Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Resumen Técnico: Epidemias de Aprendizaje – Un Enfoque Compartimental y de Red para la Alfabetización en IA

Planteamiento del Problema
Las organizaciones dependen cada vez más de la difusión rápida de nuevas competencias, pero los modelos tradicionales de aprendizaje en el lugar de trabajo suelen tratar al individuo como la unidad de cambio, descuidando las estructuras de comunicación que facilitan la transferencia de conocimiento. Esta brecha es particularmente aguda con la Inteligencia Artificial (IA) generativa, donde la alfabetización no es un currículo fijo sino un objetivo móvil adquirido a través de interacciones informales y laterales. Los autores argumentan que la propagación de la alfabetización en IA funciona como un "contagio complejo", que requiere refuerzo de múltiples fuentes en lugar de una sola exposición. La literatura existente carece de un tratamiento empírico integrado que mida las redes de comunicación reales, ajuste modelos epidémicos explícitos a la propagación de competencias y derive números de reproducción ($R_0$) interpretables a través de múltiples organizaciones para comparar resultados estructurales.

Metodología
El estudio emplea un diseño longitudinal multi-organizacional que involucra a tres instituciones (Instituciones 1, 2 y 3) de diversos tamaños (de 1,000 a 7,124 empleados). Los datos se recolectaron en tres puntos temporales: línea base (T0), punto medio (T1) y cierre (T2).

1. Construcción de la Red: Los participantes completaron un instrumento de generador de nombres egocéntrico, enumerando hasta diez colegas con quienes discutieron sobre IA en los últimos 30 días. Los vínculos dirigidos fueron ponderados por la frecuencia de la conversación.
2. Análisis de Redes Sociales (SNA): Utilizando Python (NetworkX), los autores computaron descriptores estándar (densidad, agrupamiento, reciprocidad, tamaño del componente gigante) y métricas a nivel de nodo (grado, medidas de centralidad).
3. Modelado Compartimental (SEIR): Los autores adaptaron el modelo SEIR (Susceptible–Expuesto–Infectado–Recuperado) al aprendizaje:
   • Susceptible: Desconocedor/no comprometido.
   • Expuesto: Se ha encontrado con el tema pero no lo utiliza.
   • Infectado: Aplica y transmite activamente.
   • Recuperado: Uso habitual/consolidado.
   • Los parámetros de transmisión ($\beta$) y recuperación ($\gamma$) se fijaron ($\beta=0.3, \gamma=0.2$) para asegurar la comparabilidad entre instituciones.
4. Estimación del Número de Reproducción ($R_0$): En lugar de ajustar el modelo a las curvas de adopción, el $R_0$ se estimó analíticamente a partir de la topología de la red mediante la expresión del modelo de configuración: $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$, donde $\tau$ es la transmisibilidad y $\langle k \rangle$ representa los momentos de la distribución de grados.
5. Aprendizaje Automático para la Retención: Para predecir qué individuos permanecieron comprometidos a través de todas las olas, los autores agruparon los datos ($N=770$) y entrenaron clasificadores de Bosque Aleatorio (Random Forest) y Gradient Boosting. Los predictores incluyeron sociodemografía (antigüedad, departamento, rol) y posición en la red de la línea base. La importancia de las características se analizó junto con correlaciones lineales punto-biseriales para detectar relaciones no lineales.
6. Simulación y Visualización: Se desarrolló una consola de investigación basada en el navegador para permitir a las partes interesadas visualizar la dinámica de la red, ejecutar simulaciones SEIR en topologías reales y sintéticas, y explorar escenarios contrafácticos (por ejemplo, rotación de personal, incorporación de nuevos empleados).

