Las «multitudes selectas» como método de inteligencia colectiva

selección

En Inteligencia Colectiva se aplican, a veces, mecanismos meritocráticos. Un método es el de la «sabiduría de los más capaces» o también llamado de «multitudes selectas» (select crowds), que busca replicar la ley de los grandes números para anular los sesgos individuales pero elevando el nivel mínimo de competencia técnica del sub-colectivo que participa en la agregación.

En cualquier gran colectivo hay personas que están mejor informadas que la media sobre un tema determinado. Pueden ser expertos o amateurs que, por la razón que sea, tengan un mayor dominio del problema que el resto y, por eso, más probabilidades de dar con la solución. Si aplicamos algún mecanismo para identificar a esas personas —que vamos a equiparar con la figura del experto, aunque no estén acreditadas como tal— y extraemos sus aportaciones para agregarlas por separado (como un subconjunto amplio pero independiente del resto del colectivo), se conseguirían, según varias investigaciones, mejores resultados para ciertos tipos de retos que los de todo el colectivo sin filtrar.

Por ejemplo, si queremos obtener la opinión colectiva a través del promedio estadístico, lo que se hace es, en vez de calcular el dato central de toda la multitud, seleccionar el subconjunto de «los más capaces» y promediar solo la opinión de esos individuos.

A este enfoque se le llama «sabiduría de los más capaces» y, también, «multitudes selectas» (select crowds) porque busca replicar la ley de los grandes números para anular los sesgos individuales —por eso la muestra extraída no es pequeña— pero elevando el nivel de competencia técnica del colectivo que participa finalmente en la agregación.

Dan Bang y Chris D. Frith reconocen que la idea de descartar las opiniones de los miembros menos competentes de un colectivo, o bien de asignarles menos peso relativo, es difícil de asumir. Pero afirman que es recomendable cuando hay una distribución del conocimiento muy desigual para retos exigentes en los que estar debidamente informados resulta decisivo. Por ejemplo, los estudios demuestran, según ellos, que en los grupos pequeños existe la tendencia a tratar a todos por igual en términos de capacidad, cuando a veces estaría justificado asignarle un peso distinto a cada opinión.

Pero ¿cómo identificar a «los más capaces»? El mecanismo más común es considerar el rendimiento anterior, o sea, el historial de los participantes en tareas similares. En muchos experimentos de predicción colectiva y de juegos por equipos se ha probado este enfoque. Se crea primero un ranking de los participantes según los resultados obtenidos en rondas anteriores, para formar después una «multitud selecta» con los primeros clasificados, cuyos resultados fueron mejores que el agregado de todo el colectivo.

Pero en muchos casos no disponemos de registros históricos para saber quiénes rinden mejor, así que se usan otros «marcadores de fiabilidad», como estos:

1)  Pruebas de eficacia: Los participantes se someten a una serie de pruebas para determinar su nivel de capacidad y en qué grado entienden el problema. Por ejemplo, el proyecto Human Dx, que hace diagnósticos médicos colectivos, asigna un indicador de autoridad (cociente CQ) a cada participante según cómo resuelvan casos de prueba con diagnósticos ya conocidos, incluidos algunos especialmente complejos. Esto permite ponderar las opiniones de cada diagnosticador según ese cociente. Este modelo lo siguen otros sitios web que aplican test para comprobar cuán informado está un participante antes de contribuir al agregado colectivo.

2) Ponderación por confianza declarada: Se les pregunta a los participantes qué grado de confianza tienen en su propia opinión, y según lo convencidos que estén de que su respuesta es correcta, así se pondera. Proceder de esta forma tiene su riesgo porque la correlación entre capacidad y confianza puede fallar. Ya sabemos que a veces las personas peor informadas pueden ser las que se muestren más seguras. Por otra parte, este método no puede usarse cuando hay incentivos para engañar.

3) Sabiduría de los resistentes: Por las dudas que genera el método anterior, existen otros procedimientos para comprobar de una forma más objetiva el grado de confianza que tienen las personas en su respuesta. Por ejemplo, si a una multitud le preguntan cuántos kilómetros de perímetro suman en total las siete islas canarias, esta cuestión necesita de conocimientos de geografía, especialmente si no podemos consultar un mapa. Entonces, más que calcular un promedio de las estimaciones de todo el colectivo, se haría una segunda ronda dando a conocer la respuesta que han dado los demás en la primera para comprobar quiénes no cambian la suya aun siendo diferente. Se supone que los que se mantienen en su opinión, a pesar de divergir de la mayoritaria, es porque están más seguros y tal vez disponen de una información que no tienen los demás. Por último, se promedian solo las respuestas de ese grupo de individuos que ha demostrado objetivamente más confianza en su propia opinión. Según experimentos realizados, el subconjunto formado por personas «resistentes» a la influencia social da mejores resultados que los de la multitud sin filtrar.

Conviene matizar que estos métodos, como otros parecidos, son válidos si el reto a resolver colectivamente no exige legitimidad. Es lo que ocurre siempre con las propuestas meritocráticas (estas lo son porque ponderan “votos”) si se comparan con las democráticas que aplican el principio de: “una persona, un voto”. En este caso, no hay ni pueden haber filtros excluyentes, salvo que se negocien y acuerden por todos los implicados.

NOTA: La imagen de la entrada es del álbum de Pixel2013 en Pixabay.com. Si te ha gustado el post, puedes suscribirte para recibir en tu buzón las siguientes entradas de este blog. Para eso solo tienes que introducir tu dirección de correo electrónico en el recuadro de “suscribirse por mail” que aparece en la esquina superior derecha de esta página. También puedes seguirme por Twitter o visitar mi blog personal: Blog de Amalio Rey.

Experto en lnteligencia Colectiva y creación de redes y ecosistemas de innovación. Se dedica al diseño de arquitecturas participativas y al escalado eficaz de estos procesos. Autor del Canvas del Liderazgo Innovador, facilita proyectos e imparte formación sobre Design Thinking, Inteligencia Colectiva, Hibridación, Co-Skills, Co-Creación, y Ecosistemas 2.0 para innovar. Lidera proyectos de Arquitectura de la Información, redacción-web y diseño de contenidos digitales sobre innovación. Twitter: @arey Blogs: www.amaliorey.com y https://www.bloginteligenciacolectiva.com/

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

 

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.