Integrating behavioral experimental findings into dynamical models to inform social change interventions

1. El Problema

La adopción a gran escala de nuevos productos o comportamientos es crucial para abordar desafíos globales como el cambio climático y la salud pública. Sin embargo, existe una desconexión histórica entre dos tradiciones de investigación:

• Enfoques microeconómicos/psicológicos: Se centran en la toma de decisiones individuales y los impulsores de la elección, pero a menudo fallan al extrapolar conclusiones al nivel colectivo debido a la no linealidad de los sistemas sociales.
• Enfoques computacionales (ciencia de la complejidad): Utilizan modelos de contagio complejo y simulaciones basadas en agentes para maximizar la propagación en redes, pero a menudo asumen umbrales de adopción homogéneos o arbitrarios sin calibración empírica real.

Esta brecha limita la capacidad de los formuladores de políticas para diseñar estrategias de "siembra" (seeding) efectivas, ya que las políticas basadas únicamente en la centralidad de la red pueden ser subóptimas si ignoran los impulsores conductuales individuales.

2. Metodología

Los autores proponen un marco que integra la teoría del contagio complejo con la teoría de la elección discreta para estimar umbrales de adopción a nivel individual y utilizarlos en simulaciones de difusión.

• Reinterpretación Teórica:

  • Se define el umbral de adopción ($\tau_{ni}$) no como un dato fijo, sino derivado de la utilidad individual.
  • La utilidad de adoptar un producto $i$ por parte de un individuo $n$ se modela como la suma de la utilidad de los atributos del producto ($U^{(A)}$) y la utilidad social ($U^{(S)}$), que depende del porcentaje de contactos que ya han adoptado.
  • El umbral se calcula como la relación entre la resistencia del individuo a adoptar ($R_{ni}$, la diferencia entre la utilidad del statu quo y la utilidad de los atributos) y la utilidad marginal de la señal social ($\gamma_n$):
    $$\tau_{ni} = \frac{R_{ni}}{\gamma_n}$$
  • Esto permite clasificar a los individuos en: adoptantes susceptibles (umbrales entre 0 y 1), innovadores (umbrales < 0, adoptan sin señal social) y **independientes** (umbrales > 1, nunca adoptan).

• Validación Experimental (Dos Estudios de Conjoint):

  • Se realizaron experimentos de elección basada en conjuntos (Choice-Based Conjoint) con participantes reales:
    1. Estudio PS (Política): Apoyo a políticas de captura de carbono.
    2. Estudio AA (App): Adopción de una aplicación de mensajería instantánea.
  • Se utilizaron algoritmos Bayesianos Jerárquicos (HB) para estimar los parámetros de utilidad individual ($\beta$, $\gamma$, $U^{(0)}$) a partir de los datos de elección.
  • Se validó la precisión de los umbrales estimados mediante predicción fuera de muestra (hold-out tasks), demostrando una precisión significativamente superior a la de umbrales aleatorios.

• Simulaciones de Difusión:

  • Se utilizaron redes reales (Add Health) y se asignaron agentes con umbrales "reales" (estimados de los experimentos).
  • Se simularon políticas de siembra (seeding) bajo dos escenarios de costo:
    1. Costo basado en preferencias: El costo depende de la resistencia del individuo (más difícil persuadir a los resistentes).
    2. Costo basado en centralidad: El costo aumenta con la centralidad del nodo (influenciadores costosos).
  • Se compararon políticas tradicionales (grado, intermediación, cercanía) con políticas basadas en el comportamiento (umbral bajo, susceptibilidad del vecindario) y políticas híbridas (centralidad compleja calibrada).

3. Contribuciones Clave

• Puente Teórico-Empírico: Demostración de cómo los umbrales de contagio complejo pueden derivarse directamente de modelos de elección discreta estándar, permitiendo la calibración de modelos macro con datos micro.
• Método de Estimación: Un procedimiento robusto para estimar umbrales individuales a partir de datos de elección, identificando la proporción de adoptantes independientes vs. susceptibles en diferentes contextos.
• Optimización de Políticas de Siembra: Identificación de que las políticas de siembra óptimas dependen críticamente de la estructura de costos y de la disponibilidad de datos conductuales.
• Generalización: El marco se extiende más allá del contagio complejo, mostrando cómo modelos de contagio simple (Bass) y modelos de preferencia de adjunción (preferential attachment) pueden reinterpretarse desde la teoría de la elección individual.

4. Resultados Principales

• Predicción Individual: Los umbrales estimados tienen un alto poder predictivo fuera de muestra, validando el método de estimación.
• Heterogeneidad de Umbrales: La distribución de umbrales varía drásticamente según el contexto. En el estudio de apps (AA), hubo más adoptantes susceptibles (umbrales entre 0 y 1), mientras que en el estudio de políticas (PS) hubo una mayor proporción de adoptantes independientes (umbrales 0 o 1), lo que sugiere que las señales sociales son menos efectivas en contextos políticos polarizados.
• Rendimiento de Políticas de Siembra:
  • Escenario de Costo por Preferencia: La política de susceptibilidad del vecindario (seleccionar nodos rodeados por muchos vecinos con umbrales bajos) superó significativamente a todas las políticas basadas en la estructura de la red y a la centralidad compleja no calibrada.
  • Escenario de Costo por Centralidad: La centralidad compleja calibrada (que utiliza los umbrales estimados como entrada) superó a todas las demás políticas. La centralidad compleja no calibrada (que asume distribuciones de umbrales arbitrarias) falló, demostrando que los datos conductuales son esenciales incluso para métricas topológicas avanzadas.
• Robustez con Datos Parciales: Las políticas basadas en el comportamiento mantuvieron su ventaja incluso cuando solo se encuestó al 75-90% de los nodos, aunque su rendimiento decae con datos muy incompletos (<50%) en contextos con menos nodos de umbral bajo.

5. Significado e Implicaciones

Este trabajo proporciona una hoja de ruta práctica para diseñar intervenciones de cambio social más efectivas:

1. Necesidad de Datos Conductuales: Las estrategias de marketing o políticas públicas que se basan únicamente en la estructura de la red (buscar a los "influenciadores" más populares) pueden ser ineficientes. Es crucial medir las preferencias y la resistencia individual de los objetivos.
2. Diseño de Intervenciones: La elección de la estrategia de siembra debe alinearse con el costo de la intervención. Si el costo es bajo pero la resistencia alta, se debe apuntar a vecindarios susceptibles. Si el costo es alto y depende de la centralidad, se debe usar la centralidad compleja calibrada.
3. Escalabilidad: Aunque los experimentos de elección pueden ser costosos, el marco sugiere que los datos históricos de elecciones (e-commerce, redes sociales) podrían adaptarse para estimar estos umbrales sin necesidad de nuevos experimentos costosos.
4. Futuro de la Ciencia Social Computacional: El estudio aboga por una integración sistemática de la psicología conductual y la ciencia de redes, moviéndose de modelos puramente teóricos a modelos calibrados empíricamente para predecir dinámicas colectivas.

En resumen, el artículo demuestra que la integración de la micro-teoría de la elección en modelos macro-dinámicos no solo es posible, sino que es fundamental para superar las limitaciones de las estrategias de intervención social actuales.