Resultos Clave

• Heterogeneidad Estructural: Las tres organizaciones exhibieron topologías de red de línea base distintas. La Institución 1 formó un gran componente gigante conectado (79.6% de los nodos); la Institución 2 fue más distribuida con un núcleo más pequeño; la Institución 3 fue altamente fragmentada, dominada por pares recíprocos aislados.
• Contracción y Consolidación de la Red: En las tres organizaciones, las redes de discusión se contrajeron en tamaño (menos nodos y aristas) a lo largo del tiempo, pero se volvieron más densas. Esto sugiere que, mientras la población general se desvinculó, los participantes restantes formaron grupos más estrechos y cohesivos.
• Correlación entre $R_0$ y Retención: Los valores de $R_0$ de la línea base fueron 2.92 (Inst. 1), 1.93 (Inst. 2) y 1.14 (Inst. 3). Este orden coincidió perfectamente con las tasas de retención de los participantes a través de las tres olas (44.4%, 28.3% y 11.4%, respectivamente). Las organizaciones con mayor capacidad estructural para difundir el aprendizaje retuvieron más aprendices.
• Predictores de Retención: Los modelos de aprendizaje automático identificaron el Departamento y la Centralidad de Cercanía como los predictores más fuertes de la retención. Notablemente, la Antigüedad mostró una correlación lineal casi nula con la retención ($r = -0.001$) pero fue una característica clave en los modelos de árboles no lineales, lo que indica una relación compleja y no monotónica donde tanto los empleados muy nuevos como los muy experimentados pueden comportarse de manera distinta a los del medio.
• Métricas de Centralidad: La centralidad de cercanía fue la métrica de red más informativa. La centralidad de eigenvector resultó poco informativa debido a la fragmentación de la red, colapsando hacia cero en componentes desconectados.

Contribuciones Clave

1. Reencuadre del Aprendizaje como Contagio: El estudio aplica con éxito herramientas de epidemiología de redes al aprendizaje organizacional, tratando la alfabetización en IA como un contagio complejo dependiente de la cohesión y la redundancia de la red.
2. $R_0$ Topológico para el Aprendizaje: Los autores proporcionan un método para estimar un número básico de reproducción para el aprendizaje directamente desde la topología de la red sin necesidad de ajustar curvas de adopción, ofreciendo una métrica estructural para la capacidad de aprendizaje de una organización.
3. Perspectivas No Lineales: Al combinar el aprendizaje automático basado en árboles con correlaciones lineales, el estudio revela que los atributos individuales como la antigüedad influyen en la retención del aprendizaje de formas no lineales que los métodos estadísticos tradicionales podrían pasar por alto.
4. Herramientas Interactivas: El desarrollo de una consola de investigación autónoma permite a las partes interesadas no técnicas interactuar con los datos de la red, ejecutar simulaciones y visualizar la dinámica de difusión sin ejecutar el pipeline analítico subyacente.

Significancia y Reivindicaciones
El artículo sostiene que si una organización aprende a usar una nueva tecnología es, en gran medida, una propiedad estructural de su red de comunicación más que simplemente un agregado de esfuerzos individuales. La alineación entre el $R_0$ topológico inicial y la retención final sugiere que la estructura de la red dicta el techo de la difusión del aprendizaje.

Los autores argumentan que este marco permite a las organizaciones pasar de intuiciones difusas sobre la cultura a cantidades medibles. Específicamente, el $R_0$ puede servir como una herramienta de diagnóstico: en redes fragmentadas (bajo $R_0$), la prioridad debe ser construir puentes entre grupos aislados antes de añadir contenido; en redes cohesivas (alto $R_0$), el enfoque debe ser proteger el núcleo conectado. El estudio concluye que, si bien los atributos individuales importan, a menudo operan a través de interacciones con la posición en la red y el contexto local, lo que requiere enfoques que capturen las relaciones estructurales no lineales. Los autores mantienen la modestia, señalando que la alineación entre el $R_0$ y la retención se basa en tres organizaciones y debe tratarse como una hipótesis para pruebas posteriores, especialmente dadas las limitaciones de las diferencias en la cobertura de las encuestas en la muestra.