Modelos de dinámicas de la opinión. Una revisión de la literatura

ARTÍCULO / ARTICLE

MODELOS DE DINÁMICAS DE LA OPINIÓN. UNA REVISIÓN DE LA LITERATURA

MODELS OF THE DYNAMICS OF OPINION. A LITERATURE REVIEW

Jordi Tena-Sánchez

Universitat Autònoma de Barcelona

jordi.tena@uab.cat

ORCID iD: https://orcid.org/0000-0001-8569-5742

Francisco José León-Medina

Universitat de Girona

francisco.leon@udg.edu

ORCID iD: https://orcid.org/0000-0003-1713-9757

RESUMEN

El estudio de la opinión pública está girando, en los últimos años, del tradicional enfoque descriptivo con fines informativos y de asesoramiento a un nuevo enfoque explicativo y generativista. Este nuevo enfoque se ha centrado en la construcción y análisis de modelos en los que las interacciones locales, microscópicas, generan las regularidades macroscópicas de la opinión pública. La fertilidad de este nuevo enfoque se está traduciendo en un ritmo de publicaciones que puede llegar a ser abrumador. En este trabajo presentamos una revisión actualizada de la literatura sobre los modelos de dinámicas de la opinión. Se presentan los principales modelos y sus extensiones, organizado la exposición alrededor de diez ejes de debate que configuran el contenido de cada aportación. El artículo ofrece también algunas reflexiones sobre los principales desafíos que tienen ante sí los científicos sociales interesados en el estudio de las dinámicas de la opinión.

ABSTRACT

The study of public opinion is turning in the last years, the study from the traditional descriptive approach with informative and advising purposes to a new explanatory and generativist approach. This new perspective has focused on the construction and analysis of models where local, microscopic, interactions generate macroscopic regularities in public opinion. The fertility of this new approach is causing a publication rhythm that can be overwhelming. In this paper, we present an up to date revision of the literature on opinion dynamics models. We present the main models and their extensions, and organize the exposition around ten axes that configure the content of each contribution. The paper also offers some reflections on the main challenges for those social scientists that are interested in the dynamics of public opinion.

Recibido: 23-03-2018; Aceptado: 10-12-2018; Publicado online: 04-06-2019

Cómo citar este artículo/Citation: Tena-Sánchez, J. y F. J. León-Medina. 2019. "Modelos de dinámicas de la opinión. Una revisión de la literatura". Revista Internacional de Sociología 77(2):e123. https://doi.org/10.3989/ris.2019.77.2.18.049

PALABRAS CLAVE: Explicación; Influencia social; Modelos basados en agentes; Simulación social; Sociofísica.

KEYWORDS: Agent-based models; Explanation; Social Influence; Social simulation; Sociophysics.

CONTENIDOS

RESUMEN

ABSTRACT

INTRODUCCIÓN

PRINCIPALES FAMILIAS DE MODELOS

CARACTERÍSTICAS DE LAS OPINIONES

EL PROBLEMA DE LA MEMORIA EN LOS MODELOS BINARIOS

DISTINCIÓN ENTRE OPINIÓN E INFLUENCIA

HOMOFILIA

EL MECANISMO DE CAMBIO DE OPINIÓN

FALSIFICACIÓN DE PREFERENCIAS

EL PAPEL DE LOS MEDIOS DE COMUNICACIÓN EN LA FORMACIÓN DE LA OPINIÓN PÚBLICA

OPINIÓN DE REFERENCIA

TOPOLOGÍAS

RESULTADOS DE LOS MODELOS

CONCLUSIONES: AVANCES Y DESAFÍOS EN LA MODELIZACIÓN DE LA DINÁMICA DE LA OPINIÓN

AGRADECIMIENTOS

NOTAS

REFERENCIAS BIBLIOGRÁFICAS

SOBRE LOS AUTORES

The statistical physics approach to social dynamics is currently attracting much interest, as indicated by the large and rapidly increasing number of papers devoted to it. The newcomer can easily feel overwhelmed and get lost in the steadily growing flow of new publications. Even for scholars working in this area, it is difficult to keep up on the new results that appear at an impressive pace.

(Castellano, Fortunato y Loreto 2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.: 593).

