Cuando confiar en los demás ayuda… y cuando propaga el error Observar las decisiones de otras personas puede acelerar el aprendizaje. Si alguien parece conocer mejor una situación, utilizar su experiencia permite evitar parte del proceso de ensayo y error. Sin embargo, el mismo mecanismo puede producir el resultado contrario: una decisión inicialmente equivocad...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
Observar las decisiones de otras personas puede acelerar el aprendizaje. Si alguien parece conocer mejor una situación, utilizar su experiencia permite evitar parte del proceso de ensayo y error. Sin embargo, el mismo mecanismo puede producir el resultado contrario: una decisión inicialmente equivocada puede propagarse por un grupo si quien la transmite parece suficientemente seguro de ella.
Un nuevo modelo computacional desarrollado por Gabriel Bontemps y Abhishek Banerjee estudia precisamente esta tensión. Los investigadores combinan aprendizaje por refuerzo, modelos de difusión de decisiones y redes sociales artificiales para analizar cómo la confianza de un individuo puede convertirse en credibilidad para los demás.
Los resultados de las simulaciones muestran un patrón especialmente interesante: una cantidad moderada de transmisión social puede acelerar la corrección de errores, mientras que una influencia demasiado intensa puede conducir a consensos colectivos equivocados.
La investigación ofrece así un marco teórico para estudiar un fenómeno relevante para la psicología social y la ciencia de la decisión: no solo importa qué información circula, sino también cuánta confianza transmite quien la comunica.
Muchos modelos clásicos de aprendizaje social asignan previamente diferentes pesos a las personas de una red.
Un individuo puede ser considerado más fiable que otro y sus decisiones recibir, por tanto, mayor importancia.
El nuevo modelo introduce una diferencia fundamental: la credibilidad emerge del propio proceso de decisión.
Cada agente artificial debe elegir repetidamente entre dos alternativas que proporcionan recompensas con probabilidades diferentes. El objetivo es aprender cuál es la opción más favorable.
Para decidir, los agentes utilizan un modelo de drift-diffusion o difusión de evidencia. En términos simplificados, la evidencia se acumula progresivamente hasta alcanzar un umbral que desencadena una elección.
El mismo proceso genera tres variables:
qué opción se elige, cuánto tarda el agente en decidir y cuánta confianza tiene en su elección.
Esa confianza pasa después a influir en otros agentes. Por ello, los autores denominan al mecanismo “credibilidad generada por la decisión”.
Esta distinción constituye probablemente el punto psicológico más relevante del modelo.
Un agente puede estar:
muy seguro y acertar, pero también muy seguro y equivocarse.
La confianza aumenta cuando la evidencia subjetiva que impulsa la decisión es fuerte y disminuye cuando la decisión requiere más tiempo. Pero el modelo no equipara confianza con precisión objetiva.
Por tanto, una creencia equivocada pero intensamente sostenida puede producir una señal social muy potente.
Cuando otros agentes interpretan esa confianza como credibilidad, el error individual adquiere capacidad para propagarse por la red.
Esta separación entre confianza subjetiva y exactitud es la base del fenómeno de amplificación estudiado.
El modelo distingue además dos momentos en los que los demás pueden influir sobre una decisión.
Influencia antes de decidir
Antes de realizar una elección, cada agente observa qué hicieron previamente sus vecinos y con qué confianza.
Las elecciones realizadas con mayor seguridad reciben más peso y modifican el valor subjetivo de las alternativas.
Una decisión segura de otra persona puede así inclinar la siguiente elección incluso antes de disponer de nueva información.
Aprendizaje después del resultado
Una vez conocido el resultado, los agentes también observan qué ocurrió con las decisiones de sus vecinos.
Esa información modifica posteriormente lo que han aprendido sobre cada alternativa.
La confianza interviene de nuevo: los resultados procedentes de agentes considerados más seguros pueden influir con mayor intensidad en el aprendizaje social posterior.
Se genera así un circuito de retroalimentación entre decisión, confianza, credibilidad e influencia social.
Los investigadores analizaron el comportamiento del sistema mediante simulaciones Monte Carlo.
La relación encontrada entre transmisión social y rendimiento colectivo no fue lineal.
Cuando la influencia social era muy baja, los agentes dependían fundamentalmente de su propia experiencia.
Como consecuencia, el aprendizaje era más lento y algunos grupos permanecían sin alcanzar una solución clara durante el periodo simulado.
Al incrementar moderadamente la transmisión de información aparecía el escenario más favorable.
Los agentes aprovechaban la experiencia de los demás para identificar más rápidamente la alternativa correcta y la información social aceleraba la corrección de errores.
En este escenario, la inteligencia colectiva cumplía precisamente la función que cabría esperar: aprender más rápidamente gracias al grupo.
El resultado cambiaba cuando la transmisión social aumentaba excesivamente.
Las pequeñas diferencias aleatorias producidas durante las primeras decisiones podían amplificarse.
