Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Física# Física y sociedad# Redes sociales y de información# Econometría

Conectando elecciones individuales e influencia social

Combinando conocimientos sobre la toma de decisiones y redes sociales para promover un cambio de comportamiento.

― 8 minilectura


Estrategias de InfluenciaEstrategias de Influenciay Adopciónsociales para el cambio.Combinando ideas individuales y
Tabla de contenidos

Abordar problemas como la salud pública y el cambio climático a menudo requiere que grandes grupos de personas acepten nuevos productos o comportamientos. Esto puede ser complicado. Estudiosos de cómo las personas toman decisiones sugieren que para una adopción exitosa, necesitamos entender mejor qué motiva a la gente a elegir ciertas opciones. Por otro lado, los métodos que vienen de entender las Redes Sociales se centran en cómo difundir un producto o comportamiento específico a través de redes de personas.

Ha habido un impulso para combinar estos dos enfoques, pero lograrlo ha resultado complicado. Este artículo muestra cómo juntar estas perspectivas puede ayudar a crear políticas que promuevan la aceptación generalizada de ciertos comportamientos o productos.

Usando teorías sobre cómo se difunden ideas y comportamientos en redes, así como teorías sobre decisiones individuales, proponemos una manera de medir qué tan probable es que las personas adopten nuevos comportamientos. Probamos nuestras ideas a través de dos experimentos y encontramos que las decisiones individuales se pueden predecir según cómo responden a sus redes sociales.

Desafíos Globales y Respuestas Políticas

Los problemas globales necesitan respuestas efectivas. Por ejemplo, durante la pandemia de COVID-19, los gobiernos exigieron a las personas que siguieran comportamientos específicos, como usar mascarillas y quedarse en casa cuando están enfermos. Este tipo de enfoques a veces funciona, pero también puede haber resistencia o falta de cumplimiento.

En otras áreas como transporte, salud y uso de energía, incluso cuando hay opciones que podrían reducir significativamente las emisiones, convencer a la gente de adoptar prácticas sostenibles puede ser complicado. Aunque muchas tecnologías y comportamientos sostenibles son bien conocidos, persuadir al público para que los adopte sigue siendo un gran reto.

Para informar políticas orientadas a fomentar el cambio social, los investigadores a menudo debaten dos enfoques principales. Uno se centra en entender la Toma de decisiones individual para identificar qué impulsa las elecciones de las personas. El otro observa cómo el Comportamiento Colectivo se forma a través de redes sociales sin profundizar demasiado en las motivaciones individuales. Ambos métodos tienen ideas valiosas, pero a menudo operan de manera independiente.

La Desconexión entre el Comportamiento Individual y la Dinámica Colectiva

La investigación sobre la toma de decisiones individuales generalmente busca una comprensión detallada de qué influye en las elecciones. Sin embargo, esta complejidad significa que los resultados pueden no aplicarse directamente a un comportamiento social más amplio. Por otro lado, los enfoques computacionales sobre el comportamiento colectivo tienden a simplificar las elecciones individuales para encontrar patrones en los comportamientos de grupo, lo que podría pasar por alto cómo las diferencias individuales impactan en la dinámica social.

Ambas perspectivas han llamado a una mejor integración para ayudar a los formuladores de políticas a responder efectivamente a desafíos globales complejos. Este artículo espera cerrar la brecha explorando ambos enfoques en el contexto de la adopción de nuevos productos o comportamientos.

La Teoría del Contagio Complejo

La teoría principal para modelar el cambio social se basa en el concepto de contagio complejo. Esta teoría describe cómo se difunden nuevas ideas y comportamientos en diversos contextos. En muchos casos, una persona es más propensa a adoptar un nuevo comportamiento si un número significativo de sus contactos sociales ya lo ha hecho. Este método se basa en la suposición de que los individuos tienen un umbral específico que necesitan ver cumplido antes de adoptar un nuevo comportamiento.

Sin embargo, hay una sorprendente falta de evidencia empírica sobre estos umbrales a nivel individual. Este artículo demuestra que estos umbrales se pueden estimar utilizando modelos de estudios de comportamiento, lo que nos permite entender mejor cómo las elecciones individuales se relacionan con patrones más amplios de adopción.

Impulsores Conductuales de la Adopción

Al considerar un nuevo producto o comportamiento, la elección de una persona a menudo dependerá tanto de las cualidades del producto como de la influencia de sus contactos sociales. Por ejemplo, una persona podría estar más inclinada a adoptar una nueva tecnología si una buena parte de sus amigos ya la está usando.

Definimos el umbral de adopción como el nivel mínimo de influencia social necesario para que alguien sienta que adoptar la nueva opción es preferible a quedarse en su situación actual. Usando modelos de la ciencia del comportamiento, vinculamos las preferencias personales con estas influencias sociales. Este enfoque estructurado puede ayudar a identificar quién es más probable que adopte un nuevo comportamiento según su entorno social.

