CONTROL DE LECTURA. Simulación Social Multi-Agente

INSTRUCCIONES: Lea atentamente la lectura propuesta, al finalizar redacte 3 conclusiones a partir de la misma.

¿Debería la Sociología interesarse por la Simulación Social Multi-Agente (SSMA)?

F. J. Miguel Quesada (Departamento de Sociología, UAB) Toni López Rodríguez (Hospital Parc Taulí, Sabadell)

“Replicants are like any other machine, they're either a benefit or a hazard... If they're a benefit, it's not my problem.” (Deckard a Rachel) R. Scott (1982) “Blade Runner”.

Resumen: Existe cierta controversia sobre la validez epistemológica de la Simulación Social Multi-Agente (SSMA) como metodología aceptable para proporcionar conocimiento y resultados sólidos de investigación en ciencias sociales. El presente trabajo revisa un conjunto de argumentos referidos a tal metodología, con el objetivo de destacar los beneficios que su uso puede implicar para el desarrollo de la investigación social. No se trata aquí de realizar una crítica general a esta estrategia metodológica, sino únicamente de agrupar de forma sistemática y clara las posibles líneas de defensa, como trabajo previo para un trabajo crítico más extenso. Tras revisar brevemente su posición dentro del proceso genérico de investigación científica (en especial en cuanto a su relación con la fase abductiva y con la experimentación), se muestra cómo la SSMA es una herramienta con potencial en las ciencias sociales, tanto para elaboración de modelos como para la comprensión de los procesos sociales.

Se destacan tres puntos fuertes de la SSMA, frente a otras metodologías:

1) inevitablemente requiere de la especificación detallada de un “modelo del ser humano” , necesario para diseñar/programar los agentes,

2) ofrece la oportunidad de representar la compleja dinámica de los procesos de cambio social, mediante reglas de producción que simulan mecanismos elementales psicológicos y sociales, y

3) permite el análisis simultáneo tanto en el nivel micro-social (hace más comprensibles los atributos y los comportamientos individuales) como en el nivel macro-social (extracción de las propiedades globales de los grupos sociales).

Este último aspecto ofrece a las ciencias sociales la posibilidad de investigar efectos agregados, de segundo orden o efectos emergentes, así como la emergencia, en definitiva, permite el estudio del vínculo entre niveles. Si se acepta que, en términos explicativos en ciencias sociales, la dinámica de la interacción social es a menudo más importante que los resultados finales o que los equilibrios resultantes de los procesos, entonces la SSMA permite establecer con mayor claridad las correspondencias entre “ explanans ” y “ explanandum ” que solicitan las versiones más analíticas de la investigación social.

Críticas a la SSMA en ciencias sociales.

La crítica más extensamente manifestada en contra de la utilización de simulaciones informáticas en las ciencias sociales se refiere a los supuestos implicados en la construcción de los modelos de simulación. Se les atribuyen supuestos poco realistas en relación a los sistemas sociales que pretenden formalizar, por lo que los resultados no son más que el producto de la manipulación, con frecuencia "poco clara", supuestos iniciales cuestionables (Axelrod, 2003). Ante este tipo de críticas, no hay que olvidar que la simulación no deja de ser una estrategia de investigación basada en la modelización, como lo son otras modelizaciones basadas en técnicas matemáticas (análisis de la varianza) o verbales (cualquier explicación expresada en lenguaje natural).

Todos los modelos construidos son producto de un ejercicio reduccionista consistente en:

1) aislar un fenómeno interesante y concreto mediante la creación y utilización de entidades abstractas, 2) generar un mundo metafórico o analógico y 3) con la finalidad última de poder interrogar o provocar al mundo real para esclarecer su funcionamiento.

Por ello la mencionada crítica a la simulación no deja de ser una de las facetas más comunes en cualquier intento de explicación teórica, más o menos formalizada. La alternativa a usar modelización no es otra que usar discurso referencial, que puede ir desde lo más poético hasta lo más descriptivo, pero que, en todo caso, renuncia a la explicación del fenómeno. Un segundo aspecto crítico mencionado por la literatura declara que, comparada con los modelos matemáticos, la Simulación social

Asignatura : Simulación. - Docente : Guillermo Elías Jaramillo Cabrera.

es poco elegante y ateorética: “An open simulation is bad mathematics even if it is a good social system representation.” ( Troitzsch , 2009). Pero hay que tener en cuenta, como apunta Troitzsch, la simulación no es ni buena ni mala matemática. Por el contrario, la simulación no es matemática en ningún caso.

