Understanding friendship formation with explainable machine learning

Resumen Técnico: Formación de Vínculos de Amistad con Aprendizaje Automático Explicable

1. Problema de Investigación

El estudio aborda una pregunta fundamental en la ciencia de redes: ¿se forman los vínculos sociales (amistades o enemistades) principalmente debido a rasgos individuales intrínsecos (personalidad, género, cognición) o por la estructura local de la red (la posición de los nodos y sus conexiones indirectas)?
Investigaciones previas sugirieron que la "influencia triádica" (la existencia de caminos indirectos de longitud dos entre dos individuos) es un predictor potente, pero la hipótesis de que los rasgos individuales podrían explicar la formación de enlaces en ausencia de dicha estructura no había sido completamente desentrañada mediante modelos interpretables. El objetivo es cuantificar y entender la contribución relativa de estos factores utilizando un enfoque de "caja blanca" en lugar de modelos de caja negra.

2. Metodología

• Datos: Se utilizó un conjunto de datos público con 3,395 estudiantes de 13 escuelas secundarias en España. Las relaciones son dirigidas y con signo (de -2 "muy mala" a +2 "muy buena"). Para el análisis, se binarizaron en amistad (+2) y enemistad (-1, -2).
• Características (Features):
  • Individuales: Género, Reflexión Cognitiva (puntuación en el Test de Reflexión Cognitiva, CRT) y Prosocialidad (preferencias de distribución económica).
  • Estructurales: Influencia Triádica ($I_{ij} = \sum_k w_{ik}w_{kj}$), que mide la suma de los productos de los pesos de los caminos indirectos de longitud 2 entre el emisor $i$ y el receptor $j$.
• Modelado: Se compararon cuatro clasificadores: Redes Neuronales (TensorFlow, PyTorch), XGBoost y la Máquina de Refuerzo Explicable (EBM).
  • Se seleccionó la EBM por su equilibrio entre alto rendimiento predictivo y transparencia. La EBM es un Modelo Aditivo Generalizado (GAM) que utiliza boosting con árboles de regresión poco profundos para aprender funciones univariadas ($f_j(x_j)$) y de interacción ($f_{ij}(x_i, x_j)$) que son visualizables.
• Validación: Se empleó validación cruzada anidada estratificada (5x5) con Random OverSampling (ROS) para manejar el desequilibrio de clases, asegurando estimaciones de rendimiento robustas y sin sesgos.
• Métrica: Se utilizó la precisión balanceada (promedio de la tasa de verdaderos positivos y verdaderos negativos) como métrica principal.

3. Contribuciones Clave

1. Validación de la EBM en Redes Sociales: Demuestra la utilidad de los modelos explicables para descomponer la contribución de rasgos individuales vs. estructurales en la formación de lazos, superando las limitaciones de los modelos de caja negra.
2. Caracterización de Regímenes de Formación: Identifica que, aunque la estructura domina globalmente, existe un subconjunto específico de enlaces donde los rasgos individuales son determinantes.
3. Refutación de Hipótesis Previas: Aclara el papel de los enlaces sin caminos estructurales, mostrando que no se explican por rasgos latentes, sino por la ausencia de refuerzo estructural.

4. Resultados Principales

• Dominio de la Influencia Triádica:

  • La influencia triádica es el predictor abrumadoramente dominante, superando a cualquier rasgo individual.
  • El 91.47% de los enlaces están dominados por la contribución de la influencia triádica (>50% del impacto total).
  • Solo el 0.24% de los enlaces (145 casos) son dominados por rasgos individuales (prosocialidad, CRT, género).
  • El 7.02% restante muestra una influencia distribuida sin un dominio claro.

• Análisis de Dependencia (Funciones de Características):

  • Influencia Triádica: Muestra una relación monotónica fuerte y suave. Valores positivos aumentan la probabilidad de amistad; valores negativos aumentan la probabilidad de enemistad.
  • Rasgos Individuales: La reflexividad cognitiva (CRT) tiene un efecto débil y poco estructurado. La prosocialidad tiene un efecto moderado, principalmente en el nodo emisor (iniciador del lazo), pero es mucho menor que el efecto estructural.

• Caracterización del Subconjunto "Dominado por Individuales":

  • Estos enlaces no surgen en condiciones estructurales radicalmente diferentes, sino que corresponden a relaciones menos consolidadas y menos incrustadas estructuralmente.
  • Signo: Son significativamente más propensos a ser lazos negativos (35.9% vs 23.5% en el grupo triádico).
  • Equilibrio Estructural: Exhiben una menor proporción de configuraciones triádicas balanceadas (media de ratio balanceado ~0.68 vs ~0.75 para el grupo triádico), indicando una menor coherencia estructural.
  • Contexto Académico: Hay una concentración notable de estos enlaces en estudiantes de segundo año, sugiriendo que los mecanismos individuales pueden ser más relevantes en etapas tempranas o transitorias antes de que la estructura de la red se estabilice.

• El Caso de los Enlaces sin Estructura ($A^2_{ij} = 0$):

  • Contrario a la hipótesis de que la falta de caminos indirectos implica que los rasgos individuales toman el control, el modelo muestra que ninguno de los 1,337 enlaces sin caminos de longitud dos es explicado por rasgos individuales.
  • En estos casos, la predicción se debe a la ausencia de refuerzo estructural (el valor de la influencia triádica es cero), lo cual el modelo interpreta como una señal informativa por sí misma.

5. Significado e Implicaciones

El estudio propone una visión estratificada de la formación de lazos sociales:

1. Nivel Global: Los mecanismos estructurales (cierre triádico, equilibrio) son los principales organizadores de las redes sociales, impulsando la mayoría de las relaciones estables y positivas.
2. Nivel Local/Contextual: Los efectos de los rasgos individuales emergen en contextos específicos, menos restringidos estructuralmente (lazos débiles, negativos o en etapas tempranas de la interacción social).

Conclusión Final: La investigación demuestra que la estructura local de la red actúa como un proxy potente de la compatibilidad y la dinámica social, a menudo enmascarando o superando los efectos de los rasgos individuales. Sin embargo, el uso de aprendizaje automático explicable permite desvelar los casos excepcionales donde la agencia individual es determinante, ofreciendo una comprensión más matizada que la dicotomía simple "individuo vs. estructura". El trabajo subraya el valor crítico de la interpretabilidad en el análisis de redes para descubrir mecanismos subyacentes más allá de la simple precisión predictiva.