La sabiduría de la multitud

La «sabiduría de la multitud» o « sabiduría de la mayoría» expresa la idea de que la opinión colectiva de un grupo diverso e independiente de individuos (en lugar de la de un solo experto) produce el mejor juicio . ^{[ 1 ]} Este concepto, si bien no es nuevo en la Era de la Información , ha cobrado protagonismo gracias a sitios de información social como Quora , Reddit , Stack Exchange , Wikipedia , Yahoo! Respuestas y otros recursos web que se basan en el conocimiento colectivo humano. ^{[ 2 ]} Una explicación para esta suposición es que el ruido idiosincrásico asociado a cada juicio individual se reemplaza por un promedio de ese ruido tomado sobre un gran número de respuestas, lo que atenúa el efecto del ruido. ^{[ 3 ]}

El juicio por jurado puede entenderse como un proceso que se basa, al menos en parte, en la sabiduría colectiva, a diferencia del juicio ante un juez , que se basa en uno o pocos expertos. En política, a veces se recurre al sorteo como ejemplo de cómo sería la sabiduría colectiva. La toma de decisiones la realizaría un grupo diverso en lugar de un grupo o partido político relativamente homogéneo. La investigación en ciencias cognitivas ha buscado modelar la relación entre los efectos de la sabiduría colectiva y la cognición individual.

Se ha comprobado que las respuestas agregadas de un grupo numeroso a preguntas que implican estimación de cantidades, conocimientos generales del mundo y razonamiento espacial suelen ser tan buenas como, e incluso a menudo superiores a, las respuestas dadas por cualquiera de los individuos que componen el grupo.

Los teoremas del jurado, provenientes de la teoría de la elección social, proporcionan argumentos formales a favor de la sabiduría colectiva, bajo diversas suposiciones más o menos plausibles. Tanto las suposiciones como las conclusiones siguen siendo objeto de controversia, aunque los teoremas en sí mismos no lo sean. El más antiguo y sencillo es el teorema del jurado de Condorcet (1785).

Se atribuye a Aristóteles el haber sido el primero en escribir sobre la «sabiduría de la multitud» en su obra Política . ^{[ 4 ] [ 5 ]} Según Aristóteles, «es posible que muchos, aunque no sean individualmente buenos, cuando se reúnen sean mejores, no individualmente sino colectivamente, que aquellos que sí lo son, del mismo modo que las comidas públicas a las que contribuyen muchos son mejores que las que se ofrecen a costa de un solo hombre». ^{[ 6 ]}

El hallazgo clásico de la sabiduría de las multitudes implica la estimación puntual de una cantidad continua. En una feria rural celebrada en Plymouth en 1906 , 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, era precisa con una diferencia de tan solo el 1 % respecto al peso real de 1198 libras. ^{[ 7 ]} Esto ha contribuido a la comprensión, en el campo de 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 real de la cantidad que se desea estimar. ^{[ 8 ]}

En los últimos años, el fenómeno de la "sabiduría colectiva" se ha aprovechado en la estrategia empresarial, la publicidad y la investigación política. Las empresas de marketing recopilan comentarios de consumidores e impresiones de marca para sus clientes. Mientras tanto, compañías como Trada recurren a la opinión pública para diseñar anuncios basados ​​en los requisitos de sus clientes. ^{[ 9 ]} Por último, se agregan preferencias políticas para predecir o realizar pronósticos inmediatos de elecciones políticas. ^{[ 10 ] [ 11 ]}

Si bien los hallazgos clásicos sobre la sabiduría colectiva se centran en estimaciones puntuales de cantidades continuas individuales, el fenómeno también se extiende a problemas de dimensiones superiores que no se prestan a métodos de agregación como el cálculo de la media. Para estos fines, se han desarrollado modelos más complejos. Algunos ejemplos de problemas de dimensiones superiores que presentan efectos de sabiduría colectiva incluyen:

• Problemas combinatorios como los árboles de expansión mínima y el problema del viajante , en los que los participantes deben encontrar la ruta más corta entre una serie de puntos. Los modelos de estos problemas dividen el problema en partes comunes (el método de descomposición local de agregación) o encuentran soluciones que son más similares a las soluciones humanas individuales (el método de agregación de similitud global ). ^{[ 3 ] [ 12 ]}
• Problemas de ordenación como el orden de los presidentes de EE. UU. o las ciudades del mundo por población. Un enfoque útil en esta situación es el modelado thurstoniano , que da a cada participante acceso a la ordenación real, pero con diferentes grados de ruido estocástico , lo que genera varianza en la ordenación final dada por diferentes individuos. ^{[ 13 ] [ 14 ] [ 15 ] [ 16 ]}
• Problemas de bandidos multi-brazos , en los que los participantes eligen entre un conjunto de alternativas con tasas de recompensa fijas pero desconocidas para maximizar el retorno después de una serie de ensayos. Para tener en cuenta la combinación de procesos de decisión y las diferencias individuales en las probabilidades de ganar y permanecer con una alternativa dada frente a perder y cambiar a otra alternativa, se han empleado modelos bayesianos jerárquicos que incluyen parámetros para personas individuales extraídos de distribuciones gaussianas . ^{[ 17 ]}