1) Existen tres posibilidades de representación de un sistema social: 2) mediante un modelo verbal, 3) mediante un modelo matemático y 4) mediante un modelo computacional ( Ostrum, 1988; Kliemt, 1996) .

La SSMA se basa en esta tercera posibilidad, mientras que la SD se basa en el segundo. En tercer lugar, otro aspecto abundantemente criticado de la estrategia de la simulación social es su intrínseca redundancia. Esta crítica abarca dos significados: a) que sólo es posible generar resultados "esperados" dadas las condiciones iniciales, y b) que tradicionalmente se ha usado para replicar modelos que ya se habían estudiado y formulado previamente. En el primer caso se hace referencia a un tipo concreto de simulación, o más en general, de modelización explicativa.

Es cierto que determinadas simulaciones sociales (especialmente las basadas en ecuaciones diferenciales), ciertos modelos estadísticos (como regresiones con un conjunto de variables independientes) y ciertas teorías (como pueden ser las que incluyen fundamentalmente elementos estructurales deterministas) tan sólo permiten derivar resultados "esperados". Y, en el caso extremo, numerosas teorías explicativas ad hoc .

Por el contrario, una clase de simulaciones informáticas (las SSMA, que recibirán atención especial a continuación) incorporan de forma esencial la capacidad de generar resultados nuevos, no esperados e imposibles de predecir a partir de las condiciones iniciales (Epstein y Axtell, 1996). Respecto al tercer aspecto mencionado, la replicación de modelos teóricos, no necesariamente se debe contemplar como una crítica en contra de la simulación. Al contrario, en la medida en que seamos capaces de generar el mismo resultado desde diferentes metodologías ( mixed methods ), se incrementa la confianza en la validez de las hipótesis o en el grado de ajuste del modelo explicativo con la realidad a la que hace referencia. Este es precisamente el caso de usar diferentes modelos de simulación para investigar el mismo fenómeno. La simulación representa una tercera vía que complementa y es complementaria a las actividades empíricas, los ensayos y la teorización. Hedström (2005:77-88) defiende, los Modelos Basados en Agentes (MBA) como una herramienta útil para la teorización en Sociología.

Es decir, suponen una alternativa a los modelos de ecuaciones para analizar las dinámicas de los sistemas en interacción, permitiendo establecer una correspondencia con los datos empíricos. Los resultados que nos ofrecen los modelos MBA no se tienen que entender como predicciones sino como referencias causales de probabilidad que pueden permitir explorar diferentes líneas de evolución en el tiempo, a la vez que nos permiten identificar patrones recurrentes de comportamiento del sistema. Finalmente, y en relación a otro conjunto de críticas contrarias a la adecuación con respecto al objeto de estudio (ej. los fenómenos sociales), cabe argumentar que algunas modalidades de simulación, como la SSMA, se adecua mejor que muchas otras estrategias a la hora de ofrecer explicaciones de las dinámicas colectivas a partir de los comportamientos locales simples, o de los complejos procesos sociales que hacen emerger normas, instituciones, creencias o elementos culturales.

En este último punto se insiste en la diferencia interna entre diferentes estrategias de simulación. Algunas de ellas son especialmente susceptibles de crítica en los sentidos anteriormente indicados mientras que al SSMA presenta características diferenciales que le permiten situarse en una posición privilegiada en relación a estas críticas.

A continuación se introduce una necesaria distinción entre diversas estrategias de simulación aplicables.

¿Qué tipos de Simulación puede resultar más adecuada para las CCSS (Modalidades de arriba abajo “ top-down ” versus de abajo a arriba “ bottom-up ”)?