INTRODUCCIÓN Top

La opinión pública y las dinámicas que la conforman constituyen un tema de la mayor relevancia para las ciencias sociales, tanto por su interés a nivel estrictamente académico, como por su trascendencia social y política. En este sentido, el estudio de las dinámicas de opinión es uno de los principales campos de extensión de los modelos formales en las ciencias sociales fuera de la economía y, más concretamente, de los modelos de simulación social. La cantidad de modelos de simulación desarrollados en los últimos años pueden hacer que, como sostienen Castellano, Fortunato y Loreto en la cita que sirve de entradilla a este trabajo[1], el lector, incluso aquel familiarizado con el campo, tenga serias dificultades para mantenerse al día de las nuevas publicaciones. Se trata, por tanto, de un ámbito en el que se han ido publicando periódicamente algunos excelentes trabajos de revisión de la literatura, ya sea sobre modelos de dinámicas de opinión en general o sobre algún tipo de modelo en particular (Abelson 1964Abelson, R. P. 1964. "Mathematical Models of the Distribution of Attitudes Under Controversy". Pp. 142-160 en Contributions to Mathematical Psychology, editado por N. Frederiksen y H. Gulliksen. New York: Holt, Rinehart, and Winston.; Castellano, Fortunato y Loreto 2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.; Flache et al. 2017Flache, A., M. Mäs, T. Feliciani, E. Chattoe-Brown, G. Deffuant, S. Huet y J. Lorenz. 2017. "Models of Social Influence: Towards the Next Frontiers". Journal of Artificial Societies & Social Simulation 20(4).; Galam 2008Galam, S. 2008. "Sociophysics: A review of Galam models". International Journal of Modern Physics C 19(03):409-440. https://doi.org/10.1142/S0129183108012297.; Lorenz 2007Lorenz, J. 2007. "Continuous opinion dynamics under bounded confidence: a survey". International Journal of Modern Physics C 18(12):1819-1838. https://doi.org/10.1142/S0129183107011789.; Sîrbu et al. 2007Sîrbu, A., V. Loreto, V.D.P. Servedio y F. Tria. 2007. "Opinion dynamics: model, extensions and external effects". Pp. 363-401 en Participatory Sensing, Opinions and Collective Awareness. Suiza: Springer, Cham.). El objetivo de este artículo es ofrecer una revisión de la literatura que presenta algunas características novedosas. En primer lugar, la mayoría de trabajos de revisión tienen ya una década, lo que hace necesaria una nueva actualización. En segundo lugar, la nuestra es, hasta donde nosotros sabemos, la única revisión existente en español, de manera que hace más fácilmente accesible esta literatura al lector hispanohablante. En tercer lugar, a diferencia del resto de trabajos, el nuestro deja de lado, en la medida de lo posible, los aspectos más técnicos de los modelos y se centra en las cuestiones teóricas más sustantivas, haciendo, una vez más, accesible esta literatura a un público más amplio que la pequeña comunidad estrechamente familiarizada con la modelización formal. En cuarto lugar, nuestra revisión (a excepción de un apartado inicial) tampoco sigue la estructura habitual y los modelos no se agrupan en familias, sino que se ordenan en torno a temas y ejes de debate. Creemos que esta aproximación resulta más fértil de cara a situar los diferentes modelos que la habitual clasificación en familias, pues el flujo actual de publicaciones ha ido dejando más y más desdibujada aquella clasificación. Finalmente, cabe insistir en que, pese a que se hará referencia a los modelos matemáticos, nuestro trabajo se centra en los modelos de simulación social, pues, en general, puede argumentarse que los iniciales modelos matemáticos han dado paso al dominio casi absoluto de los modelos basados en agentes.

El resto del trabajo se organiza como sigue. En el siguiente apartado se realiza un brevísimo repaso histórico de las principales familias de modelos, pues una breve aproximación histórica tiene un valor propedéutico que permite situar mejor las discusiones posteriores. A continuación, se presentarán diez ejes del debate actual alrededor de los cuales se irán presentando los principales rasgos de los modelos de dinámica de la opinión. Los ejes de análisis están organizados alrededor de cinco características clave de todo modelo: los agentes (características de sus opiniones, memoria y otras propiedades individuales relevantes), el tipo de interacción (el rol de la homofilia, el mecanismo de cambio de opinión como resultado de la interacción, la falsificación de preferencias en la interacción y la opinión de referencia que influye en cada agente), el entorno en el que se produce la interacción (el rol de los medios de comunicación), la estructura relacional de partida (las topologías de los modelos) y los resultados que cada modelo produce. Para finalizar, abordamos los principales avances que se han producido y los desafíos que la ciencia social tiene planteados en este terreno.

PRINCIPALES FAMILIAS DE MODELOS Top

El punto de partida de la discusión académica moderna en torno a los procesos de conformación de la opinión pública podría situarse en la teoría de la aguja hipodérmica de Laswell (1927Lasswell, H. 1927. Propaganda techniques in the World War. Cambridge: MIT Press.). Desde este punto de vista, se consideraba que la opinión pública se formaba a través de la influencia ejercida sobre los ciudadanos por los medios de comunicación y los líderes de opinión. Los ciudadanos eran concebidos como sujetos pasivos que interiorizaban el discurso recibido. Dicha aproximación negligía, además, el papel de la interacción y de la influencia social.

