La sabiduría de la multitud es la opinión colectiva de un grupo diverso e independiente de individuos, y no la de un único experto. Este proceso, si bien no es nuevo en la era de la información , ha sido puesto en el centro de atención de los medios de comunicación gracias a sitios de información social como Quora , Reddit , Stack Exchange , Wikipedia , Yahoo! Answers y otros recursos web que dependen del conocimiento humano colectivo. [1] Una explicación de este fenómeno es que existe un ruido idiosincrásico asociado con cada juicio individual, y tomar el promedio de una gran cantidad de respuestas ayudará en cierta medida a cancelar el efecto de este ruido. [2]
El juicio por jurado puede entenderse como un proceso que se basa, al menos en parte, en la sabiduría de la multitud, en comparación con el juicio ante el tribunal , que se basa en uno o unos pocos expertos. En política, a veces se utiliza el sorteo como ejemplo de cómo sería la sabiduría de la multitud. La toma de decisiones la realizaría un grupo diverso en lugar de un grupo o partido político bastante homogéneo. La investigación en el ámbito 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 determinado 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 como las respuestas dadas por cualquiera de los individuos dentro del grupo, pero a menudo superiores a ellas.
Los teoremas del jurado de la teoría de la elección social ofrecen 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 simple 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 los muchos, aunque no sean hombres individualmente buenos, sin embargo, cuando se reúnen pueden ser mejores, no individualmente sino colectivamente, que los que lo son, así como las cenas públicas a las que muchos contribuyen son mejores que las proporcionadas a expensas de un solo hombre". [5]
El hallazgo clásico de la sabiduría de las multitudes implica una 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 preparado. El estadístico Francis Galton observó que la estimación mediana , 1207 libras, tenía una precisión del 1% respecto del peso real de 1198 libras. [6] Esto ha contribuido a la idea en la ciencia cognitiva de que los juicios individuales de una multitud se pueden modelar como una distribución de probabilidad de respuestas con la mediana centrada cerca del valor real de la cantidad que se va a estimar. [7]
En los últimos años, el fenómeno de la "sabiduría de las masas" se ha utilizado en estrategias comerciales, espacios publicitarios y también en investigación política. Las empresas de marketing recopilan las opiniones de los consumidores y las impresiones de las marcas para sus clientes. Mientras tanto, empresas como Trada invocan a las masas para diseñar anuncios basados en los requisitos de los clientes. [8] Por último, las preferencias políticas se recopilan para predecir o predecir elecciones políticas. [9] [10]
Los ejemplos no humanos son muy frecuentes. Por ejemplo, el pez albur dorado es un pez que prefiere las zonas sombreadas. El pez albur solitario tiene muchas dificultades para encontrar zonas sombreadas en un cuerpo de agua, mientras que un grupo grande es mucho más eficiente para encontrar la sombra. [11]
Aunque los hallazgos clásicos de la sabiduría de las masas se centran en estimaciones puntuales de cantidades continuas individuales, el fenómeno también se puede aplicar a problemas de dimensiones superiores que no se prestan a métodos de agregación, como el cálculo de la media. Se han desarrollado modelos más complejos para estos fines. Algunos ejemplos de problemas de dimensiones superiores que presentan efectos de la sabiduría de las masas son:
Para seguir explorando las formas de mejorar los resultados, los científicos del Laboratorio de Neuroeconomía Sloan del MIT, en colaboración con la Universidad de Princeton, desarrollaron una nueva técnica llamada " sorprendentemente popular ". Para una pregunta dada, 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 las dos indica la respuesta correcta. Se descubrió que el algoritmo "sorprendentemente popular" reduce los errores en un 21,3 por ciento en comparación con las votaciones por mayoría simple, y en un 24,2 por ciento en comparación con las votaciones básicas ponderadas por confianza, en las que las personas expresan cuán seguras están de sus respuestas, y en un 22,2 por ciento en comparación con las votaciones avanzadas ponderadas por confianza, en las que solo 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 en un llamado abierto a la participación. [19]
En la era digital, el potencial de la inteligencia colectiva se ha expandido con la llegada de las tecnologías de la información y las plataformas de redes sociales como Google, Facebook, Twitter y otras. Estas plataformas permiten la agregación de opiniones y conocimientos a gran escala, creando lo que algunos han definido como "comunidades inteligentes". [20] Sin embargo, la eficacia de estas multitudes digitales puede verse comprometida por cuestiones como los sesgos demográficos, la influencia de usuarios muy activos y la presencia de bots, que pueden distorsionar la diversidad e independencia necesarias para que una multitud sea verdaderamente sabia. Para mitigar estos problemas, los investigadores han sugerido utilizar un enfoque multimedia para agregar inteligencia de varias plataformas o emplear el análisis factorial para filtrar los sesgos y el ruido. [21]
Si bien las multitudes suelen aprovecharse en aplicaciones en línea, también pueden utilizarse en contextos fuera de línea. [19] En algunos casos, a los miembros de una multitud se les pueden ofrecer incentivos monetarios por participar. [22] Ciertas aplicaciones de la "sabiduría de la multitud", como el deber de jurado en los Estados Unidos, exigen la participación de la multitud. [23]