Se puede encontrar en la literatura diversas revisiones de modelos de simulación con el objetivo de establecer una tipología ( Conte et al., 2001; Gilbert y Troitzsch, 2006; Marietto et al., 2003; Miguel, 2009). El siguiente gráfico (Fig. 1) ejemplifica una las diferentes concepciones de la simulación entre los científicos sociales (Deffuant et al., 2005) .

Esta clasificación en concreto hace referencia a dos dimensiones:

1) la forma de especificación del modelo (de arriba abajo - top-down- o de abajo hacia arriba - bottom-up- ) y 2) la relevancia de elementos fundamentales o bien de elementos empíricos (representacionales).

Cada tipo tiene implicaciones diferentes, que se desarrollarán a continuación.

Figura 1.

La Dinámica de Sistemas (SD) se fundamenta en el modelado de sistemas complejos a partir de la especificación de sistemas de ecuaciones de diferencias (Gilbert y Troitzsch, 2006: 28). Una simulación desarrollada mediante dinámica de sistemas utiliza el concepto de retroalimentación o causalidad circular entre las variables observables. Estas variables pueden describir algún atributo de los componentes básicos del sistema o referirse a alguna magnitud global. La tendencia generalizada en la SD es utilizar variables observables del sistema en su conjunto.

Esto quiere decir que los datos provienen de magnitudes agregadas del sistema global, en vez de estudiar directamente magnitudes de sus componentes básicos, lo que supone un alto grado de abstracción. Además de ello la realidad temporal se representa de una forma discreta. Es el ejemplo más claro de proceso de arriba abajo ( top-down ), que hasta la década de 1990, posiblemente, fuera la metodología más extendida en el campo de la investigación y, aún hasta hoy en día sea la modalidad de simulación más extendida en entornos de ingeniería y producción (López Paredes, 2004: 175).

Toda simulación pretende ser una herramienta que ayude en la búsqueda de la mejor explicación del sistema social objeto de estudio, la paradoja en las simulaciones basadas en la SD es que se requiere un conocimiento previo, muy detallado y exhaustivo, de los casos que constituyen la población, de manera que nos permita especificar las ecuaciones y, luego, poner en marcha la simulación. El azar o procesos estocásticos pueden estar presentes, pero es difícil que se generen procesos emergentes, procesos de cambio social y procesos de aprendizaje, sin olvidar que en la SD no podemos referirnos a un individuo aislado sino a un subconjunto o grupos pertenecientes a un sistema de agregados de la totalidad.

En cuanto a la Simulación Muti-Agente (SSMA), es preciso destacar que cuando se hace una referencia a agentes , no existe una definición comúnmente consensuada. Según una posible definición "el término se usa habitualmente para describir aquellos programas autónomos que pueden controlar las acciones propias basándose en sus percepciones de su entorno operativo" (Huhns y Singh, 1998).

Dependiendo de las propiedades previstas por los diseñadores de la programación, los agentes pueden ser o no ser (Wooldridge, M. y Jennings, N. R., 1995):

1) autónomos (capaces de operar bajo el control de sus propias acciones), 2) reactivos (capaces de percibir su entorno "físico" y de reaccionar al mismo) , 3) sociales (capaces de interactuar con otros agentes, lo que implica un lenguaje común que permite la comunicación

entre ellos) y 4) proactivos (capaces de establecer una iniciativa en relación a un objetivo).

Los agentes pueden representar a individuos, familias, instituciones, organizaciones, países, objetos u otras entidades. En la simulación social multi-agente, el modelizador reconoce explícitamente que los sistemas complejos, y en particular los sociales, son producto de comportamientos individuales y de sus interacciones. Así pues, un SSMA es un conjunto de programas informáticos (agentes) que interactúan entre ellos, y también con un entorno que también es simulado por ordenador,

siguiendo unas reglas comprendidas en el prisma de la inteligencia artificial, que son "programadas" por quien diseña la SSMA. Estas reglas pueden ser muy simples a pesar de lo cual pueden generar resultados complejos mediante interacción. Los resultados pueden ser externos a los agentes (comportamientos individuales, y los patrones de comportamiento colectivo) o internos (aprendizaje, modelaje de valores u opiniones...).

