💻 computer science

Support for AI Development -- Automated Daily Measurement with Open Data and Code

Este artículo aboga por y demuestra un sistema de código abierto y automatizado para la predicción inmediata (nowcasting) diaria de la opinión pública, utilizando un panel web para rastrear el apoyo estadounidense al desarrollo de la IA y argumentando que tales métodos de alta frecuencia y transparencia son esenciales para monitorear con precisión los cambios en las actitudes hacia las tecnologías transformadoras.

Autores originales: Jason Jeffrey Jones

Publicado 2026-06-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jason Jeffrey Jones

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo se siente una multitud respecto a una nueva tecnología que cambia rápidamente. Tradicionalmente, los científicos sociales actúan como fotógrafos: toman una única foto de alta calidad de la opinión pública cada dos o cuatro años. Para cuando la foto se revela y se publica, la multitud ya se ha movido y la imagen está desactualizada.

Este artículo presenta un nuevo enfoque: una transmisión de video en vivo.

El autor, Jason Jeffrey Jones, construyó una máquina gratuita y de código abierto llamada "Social Science Dashboard Inator" (SSDI). En lugar de tomar instantáneas ocasionales, este sistema toma una "selfie" diaria de la opinión pública. Recluta automáticamente a un pequeño grupo de personas cada día, les hace algunas preguntas, analiza las respuestas y publica los resultados en un sitio web público al instante. Ningún humano tiene que tocar el proceso después de la configuración inicial; funciona en piloto automático.

Aquí hay un desgido de lo que encontró el artículo, utilizando analogías simples:

1. El Experimento: Rastreo del Apoyo a la IA

El autor utilizó esta máquina de "transmisión en vivo" para rastrear cuánto apoyo tienen los estadounidenses al desarrollo posterior de la Inteligencia Artificial (IA).

La Configuración: Cada día, 11 estadounidenses fueron consultados: "¿Qué tanto apoya usted el desarrollo posterior de la IA?". Respondieron en una escala que iba desde "Oposición Fuerte" hasta "Apoyo Fuerte".
La Escala: El estudio se llevó a cabo desde abril de 2024 hasta mayo de 2026, reuniendo más de 8,500 respuestas.
El Objetivo: Ver si las opiniones estaban cambiando en tiempo real, en lugar de esperar años para descubrirlo.

2. Los Hallazgos Principales: El Viaje en Montaña Rusa

Los datos diarios revelaron una historia que las encuestas anuales habrían pasado por alto:

La Tendencia es a la Baja: Al inicio del estudio, el apoyo era modestamente positivo. Sin embargo, con el tiempo, el apoyo disminuyó de forma lenta pero constante. Es como observar un globo que pierde aire lentamente; no explotó, pero definitivamente se encogió.
El Punto de Inflexión: Los datos mostraron que un "giro" específico ocurrió alrededor de abril de 2025. Antes de esta fecha, el apoyo en realidad estaba subiendo ligeramente. Después de esta fecha, comenzó un descenso constante. Esto es como un coche que está subiendo una colina y de repente llega a la cima y comienza a rodar hacia atrás.
Divisiones Políticas: Al igual que la gente suele estar en desacuerdo sobre el cambio climático o los impuestos, el estudio encontró que el apoyo a la IA se volvió políticamente polarizado.
- Inicialmente, demócratas y republicanos tenían puntos de vista similares.
- Después de las elecciones de 2024 en EE. UU. (donde los republicanos ganaron), el apoyo de los republicanos a la IA en realidad subió por encima del de los demócratas. El autor sugiere que cuando el partido político preferido de la gente está en el poder, tienden a gustar más de las nuevas tecnologías.
Los Rasgos de Personalidad Importan:
- Tomadores de Riesgos: Las personas que son naturalmente propensas a tomar riesgos (como saltar desde un trampolín alto) tenían mucha más probabilidad de apoyar la IA. Las personas cautelosas y que evitan el riesgo eran menos favorables.
- Confianza: Las personas que generalmente confían en los demás eran ligeramente más favorables hacia la IA que aquellas que son suspicaces con la gente.
- Edad y Género: Los hombres apoyaban más la IA que las mujeres. Curiosamente, las personas mayores apoyaban más la IA que las más jóvenes, y esta brecha se hizo más amplia con el paso del tiempo.