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 hacer 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 debe ser independiente pero también diversificada, para permitir una variedad de respuestas. Las respuestas en los extremos del espectro se cancelarán entre sí, lo que permitirá que la sabiduría de los fenómenos de la multitud 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 no sesgada. [24]
Vul y Pashler (2008) pidieron a los participantes estimaciones puntuales de cantidades continuas asociadas con el conocimiento general del mundo, como "¿Qué porcentaje de los aeropuertos del mundo están en los Estados Unidos?" Sin ser advertidos sobre el procedimiento de antemano, 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 hiciera esto tres semanas después. El promedio de las dos suposiciones de un participante fue más preciso que cualquiera de las suposiciones individuales. Además, los promedios de las suposiciones hechas en la condición de retraso de tres semanas fueron más precisos que las suposiciones hechas en sucesión inmediata. Una explicación de este efecto es que las suposiciones en la condición inmediata eran menos independientes entre sí (un efecto de anclaje ) y, por lo tanto, estaban sujetas a (parte del) 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. [24] Estos resultados se confirmaron principalmente en una réplica prerregistrada de alta potencia. [25] El único resultado que no se replicó completamente fue que un retraso en la segunda estimación 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 eran el resultado de una mayor independencia de las estimaciones. Para ello, Hourihan y Benjamin aprovecharon las variaciones en la capacidad de memoria de sus participantes. En apoyo de ello, descubrieron que el promedio de las estimaciones repetidas de aquellos con capacidades de memoria más bajas mostraba mayores mejoras en las estimaciones que el promedio de las estimaciones repetidas de aquellos con capacidades de memoria más grandes. [26]
Rauhut y Lorenz (2011) ampliaron esta investigación pidiéndoles 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 debe preguntarse a sí mismo para igualar la precisión de preguntar a otros y, luego, la tasa a la que las estimaciones realizadas por uno mismo mejoran las estimaciones en comparación con las realizadas a otros. Los autores concluyeron que preguntarse a uno mismo un número infinito de veces no supera la precisión de preguntar a una sola persona. En general, encontraron poco respaldo para una denominada "distribución mental" de la que las personas extraen sus estimaciones; de hecho, descubrieron que en algunos casos preguntarse a uno mismo varias veces en realidad 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 solo pidieron a los participantes que hicieran dos estimaciones). [27]
Müller-Trede (2011) intentó investigar los tipos de preguntas en las que utilizar la "multitud interna" es más eficaz. Encontró que, si bien las ganancias de precisión eran menores de lo que se esperaría de promediar las estimaciones de uno con las de otro individuo, los juicios repetidos conducen a aumentos en la precisión tanto para las preguntas de estimación de años (por ejemplo, ¿cuándo se inventó el termómetro?) como para las preguntas sobre porcentajes estimados (por ejemplo, ¿qué porcentaje de usuarios de Internet se conectan desde China?). Las preguntas numéricas generales (por ejemplo, ¿cuál es la velocidad del sonido, en kilómetros por hora?) no mejoraron con los juicios repetidos, mientras que promediar los juicios individuales con los de otra persona al azar sí mejoró la precisión. Esto, sostiene Müller-Trede, es el resultado de los límites implícitos en las preguntas de año y porcentaje. [28]
Van Dolder y Van den Assem (2018) estudiaron la "multitud interna" utilizando una gran base de datos de tres competiciones de estimación organizadas por Holland Casino. Para cada una de estas competiciones, descubrieron que la agregación dentro de una persona de hecho mejora la precisión de las estimaciones. Además, también confirmaron que este método funciona mejor si hay un retraso de tiempo entre los juicios subsiguientes. Incluso con un retraso considerable entre las estimaciones, la agregación entre personas es más beneficiosa. El promedio de una gran cantidad de juicios de la misma persona es apenas mejor que el promedio de dos juicios de personas diferentes. [29]
Herzog y Hertwig (2009) intentaron mejorar la "sabiduría de muchos en una mente" (es decir, la "multitud interior") pidiendo a los participantes que utilizaran el método de bootstrapping dialéctico. El bootstrapping dialéctico implica el uso de la 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 el bootstrapping (avanzar uno mismo sin la ayuda de fuerzas externas). Postularon que las personas deberían poder hacer mayores mejoras en sus estimaciones originales basando la segunda estimación en información antitética . Por lo tanto, estas segundas estimaciones, basadas en diferentes suposiciones y conocimientos que los utilizados para generar la primera estimación, también tendrían un error diferente (tanto sistemático como aleatorio ) que la primera estimación, lo que aumenta la precisión del juicio promedio. Desde una perspectiva analítica, el bootstrapping dialéctico debería aumentar la precisión siempre que la estimación dialéctica no esté demasiado alejada y los errores de la primera estimación y de la dialéctica sean diferentes. Para probar esto, Herzog y Hertwig pidieron a los participantes que hicieran una serie de estimaciones de fechas sobre eventos históricos (por ejemplo, cuándo se descubrió la electricidad), sin saber que se les pediría que proporcionaran una segunda estimación. Luego, a la mitad de los participantes simplemente se les pidió que hicieran una segunda estimación. A la otra mitad se les pidió que usaran una estrategia de considerar lo opuesto para hacer estimaciones dialécticas (usando sus estimaciones iniciales como punto de referencia). Específicamente, se les pidió a los participantes que imaginaran que su estimación inicial estaba equivocada, que consideraran qué información podría haber sido incorrecta, qué sugeriría esta información alternativa, si eso hubiera hecho que su estimación fuera una sobreestimación o una subestimación y, finalmente, en base a esta perspectiva, cuál sería su nueva estimación. Los resultados de este estudio revelaron que si bien el bootstrapping dialéctico no superó la sabiduría de la multitud (promediando la primera estimación de cada participante con la de otro participante al azar), sí arrojó mejores estimaciones que simplemente pedirles a las personas que hicieran dos estimaciones. [30]
