Notas de Comunidad: Evidencias sobre su efectividad contra la desinformación

El 18 de marzo de 2025, Meta lanzó en modo de prueba en Estados Unidos las “notas de comunidad” (Community Notes), una función que permite a usuarios seleccionados añadir contexto a publicaciones de Facebook, Instagram y Threads que puedan resultar engañosas. Este sistema reemplaza el programa de verificación independiente de hechos (Third Party Fact Checking), transfiriendo a los usuarios la tarea de señalar errores o distorsiones en las publicaciones. TikTok anunció también un programa similar llamado Footnotes, aunque como complemento al trabajo de los chequeadores.

Las notas de comunidad es una herramienta colaborativa que Twitter (hoy X) viene probando desde 2021, basada en el concepto de “sabiduría de las multitudes” (“Wisdom of crowds”), que supone que grupos pueden hacer juicios colectivos tan acertados como individuos expertos (ver por ejemplo acá).

¿Cómo funcionan?

---

Según Meta, siguiendo el modelo de X, para escribir notas es necesario registrarse previamente y cumplir ciertos requisitos como residir en Estados Unidos, tener número de teléfono verificado y no haber infringido políticas contra daños graves (terrorismo, explotación infantil, fraude).

Los colaboradores seleccionados pueden escribir notas para publicaciones que consideren engañosas. Cada nota debe incluir información general, datos específicos o puntos de vista, con al menos un enlace a una fuente que la respalde. Una vez enviada, la nota es revisada por otros colaboradores y solo se publica si recibe evaluaciones suficientes que la consideren útil.

El punto clave: la calificación no se define por mayoría, sino por consenso entre colaboradores que previamente mostraron desacuerdo en evaluaciones anteriores. La lógica es que si personas que no suelen coincidir evalúan una nota como útil, probablemente lo sea para personas con diferentes puntos de vista.

¿Son efectivas para contrarrestar el flujo de desinformación?

---

Hasta el momento, Meta, y a diferencia de X, solo ha publicado datos generales: aproximadamente 70 mil usuarios han escrito 15 mil notas, con tasa de publicación del 6%. La evidencia disponible proviene principalmente de la experiencia en X.

Calidad de la información en las notas de comunidad

---

La calidad de las notas de comunidad puede medirse a partir de las fuentes que utilizan para respaldar la información. Un estudio examinó más de 500.000 notas de X publicadas entre enero de 2021 y enero de 2024 y encontró que entre las 50 principales fuentes citadas figuran medios prestigiosos (CNN, Reuters, BBC, The Guardian, The New York Times), instituciones confiables como los Institutos Nacionales de Salud (NIH) y la Organización Mundial de la Salud (OMS), y organizaciones de verificación de datos.

Otro estudio, realizado por la organización española de fact-checking Maldita, analizó más de un millón de notas propuestas en 2024 y encontró que aproximadamente 3,7% incluían enlaces a fact-checkers certificados. A nivel global, esto ubica a los fact-checkers como la tercera fuente más citada, detrás de X y Wikipedia. Incluso en otros idiomas (alemán, francés, italiano, español, polaco), siempre aparece al menos un fact-checker dentro del top 20 de fuentes más citadas.

Un estudio más pequeño evaluó unas 650 notas sobre vacunación contra COVID-19 publicadas entre diciembre de 2022 y diciembre de 2023 y encontró que 97% estaban respaldadas por evidencia científica, mientras solo una fracción mínima era parcial o completamente inexacta. En cuanto a fuentes, casi la mitad citaban fuentes primarias con alta credibilidad (revistas científicas o sitios oficiales), 44% fuentes secundarias reconocidas (medios o fact-checkers) y apenas 7% fuentes de baja credibilidad.

Sin embargo, el sistema no está exento de vulnerabilidades. Al ser colaborativo, puede ser objeto de manipulación: en la fase piloto del programa (Birdwatch), un estudio encontró que en temas como las elecciones estadounidenses de 2020 o el COVID-19 hubo una fracción significativa de usuarios que calificó como de baja calidad a fuentes confiables citadas por otros. Según los autores, esto refleja la existencia de “un grupo de personas que intentan engañar el programa para servir a su interés común”. Dado que la publicación de una nota depende de alcanzar consenso entre evaluadores, estas prácticas pueden reducir la probabilidad de que correcciones bien fundamentadas lleguen a ser visibles.

La barrera del consenso

---

Para que una nota sea visible, X exige consenso entre personas con diferentes puntos de vista. En teoría, esto garantizaría diversidad y equilibrio. En la práctica, el consenso funciona como un filtro que a menudo retrasa o bloquea la publicación de notas bien fundamentadas.