3. Lo que la Gente Realmente Dijo (El "Porqué")

La encuesta también pidió a las personas que escribieran una frase o dos explicando su respuesta. El autor analizó estas notas y encontró:

Viejos Temores: La gente todavía teme a "Skynet" (robots tomando el control) y la pérdida de empleos.
Nuevos Temores: A medida que la IA creció, aparecieron nuevas preocupaciones, específicamente sobre el consumo de energía (agua y electricidad) y el costo ambiental de ejecutar la IA.
Nuevas Esperanzas: Algunas personas mencionaron la IA como un "amigo" o una forma de combatir la soledad, mientras que otros la vieron como una herramienta para facilitar su trabajo.

4. Por qué este Método es Importante

El autor argumenta que este enfoque de "tablero diario" es mejor que la ciencia tradicional por varias razones:

Transparencia: Todo es abierto. El código, los datos y los resultados son todos públicos. Es como una casa de cristal donde cualquiera puede ver cómo se hace la ciencia.
Velocidad: Si algo grande sucede en el mundo (como un gran avance de la IA o un escándalo), este sistema puede mostrar cómo cambia la opinión pública de inmediato, en lugar de esperar dos años para un informe.
Replicación: Debido a que el sistema es automatizado y abierto, otros científicos pueden copiarlo exactamente para verificar el trabajo, o usar los mismos datos para hacer preguntas diferentes.

5. La Predicción Futura

Basándose en la constante tendencia a la baja observada en los datos, el autor hace una predicción simple: El apoyo a la IA continuará cayendo durante 2026, alcanzando potencialmente niveles neutrales o negativos para finales de año.

La Conclusión

Este artículo no trata solo sobre la IA; trata sobre una nueva forma de hacer ciencia. El autor construyó una máquina que convierte el proceso lento y borroso de entender la opinión pública en una transmisión de video rápida, clara y abierta. Al hacer esto, descubrieron que el apoyo público a la IA no es una estatua fija, sino algo vivo y palpitante que cambia día tras día, influenciado por la política, la personalidad y el ciclo de noticias.

Resumen Técnico: Medición Diaria Automatizada con Datos Abiertos y Código

Planteamiento del Problema
La investigación en ciencias sociales a menudo sufre de una recopilación de datos de baja frecuencia (por ejemplo, encuestas bienales o cuadrienales) y de un retraso en la publicación de los datos, lo que dificulta el seguimiento de los cambios rápidos en la opinión pública respecto a tecnologías transformadoras como la Inteligencia Artificial (IA). La disponibilidad tradicional de los datos crea un desfase entre la aparición de las tendencias sociales y la comprensión científica de las mismas. Además, el campo enfrenta una "crisis de replicación/reproducibilidad" y una "crisis de predictibilidad", donde los modelos teóricos luchan por predecir los resultados humanos a pesar de la explosión de datos disponibles. Existe una falta de mecanismos abiertos, de alta frecuencia y transparentes para realizar el "nowcasting" (predecir el presente y el futuro muy cercano) del sentimiento público en tiempo real.

Metodología: El Social Science Dashboard Inator (SSDT)
El artículo presenta el Social Science Dashboard Inator (SSDT), un sistema de código abierto y automatizado diseñado para recolectar, distribuir y presentar la opinión pública mediante nowcasting diariamente. El sistema opera en un bucle continuo y autónomo:

Reclutamiento y Recolección: El sistema recluta diariamente una pequeña muestra aleatoria de encuestados (11 adultos estadounidenses por día) a través de la plataforma Prolific Academic. Se distribuye una encuesta breve (tiempo de finalización mediana <2 minutos) vía Qualtrics XM.
Automatización y Procesamiento: Una serie de scripts de código abierto (R y Python) activados por tareas cron automatiza todo el flujo de trabajo. Esto incluye la descarga de respuestas, el emparejamiento con datos demográficos, la anonimización de microdatos y la actualización de un archivo de datos estructurados acumulativos en un repositorio público.
Análisis y Visualización: El sistema realiza automáticamente análisis estadísticos sobre el conjunto de datos acumulativos y actualiza un tablero web público para mostrar resultados, pruebas de hipótesis y tendencias temporales.
Transparencia: Todos los materiales, incluidos los ítems de la encuesta, las opciones de respuesta, el código de análisis y los microdatos brutos, se alojan en un repositorio público de GitHub, lo que garantiza la reproducibilidad inmediata y el acceso abierto.

