La sabiduría de la multitud es la opinión colectiva de un grupo diverso e independiente de individuos, más que la de un solo experto. Este proceso, si bien no es nuevo en la Era de la Información , ha sido puesto en el foco de atención por sitios de información social como Quora , Reddit , Stack Exchange , Wikipedia , Yahoo! Respuestas y otros recursos web que se basan en el conocimiento humano colectivo. [1] Una explicación para este fenómeno es que existe un ruido idiosincrásico asociado con cada juicio individual, y tomar el promedio de una gran cantidad de respuestas contribuirá en cierta medida a cancelar el efecto de este ruido. [2]
Se puede entender que el juicio con jurado depende, al menos en parte, de la sabiduría de la multitud, en comparación con el juicio sin jurado, que se basa en uno o unos pocos expertos. En política, a veces el sorteo se considera un ejemplo de cómo sería la sabiduría de la multitud. La toma de decisiones la tomaría un grupo diverso en lugar de un grupo o partido político bastante homogéneo. La investigación dentro de la ciencia cognitiva ha buscado modelar la relación entre los efectos de la sabiduría de la multitud y la cognición individual.
En general, se ha descubierto que las respuestas agregadas de un grupo grande a preguntas que involucran estimación de cantidades, conocimiento general del mundo y razonamiento espacial son tan buenas, pero a menudo superiores, a la respuesta dada por cualquiera de los individuos dentro del grupo.
Los teoremas del jurado de la teoría de la elección social proporcionan argumentos formales a favor de la sabiduría de la multitud dada una variedad de supuestos más o menos plausibles. Tanto los supuestos como las conclusiones siguen siendo controvertidos, aunque los teoremas en sí no lo sean. El más antiguo y sencillo es el teorema del jurado de Condorcet (1785).
A Aristóteles se le atribuye ser la primera persona en escribir sobre la "sabiduría de la multitud" en su obra Política . [3] [4] Según Aristóteles, "es posible que muchos, aunque no sean individualmente buenos, cuando se reúnen sean mejores, no individualmente sino colectivamente, que aquellos que lo son, así como las cenas públicas a las que asisten muchos aportan son mejores que los que se aportan a costa de un solo hombre". [5]
El hallazgo clásico de sabiduría popular implica la estimación puntual de una cantidad continua. En una feria rural de 1906 en Plymouth , 800 personas participaron en un concurso para estimar el peso de un buey sacrificado y adiestrado. El estadístico Francis Galton observó que la estimación mediana , 1207 libras, tenía una precisión del 1% del peso real de 1198 libras. [6] Esto ha contribuido a la comprensión en la ciencia cognitiva de que los juicios individuales de una multitud pueden modelarse como una distribución de probabilidad de respuestas con la mediana centrada cerca del valor verdadero de la cantidad a estimar. [7]
En los últimos años, el fenómeno de la "sabiduría de la multitud" se ha aprovechado en la estrategia empresarial, los espacios publicitarios y también en la investigación política. Las empresas de marketing agregan comentarios de los consumidores e impresiones de marca para los clientes. Mientras tanto, empresas como Trada recurren a multitudes para diseñar anuncios basados en las necesidades de los clientes. [8] Por último, las preferencias políticas se agregan para predecir o predecir elecciones políticas. [9] [10]
Los ejemplos no humanos prevalecen. Por ejemplo, el brillo dorado es un pez que prefiere las zonas de sombra. A un solo observador de ojos le resulta muy difícil encontrar regiones sombreadas en una masa de agua, mientras que un grupo grande es mucho más eficiente para encontrar la sombra. [11]
Aunque los hallazgos clásicos del conocimiento de las masas se centran en estimaciones puntuales de cantidades únicas y continuas, el fenómeno también se extiende a problemas de dimensiones superiores que no se prestan a métodos de agregación como la toma de la media. Para estos fines se han desarrollado modelos más complejos. Algunos ejemplos de problemas de dimensiones superiores que exhiben efectos de sabiduría de las masas incluyen:
