Simulación Social, Antecedentes, Problemática Y Uso Actual

Simulación Social, Antecedentes, Problemática Y Uso Actual.

Bogart Yail Márquez Lobato
Universidad Autónoma de Baja California
Doctorado en Ciencias e Ingeniería.
Bogart@uabc.mx

Resumen
La simulación social nos ayuda en muchos casos a poder experimentar un problema social evitando costos y posibles peligros. Hoy en día existen aplicaciones muy complejas en las que se aplican los simuladores. Este artículo ofrece un panorama general de conceptos y la problemática de la simulación social, utilizado para modelar procesos sociales sirviendo como herramienta en la investigación de diferentes áreas de las ciencias sociales. También se presentan los distintos conceptos desde la perspectiva de varios autores y algunas aplicaciones. Finalmente, se brindan algunas reflexiones acerca de esta técnica.

Palabras clave: modelización, simulación social, ciencias sociales, sistemas complejos.

Conceptualizaciones de la Simulación social

Para entender que es la simulación social, definiremos primero el término simulación como la imitación de la operación de un proceso del mundo real o sistema en un rango de tiempo, implicando la generación de una historia artificial de un sistema, y la observación de esa historia.(Banks, Carson et al. 2000). Ahora bien la simulación social consiste básicamente en generar mundos sociales artificiales con la capacidad de producir resultados similares a los del mundo social real, lo que permite su control, reciclaje, cambio de parámetros, etc., lo que no es propio de la modelación matemática. Sin embargo, la simulación no está exenta de los riesgos de la simplificación , pues necesariamente todo modelo es un esquema para representar los fenómenos y procesos sociales (Gershenson 2002).

Las ciencias sociales ha usado la simulación como una tercera forma de hacer ciencia, en contraste con la inducción y deducción. El manejo de la simulación como herramienta es una técnica novedosa y de rápido crecimiento en el campo de las ciencias sociales. Como la mayoría de las técnicas nuevas en los campos, la promesa es mayor que la demostración de sus logros. (Axelrod 1997). Cuando se habla de sistemas sociales se debe tener ciertas características básicas en las organizaciones; una de ellas es que las consecuencias de los sistemas sociales son probabilísticas y no-determinísticos. Además el comportamiento humano nunca será totalmente previsible, ya que las personas son complejas. Por esto, la administración no puede esperar a que consumidores, proveedores, agencias reguladoras y otros, tengan un comportamiento previsible (Suarez 2008).

Algunos autores como Davidsson denomina la simulación social entre las ciencias sociales y la simulación por computadora normalmente denominándola (SocSim) y corresponde a la simulación de los fenómenos sociales en una computadora con cualquier técnica de simulación y se suele utilizar modelos sencillos de simulación de las entidades sociales, por ejemplo: autómatas celulares, objetos, que son capaces de realizar una interacción muy elemental (Davidsson 2002)
Antecedentes de la simulación social.

La ciencia computacional social se basa en la idea de construir modelos y luego utilizarlos para comprender el mundo social. La creación de los modelos en las ciencias sociales fue mucho antes que el uso de las computadoras, pero se da a conocer cuando los métodos estadísticos comenzaron a ser utilizados para analizar grandes cantidades de datos cuantitativos como es en la economía y la demografía. Un modelo está destinado a representar o simular datos reales de fenómenos existentes, siendo el principal objetivo. (Gilbert 2007).