La característica principal es que los componentes básicos del sistema real están explícitos e individualmente representados en el modelo (Edmonds et al., 2001). Las interacciones, q ue tienen lugar entre los componentes básicos del sistema real, se corresponden con interacciones q ue tienen lugar entre los agentes del modelo, permitiendo la concurrencia temporal, esta correspondencia directa contrasta con el tradicional uso de "agentes representativos", más propio de la SD (Izquierdo et al. 2008). En el caso de los SSMA el camino seguido para su especificación es de abajo a arriba ( bottom-up ). Los modelos basados en agentes son una tercera vía a los métodos tradicionales de acceso al conocimiento: el inductivo y el deductivo (Macal & North, 2007).

El propósito de la SSMA, aparte de incorporar la inducción y la deducción conjuntamente, es auxiliar a la intuición un través de experimentos que tienen la propiedad generativa, en el sentido de Chomsky (y eventualmente, también e mergente ), o también llamada efecto de segundo orden (Epstein y Axtell, 1996). Según Humphreys, la simulación “constitutes a new kind of scientific method, intermediate in kind between empirical experimentation and analytical theory.” ( Humphreys citado por Moss, 2005 en poweponit). Esta metodología en ciencias sociales se puede utilizar principalmente para la comprensión y explicación de fenómenos sociales, ya que la predicción resulta sumamente improbable: a) al no tratarse de fenómenos con comportamientos lineales, y b) además cualquier pronóstico social puede afectar al resultado mismo (Gilbert y Troitzsch, 2006). Aunque resulte complejo no es un objetivo que se tenga que descartar (Thompson, 2009; Troitzsch, 2009).

Si el objetivo del modelo es

1) la representación del comportamiento agregado como resultado de la interacción e ntre los componentes del sistema social, y

2) el cambio de los comportamientos individuales como consecuencia de esa interacción, entonces la representación a arriba abajo puede resultar adecuada.

Pero si se trata de representar un sistema " desordenado ", en el sentido de que los límites del ámbito de aplicación no se conocen bien y nos interesan los patrones de interacción entre los agentes, lo que busca la simulación es comprobar las propiedades del sistema generado por agentes.

En este segundo caso, no disponemos de un sistema observado previo para tomarlo como dado, la modelización tiene que ser de abajo a arriba (Conte et al., 2001).

Bibliografía.

Axelrod, R. (2003). “Advancing the art of simulation in the social sciences”, japanese journal for management information system , special issue on agent-based: “Advancing the art of simulation in the social sciences”, japanese journal for management information system , special issue on agent-based. Axelrod, R. (2004).

La complejidad de la cooperación :Modelos de cooperación y colaboración basados en los agentes . México, D.F. etc.: Fondo de Cultura económica. Conte, R., Edmonds, B., Moss, S., & Sawyer R.K. (2001).Sociology and social theory in agent based social simulation: A symposium. Computational & mathematical organization theory 7 , 183–205. Deffuant, G., Jager, W., & Moss, S. (ESSA 2005).

Dialogues concerning a (possibly) new science . Conference, Koblenz. Edmonds, B., Moss, S. y Davidsson, P. (2001). "The use of models - making MABS actually work". in, multi-agent-based simulation, lecture notes in artificial intelligence 1979., 15-32. Epstein, J.

M., y Axtell, R. (1996). Growing artificial societies :Social science from the bottom up . Washington, D.C.: Brookings Institution Press. Gilbert, N., & Troitzsch, K. G. (2006). Simulación para las ciencias sociales :Una guía práctica para explorar cuestiones sociales mediante el uso de simulaciones informáticas (2ª ed.).

Madrid etc.: McGraw-Hill. HARMAN, Gilbert (1965), “The Inference to the Best Explanation”, The Philosophical Review, vol. 74, 1, pp. 88-95. Hartmann, S. (1996)

The Word as a process: Simulations in the Natural and Social Sciences por Rainer Hegselmann, Ulrich Mueller, and Klaus G. Troitzsch, editors, Modelling and simulation in the social sciences: From the philosophy of science point of view , volume 23 of Series A: Philosophy and methodology of the social sciences, pp. 77-100. Kluwer Academic Publishers. Hedström, P. (2005).