Un estudio del Center for Countering Digital Hate (CCDH) analizó notas propuestas entre marzo y agosto de 2024 sobre las elecciones en Estados Unidos y mostró limitaciones significativas. Aunque muchas notas eran precisas y citaban fuentes de calidad, el 74% nunca se hizo visible al no alcanzar la categoría de “útil” necesaria. Como resultado, publicaciones con información errónea sobre las elecciones acumularon más de 2.200 millones de visualizaciones sin corrección correspondiente. Entre ellas hubo posteos que difundían afirmaciones falsas sobre Donald Trump, o que sostenían que los demócratas estaban “importando votantes ilegales”, que los sistemas de votación eran poco confiables, o que las elecciones presidenciales de 2020 habían sido robadas. Incluso en los casos que sí se acompañaron con notas de comunidad, los tuits con desinformación recibieron 13 veces más vistas que las correcciones asociadas.

Un análisis más amplio del Digital Democracy Institute of the Americas (DDIA) examinó más de 1,7 millones de notas publicadas entre 2021 y 2025 en 55 idiomas y también expuso limitaciones relevantes en la efectividad del programa. Aunque la cantidad de usuarios que envían notas creció sostenidamente y se duplicó en 2024, solo una pequeña fracción logra hacerse visible: 7,1% de las redactadas en inglés y apenas 4,7% de las escritas en español. Además, otra parte significativa de las contribuciones ni siquiera entra en el proceso de consenso porque nunca recibe una primera evaluación: un 17% de las notas en inglés y un 15% en español quedan directamente sin calificar, lo que deja fuera de circulación una gran cantidad de posibles correcciones. Si bien los tiempos de publicación mejoraron (de más de 100 días en 2022 a un promedio de 14 días en 2025), la demora sigue siendo excesiva para contrarrestar la velocidad de expansión de la desinformación online.

El informe de Maldita también reveló que solo 8,3% de las notas propuestas terminan haciéndose visibles, es decir, más de nueve de cada diez correcciones nunca se muestran. Sin embargo, las notas que citan chequeos de verificadores profesionales tienen más chances: 12% llega a ser visible. Además, se publican más rápido: tras la publicación del tuit, estas notas se proponen más rápido y, una vez en evaluación, alcanzan el consenso en menos tiempo, lo que las vuelve especialmente valiosas frente a la velocidad de propagación de la desinformación.

Estos resultados abren el debate sobre la lógica del consenso, que no siempre garantiza que las mejores contribuciones salgan a la luz, y plantean la necesidad de repensar un sistema que valore más la solidez de las fuentes y el conocimiento experto.

¿Logran frenar la expansión de la desinformación?

---

La cuestión clave es si, una vez publicada la nota que advierte o contextualiza una publicación desinformante, esta logra frenar su expansión. En definitiva ¿disuaden a los usuarios de compartir estos posteos señalados como falsos?

Un trabajo publicado en septiembre de 2025 encontró que cuando una nota alcanza el consenso necesario y se vuelve visible, ese tuit se comparte menos, circula menos y pierde impulso. El estudio analizó más de 40.000 publicaciones en X que habían recibido propuestas de notas entre marzo y junio de 2023. Para estimar el efecto de las notas publicadas, los autores compararon posteos con notas visibles versus posteos que, aunque tenían notas propuestas, estas no eran visibles por no haber alcanzado el consenso necesario. Se aseguraron de contrastar posteos que antes de la publicación de la nota se hubieran comportado de forma similar en términos de viralidad.

Los resultados muestran que en las 48 horas posteriores a la aparición de la nota, los posteos con corrección visible recibieron 46% menos reposts, 44% menos likes, 22% menos respuestas y 14% menos vistas que sus equivalentes sin nota visible. Considerando el total de vida útil de cada publicación, el impacto sigue siendo significativo: 11,6% menos reposts, 13,3% menos likes, 6,9% menos respuestas y 5,5% menos vistas. Las notas no solo desaceleran la difusión inicial, sino que afectan cuán lejos y masivamente circula un contenido engañoso.

Para entender el alcance real de cada tuit y capturar la viralidad total, el estudio realizó un análisis profundo y novedoso de lo que se conoce como “cascadas de difusión” a través de diferentes métricas.  La amplitud mide cuántos usuarios hacen un repost directo del posteo original. Es el rebote inicial que tiene una publicación, y suele depender de cuántos seguidores tiene la cuenta, si el post es llamativo, etc. La profundidad, en cambio, mide cuántas veces se vuelve a compartir ese contenido a través de distintos niveles de usuarios. Es decir, alguien lo ve y lo comparte, después otra persona ve ese repost y también lo comparte, y así. Cuanto más larga es la cadena, más profunda es la difusión. Por último, la viralidad estructural combina estas dos dimensiones -amplitud y profundidad- para medir cuán “ramificada” fue la difusión de un contenido. Este tipo de análisis no solo toma en cuenta cuánta gente compartió un contenido, sino de cómo se armó esa red: si fue una explosión centralizada (muchos reposts directos) o una propagación en red, más compleja.

Teniendo en cuenta este análisis más abarcativo, los resultados muestran que, si bien las notas reducen en promedio la profundidad y viralidad estructural de los posteos desinformantes, el efecto sobre la amplitud es menor. Esto sugiere que el sistema funciona mejor para cortar la propagación en cadena pero no afecta tanto la cantidad de personas que lo repostean inicialmente.

