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

1. O Problema

O artigo aborda o desafio de promover a adoção em larga escala de novos produtos ou comportamentos para enfrentar desafios globais (como mudanças climáticas e saúde pública). Existe uma tensão histórica entre duas tradições de pesquisa:

• Abordagens de Nível Individual: Focadas em microeconomia, psicologia e comportamento do consumidor, que modelam a tomada de decisão individual (drivers, utilidade, preferências). O limite é que, devido a não-linearidades e mecanismos de feedback, essas conclusões muitas vezes não se extrapolam diretamente para o nível coletivo.
• Abordagens Computacionais/Complexas: Focadas em física estatística e modelagem baseada em agentes (MBA), que simulam a propagação em redes sociais. O limite é que elas frequentemente assumem comportamentos individuais simplificados ou arbitrários, sem calibração empírica real, o que pode levar a políticas de intervenção subótimas.

O problema central é a falta de integração entre esses dois mundos: como estimar empiricamente os "limites" (thresholds) individuais de adoção e incorporá-los em modelos dinâmicos para otimizar políticas de "seeding" (semeadura) em redes sociais.

2. Metodologia

Os autores propõem uma metodologia híbrida que conecta a teoria da contágio complexa com modelos de escolha discreta.

A. Estimação de Thresholds Individuais

• Reinterpretação Teórica: Eles redefinem o threshold de adoção ($\tau_{ni}$) de um indivíduo $n$ para um produto $i$ como a razão entre a resistência à adoção ($R_{ni}$) e a utilidade marginal do sinal social ($\gamma_n$).
  • $R_{ni} = U^{(0)}_n - U^{(A)}_{ni}$ (Diferença entre a utilidade do status quo e a utilidade dos atributos do produto).
  • $\tau_{ni} = R_{ni} / \gamma_n$.
• Experimentos de Escolha Conjunta (Choice-Based Conjoint - CBC):
  • Foram realizados dois experimentos online com participantes reais (Prolific):
    1. Estudo de Suporte a Políticas (PS): Políticas de captura de carbono (5 atributos + sinal social).
    2. Estudo de Adoção de Aplicativo (AA): Aplicativos de mensagens instantâneas (4 atributos + sinal social).
  • Os participantes escolheram entre alternativas com diferentes atributos e níveis de sinal social (percentual de amigos que adotaram).
• Algoritmo Hierárquico Bayesiano (HB): Utilizado para estimar os parâmetros individuais ($\beta$ para utilidade dos atributos, $\gamma$ para utilidade do sinal social e $U^{(0)}$ para utilidade do status quo) a partir dos dados de escolha. Com esses parâmetros, calcula-se o threshold individual para cada participante e produto.

B. Validação e Simulações

• Validação: Os thresholds estimados foram testados em tarefas de "hold-out" (não usadas no treinamento). A precisão das previsões de escolha baseadas nesses thresholds foi significativamente superior a um baseline aleatório.
• Simulações de Espalhamento (Agent-Based Models):
  • Utilizaram redes empíricas (Add Health) e atribuíram os thresholds estimados aos agentes.
  • Simularam processos de difusão de 36 produtos (dos dois estudos) em diferentes configurações de rede.
  • Comparação de Políticas de Seeding: Avaliaram o desempenho de políticas baseadas em:
    1. Estrutura da Rede: Grau, Intermediação (Betweenness), Proximidade (Closeness), Influência Coletiva.
    2. Comportamento (Baseadas em Thresholds): Baixo threshold, Suscetibilidade do Vizinho (Neighborhood Susceptibility).
    3. Híbridas: Centralidade Complexa (Calibrada com thresholds estimados vs. Não calibrada).
  • Cenários de Custo: Analisaram dois cenários de custo de intervenção:
    1. Baseado em Preferência: O custo depende da resistência do indivíduo (mais difícil persuadir quem tem alta resistência).
    2. Baseado em Centralidade: O custo aumenta com a centralidade do nó (influenciadores são mais caros).

3. Principais Contribuições

1. Ponte Teórica-Empírica: Demonstraram que os thresholds de contágio complexa podem ser derivados matematicamente de modelos de utilidade de escolha discreta, permitindo a estimativa empírica direta desses parâmetros.
2. Heterogeneidade dos Thresholds: Revelaram que a distribuição de thresholds varia drasticamente dependendo do contexto (ex: políticas públicas vs. adoção de apps). Em alguns contextos, a maioria dos indivíduos é "independente" (não influenciada pelo sinal social), enquanto em outros, a maioria é "suscetível".
3. Otimização de Políticas de Seeding: Provaram que as melhores estratégias de intervenção dependem criticamente do conhecimento dos thresholds individuais e da estrutura de custos.
4. Generalização: Mostraram que essa abordagem pode ser estendida para outros modelos de propagação, como o modelo de Bass (contágio simples) e modelos de anexação preferencial.

4. Resultados Chave

• Validação Preditiva: Os thresholds estimados a partir dos dados experimentais possuem poder preditivo significativo fora da amostra, superando modelos aleatórios.
• Distribuição de Thresholds:
  • No estudo de Apps (AA), a distribuição foi mais uniforme, com muitos indivíduos suscetíveis a diferentes níveis de sinal social.
  • No estudo de Políticas (PS), a distribuição foi bimodal/polarizada, com muitos indivíduos sendo "independentes" (threshold 0 ou 1), indicando que o sinal social tem menos impacto em certas políticas públicas.
• Desempenho das Políticas de Seeding:
  • Custo Baseado em Preferência: A política de Suscetibilidade do Vizinho (selecionar nós que têm muitos vizinhos com baixo threshold) superou significativamente todas as políticas baseadas apenas em estrutura de rede e a centralidade complexa não calibrada.
  • Custo Baseado em Centralidade: A Centralidade Complexa Calibrada (que usa os thresholds estimados para calcular a centralidade) superou todas as outras políticas.
  • Fracasso de Políticas Tradicionais: Políticas baseadas puramente em estrutura (como escolher os nós de maior grau) foram frequentemente subótimas ou até piores que a seleção aleatória quando os custos de intervenção eram altos para nós centrais.
• Robustez: As políticas baseadas em comportamento mantiveram sua vantagem mesmo quando apenas uma fração (até 75-90%) dos nós foi pesquisada, embora o desempenho caia com dados muito incompletos (50% ou menos) em certos contextos.

5. Significado e Implicações

O trabalho fornece um framework prático para que formuladores de políticas e cientistas sociais não precisem escolher entre modelos microeconômicos detalhados e simulações macroscópicas.

• Para Intervenções Sociais: Para maximizar a adoção de comportamentos sustentáveis ou tecnologias, é crucial medir as preferências individuais e a suscetibilidade social antes de escolher os "seeds" (pontos de partida) da campanha.
• Eficiência de Recursos: Ignorar os drivers comportamentais individuais pode levar ao desperdício de recursos ao tentar influenciar nós centrais que, devido à sua alta resistência, não adotarão o comportamento mesmo com incentivos caros.
• Futuro da Pesquisa: Abre caminho para o desenvolvimento de modelos de dinâmica social baseados em dados (data-driven) que incorporam heterogeneidade comportamental real, superando as suposições simplistas de modelos tradicionais de física estatística.

Em resumo, o artigo demonstra que a integração de dados experimentais de escolha individual em modelos de rede dinâmica é essencial para projetar intervenções de mudança social eficazes e economicamente viáveis.