Por qué internet nos polariza (y las matemáticas lo explican)

El problema

Abre cualquier red social. En menos de cinco minutos ya identificaste a los "tuyos" y a los "otros". No es accidental. Detrás de la polarización hay un mecanismo que los matemáticos pueden simular con ecuaciones sorprendentemente simples.

En 2017, investigadores de la IMT de Lucca, la Sapienza de Roma y la Universidad de Boston publicaron un modelo que captura cómo el sesgo de confirmación — nuestra tendencia a aceptar solo lo que confirma lo que ya creemos — produce polarización cuando se combina con la influencia social.

La pregunta es: ¿qué pasa cuando una sociedad entera opera bajo sesgo de confirmación? Depende de cómo reacciones al desacuerdo. Aquí lo vas a ver con tus propios ojos.

Nivel 1: Solo hablo con los que piensan parecido

Imagina una red de personas, cada una con una opinión representada como un color: azul (extremo 0) a rojo (extremo 1). Cuando dos personas conectadas se encuentran, revisan si sus opiniones son lo bastante cercanas — es decir, si la diferencia entre ellas cae dentro de un umbral de tolerancia (ε). Si sí, conversan y se acercan mutuamente. Si no, simplemente se ignoran.

¿Qué tanto se mueven en cada conversación? Eso lo controla la convergencia (μ). Un μ alto significa que una sola conversación puede cambiar mucho tu opinión; un μ bajo significa que eres más terco y se necesitan muchos encuentros para que tu posición se mueva.

Este es el modelo clásico conocido como Bounded Confidence Model (BCM). Es la versión más básica del sesgo de confirmación: "si piensas muy diferente a mí, no te hago caso".

Presiona Iniciar y observa qué pasa. Luego experimenta bajando la tolerancia (ε) hasta 0.10 o subiéndola hasta 0.45.

Qué deberías ver

• Tolerancia alta (ε > 0.35): las opiniones convergen al centro. Todos terminan de acuerdo — consenso.
• Tolerancia baja (ε < 0.15): la población se fragmenta en muchos clusters pequeños, pero no se forma una división en "dos bandos".

La conclusión clave: ignorar al que piensa distinto produce fragmentación, pero no produce bipolarización. El BCM clásico no puede explicar lo que vemos en redes sociales. Falta un ingrediente.

Nivel 2: El desacuerdo me empuja al extremo opuesto

¿Y si no solo ignoras a quien piensa diferente, sino que su opinión te repele? Cuando lees un argumento con el que estás en desacuerdo profundo, no te quedas igual — te refuerzas en tu posición. Te vuelves más extremo.

Este es el Unbounded Confidence Model (UCM). La diferencia con el BCM: aquí todas las interacciones cuentan. Si las opiniones son cercanas, se atraen (igual que antes). Si son lejanas, se repelen — cada persona se aleja activamente de la posición del otro.

Cambia entre BCM y UCM usando las pestañas y observa la diferencia.

Qué deberías ver

En modo UCM, el histograma desarrolla dos picos claros en los extremos. Aunque las opiniones empezaron distribuidas uniformemente, la repulsión entre opiniones discordantes empuja a la población hacia los polos. Esto es bipolarización — exactamente lo que observamos en la realidad.

Un ejercicio revelador: inicia en modo BCM con ε = 0.15 y observa los clusters fragmentados. Luego, sin reiniciar, cambia a UCM. Observa cómo los clusters comienzan a migrar hacia los extremos.

Nivel 3: La cámara de eco

Hay un paso más. En redes sociales no solo te repele quien piensa diferente — también puedes dejar de seguirlo. Cortar el vínculo. Y el algoritmo te sugiere a alguien que piense más parecido a ti.

Este es el Rewire with Unbounded Confidence Model (RUCM). Además de la repulsión del UCM, cuando dos personas discordantes interactúan, una de ellas corta el vínculo con la otra y se reconecta con alguien nuevo (potencialmente más afín).

Qué deberías ver

La polarización ocurre más rápido que en el UCM puro. Pero lo más importante es lo que pasa con la red: observa cómo los enlaces se reestructuran. La red se parte en dos clusters separados, densamente conectados internamente pero desconectados entre sí.

Eso es una cámara de eco: un grupo donde todos piensan parecido, todos están conectados entre sí, y nadie tiene contacto con el otro lado.

¿Qué nos dice esto?

Los tres niveles del modelo revelan una progresión:

1. Ignorar al que piensa distinto produce fragmentación, pero no bipolarización.
2. Rechazar activamente al que piensa distinto produce bipolarización — dos polos enfrentados.
3. Aislar (rechazar + cortar vínculos) produce bipolarización acelerada con cámaras de eco.

El hallazgo más importante: la polarización no requiere manipulación externa. No necesitas bots, algoritmos maliciosos ni campañas de desinformación. Basta con dos ingredientes que ya están en nuestra psicología: prestar atención solo a los afines, y alejarnos de los que piensan diferente.

