El estudio de las redes ha aumentado muchísimo durante los últimos años. Los científicos han medido, simulado y puesto a prueba casi todas las redes sociales existentes.
Y al hacerlo han descubierto todo tipo de propiedades fascinantes con las que comprender mejor la propagación de la información y el papel que desempeñan las personas en ese proceso. En particular, los teóricos saben desde hace mucho tiempo que las personas mejor conectadas juegan un papel más importante en una red, ya que permiten que la información se propague de forma más eficiente. Estos individuos son de particular interés cuando se trata de la difusión de noticias personales e incluso la propagación de enfermedades.
No resulta difícil darse cuenta del grado de ignorancia que han tenido desde siempre los humanos acerca de estas redes, dada su complejidad intrínseca y la complejidad de las mediciones necesarias para calcular la conexión de cada nodo dentro de ellas. Por ese motivo los teóricos han dedicado mucho tiempo y esfuerzo a elaborar formas de encontrar a las personas mejor conectadas. Esto normalmente implica crear mapas de toda la red, medir la conectividad de cada individuo y después clasificarlos en consecuencia, un enfoque que requiere mucho tiempo y resulta caro, especialmente en grandes redes.
Abhijit Banerjee desde el Instituto de Tecnología de Massachusetts (EEUU) y algunos colegas aseguran que existe una forma mejor, más rápida y más barata. Han descubierto que si le pides a la gente que nombre a las personas en su red social más capaces de difundir una noticia personal, el grado de identificación es realmente bueno. Esto resulta extraordinario porque la gente no tiene forma de conocer la estructura general de la red social.
Banerjee y compañía hicieron su descubrimiento mediante el estudio de la red de vínculos entre individuos de 75 poblaciones rurales en el suroeste de la India. Midieron las redes preguntando a las personas a quién visitaban, quiénes venían de visita, con quién estaban relacionadas, a quién pedían dinero prestado, a quiénes se lo prestaban, y así sucesivamente.
A continuación, hicieron la siguiente pregunta a personas en 35 aldeas: "Si quisiéramos difundir información sobre un nuevo producto de crédito a todo el mundo en su pueblo, ¿con quién nos sugiere que hablemos?"
Los resultados proporcionan información fascinante acerca de los conocimientos que acumulan los humanos sobre sus redes sociales. Cuando la gente respondió a la pregunta (y muchos no lo hicieron), identificaron de forma certera a aquellos individuos centrales dentro de la aldea.
Es posible que estas personas simplemente nombraran al jefe de la aldea o a alguien que viviera en el centro. Pero puesto que Banerjee y su equipo ya tenían un conocimiento detallado de la red, fueron capaces de descartar esta posibilidad.
De hecho, los encuestados tendían a mencionar a personas más centrales en la red que el jefe de la aldea o la persona más céntrica geográficamente. "Esto sugiere que las personas pueden utilizar protocolos sencillos para aprender cosas valiosas sobre los sistemas complejos en los que están inmersas", señala Banerjee y su equipo.
Entonces, ¿cómo es posible que la gente conozca a los individuos más centrales de la red sin tener ningún conocimiento más amplio de la estructura de dicha red? Banerjee y compañía creen tener una respuesta.
Primero simularon la red social y luego se imaginaron de qué modo un individuo dentro de ella podría averiguar quién era el individuo más conectado. Los teóricos de redes suelen tratar este problema mediante la adición de información a la red desde un nodo determinado, para después observar cómo se propaga a través del tiempo. El nodo desde el que se extienda más lejos es entonces el más conectado, el mejor difusor de noticias personales.
Pero en vez de observar cómo se envía la información por la red, Banerjee y compañía simularon el modo en que un único nodo dentro de ella podría recibir la información. Después permitieron que la información se filtrara a través de la red y vieron lo que pasaba.
Un factor crucial es que se aseguraron de que la información fuera como una noticia real, es decir, que estuviera referida a la persona específica de la que procedía. Por ejemplo, "Chad tiene un coche nuevo" o "A Fred tocó la lotería", y así sucesivamente.
Un individuo dentro de la red recibe la noticia dependiendo de lo bien que se extienda. Esto hace que la gente tenga una buena estimación del grado de conexión de otro individuo simplemente contando el número de veces que oyen noticias sobre ellos.
Cuantas más noticias haya sobre una persona, más conectada debe estar. "Esto sugiere que los individuos pueden clasificar a otros de acuerdo a su centralidad en las redes, aun sin conocer la red", señalan Banerjee y compañía.
Es un resultado importante. Hasta ahora, la única forma de determinar los individuos mejor conectados era midiendo al completo la estructura de la red para luego simularla y averiguar cómo fluye la información a través de ella.
El nuevo trabajo sugiere una forma mucho más simple y barata de conseguir los mismos datos, simplemente preguntando a la gente. "Sonsacar la centralidad que ocupan los miembros en una red simplemente preguntando a otras personas podría ser una herramienta de regulación e investigación de bajo coste", afirman Banerjee y su equipo.
En cierto modo, no resulta sorprendente que los seres humanos puedan llegar a comprender con precisión ciertas propiedades de su red social sin conocer la estructura detallada. Después de todo, hemos vivido y evolucionado en estas redes desde tiempos inmemoriales.
Banerjee y su equipo han averiguado cómo hacerlo y plantean la posibilidad de que puedan existir otros atajos sencillos para evaluar las redes. Ahora son los responsables políticos, los epidemiólogos y los profesionales del marketing los que tienen que encontrar la forma de sacar partido del descubrimiento.
Así que no te extrañes si alguien te pregunta quién es la persona de la que más se habla en tu red en una encuesta en un futuro no muy lejano.
Ref: arxiv.org/abs/1406.2293 : Gossip: Identifying Central Individuals In A Social Network