La simulación tiene una historia que se remonta a principios de las primeras computadoras, pero si miramos específicamente a la historia de la simulación de las sociedades, la historia es mucho más corta. Durante los años cincuenta y sesenta, hubo una gran cantidad de investigación que trató de modelar macro-procesos que abarcara el mundo entero. El ejemplo más conocido es el Club de Roma por el trabajo de Meadows utilizando las ideas desarrolladas por Forrester. En el cual construía un modelo de interrelación de la población, los niveles de contaminación, la disponibilidad de los recursos naturales y las reservas de capital. Las simulaciones fueron grandes innovaciones, pero su metodología fue duramente criticada y por consiguiente, llegó a ser considerado como un experimento fallido en los años 1970 y 1980 (Gilbert 1999). Como autores como Alker (1974) que expuso en un artículo semilla, que la simulación es a veces encontrada "poco elegante" y “ateórica" comparada con los modelos matemáticos. Este autor menciona que las simulaciones sociales no son más válidas y, si están pobremente formalizadas, incluso menos válidas que las teorías que se incorporan. Tales simulaciones no se deben exponer al rumor o falsedad automáticamente como matemáticas poco elegantes.

No fue sino hasta finales de 1980 y 1990, que resurgió de simulación social, después de haber aprendido algunas duras lecciones del pasado.(Gilbert 1999).

Hoy en día el resultado de simulaciones han demostrado proporcionar una poderosa alternativa para complementar, sustituir y ampliar los enfoques tradicionales de enseñanza en un ámbito como el cambio y la gestión de la innovación, ofreciendo una oportunidad de aplicar los modelos de la dinámica de organización social (Angehrn 2004).

La simulación social muestra cómo esta nueva metodología es adecuada para el análisis de los fenómenos sociales que son inherentemente complejos. Si bien la idea de la simulación ha tenido enorme influencia en la mayoría de las áreas de la ciencia, e incluso en la programación de juegos, donde ya hay una emulación de las sociedades teniendo un impacto significativo en las ciencias sociales. El avance se produjo cuando se dieron cuenta de que los programas computacionales ofrecen la posibilidad de crear artificialmente sociedades en las que las personas y actores colectivos, pueden ser organizaciones representadas directamente y observar el efecto de sus interacciones. Esto proporcionó la posibilidad de utilizar métodos experimentales con los fenómenos sociales, y la utilización de código de computadora como una manera de formalizar las teorías dinámicas sociales (Suarez 2008).

La simulación social puede contribuir a la comprensión de los procesos sociales; o algún tipo de teoría o modelo. En general, esas teorías se exponen en forma textual, aunque a veces la teoría se representa como una ecuación; una tercera forma es expresar las teorías como los programas computacionales. Los procesos sociales pueden ser simulados en la computadora. En algunas circunstancias, incluso es posible llevar a cabo experimentos sobre los sistemas sociales artificialmente que sería totalmente imposible o poco ético para llevarlo a cabo en las poblaciones humanas (Gilbert 2007).

Cada relación con el modelo debe ser especificado exactamente y cada parámetro; de lo contrario será imposible ejecutar la simulación. Esta disciplina implica también que el modelo sea potencialmente abierto a la inspección por otros investigadores, en todos sus detalles. Estos beneficios de la claridad y la precisión también tienen desventajas, sin embargo. Simulaciones de procesos sociales complejos implican la estimación de muchos parámetros y datos adecuados para hacer las estimaciones que pueden ser difíciles de encontrar. Otro beneficio de la simulación es que, en algunas circunstancias, puede dar ideas sobre la "aparición" de los fenómenos a nivel macro de las acciones a nivel micro. Por ejemplo, una simulación de la interacción de los individuos puede revelar patrones claros de influencia cuando se examina en una escala de la sociedad (Gilbert 2007).

Las simulaciones del mundo real incluyendo la población como un objetivo deben incluir algunos medios de validación. En econometría, en las ciencias políticas y sociología los conjuntos de datos para la verificación son abundantes. Otros ámbitos, principalmente la antropología sufren la falta de datos. El suministro de estos datos, son una preocupación secundaria. La dificultad principal que en los conjuntos de datos se adecuen a la arquitectura del agente; un ejemplo de ello son los estudios que se centraron principalmente en las raíces cognitivas de la teoría social (Drennan 2005).

La simulación social tiene ciertas características a diferencia de una simple simulación, por lo general no es lineal, por lo que puede ser caótico, tiene una racionalidad restringida por lo que la capacidad para procesar la información es limitada; tienen un grado de complejidad; tienen un nivel de auto organización y es emergente lo que interacciones entre objetos en un nivel da origen a diferentes tipos de objetos en otro nivel.