Con los años se fue poniendo de manifiesto lo limitado de esta concepción, señalando, por un lado, que los individuos tienen capacidad de agencia y de resistencia a la influencia ejercida por los medios y, por el otro, de manera más importante, que la opinión pública se configura en parte también como resultado emergente de un proceso dinámico de influencia social en interacciones locales. En este sentido, como es bien sabido, el estudio de la emergencia plantea una dificultad para las ciencias sociales, ya que estos fenómenos no pueden deducirse simplemente de las propiedades de los individuos que los generan, de manera que, para poder explicarlos, es imprescindible contar con algún tipo de modelo generativo (Hedström, 2005Hedström, P. 2005. Dissecting the Social: On the Principles of Analytical Sociology. Cambridge: Cambridge University Press.; 2006Hedström, P. 2006. "Explaining social change: An analytical approach". Papers. Revista de Sociologia 80:73-95.).[2]

Los primeros modelos formales en este campo fueron modelos matemáticos que se preocuparon, básicamente, por la emergencia del consenso (Abelson 1964Abelson, R. P. 1964. "Mathematical Models of the Distribution of Attitudes Under Controversy". Pp. 142-160 en Contributions to Mathematical Psychology, editado por N. Frederiksen y H. Gulliksen. New York: Holt, Rinehart, and Winston.; Berger 1981Berger, R.L. 1981. "A necessary and sufficient condition for reaching a consensus using DeGroot's method". Journal of the American Statistical Association 76(374):415-418. https://doi.org/10.1080/01621459.1981.10477662.; De Groot 1974Groot, M.H. de 1974. "Reaching consensus". Journal of American Statistical Association 69:118-121. https://doi.org/10.1080/01621459.1974.10480137.; French 1956French, J. R. P. Jr. 1956. "A formal theory of social power". Psychological Review 63(3):181-194. http://dx.doi.org/10.1037/h0046123.). No obstante, pese a que hoy en día continúan apareciendo importantes modelos matemáticos (Galam y Javarone 2016Galam, S. y M. A. Javarone. 2016. "Modeling radicalization phenomena in heterogeneous populations". PLoS ONE 11(5):e0155407. https://doi.org/10.1371/journal.pone.0155407.)[3], cada vez existe más acuerdo en torno a las limitaciones de este tipo de modelos, especialmente a su necesaria fundamentación en supuestos falsos (Elster 2007Elster, J. 2007. Explaining social behavior: More nuts and bolts for the social sciences. Cambridge: Cambridge University Press., Hedström 2005Hedström, P. 2005. Dissecting the Social: On the Principles of Analytical Sociology. Cambridge: Cambridge University Press.; 2006Hedström, P. 2006. "Explaining social change: An analytical approach". Papers. Revista de Sociologia 80:73-95.).

En cambio, en los últimos años ha empezado a popularizarse el uso de los modelos de simulación, siendo el estudio de las dinámicas de opinión pública uno de los campos más fructíferos en este sentido.[4] Los modelos de simulación, y en particular los modelos multi-agente (ABM, por sus siglas en inglés), son una herramienta flexible, idónea para estudiar fenómenos emergentes como la conformación de la opinión pública. Estos modelos permiten introducir agentes con características heterogéneas y realistas (sin tener que recurrir, por ejemplo, al agente representativo típico de los modelos matemáticos basados en la teoría de la elección racional), así como situar a dichos agentes en una estructura o topología de interacción, definida también de forma realista, de manera que los resultados macroscópicos del modelo emergen de la interacción a nivel local, a diferencia, por ejemplo, de los modelos matemáticos basados en la teoría de la elección racional.