La tolerancia (ε) funciona como una palanca. Si aumentas tu disposición a escuchar opiniones diferentes, el sistema puede alcanzar consenso. Si la reduces, la polarización se vuelve inevitable.

Nota sobre el modelo

Este simulador está basado en el paper "Modeling confirmation bias and polarization" de Del Vicario, Scala, Caldarelli, Stanley y Quattrociocchi, publicado en Scientific Reports (2017). Los modelos originales usan condiciones de frontera periódicas y redes de 2000 nodos; aquí usamos una versión simplificada para que sea interactiva en el navegador, pero los comportamientos cualitativos se preservan.

Combinaciones de parámetros que vale la pena explorar

Al correr cada modelo sistemáticamente con distintas combinaciones de ε y μ, aparecen patrones sorprendentes. Aquí están los más interesantes — pruébalos tú mismo en los simuladores de arriba.

Nivel 1: BCM (Ignorar)

• ε=0.15, μ=0.15 — Fragmentación máxima (~7 clusters). Este es el "punto dulce" donde la tolerancia permite la mayor cantidad de grupos estables distintos. Ni más bajo ni más alto produce tantos fragmentos.
• ε=0.05 vs ε=0.10 — Menos tolerancia ≠ más fragmentos. Contraintuitivamente, ε=0.05 produce menos clusters (~2-3) que ε=0.10 (~3-5). Con tolerancia extremamente baja, los grupos posibles son tan estrechos que solo caben 2-3 en todo el espectro [0,1].
• ε=0.45 — Zona probabilística. A veces consenso, a veces dos grupos. El resultado depende de la red inicial. Repite varias veces con "Reiniciar" para verlo.
• μ=0.01 vs μ=0.50 — Mismo destino, distinta velocidad. La convergencia (μ) casi no afecta el resultado final en BCM. Solo cambia cuántos pasos tarda. El número de clusters es prácticamente idéntico.

Nivel 2: UCM (Rechazar)

• Cualquier combinación — Siempre bipolariza. Este es el hallazgo más impactante. Probamos 80 combinaciones distintas de ε y μ. En todas, el resultado fue bipolarización completa: dos polos, 100% de la población en los extremos. Ni ε=0.50 (máxima tolerancia) ni μ=0.01 (mínima convergencia) evitan la bipolarización. La repulsión activa es una fuerza imparable.
• ε=0.50, μ=0.01 — Bipolarización en cámara lenta (~97,000 pasos). Mismo destino que ε=0.05, μ=0.50 — solo que tarda 20 veces más. La tolerancia máxima no salva del rechazo activo.

Nivel 3: RUCM (Aislar) — Aquí están las sorpresas

• ε=0.35, μ=0.05 → Consenso total. El modelo más agresivo (repulsión + cámaras de eco) produce consenso perfecto. ¿Cómo? Con convergencia lenta, las personas se desconectan de los discordantes antes de ser empujadas a extremos. La reconexión elimina las interacciones tóxicas, y lo que queda son solo interacciones de atracción.
• ε=0.35, μ=0.10 → Bipolarización (87%). Apenas subimos μ de 0.05 a 0.10, el sistema salta abruptamente de consenso a bipolarización. Es una transición de fase: si la convergencia es rápida, la repulsión actúa antes de que la reconexión la neutralice.
• ε=0.30, μ=0.01 → 80% de las veces termina en consenso. Otro caso contraintuitivo: baja tolerancia + mínima convergencia + aislamiento = consenso. La lentitud protege.
• ε=0.40, μ=0.10 → Resultado impredecible. Punto de bifurcación: unas veces consenso, otras bipolarización. El resultado depende de la configuración inicial aleatoria.
• ε=0.50, μ=0.15 → 40% consenso, 60% bipolarización. Otro punto inestable. Con tolerancia máxima, la frontera entre consenso y bipolarización está alrededor de μ=0.10-0.15.
• ε=0.05, μ=0.01 → Caos (~3.8 clusters irregulares). Ni bipolarización limpia ni consenso. La red se fragmenta antes de que la repulsión pueda crear dos polos claros. El resultado es caótico y distinto al de UCM o BCM.
• ε=0.20, μ=0.01 → Estado intermedio congelado. 3-4 clusters moderados, nadie en los extremos. La red queda "atrapada" en una configuración donde la reconexión protege a los moderados.

La lección del RUCM: Las cámaras de eco no siempre polarizan. Si la gente cambia de opinión lentamente (μ bajo) y tiene tolerancia moderada (ε ≥ 0.30), el aislamiento funciona como un filtro protector — elimina las interacciones que polarizarían. Pero si la velocidad de cambio sube incluso un poco, la repulsión gana la carrera y el sistema colapsa en dos polos.

Referencias

• Del Vicario, M., Scala, A., Caldarelli, G., Stanley, H. E., & Quattrociocchi, W. (2017). Modeling confirmation bias and polarization. Scientific Reports, 7, 40391.
• Hegselmann, R., & Krause, U. (2002). Opinion dynamics and bounded confidence models, analysis, and simulation. Journal of Artificial Societies and Social Simulation, 5(3).
• Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220.