricas observadas entre la circulación de informaciónverdadera y falsa en plataformas reales, documentadas por Vosoughi et al. [3], corresponden a unproblema más amplio que incorpora factores humanos y tecnológicos no incluidos aquí.Entre las limitaciones destacan el uso de una topología Erdős–Rényi no dirigida, umbraleshomogéneos dentro de cada escenario, activaciones irreversibles y ausencia de mecanismos comoabandono, rectificación, heterogeneidad de contenidos, recomendaciones algorítmicas o comunidadesestructuradas. Además, las 100 repeticiones cuantifican la variabilidad computacional bajo lossupuestos elegidos, pero no sustituyen una validación con datos observacionales. Por ello, la principalcontribución del trabajo consiste en delimitar, de forma reproducible, una región de transición dela propagación en un sistema de umbrales sencillo, y no en predecir el comportamiento de unaplataforma específica.CONCLUSIONESLa simulación computacional permitió caracterizar la influencia del umbral individual deactivación sobre el alcance y la evolución temporal de la propagación de contenido no verificado enuna red social aleatoria de 1.000 usuarios. Se observó que los umbrales bajos favorecieron cascadasextensas, mientras que los valores altos restringieron la difusión a una fracción reducida de lapoblación.El refinamiento de los escenarios identificó una transición pronunciada entre 0,250 y 0,255: elalcance promedio disminuyó de 88,26 % a 8,25 % y la frecuencia de cascadas de gran alcance pasódel 87 % al 1 %. Este comportamiento se relaciona con la naturaleza discreta de los contactos y conla estructura de las redes simuladas, por lo que no constituye un umbral aplicable universalmente alas redes sociales reales.Se puede afirmar que un modelo computacional de baja complejidad resulta suficiente paravisualizar y cuantificar mecanismos de amplificación colectiva basados en umbrales. La incorporaciónposterior de umbrales heterogéneos y estructuras de red más realistas permitiría examinar la robustezde estos resultados, manteniendo diferenciadas las simulaciones teóricas de la evidencia empírica.REFERENCIAS[1] D. M. J. Lazer et al., “The science of fake news,” Science, vol. 359, no. 6380, pp. 1094–1096,2018.[2] H. Allcott and M. Gentzkow, “Social media and fake news in the 2016 election,” Journal ofEconomic Perspectives, vol. 31, no. 2, pp. 211–236, 2017.[3] S. Vosoughi, D. Roy, and S. Aral, “The spread of true and false news online,” Science, vol.359, no. 6380, pp. 1146–1151, 2018.[4] M. Del Vicario et al., “The spreading of misinformation online,” Proceedings of the NationalAcademy of Sciences, vol. 113, no. 3, pp. 554–559, 2016.[5] C. Shao et al., “The spread of low-credibility content by social bots,” Nature Communications,vol. 9, p. 4787, 2018.[6] A. Bovet and H. A. Makse, “Influence of fake news in twitter during the 2016 us presidentialelection,” Nature Communications, vol. 10, p. 7, 2019.[7] M. Granovetter, “Threshold models of collective behavior,” American Journal of Sociology,vol. 83, no. 6, pp. 1420–1443, 1978.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación135
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 128–136)[8] D. J. Watts, “A simple model of global cascades on random networks,” Proceedings of theNational Academy of Sciences, vol. 99, no. 9, pp. 5766–5771, 2002.[9] D. Centola and M. Macy, “Complex contagions and the weakness of long ties,” AmericanJournal of Sociology, vol. 113, no. 3, pp. 702–734, 2007.[10] G. Pennycook and D. G. Rand, “The psychology of fake news,” Trends in Cognitive Sciences,vol. 25, no. 5, pp. 388–402, 2021.[11] M. E. J. Newman, “The structure and function of complex networks,” SIAM Review, vol. 45,no. 2, pp. 167–256, 2003.[12] P. Erdős and A. Rényi, “On random graphs. i,” Publicationes Mathematicae, vol. 6, pp. 290–297,1959.[13] V. Batagelj and U. Brandes, “Efficient generation of large random networks,” Physical ReviewE, vol. 71, no. 3, p. 036113, 2005.[14] M. Kitsak et al., “Identification of influential spreaders in complex networks,” Nature Physics,vol. 6, pp. 888–893, 2010.Polo-Escobar B., y Polo-Moreano R.El contagio digital de la desinformación136