Cerrando las brechas: uso de modelos basados en agentes para conciliar datos y teoría en la ciencia de la comunicación computacional de Annie Waldherr y Martin Wettstein
El Modelado Basado en Agentes (MBA) se propone como una estrategia para solventar dos vacíos que tradicionalmente resultan problemáticos, en especial en las ciencias sociales. Esta potencialidad de cerrar las brechas entre las perspectivas micro y macro en primera instancia y el acercamiento de los datos a la teoría en segunda, son un presupuesto para justificar su utilidad y uso en la ciencia de la comunicación computacional que sin embargo no está exento de algunas observaciones críticas que es propósito abordar en este ensayo.
La integración de conductas micro y los fenómenos macro sociales es un problema sociológico fundamental al cual se ha respondido con diferentes niveles de prioridad. La linealidad explicativa y causal parece no ser la más apropiada, por lo que la pretensión del MBA tiende a verse como una solución explicativa a los fenómenos emergentes. En este sentido es como Waldherr & Wettstein (2019) apoyándose en Epstein (2006) sostienen que el MBA puede servir tanto para deconstruir fenómenos sociales e identificar los procesos individuales que subyacen, como para extrapolar los efectos individuales al nivel social para observar los efectos emergentes en un entorno virtual. En la misma dirección Squazzoni (2012, pág. 14) sostiene que permite abordar el modelo de interacción social como un problema de abstracción y escalas, más que como un problema de niveles categóricos en el que un nivel tiene primacía sobre el otro. Sin embargo, aun siendo correctos estos argumentos, persisten limitaciones. Los modelos en sí mismos son formas representacionales abstraídas de interpretaciones y supuestos que son generalizados a los individuos, la modelación exige simplificación y entre más simplificación, más distanciamiento de la complejidad real. Los fenómenos emergentes no son una agregación de las conductas individuales, este es un presupuesto bastante convincente por la evidencia; aun así, el MBA no puede capturar todas las variables que inciden en la configuración de los fenómenos macrosociales. Esta limitación da lugar a resultados sorpresivos que se desmarcan de las aparentes predicciones del modelado. La lógica de la agregación que conduce a los fenómenos macrosociales puede resultar desconcertante para la comunidad científica más tradicional por la sensación de un proceso de caja negra.
El ajuste del modelo a los datos empíricos en el MBA depura y acerca la teoría a los datos que, según Timothy, Palada, Griffin, & Neal (2019) es una ventaja que “permite al investigador cuantificar el grado en que las predicciones del modelo corresponden a los datos empíricos.” Del mismo modo la validez externa que describen Waldherr & Wettstein (2019, pág. 3989) en la que se comparan los datos con el modelo, es un ejercicio necesario y propio de la ciencia, que no debería ser visto como una debilidad del modelo, pues de entrada un modelo es lo que es y no es la realidad, y por el contrario acercar el modelo a través de ajustes derivados de los datos empíricos es muestra de lo sofisticado y práctico que puede llegar a ser el MBA. La mediación entre teoría y datos a través del modelado puede interpretarse como que el MBA no es más que un instrumento de verificación de las teorías, el que no tendría así que comprenderse como algo independiente en sí mismo. Si la base de configuración de supuestos y reglas del modelo son las teorías ya bien establecidas, la dimensión del MBA es un instrumento de verificación teórica y nada más.
A diferencia de lo anterior, sí es problemático el MBA cuando se considera que su objetivo es predictivo, pues este criterio de demarcación es demasiado fuerte para las ciencias sociales. El modelado es una simplificación y por tanto siempre va a ser hipotético y probabilístico, más cuando los fenómenos a explicar y predecir son complejos. El ejercicio sugerido por Railsback & Grimm (2012, pp. 302-306) citado por Waldherr & Wettstein (2019) de la variación de parámetros irrelevantes de manera iterativa como prueba de robustez, conducente a evaluar la calidad predictiva, pone en cuestión cualquier modelo en el que variables insignificantes tengan efectos determinantes. La debilidad general del modelado orientado a la predicción, es justamente que no se tiene certeza de que todas las variables insignificantes puedan tener un efecto menor. Las predicciones tienen un riesgo que es inherente, más si se trata de un ejercicio derivado de un modelo. Si se aplica tal procedimiento para evaluar la robustez ¿estamos con precisión en el ámbito de la predicción? El direccionamiento a futuro característico de una predicción desde la perspectiva de los modelos en ciencias sociales resulta más condicional y prescriptivo para la realidad y no descriptivo y explicativo de la realidad. El problema normativista que subyace al dictado reiterativo de nuevas reglas y condiciones, así estas estén basadas en datos, lo que muestra es la necesidad de revisar permanentemente el potencial del modelo, desplazándolo de un carácter normativo hacia instancias con mayor valor descriptivo y explicativo, en lugar de hacia una predicción.