Hirt y Markman (1995) descubrieron que no era necesario limitar a los participantes 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 simplemente centrarse en la alternativa "opuesta") y descubrieron que el simple hecho de considerar una alternativa mejoraba sus juicios. [31]
No todos los estudios han demostrado que la "multitud interna" mejora los juicios. Ariely y sus colegas pidieron a los participantes que proporcionaran respuestas basadas en sus respuestas a preguntas de verdadero o falso y su confianza en esas respuestas. Encontraron que, si bien el promedio de las estimaciones de juicio entre individuos mejoraba significativamente las estimaciones, el promedio de las estimaciones de juicio repetidas realizadas por los mismos individuos no mejoraba significativamente las estimaciones. [32]
Las investigaciones sobre la sabiduría de las multitudes atribuyen rutinariamente la superioridad de los promedios de la multitud sobre los juicios individuales a la eliminación del ruido individual, [33] una explicación que supone la independencia de los juicios individuales entre sí. [7] [24] Por lo tanto, la multitud tiende a tomar sus mejores decisiones si está compuesta por diversas opiniones e ideologías.
El promedio puede eliminar errores aleatorios que afectan la respuesta de cada persona de una 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 de la multitud compensara los sesgos cognitivos . [34] [35]
Scott E. Page introdujo el teorema de predicción de la diversidad: “El error al cuadrado de la predicción colectiva es igual al error al cuadrado medio menos la diversidad predictiva”. Por lo tanto, cuando la diversidad en un grupo es grande, el error de la multitud es pequeño. [36]
Miller y Stevyers redujeron la independencia de las respuestas individuales en un experimento de sabiduría de las masas al permitir una comunicación limitada entre los participantes. Se pidió a los participantes que respondieran preguntas de ordenación para preguntas de conocimiento general, como el orden de los presidentes de los Estados Unidos. Para la mitad de las preguntas, cada participante comenzó con el orden enviado por otro participante (y alertado sobre este hecho), y para la otra mitad, comenzaron con un orden aleatorio, y en ambos casos se les pidió que las reordenaran (si era necesario) para el 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 de inicio aleatoria. Miller y Stevyers 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. [37]
Las multitudes tienden a funcionar mejor cuando hay una respuesta correcta a la pregunta que se plantea, como una pregunta sobre geografía o matemáticas. [38] Cuando no hay una respuesta precisa, las multitudes pueden llegar a conclusiones arbitrarias. [39] Los algoritmos de sabiduría de la multitud prosperan cuando las respuestas individuales muestran 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 promediado. 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 este problema utilizando técnicas de votación de maximización de expectativas. El algoritmo Wisdom-IN-the-crowd (WICRO) [35] ofrece una solución de clasificación de una sola pasada. Mide el nivel de experiencia de las personas evaluando la "distancia" relativa entre ellas. En concreto, el algoritmo identifica a los expertos suponiendo que sus respuestas serán relativamente "más parecidas" entre sí cuando se trate de preguntas dentro de su campo de especialización. Este enfoque mejora la capacidad del algoritmo para discernir los niveles de especialización en situaciones en las que solo un pequeño subconjunto de participantes posee competencia en un dominio determinado, mitigando el impacto de posibles sesgos que pueden surgir durante las interacciones anónimas en línea. [35] [40]
La sabiduría del efecto de la 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 robustas. [41] Esto se basa en conocer la incertidumbre y la confianza de un individuo 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 simple promedio de opiniones de personas con conocimientos e inexpertas será menos preciso que uno en el que la ponderación del promedio se basa 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 a una pregunta, intentaban llegar a un consenso, lo que a menudo hacía que la precisión de la respuesta disminuyera. Una sugerencia para contrarrestar este efecto es asegurarse de que el grupo contenga una población con antecedentes diversos. [39]
Las investigaciones del Proyecto Buen Juicio mostraron que los equipos organizados en encuestas de predicción pueden evitar consensos prematuros y producir estimaciones de probabilidad agregadas que son más precisas que las producidas en los mercados de predicción. [42]
{{cite web}}: CS1 maint: nombres múltiples: lista de autores ( enlace ) CS1 maint: nombres numéricos: lista de autores ( enlace ){{cite web}}: CS1 maint: nombres múltiples: lista de autores ( enlace ) CS1 maint: nombres numéricos: lista de autores ( enlace )