Para seguir explorando formas de mejorar los resultados, científicos del Laboratorio de Neuroeconomía Sloan del MIT, en colaboración con la Universidad de Princeton, desarrollaron una nueva técnica denominada " sorprendentemente popular ". Ante una pregunta determinada, se pide a los participantes que den dos respuestas: la que consideran correcta y la que creen que será la opinión popular. La diferencia promedio entre ambas indica la respuesta correcta. Se descubrió que el algoritmo "sorprendentemente popular" reduce los errores en un 21,3 % en comparación con las votaciones por mayoría simple, en un 24,2 % en comparación con las votaciones ponderadas por confianza básicas, donde los participantes expresan su grado de confianza en sus respuestas, y en un 22,2 % en comparación con las votaciones ponderadas por confianza avanzadas, donde solo se utilizan las respuestas con el promedio más alto. ^{[ 18 ]}

En el contexto de la sabiduría de las multitudes, el término multitud adquiere un significado amplio. Una definición caracteriza a una multitud como un grupo de personas reunidas mediante una convocatoria abierta 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 problemas 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 diversas plataformas o emplear el análisis factorial para filtrar sesgos y ruido. ^{[ 21 ]}

Si bien las multitudes se utilizan con frecuencia en aplicaciones en línea, también pueden emplearse en contextos fuera de línea. ^{[ 19 ]} En algunos casos, se pueden ofrecer incentivos monetarios a los miembros de una multitud por su participación. ^{[ 22 ]} Ciertas aplicaciones de la "sabiduría de la multitud", como el servicio de jurado en los Estados Unidos, exigen la participación de la multitud. ^{[ 23 ]}

La idea de que las respuestas de una multitud a una tarea de estimación pueden modelarse como una muestra de una distribución de probabilidad invita a comparaciones con la cognición individual. En particular, la cognición individual puede ser probabilística en el sentido de que las estimaciones individuales se extraen 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. Esto, por supuesto, se basa en el supuesto de que el ruido asociado a 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, permitiendo que la sabiduría de la multitud tome el relevo. Otra advertencia es que los juicios de probabilidad individuales a menudo están sesgados hacia valores extremos (por ejemplo, 0 o 1). Por lo tanto, cualquier efecto beneficioso de múltiples juicios de la misma persona probablemente 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 alertados del procedimiento con anticipación, 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 les pidió que lo hicieran 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 demora 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 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. ^{[ 24 ]} Estos resultados fueron confirmados en su mayoría en una replicación preregistrada de alta potencia. ^{[ 25 ]} El único resultado que no se replicó completamente fue que un retraso en la segunda suposición genera una mejor estimación.

Hourihan y Benjamin (2010) pusieron a prueba la hipótesis de que las mejoras estimadas observadas por Vul y Pashler en la condición de respuesta demorada fueron el resultado de una mayor independencia de las estimaciones. Para ello, Hourihan y Benjamin aprovecharon las variaciones en la amplitud de memoria entre sus participantes. Como apoyo, encontraron que promediar las estimaciones repetidas de aquellos con menor amplitud de memoria mostró mayores mejoras en las estimaciones que promediar las estimaciones repetidas de aquellos con mayor amplitud de memoria. ^{[ 26 ]}

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 les informó 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 tasa a la que las estimaciones hechas por uno mismo mejoran las estimaciones en comparación con preguntar a otros. Los autores concluyeron que preguntarse a uno mismo un número infinito de veces no supera la precisión de preguntar a solo otra persona. En general, encontraron poco apoyo para una supuesta "distribución mental" de la cual los individuos extraen sus estimaciones; de hecho, encontraron que en algunos casos, preguntarse a uno mismo varias veces en realidad reduce la precisión. En última instancia, argumentan que los resultados de Vul y Pashler (2008) sobreestiman la sabiduría de la "multitud interior", ya que sus resultados muestran que preguntarse a uno mismo más de tres veces en realidad reduce la precisión a niveles inferiores a los reportados por Vul y Pashler (quienes solo pidieron a los participantes que hicieran dos estimaciones). ^{[ 27 ]}

Müller-Trede (2011) intentó investigar los tipos de preguntas en las que la utilización de la "colectividad interna" resulta más eficaz. Descubrió que, si bien las mejoras en la precisión eran menores de lo esperado al promediar las estimaciones de uno con las de otro individuo, los juicios repetidos conducían a un aumento de la precisión tanto en preguntas sobre estimación de años (p. ej., ¿cuándo se inventó el termómetro?) como en preguntas sobre porcentajes estimados (p. ej., ¿qué porcentaje de usuarios de internet se conecta desde China?). Las preguntas numéricas generales (p. ej., ¿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. Müller-Trede argumenta que esto se debe a los límites implícitos en las preguntas sobre años y porcentajes. ^{[ 28 ]}