Enfoque Experimental y Resultados

Para confirmar nuestro método, realizamos dos experimentos que se centraron en diferentes contextos: uno relacionado con políticas de energía renovable y el otro con la adopción de una nueva aplicación de mensajería. En ambos casos, se les dio a los participantes opciones entre diferentes alternativas, cada una descrita por múltiples características y su nivel de influencia social.

El primer experimento evaluó el apoyo a políticas de captura de carbono, mientras que el segundo miró qué aplicación de mensajería podrían considerar los participantes. En ambos casos, estimamos la disposición de los individuos a adoptar según las características de las opciones presentadas.

Descubrimos que los umbrales de adopción se podían estimar con precisión a partir de los datos recogidos, y estas estimaciones resultaron ser fiables al hacer predicciones sobre las elecciones individuales.

Adoptadores Independientes vs. Susceptibles

Un hallazgo clave de nuestros experimentos es la distinción entre diferentes tipos de adoptadores. Algunos individuos toman decisiones independientemente de las influencias sociales, mientras que otros son más susceptibles a lo que piensan sus pares. Medimos el porcentaje de individuos que caen en estas categorías en diferentes contextos.

Los resultados mostraron una variación significativa en cómo los individuos respondieron a las señales sociales. Por ejemplo, la adopción de políticas de energía mostró un comportamiento más independiente en comparación con la adopción de aplicaciones de mensajería. Esto resalta la importancia de entender el contexto al analizar la influencia social.

Implicaciones para la Formulación de Políticas

Dadas estas ideas, está claro que las políticas diseñadas para promover el cambio social deberían considerar los umbrales estimados para los individuos. Los enfoques tradicionales a menudo dependen de la centralidad de la red, lo que puede pasar por alto los matices de los impulsores conductuales de la adopción.

Presentamos varias políticas basadas en nuestros hallazgos, enfocándonos en cómo iniciar efectivamente la difusión de nuevos comportamientos. Por ejemplo, políticas que priorizan a individuos con bajos umbrales o aquellos rodeados de muchos contactos susceptibles pueden superar significativamente las prácticas estándar basadas únicamente en métricas de centralidad.

Consideraciones para Políticas Efectivas de Difusión

Al buscar promover la adopción de nuevos comportamientos, es crucial identificar a qué individuos se debe apuntar primero. Los hallazgos sugieren que adaptar políticas basadas en características conductuales es más efectivo que simplemente apuntar a nodos altamente conectados en redes sociales.

Por ejemplo, una política que toma en cuenta la cantidad de vecinos susceptibles alrededor de un individuo puede dar mejores resultados que una política basada solo en el grado de centralidad del individuo.

Conclusión

En resumen, integrar los conocimientos conductuales a nivel individual con las dinámicas colectivas ofrece una vía prometedora para mejorar las intervenciones de cambio social. Entender cómo las personas toman decisiones y cómo estas decisiones operan dentro de redes sociales puede informar políticas más efectivas para promover nuevos comportamientos.

A medida que continúan evolucionando los métodos de recolección de datos y las técnicas de análisis, hay oportunidades para refinar y expandir estos enfoques. La investigación futura debería centrarse en adaptar el marco a diferentes contextos y abordar las complejidades que surgen cuando las dinámicas colectivas influyen en las preferencias individuales. Con este conocimiento, los responsables de políticas estarán mejor equipados para enfrentar problemas globales urgentes y generar un cambio significativo en la sociedad.

Fuente original

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

Resumen: Addressing global challenges -- from public health to climate change -- often involves stimulating the large-scale adoption of new products or behaviors. Research traditions that focus on individual decision making suggest that achieving this objective requires better identifying the drivers of individual adoption choices. On the other hand, computational approaches rooted in complexity science focus on maximizing the propagation of a given product or behavior throughout social networks of interconnected adopters. The integration of these two perspectives -- although advocated by several research communities -- has remained elusive so far. Here we show how achieving this integration could inform seeding policies to facilitate the large-scale adoption of a given behavior or product. Drawing on complex contagion and discrete choice theories, we propose a method to estimate individual-level thresholds to adoption, and validate its predictive power in two choice experiments. By integrating the estimated thresholds into computational simulations, we show that state-of-the-art seeding methods for social influence maximization might be suboptimal if they neglect individual-level behavioral drivers, which can be corrected through the proposed experimental method.

Autores: Radu Tanase, René Algesheimer, Manuel S. Mariani

Última actualización: 2024-05-21 00:00:00

Idioma: English

Fuente URL: https://arxiv.org/abs/2405.13224

Fuente PDF: https://arxiv.org/pdf/2405.13224

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.

Artículos similares