Proyecto de Demostración: Nowcasting del Apoyo a la IA
Para validar el sistema SSDT, el autor implementó una encuesta diaria para rastrear el apoyo de los adultos estadounidenses al desarrollo posterior de la IA. El ítem focal fue una pregunta de escala Likert de 7 puntos: "¿Qué tanto está de acuerdo con la siguiente afirmación: Apoyo el desarrollo posterior de la inteligencia artificial?" (mapeada de -3 a +3). El estudio se llevó a cabo desde el 18 de abril de 2024 hasta el 31 de mayo de 2026, acumulando 8,551 encuestados. La encuesta también incluyó medidas de Confianza Generalizada, Disposición al Riesgo, afiliación política, edad y sexo, junto con respuestas de texto abiertas opcionales.

Resultados Clave
Basándose en los datos diarios recolectados durante 766 días, el estudio reporta los siguientes hallazgos:

Tendencias Temporales: El apoyo general al desarrollo de la IA disminuyó con el tiempo. Un análisis de regresión segmentada identificó una ruptura de tendencia el 18 de abril de 2025. Antes de esa fecha, el apoyo estaba aumentando (aprox. +0.41 puntos/año); después, declinó significamente (aprox. -0.98 puntos/año).
Polarización Política: Surgió una divergencia en el apoyo entre los partidos políticos. A partir de diciembre de 2024, el apoyo de los republicanos al desarrollo de la IA superó al de los demócratas, coincidiendo con los resultados de las elecciones de EE. UU. de 2024.
Correlatos Psicológicos:
- Confianza: Los encuestados con mayor confianza generalizada reportaron un mayor apoyo a la IA en comparación con aquellos que fueron más cautelosos.
- Disposición al Riesgo: Hubo una fuerte correlación positiva entre la disposición al riesgo y el apoyo a la IA ( $\hat{\beta} = 0.203$ ). Aquellos más dispuestos a tomar riesgos fueron significativamente más favorables al desarrollo de la IA.
Demografía:
- Sexo: Los encuestados masculinos reportaron consistentemente un mayor apoyo que las encuestadas femeninas.
- Edad: Los participantes de mayor edad reportaron un mayor apoyo que los más jóvenes. Crucialmente, el declive en el apoyo a lo largo del tiempo fue más pronunciado entre los encuestados más jóvenes, indicando una creciente brecha basada en la edad.
Cambios Cualitativos: El análisis de las respuestas abiertas reveló temas emergentes más allá de las categorías estándar de "emocionante/útil/preocupante/futurista". Aparecieron nuevas preocupaciones respecto al consumo de utilidad (agua/electricidad) y el aprecio por la compañía de la IA. La frecuencia de menciones sobre costos ambientales (agua/electricidad) aumentó significamente con el tiempo.

Significancia y Reivindicaciones
El artículo posiciona al SSDT no meramente como una herramienta de recolección de datos, sino como una nueva forma de comunicación científica. Su significancia se enmarca en tres contribuciones principales:

Perspectiva Temporal de Alta Resolución: El sistema proporciona la resolución temporal necesaria para detectar cuándo y cómo cambian las opiniones públicas, capturando puntos de inflexión (como la ruptura de tendencia de 2025) que las encuestas de baja frecuencia pasarían por alto.
Transparencia y Reproducibilidad Forzadas: Al automatizar el flujo de datos y hacer públicos de inmediato tanto el código como los datos, el sistema elimina las barreras para la replicación y obliga a la adherencia a las prácticas de ciencia abierta. Permite la existencia de "tableros paralelos" donde se pueden probar simultáneamente desacuerdos fundamentales sobre la medición.
Predicción Basada en Principios: El flujo continuo de datos crea un bucle de retroalimentación para probar teorías. Permite a los investigadores pasar de descripciones estáticas a predicciones dinámicas, responsabilizando a los modelos frente a datos en tiempo real en lugar de depender de conjuntos de datos estáticos y retrasados.

El autor argumenta que este enfoque aborda la "crisis de predictibilidad" al proporcionar un mecanismo para probar si las teorías pueden pronosticar con precisión la trayectoria de las series temporales diarias. El artículo concluye que, si bien la demostración actual es modesta en escala (autofinanciada, de una sola nación), la arquitectura es escalable y debe adoptarse de manera más amplia para mejorar la eficiencia y la transparencia del descubrimiento en las ciencias sociales.