Al explorar más a fondo las formas de mejorar los resultados, científicos del Laboratorio de Neuroeconomía Sloan del MIT desarrollaron una nueva técnica llamada " sorprendentemente popular " en colaboración con la Universidad de Princeton. Para una pregunta determinada, se pide a las personas que den dos respuestas: cuál creen que es la respuesta correcta y cuál creen que será la opinión popular. La diferencia promedio entre los dos indica la respuesta correcta. Se descubrió que el algoritmo "sorprendentemente popular" reduce los errores en un 21,3 por ciento en comparación con los votos por mayoría simple, y en un 24,2 por ciento en comparación con los votos básicos ponderados por confianza, donde las personas expresan cuán seguras están de sus respuestas, y en un 22,2 por ciento en comparación con los votos avanzados. votos ponderados de confianza, donde sólo se utilizan las respuestas con el promedio más alto. [18]
En el contexto de la sabiduría de la multitud, el término multitud adquiere un significado amplio. Una definición caracteriza a una multitud como un grupo de personas reunidas mediante un llamado abierto a la participación. [19] Si bien las multitudes a menudo se aprovechan en aplicaciones en línea, también se pueden utilizar en contextos fuera de línea. [19] En algunos casos, a los miembros de una multitud se les pueden ofrecer incentivos monetarios por su participación. [20] Ciertas aplicaciones de la "sabiduría de la multitud", como el servicio de jurado en los Estados Unidos, exigen la participación de la multitud. [21]
La idea de que las respuestas de la multitud a una tarea de estimación pueden modelarse como una muestra de una distribución de probabilidad invita a realizar comparaciones con la cognición individual. En particular, es posible que la cognición individual sea probabilística en el sentido de que las estimaciones individuales se extraigan de una "distribución de probabilidad interna". Si este es el caso, entonces dos o más estimaciones de la misma cantidad de la misma persona deberían promediar un valor más cercano a la verdad fundamental que cualquiera de los juicios individuales, ya que el efecto del ruido estadístico dentro de cada uno de estos juicios se reduce. Por supuesto, esto se basa en el supuesto de que el ruido asociado con cada juicio es (al menos en cierta medida) estadísticamente independiente . Por lo tanto, la multitud necesita ser independiente pero también diversificada para permitir una variedad de respuestas. Las respuestas en los extremos del espectro se anularán entre sí, permitiendo que la sabiduría de los fenómenos de masas ocupe su lugar. Otra advertencia es que los juicios de probabilidad individuales a menudo están sesgados hacia valores extremos (por ejemplo, 0 o 1). Por lo tanto, es probable que cualquier efecto beneficioso de múltiples juicios de la misma persona se limite a muestras de una distribución insesgada. [22]
Vul y Pashler (2008) pidieron a los participantes estimaciones puntuales de cantidades continuas asociadas con el conocimiento mundial general, como "¿Qué porcentaje de los aeropuertos del mundo están en los Estados Unidos?" Sin haber sido alertados del procedimiento con antelación, a la mitad de los participantes se les pidió inmediatamente que hicieran una segunda suposición diferente en respuesta a la misma pregunta, y a la otra mitad se le pidió que lo hiciera tres semanas después. El promedio de las dos conjeturas de un participante fue más preciso que cualquiera de las conjeturas individuales. Además, los promedios de las conjeturas realizadas en la condición de retraso de tres semanas fueron más precisos que las conjeturas realizadas en la sucesión inmediata. Una explicación de este efecto es que las conjeturas en la condición inmediata eran menos independientes entre sí (un efecto de anclaje ) y, por lo tanto, estaban sujetas a (algo de) el mismo tipo de ruido. En general, estos resultados sugieren que la cognición individual puede estar sujeta a una distribución de probabilidad interna caracterizada por ruido estocástico, en lugar de producir consistentemente la mejor respuesta basada en todo el conocimiento que tiene una persona. [22] Estos resultados se confirmaron en su mayoría en una replicación preregistrada de alta potencia. [23] El único resultado que no se replicó completamente fue que un retraso en la segunda suposición genera una mejor estimación.