La predicción y la validez de los modelos son los principales aspectos sobre los que normalmente se dirigen las críticas, como bien argumenta Epstein (2008), sin embargo creo que la predicción debe comprenderse desde una perspectiva diferencial en fenómenos sociales y en fenómenos naturales y esto porque la variabilidad de las características humanas hace a estos fenómenos complejos, cosa que en los naturales, sin ser simples, metodológicamente se atienen más a lo observable y no tanto a las instancias teóricas como en los sociales. No significa lo mismo predecir en fenómenos naturales que en sociales. Por otro lado, y atendiendo a Popper (1973, pág. 158) la exigencia de que las descripciones sociales deberían incluir, y acá lo hago extensivo a los modelos, el estado mental e incluso físico de todos los implicados, resulta excesivo. Sin embargo, detrás de esta exigencia está la consciencia de que, variables insignificantes pueden llegar a incidir significativamente en los resultados, por tanto, debería considerarse todo desde el inicio, si se pretende la predicción en sentido fuerte. Pero es claro que esta demanda no es razonable, pero tampoco es infundada cuando se aduce la predicción como objetivo en el MBA.
Sostienen Waldherr & Wettstein (2019) que “la validez de las simulaciones es un problema no solo en la ciencia de la comunicación, ha sido el foco de discusión durante años en diversas disciplinas que aplican ABM” (pág. 3986). Los procesos de validación interna y externa, así como la fiabilidad, demuestran el trabajo adicional de justificación que el MBA requiere. Parece que la tarea del investigador ya no se remite solamente a demostrar empíricamente sus hallazgos, sino gran parte del trabajo consiste en defender la metodología empleada para que una vez validada esta se transfiera a los resultados. Esta práctica que puede ser más común en metodologías que son percibidas escépticamente por la comunidad científica, sirve para ilustrar dos aspectos: primero, hay una consciencia de los límites entre las explicaciones planteadas con un modelo de simulación, su relación con la teoría empleada, los datos empíricos y su carácter predictivo; por otro lado, la necesidad adicional de justificar y validar además de los resultados, la metodología misma, a diferencia de otras metodologías cuya validez no es tan cuestionada.
Desde el punto de vista de la ciencia de la comunicación computacional los problemas son los mismos, inclusive se puede considerar una mayor dificultad si atendemos que en materia de comunicación, estructuralmente hablando se tienen que hacer unos presupuestos aun mayores. Un ejemplo de esto lo precisa Raymond Coll (2011, pág. 11) y es que en un acto de comunicación al menos nos topamos con 2 eventos, tres informaciones y dos significados. El evento 1 de observar lo real, el evento 2 de informar a través de un código. El significado 1 que le da el emisor a lo que ha observado en el evento 1 y que se transmite con la información 2 en el evento 2, suponiendo que el código sea aplicado de igual manera, así mismo el significado 2 que interpreta el receptor con sus conocimientos previos y la información 3 en que reconstruye el receptor. Del mismo modo puede argumentarse desde la perspectiva de John Searle (1990) y (1992) quien tipifica los actos de habla y la intencionalidad como direccionamiento mental cuando los ejecutamos. Para un modelador de agentes bastará responder e insistir en que aún así, estas condiciones y variables se pueden atribuir a los agentes en un modelo.
Lo cierto es que siempre que se sobredimensiona una metodología dentro de las ciencias sociales, recaerán sobre esta unas miradas más incisivas que en otras más mesuradas. El caso parece ser el de el MBA, porque las reiterativas argumentaciones alrededor de su validez y su capacidad predictiva en la literatura son muestras de las limitaciones y criticas que desencadenan tales argumentaciones.
Trabajos citados
Colle, R. (2011). El análisis de contenido de las comunicaciones. Tenerife : Revista Latina de Comunicación Social.
Epstein, J. (2006). Generative social science. Princeton: Princeton University Press.
Epstein, J. (2008). Why model? Journal of Artificial Societies and Social Simulation vol. 11, no. 4 12, 11(4), 12.
Popper, K. (1973). La miseria del historicismo. Madrid: Alianza.
Searle, J. (1990). Actos de habla. Madrid: Cátedra.
Searle, J. (1992). Intencionalidad. Madrid: Taurus.
Squazzoni, F. (2012). Agent-based computational sociology. Chichester: Wiley.
Timothy, B., Palada, H., Griffin, M., & Neal, A. (2019). An Integrated Approach to testing dynamic, multilevel theory: useing computational models to connect theory, model and data. Organizational research methods, xx(x), 1-34. doi:10.1177/1094428119881209
Waldherr, A., & Wettstein, M. (2019). Bridging the Gaps: Using Agent-Based Modeling to Reconcile Data and Theory in Computational Communication Science. International Journal of Communication(13), 3976–3999.