La problemática de simulación de sistemas complejos

El modelar sistemas complejos no produce resultados exactos. Cuando una simulación es desarrollada con un modelo del sistema, los valores de cada variable son registrados pero este solo representan una muestra o a veces es difícil interpretar u obtener los datos necesarios para la simulación. Por eso el promedio en una muestra de observación solo a veces provee un estimado de lo esperado, es decir, una simulación solo provee estimados, no resultados exactos.
Modelar un sistema complejo tiene un largo tiempo de conducción. Un estudio de simulación no puede ser conducido en poco tiempo por lo extenso y complejo en los datos. Meses de esfuerzo pueden ser requeridos para reunir información, construir, verificar y validar modelos, diseñar experimentos y evaluar e interpretar los resultados. El costo de una simulación es alto, ya que depende de la obtención de todo tipo de información tanto cualitativa como cuantitativa. El establecimiento y mantenimiento de capacidad de simulación, envuelve tener mejor personal, software, hardware, entrenamiento y otro tipo de costos (Benenson and Torrens 2006).

Hay muchas facetas para un balanceo y comprensivo estudio de la simulación. Ya que una persona debe tener conocimiento de una gran variedad de áreas antes de llegar a ser un practicante de la simulación. Este hecho es algunas veces ignorado, sin embargo como resultado, cada estudio puede incorrectamente ser desarrollado, o podría estar incompleto, o podría caer en otro tipo de caminos, quizá resultado de una falla del esfuerzo de la simulación (Benenson and Torrens 2006).

El desarrollo de las capacidades computacionales se ha redefinido en los últimos años la forma de ver el mundo de filósofos, científicos y otros investigadores. Las investigaciones científicas en general han pasado de paradigmas basado en una incipiente concepción lineal a una visión más holística sobre la base de no linealidad. La distinción entre servicios lineales y no lineales de la ciencia no ha sido plenamente resuelta en la literatura (Suarez 2008).

El paradigma lineal se basa en la hipótesis de la independencia de que los agentes se utilizan para describir la realidad a través de un determinado modelo. En contraste, el crecimiento no lineal del mundo se basa en una percepción de la interdependencia.

La diferencia entre el lineal y no lineal, es que los paradigmas lineales el agregado es igual a la suma de sus partes, sin embargo en los no lineales la suma total es más que la suma de sus parte; teniendo un excedente. Según el paradigma no lineal, los sistemas no pueden reducirse a sus partes, y es por esta razón que este campo es comúnmente conocido como complejidad o como la ciencia de la sorpresa (Suarez 2008).

Utilización actual de la simulación social

La simulación social nos sirve para entender las características del mundo social. Existen varias aplicaciones como es la predicción de eventos como son los pronósticos comerciales, estudios demográficos; también como una herramienta de capacitación de aeronáutica como son los simuladores de vuelos; de entretenimiento como son los video juegos y en la educación para un entrenamiento dependiendo el área de estudio o la formalización de teorías sociales.

Un ejemplo seria la Simulación urbana que se ha mantenido como un interesante tema de investigación durante muchos años. Algunas cuestiones como el crecimiento urbano, la congestión y la segregación tienen una alta demanda de enfoques de modelado avanzados. Muchos de estos enfoques y técnicas que se han aplicado tienen sus propias ventajas y deficiencias. Si bien las técnicas de agregación han sido criticadas por los investigadores por su falta grave de tal modelado, lo cierto es que estas técnicas han recibido especial atención últimamente. Entre estos modelos, que se basan en agentes de modelado se considera que tienen una pendiente superior. Agente basado en el modelado proporciona una mejor comprensión de la estructura y los procesos de los sistemas urbanos. Integración de esta técnica de modelado con Sistemas de Información Geografica mejorará sus posibilidades de simulación urbana drásticamente (Benenson and Torrens 2006).