Hourihan y Benjamin (2010) probaron la hipótesis de que las mejoras en las estimaciones observadas por Vul y Pashler en la condición de respuesta tardía fueron el resultado de una mayor independencia de las estimaciones. Para hacer esto, Hourihan y Benjamin aprovecharon las variaciones en la capacidad de memoria entre sus participantes. En apoyo, encontraron que promediar las estimaciones repetidas de aquellos con menores períodos de memoria mostró mayores mejoras en las estimaciones que promediar las estimaciones repetidas de aquellos con mayores períodos de memoria. [24]
Rauhut y Lorenz (2011) ampliaron esta investigación pidiendo nuevamente a los participantes que hicieran estimaciones de cantidades continuas relacionadas con el conocimiento del mundo real. En este caso se informó a los participantes que harían cinco estimaciones consecutivas. Este enfoque permitió a los investigadores determinar, en primer lugar, la cantidad de veces que uno necesita preguntarse a sí mismo para igualar la precisión de preguntar a otros y luego, la velocidad a la que las estimaciones hechas por uno mismo mejoran las estimaciones en comparación con las preguntas a otros. Los autores concluyeron que preguntarse a uno mismo un número infinito de veces no supera la precisión de preguntarle a otra persona. En general, encontraron poco apoyo para la llamada "distribución mental" de la cual los individuos obtienen sus estimaciones; de hecho, descubrieron que, en algunos casos, preguntarse varias veces reduce la precisión. En última instancia, sostienen que los resultados de Vul y Pashler (2008) sobreestiman la sabiduría de la "multitud interna", ya que sus resultados muestran que preguntarse a uno mismo más de tres veces en realidad reduce la precisión a niveles inferiores a los informados por Vul y Pashler (que sólo pidió a los participantes que hicieran dos estimaciones). [25]
Müller-Trede (2011) intentó investigar los tipos de preguntas en las que utilizar la "multitud interior" es más eficaz. Encontró que, si bien las ganancias en precisión eran menores de lo que se esperaría al promediar las estimaciones con otro individuo, los juicios repetidos conducen a aumentos en la precisión tanto para las preguntas de estimación anual (por ejemplo, ¿cuándo se inventó el termómetro?) como para las preguntas sobre porcentajes estimados (por ejemplo, , ¿qué porcentaje de internautas se conectan desde China?). Las preguntas numéricas generales (por ejemplo, ¿cuál es la velocidad del sonido, en kilómetros por hora?) no mejoraron con juicios repetidos, mientras que promediar los juicios individuales con los de otro aleatorio sí mejoró la precisión. Esto, sostiene Müller-Trede, es el resultado de los límites que implican las preguntas sobre años y porcentajes. [26]
Van Dolder y Van den Assem (2018) estudiaron la "multitud interna" utilizando una gran base de datos de tres concursos de estimación organizados por Holland Casino. Para cada una de estas competencias, encuentran que la agregación intrapersona mejora la precisión de las estimaciones. Además, también confirman que este método funciona mejor si hay un retraso entre sentencias posteriores. Incluso con un retraso considerable entre las estimaciones, la agregación entre personas es más beneficiosa. El promedio de un gran número de juicios de una misma persona apenas es mejor que el promedio de dos juicios de personas diferentes. [27]