Dissecting the social : On the principles of analytical sociology . Cambridge: Cambridge University Press. Huhns, M. N., & Singh, M. P. (1998). Readings in agents . San Francisco: Kaufmann. Izquierdo, L. R., Galán, J. M., Santos, J. I., & Olmo-del, R. (2008).

Modelado de sistemas complejos mediante simulación basada en agentes y mediante dinámica de sistemas. Empiria. Revista De Metodología de Ciencias Sociales. Kliemt, H. (1996)

Simulation and rational practice en Rainer Hegselmann, Ulrich Mueller, y Klaus G. Troitzsch, (ed.), Modelling and simulation in the social sciences: From the philosophy of science point of view , volume 23 of Series A: Philosophy and methodology of the social sciences, pp. 13-27. Kluwer Academic Publishers. Lipton, P. (1991), Inference to the Best Explanation. London. Routledge. López Paredes, A. (2004).

Ingeniería de sistemas sociales diseño, modelado y programación de modelos basados en agentes . Valla dolid: Universidad de Valladolid, Secretariado de Publicaciones e Intercambio Editorial. Lozares, C. (2004).

La simulación social, ¿una nueva manera de investigar en ciencia social? PAPERS: Revista De Sociología, 72 , 165-188. Macal, C. M. y North, M. J. (2007).

“Agent-based modeling and simulation: Desktop ABMS”, en henderson, S. G.; biller, B.; hsieh, M.; shortle, J.; tew, J. D. & barton, R. R. Macy, M. W., & Willer, R. (2002).

De los factores a los agentes: Computational sociología y agente de la modelización. Annu. Revista De Sociología, 28 , 143-66. Mäki, Uskali (2009): “Realistic realism about unrealistic models”, in A Handbook of the Philosophy of Economics , ed. Harold Kincaid and Don Ross. Oxford University Press, 2009. Pp. 68-98. Marietto, M. B.; David, N.; Sichman, J. S. & Coelho, H. (2003)

“A Classification of Paradigmatic Models for Agent-Based Social Simulation”, in Hales et al. (eds.) MABS 2003 Proceedings , Springer-Verlag, Berlin, Heidelberg, 2003, LNAI 2927, 193–208. Marney, J. P. y Tarbert, H. F. E. (2000).

Why do simulation? towards a working epistemology for practitioners of the dark arts. Journal of Artificial Societies and Social Simulation, 3(4). Miguel, F.J. (2009)

“Debates on Social Simulation: Levels and Types of Models”, en Proceedings of the 2nd Workshop on Social Simulation and Artificial Societies Analysis (SSASA'08) < http://ftp.informatik.rwth-aachen.de/Publications/CEUR-WS/Vol-442/> MOSS, S. (2005) Introduction to simulation & modelling, en material powerpoint, Ross School of Business Moss, S., & Edmonds, B. (2005).

Sociology and simulatioan: Statistical and qualitative cross- validation. American Journal of Sociology, 110 (4) , 1095-1131. Ostrum, T. (1988) Computer simulation: The third symbol system. Journal of Experimental Social Psychology , 24:381-92. Pierce, C. S. (1965).

Collected papers . Cambridge, Massachussetts: Harvard University Press. Salgado, M. (2009). Construyendo explicaciones: el uso de modelos en sociología. Persona y Sociedad, 30 (3), pp. 29-60. Simon, H. A. (1996).

The sciences of the artificial (3rd ed.). Cambridge, Mass. etc.: The MIT Press. Taber, C.S. y Timpone, R.J. (1996). Computational Modeling . Illustrated edition. London: Sage Publications, Inc. Thompson, N. S. y Derr, P. (2009). Contra Epstein, Good

Explanations Predict. Journal of Artificial Societies and Social Simulation, 12(1), 9. Troitzsch, K. G. (2009). Not All Explanations Predict Satisfactorily, and Not All Good Predictions Explain. Journal of Artificial Societies and Social Simulation, 12(1), 10.

Wooldridge, M. y Jennings, N. R. (1995). "Agent theories, architectures and languages: A survery". en inteligents: ECAI-94 workshop on agent theories, architectures and languaes.

amsterdam. springer. Berlin.