Van Dolder y Van den Assem (2018) estudiaron el "grupo interno" utilizando una gran base de datos de tres concursos de estimación organizados por Holland Casino. Para cada uno de estos concursos, encontraron que la agregación intrapersonal mejora la precisión de las estimaciones. Además, confirmaron que este método funciona mejor si existe un retraso temporal entre juicios consecutivos. Incluso con un retraso considerable entre estimaciones, la agregación interpersonal resulta más beneficiosa. El promedio de un gran número de juicios de la misma persona es apenas mejor que el promedio de dos juicios de personas diferentes. ^{[ 29 ]}

La investigación sobre la sabiduría de las multitudes atribuye habitualmente la superioridad de los promedios colectivos sobre los juicios individuales a la eliminación del ruido individual, ^{[ 33 ]} una explicación que presupone la independencia de los juicios individuales entre sí. ^{[ 8 ] [ 24 ]} Por lo tanto, la multitud tiende a tomar sus mejores decisiones si está compuesta por opiniones e ideologías diversas.

El cálculo del promedio puede eliminar los errores aleatorios que afectan la respuesta de cada persona de manera diferente, pero no los 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 . ^{[ 34 ] [ 35 ]}

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 lo tanto, cuando la diversidad en un grupo es grande, el error de la multitud es pequeño. ^{[ 36 ]}

Henning Piezunka y Oliver Schilke aportan evidencia experimental de que las personas que participan en la agregación de opiniones con la intención de aprovechar la sabiduría colectiva a menudo no comparten su opinión sincera, sino que participan en una votación estratégica. ^{[ 37 ]}

Miller y Stevyers redujeron la independencia de las respuestas individuales en un experimento de sabiduría colectiva al permitir una comunicación limitada entre los participantes. Se les pidió a los participantes que respondieran preguntas de ordenación sobre conocimientos generales, como el orden de los presidentes de Estados Unidos. En la mitad de las preguntas, cada participante comenzó con la ordenación enviada por otro participante (y se le informó de ello), y en la otra mitad, comenzaron con una ordenación aleatoria; 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 de inicio aleatorio. Miller y Stevyers concluyen que las diferencias en el conocimiento a nivel de ítem entre los participantes son responsables de este fenómeno, y que los participantes integraron y ampliaron el conocimiento de los participantes anteriores con el suyo propio. ^{[ 38 ]}

Las multitudes tienden a funcionar mejor cuando hay una respuesta correcta a la pregunta planteada, como una pregunta sobre geografía o matemáticas. ^{[ 39 ]} Cuando no hay una respuesta precisa, las multitudes pueden llegar a conclusiones arbitrarias. ^{[ 40 ]} 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, al no poder contrarrestar los sesgos aleatorios. Este desafío es particularmente pronunciado en entornos en línea donde los individuos, a menudo con diferentes niveles de experiencia, responden de forma anónima. Algunos algoritmos de "sabiduría de la multitud" abordan este problema utilizando técnicas de votación de expectativa-maximización. El algoritmo de sabiduría en la multitud (WICRO) ^{[ 35 ]} ofrece una solución de clasificación de una sola pasada. Evalúa el nivel de experiencia de los individuos al evaluar la "distancia" relativa entre ellos. En concreto, el algoritmo identifica a los expertos partiendo de la premisa de que sus respuestas serán relativamente similares entre sí al abordar preguntas dentro de su campo de especialización. Este enfoque mejora la capacidad del algoritmo para discernir los 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 puedan surgir durante las interacciones anónimas en línea. ^{[ 35 ] [ 41 ]}

El efecto de la sabiduría colectiva se ve fácilmente comprometido. La influencia social puede provocar que el promedio de las respuestas de la multitud sea inexacto, mientras que la media geométrica y la mediana son más robustas. ^{[ 42 ]} Esto depende de conocer la incertidumbre de un individuo y la confianza en su estimación. La respuesta promedio de las personas con conocimientos sobre un tema diferirá del promedio de las personas que no tienen ningún conocimiento sobre el tema. Un promedio simple de opiniones de personas con conocimientos y sin experiencia será menos preciso que uno en el que la ponderación del promedio se base en la incertidumbre y la confianza en su respuesta.

Las organizaciones que se valen de la sabiduría colectiva pueden menoscabar el aprendizaje de sus propios miembros. ^{[ 43 ]} Cuando las organizaciones toman decisiones basándose en la sabiduría colectiva, las opiniones disidentes se marginan y no se tienen en cuenta. En consecuencia, los votantes disidentes nunca reciben retroalimentación, ya que su opinión no se traduce en acción.

Experimentos realizados por el Instituto Federal Suizo de Tecnología revelaron que, al pedirle a un grupo de personas que respondieran una pregunta en conjunto, intentaban llegar a un consenso, lo que frecuentemente disminuía la precisión de la respuesta. Una sugerencia para contrarrestar este efecto es asegurar que el grupo esté compuesto por personas con diversos orígenes. ^{[ 40 ]}

Las investigaciones del Good Judgment Project demostraron 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. ^{[ 44 ]}

• "La sabiduría de la multitud" con Marcus du Sautoy en la BBC.