Si varios agentes elegían inicialmente la alternativa equivocada y lo hacían con suficiente confianza, sus decisiones aumentaban la probabilidad de que otros agentes siguieran el mismo camino.
El proceso podía retroalimentarse hasta generar un:
consenso colectivo estable sobre la opción incorrecta.
El resultado es importante porque los agentes comenzaban con valores neutrales. No era necesario introducir deliberadamente un grupo inicialmente sesgado para obtener el fenómeno.
Bastaban pequeñas fluctuaciones aleatorias iniciales y una intensidad suficiente de transmisión social para que el sistema amplificara el error.
El modelo incorpora también comunidades conectadas entre sí con diferentes grados de permeabilidad.
Cuando la comunicación entre comunidades era elevada, la información circulaba fácilmente.
Esto podía ser beneficioso si la información transmitida era correcta, pero también permitía que un error altamente creíble se propagara de una comunidad a otra.
Con baja permeabilidad ocurría algo diferente.
Los errores tenían más dificultades para extenderse globalmente, pero también persistían las diferencias entre comunidades.
Así, una baja comunicación podía proteger parcialmente frente a la propagación generalizada de un error y, simultáneamente, favorecer desacuerdos persistentes.
El modelo reproduce de esta forma tres escenarios:
aprendizaje colectivo eficiente, consenso equivocado y persistencia de desacuerdos entre comunidades.
Los experimentos de ablación —simulaciones en las que se eliminan componentes concretos para estudiar su función— mostraron otro resultado interesante.
La confianza puede actuar en dos direcciones.
Cuando aumenta la credibilidad social de una decisión, puede amplificar los errores, porque las decisiones incorrectas realizadas con elevada confianza influyen más sobre los demás.
Pero cuando la confianza regula el aprendizaje privado del propio agente, puede ejercer un efecto estabilizador.
En el modelo, un agente muy seguro que recibe posteriormente información negativa sobre su decisión actualiza con mayor intensidad su aprendizaje ante ese error.
Por tanto:
la confianza puede aumentar la capacidad de transmitir un error y, al mismo tiempo, facilitar su corrección mediante aprendizaje individual.
Esta dualidad es una de las aportaciones conceptuales más interesantes del trabajo.
Aquí es necesario establecer un límite claro.
El estudio no demuestra que las personas se comporten de esta manera.
No participaron pacientes, voluntarios ni usuarios de redes sociales. Los resultados proceden de ecuaciones y simulaciones con agentes artificiales.
Los autores utilizan conocimientos procedentes de modelos cognitivos de toma de decisiones y aprendizaje por refuerzo para construir las reglas del sistema, pero sus conclusiones corresponden a mecanismos computacionales, no a efectos conductuales demostrados experimentalmente.
Su utilidad consiste precisamente en generar hipótesis comprobables.
Una predicción sería que la confianza del emisor debería modificar el comportamiento del receptor incluso cuando se controla si la decisión transmitida era correcta o incorrecta.
Otra es que los errores tempranos expresados con elevada confianza podrían producir efectos sociales más persistentes que errores transmitidos con incertidumbre.
Estas hipótesis sí podrían ponerse a prueba posteriormente en experimentos con participantes humanos.
El modelo resulta sugerente para estudiar fenómenos como polarización, difusión de información o decisiones colectivas.
Una interpretación superficial sería concluir que explica directamente cómo se propaga la desinformación en redes sociales. El estudio no permite llegar tan lejos.
Las redes humanas incorporan muchos factores ausentes del modelo: identidad grupal, emociones, reputación, algoritmos de recomendación, intereses económicos, sesgos ideológicos y diferentes grados de conocimiento.
Sin embargo, identifica un mecanismo potencialmente relevante:
una información puede adquirir influencia social no porque sea más exacta, sino porque quien la transmite parece más seguro de ella.
Esta hipótesis podría resultar especialmente interesante para investigar cómo las personas evalúan información sobre salud y salud mental en entornos digitales.
1. El modelo muestra que el aprendizaje social puede tanto corregir como amplificar errores individuales.
2. Una transmisión social moderada produjo el mejor rendimiento colectivo, mientras que una influencia excesiva podía consolidar consensos incorrectos.
3. La confianza resulta especialmente importante porque funciona como señal de credibilidad sin garantizar que la decisión sea correcta.
4. Una menor comunicación entre comunidades dificulta la propagación global de errores, pero puede mantener desacuerdos y polarización.
5. Son resultados de una simulación computacional, no evidencia experimental sobre comportamiento humano, por lo que las predicciones necesitan validación empírica.
La principal aportación del trabajo puede resumirse en una idea: la inteligencia colectiva no depende únicamente de cuánto compartimos información, sino de cómo decidimos a quién creer y de si confundimos seguridad subjetiva con exactitud.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: Learning Whom to Trust : Decision-Generated Credibility in Social Learning - 2026-08-25 17:39 UTC · cs.NE · cs.NE, econ.GN
Texto completo disponible en: https://qouncil.org/article/2608.24851v1
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
Explora el artículo con IA