Esta distinción es importante porque una publicación no necesita millones de likes para ser peligrosa: si logra insertarse en una red que la reproduce en cadena, puede seguir circulando durante días. Las notas de comunidad parecen actuar sobre esa capacidad de mantenerse vivas en el tiempo a través de redes de usuarios.

El estudio también identificó condiciones en las que las notas funcionan mejor. La velocidad es clave: cuanto más rápido se publica la nota, mayor es la reducción en viralidad. Las notas que llegan tarde casi no tienen efecto. El tipo de contenido también importa: las correcciones tienen mayor impacto en imágenes o videos manipulados versus posteos de solo texto. Por último, la redacción influye: las notas moderadamente largas, con lenguaje simple, tienden a tener mejor rendimiento.

¿Reemplazan o complementan a los fact-checkers?

---

Cuando Mark Zuckerberg anunció el lanzamiento de las notas de comunidad, explicó que el nuevo programa permitiría “deshacerse” de los fact-checkers. Sin embargo, la evidencia apunta en otra dirección: las notas de comunidad no reemplazan a los verificadores, los complementan.

Los datos muestran que cuando una nota se apoya en un chequeo profesional, genera mayor confianza entre usuarios y tiene más probabilidades de superar la barrera del consenso, volviéndose visible más rápido y con más frecuencia. Algo similar ocurre cuando la afirmación desinformante es compleja: en esos casos, las notas tienden a citar con más frecuencia verificaciones profesionales. Dado que una de las principales limitaciones del sistema colaborativo es lograr que las notas se vuelvan visibles, apoyarse en chequeos de fact-checkers se vuelve un recurso clave.

Desde la perspectiva de organizaciones de verificación de datos, no se trata de competencia sino de cooperación. Como plantea Maldita, las notas de comunidad y los verificadores pueden (y deben) trabajar juntos, combinando la rapidez y escala del modelo colaborativo con el rigor metodológico del fact-checking profesional. Los verificadores realizan investigaciones en profundidad que están fuera del alcance de usuarios aficionados, mientras que las notas publicitan su trabajo.

En definitiva, la discusión no pasa por si uno reemplaza al otro, sino cómo podrían complementarse mejor dentro de un mismo ecosistema para frenar la desinformación.

Bibliografía consultada

---

1. Allen, J., Arechar, A. A., Pennycook, G., & Rand, D. G. (2021). Scaling up fact-checking using the wisdom of crowds. Science Advances, 7(36), eabf4393. https://doi.org/10.1126/sciadv.abf4393
2. Allen, M. R., Desai, N., Namazi, A., Leas, E., Dredze, M., Smith, D. M., & Ayers, J. W. (2024). Characteristics of X (formerly Twitter) Community Notes addressing COVID-19 vaccine misinformation. JAMA, 331(19), 1670–1672. https://doi.org/10.1001/jama.2024.4800
3. Borenstein, N., Warren, G., Elliott, D., & Augenstein, I. (2025). Can Community Notes replace professional fact-checkers? In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers) (pp. 535–552). https://doi.org/10.18653/v1/2025.acl-short.42
4. Braga, R., Tardáguila, C., & Soares, M. (2025, July 9). A deep dive into X’s Community Notes: An analysis of English and Spanish contributions between 2021 and 2025. The Digital Democracy Institute of the Americas. https://ddia.org/en/a-deep-dive-into-xs-community-notes-report
5. Center for Countering Digital Hate. (2024, October 30). Rated not helpful: How X’s Community Notes system falls short on election disinformation [Report]. https://counterhate.com/wp-content/uploads/2024/10/CCDH.CommunityNotes.FINAL-30.10.pdf
6. Fundación Maldita. (2025). Faster, trusted, and more useful: The impact of fact-checkers in X’s Community Notes [Report]. https://files.maldita.es/maldita/uploads/2025/02/maldita_informe_community_notes_2024.pdf
7. Fundación Maldita. (2025, January 17). Por qué las Notas de la Comunidad y los verificadores pueden (y deben) trabajar juntos, y cómo hacerlo para que funcione. https://maldita.es/nosotros/20250117/notas-comunidad-verificadores-juntos-funcione/
8. Kangur, U., Chakraborty, R., & Sharma, R. (2024). Who checks the checkers? Exploring source credibility in Twitter’s Community Notes. arXiv. https://doi.org/10.48550/arXiv.2406.12444
9. Saeed, M., Traub, N., Nicolas, M., Demartini, G., & Papotti, P. (2022). Crowdsourced fact-checking at Twitter: How does the crowd compare with experts? arXiv. https://doi.org/10.48550/arXiv.2208.09214
10. Slaughter, I., Peytavin, A., Ugander, J., & Saveski, M. (2025). Community notes reduce engagement with and diffusion of false information online. Proceedings of the National Academy of Sciences of the United States of America, 122(38), e2503413122. https://doi.org/10.1073/pnas.2503413122