Herzog y Hertwig (2009) intentaron mejorar la "sabiduría de muchos en una sola mente" (es decir, la "multitud interna") pidiendo a los participantes que utilizaran el arranque dialéctico. El bootstrapping dialéctico implica el uso de dialéctica (discusión razonada que tiene lugar entre dos o más partes con puntos de vista opuestos, en un intento de determinar la mejor respuesta) y bootstrapping (avanzar uno mismo sin la ayuda de fuerzas externas). Postularon que las personas deberían poder realizar mayores mejoras en sus estimaciones originales basando la segunda estimación en información antitética . Por lo tanto, estas segundas estimaciones, basadas en supuestos y conocimientos diferentes a los utilizados para generar la primera estimación, también tendrían un error diferente (tanto sistemático como aleatorio ) que la primera estimación, lo que aumentaría la precisión del juicio promedio. Desde una perspectiva analítica, el arranque dialéctico debería aumentar la precisión siempre que la estimación dialéctica no esté demasiado lejos y los errores de la primera estimación y la dialéctica sean diferentes. Para probar esto, Herzog y Hertwig pidieron a los participantes que hicieran una serie de estimaciones de fechas relacionadas con eventos históricos (por ejemplo, cuando se descubrió la electricidad), sin saber que se les pediría que proporcionaran una segunda estimación. A continuación, simplemente se pidió a la mitad de los participantes que hicieran una segunda estimación. A la otra mitad se le pidió que utilizara una estrategia de considerar lo opuesto para hacer estimaciones dialécticas (utilizando sus estimaciones iniciales como punto de referencia). Específicamente, se pidió a los participantes que imaginaran que su estimación inicial estaba equivocada, consideraran qué información podría haber sido incorrecta, qué sugeriría esta información alternativa, si eso habría hecho que su estimación fuera una sobreestimación o una subestimación y, finalmente, con base en esta perspectiva, ¿qué sería su nueva estimación. Los resultados de este estudio revelaron que, si bien el arranque dialéctico no superó la sabiduría de la multitud (promediando la primera estimación de cada participante con la de otro participante aleatorio), sí produjo mejores estimaciones que simplemente pedir a los individuos que hicieran dos estimaciones. [28]
Hirt y Markman (1995) encontraron que los participantes no necesitan limitarse a una estrategia de considerar lo opuesto para mejorar sus juicios. Los investigadores pidieron a los participantes que consideraran una alternativa, operacionalizada como cualquier alternativa plausible (en lugar de centrarse simplemente en la alternativa "opuesta"), y descubrieron que simplemente considerar una alternativa mejoraba los juicios. [29]
No todos los estudios han demostrado apoyo para que la "multitud interna" mejore los juicios. Ariely y sus colegas pidieron a los participantes que dieran respuestas basadas en sus respuestas a ítems de verdadero o falso y su confianza en esas respuestas. Descubrieron que, si bien el promedio de estimaciones de juicio entre individuos mejoraba significativamente las estimaciones, el promedio de estimaciones de juicio repetidas realizadas por los mismos individuos no mejoraba significativamente las estimaciones. [30]
Las investigaciones sobre la sabiduría de las masas atribuyen habitualmente la superioridad de los promedios de las masas sobre los juicios individuales a la eliminación del ruido individual, [31] una explicación que supone la independencia de los juicios individuales entre sí. [7] [22] Así, la multitud tiende a tomar sus mejores decisiones si está formada por diversas opiniones e ideologías.