En las últimas décadas están teniendo gran aceptación la modelización de por agentes; los modelos basados en agentes y las sociedades artificiales son muy similares siendo las mismas técnicas en los sistemas dinámicos, autómatas celulares, algoritmos genéticos y sistemas de agentes distribuidos. Sus diferencias se centran en la simulación de los sistemas, y en el diseño de los programas de investigación (Drennan 2005).

Agentes distribuidas o agentes de distribución no define a los agentes independientes, sino que considera al organismo que se extienda por todo el sistema. La idea detrás de un lenguaje de modelado distribuido organismo se deriva de una visión del mundo en el que es omnipresente la aparición, en la que nos encontramos con conjuntos que son irreductibles a sus piezas, y existen en diferentes dimensiones donde se aplican normas diferentes (Suarez 2008).

Las agencias distribuidas tratan de resolver problemas entre un grupo de agentes, encontrando la solución del resultado de la interacción cooperativa entre los agentes. La comunicación facilita los procesos de cooperación. El grado de cooperación que hay entre agentes puede ir desde una cooperación completa hasta una hostil. En el primer caso se paga un alto coste por la total comunicación entre agentes, pero en el segundo puede ocurrir que unos agentes bloqueen los objetivos de otros. Para que los mecanismos de cooperación y coordinación tengan éxito en un sistema de agentes, debe de existir un mecanismo adicional, por medio del cual, los integrantes de un sistema se puedan poner de acuerdo cuando cada agente defiende sus propios intereses, llevándolos a una situación que los beneficie a todos, teniendo en cuenta el punto de vista de cada uno. Este mecanismo se conoce como negociación (Gilbert 2007).

Existen varias aplicaciones de esta tecnología basada en agentes es considerada muy apropiada para el desarrollo de sistemas industriales distribuidos como son los procesos de control: lo cual es una gestión autónoma de edificios inteligentes con propia seguridad y consumo de recursos. En otro tipo de área se han desarrollado aplicaciones para el control del tráfico aéreo en aeropuertos como el de Sídney en Australia (Juli‡ and Botti 2000). Agentes de distribución es una estrategia prometedora que puede corregir una arquitectura centralizada indeseable. (Russell and Norvig 2004)

Conclusiones

Existen varias ventajas al usar la simulación social, como es el promover la aproximación interdisciplinaria, contribuyendo a diseñar propuestas de investigación interrelacionadas; también pueden explicar fenómenos emergentes, los cuales con métodos probabilísticos sería muy difícil realizarlos. La simulación social es una técnica que sirve para realizar teorías para un mundo social complejo y dinámico

Referencias
Angehrn, A. (2004). "Advanced Social Simulations: Innovating the way we learn how to manage change in organizations." Forthcoming in International Journal of Information Technology Education, 2004.
Axelrod, R. (1997) "Advancing the Art of Simulation in the Social Sciences." Volume, DOI:
Banks, Carson, et al. (2000). Discrete-Event System Simulation, Prentice-Hall, Englewood Cliffs.
Benenson, I. and P. Torrens (2006). Geosimulation: Automata-based Modeling of Urban Phenomeno. Geosimulation: Automata-based Modeling of Urban Phenomeno.
Davidsson, P. (2002). "Agent Based Social Simulation: A Computer Science View " Journal of Artificial Societies and Social Simulation 5.
Drennan, M. (2005). "The Human Science of Simulation: a Robust Hermeneutics for Artificial Societies." Journal of Artificial Societies and Social Simulation 8(1).
Gershenson, C. (2002). "Philosophical Ideas on the Simulation of Social Behaviour." Journal of Artificial Societies and Social Simulation 5.
Gilbert, N. (1999). The Simulation of Social Processes. SMAGET Conference. Clermont-Ferrand, France.
Gilbert, N. (2007). Agent-Based Models.
Suarez, D. (2008). Distributed Agency: A Language to Build the Matrix: 40.