Por qué internet nos polariza (y las matemáticas lo explican)
Un modelo matemático interactivo que muestra cómo el sesgo de confirmación genera polarización en redes sociales.
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. Desplázate para verlo con tus propios ojos.
La simulación
Cada punto es una persona. Su color representa su opinión: azul (extremo 0) a rojo (extremo 1). Las líneas son conexiones entre personas. El histograma de abajo muestra cómo se distribuyen las opiniones.
A medida que avances por el texto, la simulación cambiará de modelo y parámetros automáticamente. Observa cómo reacciona la red.
Observa cómo las opiniones se agrupan en clusters. Nadie va a los extremos.
Empecemos con el escenario más simple. Imagina una red de personas donde cada una tiene una opinión al azar. Cuando dos personas conectadas se encuentran, revisan si sus opiniones son lo bastante cercanas — si caen dentro de un umbral de tolerancia (ε).
Si sí, conversan y se acercan. Si no, simplemente se ignoran. La convergencia (μ) controla cuánto se mueve cada persona en un encuentro.
Este es el Bounded Confidence Model (BCM): "si piensas muy diferente a mí, no te hago caso".
Tolerancia alta = consenso.
Con ε=0.45, casi todas las opiniones caen dentro del rango de tolerancia de los demás. Las personas conversan, se acercan, y la población entera converge al centro.
Cuando estás dispuesto a escuchar a casi todos, el resultado es acuerdo generalizado.
Tolerancia baja = fragmentación.
Con ε=0.10, solo hablas con quien ya piensa casi igual que tú. La población se fragmenta en muchos clusters pequeños, esparcidos por todo el espectro.
Pero fíjate: no hay bipolarización. No se forman "dos bandos". Hay muchos grupos, no dos. El BCM no puede explicar lo que vemos en redes sociales. Falta un ingrediente.
Ahora cambiamos todo. ¿Y si no solo ignoras a quien piensa diferente, sino que su opinión te repele?
Cuando lees un argumento con el que estás en profundo desacuerdo, no te quedas igual. Te refuerzas en tu posición. Te vuelves más extremo.
Este es el Unbounded Confidence Model (UCM). 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.
Bipolarización. El histograma muestra dos picos claros en los extremos. Aunque las opiniones empezaron distribuidas uniformemente, la repulsión entre opiniones discordantes empujó a toda la población hacia los polos.
Esto es exactamente lo que observamos en la realidad: dos bandos enfrentados, con poco espacio para posiciones intermedias.
El dato más impactante del UCM: esto pasa con cualquier combinación de parámetros. Ni la tolerancia máxima (ε=0.50) ni la convergencia mínima (μ=0.01) evitan la bipolarización.
Si rechazas activamente a quien piensa distinto, la polarización es inevitable. Solo cambia la velocidad.
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 más afín.
Este es el RUCM. Además de la repulsión, cuando dos personas discordantes interactúan, una corta el vínculo con la otra y se reconecta con alguien nuevo.
La cámara de eco en acción. La polarización ocurre más rápido que en el UCM puro. Pero lo más importante es lo que pasa con la red: 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.
Pero aquí viene la sorpresa más grande. ¿Qué pasa si bajamos la velocidad de convergencia en el RUCM?
Con ε=0.35 y μ=0.05, el modelo más agresivo — el que tiene repulsión y cámaras de eco — produce consenso total.
¿Cómo? Con convergencia lenta, las personas se desconectan de los discordantes antes de ser empujadas a extremos. La reconexión elimina las interacciones tóxicas. Lo que queda son solo interacciones de atracción.
Transición de fase. Apenas subimos μ de 0.05 a 0.10 — un cambio mínimo — el sistema salta abruptamente de consenso a bipolarización.
Es como el punto de congelación del agua: un cambio continuo en el parámetro produce un cambio discontinuo en el resultado. Si la convergencia es rápida, la repulsión actúa antes de que la reconexión la neutralice.
¿Qué nos dice todo esto?
Los tres modelos revelan una progresión: ignorar produce fragmentación. Rechazar produce bipolarización inevitable. Aislar produce bipolarización acelerada con cámaras de eco — excepto cuando la gente cambia lentamente.
La polarización no requiere manipulación externa. Basta con dos ingredientes ya presentes en nuestra psicología: prestar atención solo a los afines, y alejarnos de los que piensan diferente.
Pero también hay esperanza: la velocidad importa. Si tomamos las cosas con calma, incluso los mecanismos más extremos pueden llevar al consenso.
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 — vuelve al simulador y pruébalos.
BCM (Ignorar)
- ε=0.15, μ=0.15 — Fragmentación máxima (~7 clusters). El "punto dulce" donde la tolerancia permite la mayor cantidad de grupos estables distintos.
- 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).
- ε=0.45 — Zona probabilística. A veces consenso, a veces dos grupos. El resultado depende de la red inicial.
- μ=0.01 vs μ=0.50 — Mismo destino, distinta velocidad. La convergencia casi no afecta el resultado final en BCM.
UCM (Rechazar)
- Cualquier combinación — Siempre bipolariza. 80 combinaciones probadas. En todas, bipolarización completa. La repulsión activa es imparable.
- ε=0.50, μ=0.01 — Bipolarización en cámara lenta (~97,000 pasos). Mismo destino, solo más lento.
RUCM (Aislar) — Las sorpresas
- ε=0.35, μ=0.05 → Consenso total. Las cámaras de eco, con convergencia lenta, funcionan como filtro protector.
- ε=0.35, μ=0.10 → Bipolarización (87%). Transición de fase: μ sube de 0.05 a 0.10 y el sistema cambia abruptamente.
- ε=0.30, μ=0.01 → 80% consenso. Baja tolerancia + mínima convergencia + aislamiento = consenso.
- ε=0.40, μ=0.10 → Resultado impredecible. Punto de bifurcación: unas veces consenso, otras bipolarización.
- ε=0.50, μ=0.15 → 40% consenso, 60% bipolarización. Otro punto inestable.
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.