El promedio puede eliminar errores aleatorios que afectan la respuesta de cada persona de manera diferente, pero no errores sistemáticos que afectan las opiniones de toda la multitud de la misma manera. Por ejemplo, no se esperaría que una técnica de sabiduría colectiva compensara los sesgos cognitivos . [32] [33]
Scott E. Page introdujo el teorema de predicción de la diversidad: "El error cuadrático de la predicción colectiva es igual al error cuadrático promedio menos la diversidad predictiva". Por tanto, cuando la diversidad en un grupo es grande, el error de la multitud es pequeño. [34]
Miller y Stevyers redujeron la independencia de las respuestas individuales en un experimento de sabiduría de las multitudes al permitir una comunicación limitada entre los participantes. Se pidió a los participantes que respondieran preguntas de orden para preguntas de conocimiento general, como el orden de los presidentes de Estados Unidos. Para la mitad de las preguntas, cada participante comenzó con el orden presentado por otro participante (y alertado de este hecho), y para la otra mitad, comenzó con un orden aleatorio, y en ambos casos se les pidió que las reordenaran (si era necesario). al orden correcto. Las respuestas en las que los participantes comenzaron con la clasificación de otro participante fueron, en promedio, más precisas que las de la condición inicial aleatoria. Miller y Steyvers concluyen que el diferente conocimiento a nivel de ítem entre los participantes es responsable de este fenómeno, y que los participantes integraron y aumentaron el conocimiento de los participantes anteriores con su propio conocimiento. [35]
Las multitudes tienden a funcionar mejor cuando hay una respuesta correcta a la pregunta que se plantea, como una pregunta sobre geografía o matemáticas. [36] Cuando no hay una respuesta precisa, las multitudes pueden llegar a conclusiones arbitrarias. [37] Los algoritmos de sabiduría de la multitud prosperan cuando las respuestas individuales exhiben proximidad y una distribución simétrica alrededor de la respuesta correcta, aunque desconocida. Esta simetría permite que los errores en las respuestas se cancelen entre sí durante el proceso de promediación. Por el contrario, estos algoritmos pueden fallar cuando el subconjunto de respuestas correctas es limitado, sin poder contrarrestar los sesgos aleatorios. Este desafío es particularmente pronunciado en entornos en línea donde las personas, a menudo con distintos niveles de experiencia, responden de forma anónima. Algunos algoritmos de "sabiduría de la multitud" abordan esta cuestión utilizando técnicas de votación de maximización de expectativas. El algoritmo Wisdom-IN-the-crowd (WICRO) [33] ofrece una solución de clasificación de un solo paso. Mide el nivel de experiencia de los individuos evaluando la "distancia" relativa entre ellos. Específicamente, el algoritmo identifica a los expertos suponiendo que sus respuestas serán relativamente "más cercanas" entre sí cuando aborden preguntas dentro de su campo de especialización. Este enfoque mejora la capacidad del algoritmo para discernir niveles de experiencia en escenarios donde solo un pequeño subconjunto de participantes posee competencia en un dominio determinado, mitigando el impacto de posibles sesgos que pueden surgir durante interacciones anónimas en línea.</ref>. [33] [38]
La sabiduría del efecto multitud se ve fácilmente socavada. La influencia social puede hacer que el promedio de las respuestas de la multitud sea inexacto, mientras que la media geométrica y la mediana son más sólidas. [39] Esto se basa en conocer la incertidumbre de un individuo y la confianza en su estimación. La respuesta promedio de las personas que tienen conocimientos sobre un tema variará del promedio de las personas que no saben nada sobre el tema. Un promedio simple de opiniones de expertos e inexpertos será menos preciso que uno en el que la ponderación del promedio se base en la incertidumbre y la confianza de su respuesta.
Los experimentos realizados por el Instituto Federal Suizo de Tecnología descubrieron que cuando se pedía a un grupo de personas que respondieran juntas una pregunta, intentaban llegar a un consenso, lo que con frecuencia hacía que la precisión de la respuesta disminuyera. Una sugerencia para contrarrestar este efecto es garantizar que el grupo contenga una población con orígenes diversos. [37]
La investigación del Good Judgment Project demostró que los equipos organizados en encuestas de predicción pueden evitar el consenso prematuro y producir estimaciones de probabilidad agregadas que son más precisas que las producidas en los mercados de predicción. [40]
{{cite web}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ) Mantenimiento CS1: nombres numéricos: lista de autores ( enlace ){{cite web}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ) Mantenimiento CS1: nombres numéricos: lista de autores ( enlace )La sabiduría de la multitud (con el profesor Marcus du Sautoy) en YouTube