Por otro lado, las dinámicas de opinión han constituido en las últimas décadas uno de los grandes campos de expansión de la sociofísica, una rama de la física de sistemas complejos centrada en el análisis de la emergencia de fenómenos sociales. Del seno de esta tradición provienen las familias de modelos más conocidos[5]. Los primeros que se aplicaron a este campo fueron los modelos binarios[6], como el voter model (Clifford y Sudbury 1973Clifford, P. y A. Sudbury. 1973. "A model for spatial conflict". Biometrika 60(3):581-588. https://doi.org/10.1093/biomet/60.3.581.; Holley y Liggett 1975Holley, R. y T. M. Liggett. 1975. "Ergodic theorems for weakly interacting systems and the voter model". The annals of probability 3(4):643-663.), el Sznajd model (Stauffer 2003Stauffer, D. 2003. "How to convince others: Monte Carlo simulations of the Sznajd model". Pp. 147-155 en The Monte Carlo Method in the Physical Sciences, editado por J. E. Gubernatis. Los Alamos: American Institute of Physics.; Sznajd-Weron 2005Sznajd-Weron, K. 2005. "Sznajd model and its applications". Acta Physica Polonica B 36(8):2537-2547.; SznajdWeron y Sznajd 2000Sznajd-Weron, K. y J. Sznajd. 2000. "Opinion Evolution in a Closed Community". International Journal of Modern Physics C 11(6):1157-1165. https://doi.org/10.1142/S0129183100000936.) o el majority rule model (Galam 2002Galam, S. 2002. "Minority opinion spreading in random geometry". The European Physical Journal B 25(4):403-406. https://doi.org/10.1140/epjb/e20020045.) entre otros, aunque rápidamente aparecieron los primeros modelos continuos, los bounded confidence models, entre los que destacan el modelo Deffuant o Deffuant-Weisbuch (Deffuant et al. 2000Deffuant, G., D. Neau, F. Amblard y G. Weisbuch. 2000. "Mixing beliefs among interacting agents". Advances in Complex Systems 3(01n04):87-98. https://doi.org/10.1142/S0219525900000078.; Weisbuch et al. 2002Weisbuch, G., G. Deffuant, F. Amblard y J. P. Nadal. 2002. "Meet, Discuss and Segregate!". Complexity 7(3):55-63. https://doi.org/10.1002/cplx.10031.; 2003Weisbuch, G., G. Deffuant, F. Amblard y J. P. Nadal. 2003. "Interacting agents and continuous opinions dynamics". Pp. 225-242 en Heterogenous agents, interactions and economic performance, editado por R. Cowan y N. Jonard. Berlin, Heidelberg: Springer.) y el Hegselmann-Krause (Krause 2000Krause, U. 2000. "A discrete nonlinear and non-autonomous model of consensus formation". Pp. 227-236 en Communications in Difference Equations, editado por S. Elyadi, G. Ladas, J. Popenda y J. Rakowski. Amsterdam: Gordon and Breach Pub.; Hegselmann y Krause 2002Hegselmann, R. y U. Krause. 2002. "Opinion dynamics and bounded confidence. Models, analysis and simulation". Journal of Artificial Societies and Social Simulation 5(3):2.). A continuación, se presentarán brevemente las características principales de dichos modelos[7].

Voter model. En este modelo, los agentes están colocados en una cuadrícula. Cada casilla representa a un agente que puede estar en dos estados alternativos (puede tener dos opiniones) (+1). Los agentes tan solo pueden interactuar con sus vecinos adyacentes. La dinámica del modelo es también extremadamente simple. En cada ronda se forman parejas de agentes. Si ambos agentes comparten el mismo estado, nada sucede; de lo contrario, uno adopta el estado del otro.

Majority rule model. Como en el caso anterior, los agentes en este modelo pueden tener dos opiniones (+1). En este caso, no obstante, cada agente puede comunicarse con cualquier otro agente de la población. En cada ronda se forman grupos de agentes (el tamaño de los grupos varía de una ronda a otra). En cada ronda, todos los agentes adoptan la opinión mayoritaria dentro de su grupo.

Sznajd model. En su versión más simple, los agentes están colocados en una matriz de una única dimensión (una cadena lineal). Una vez más, cada agente puede tener una de dos opiniones (+1). En cada ronda se forman parejas de agentes adyacentes. Si ambos agentes tienen la misma opinión, sus dos vecinos adyacentes a izquierda y derecha se contagian de la misma. En cambio, si discrepan, cada agente le contagia su opinión al vecino del otro.

Deffuant model. Los modelos sociofísicos continuos introducen la cuestión de la homofilia. Se asume la plausible idea de que las personas no suelen interactuar (o, si interactúan, no suelen dejarse influir) por aquellas personas que albergan opiniones muy diferentes de la suya. En el Deffuant, los agentes están enraizados en una determinada estructura de red. Cada agente solo puede interactuar con los agentes a los que está conectado. En cada ronda se forman parejas de agentes. Ahora bien, en estos modelos, además de la opinión (un valor asignado al azar del intervalo —continuo— [0,1]), los agentes están dotados de un confidence level que hace las veces de umbral. Si la diferencia de opinión entre ambos agentes excede su confidence level, no sucede nada. De lo contrario, sus opiniones se aproximan en alguna medida (habitualmente, ambos agentes convergen en la media de sus opiniones).

Hegselmann-Krause model. Finalmente, el Hegselmann-Krause es un modelo que trata de capturar la misma idea que el Deffuant a partir de una regla de actualización de creencias muy diferente. En este caso, en cada ronda los agentes interactúan con todos los agentes de la población que queden dentro de su confidence level. Como resultado del encuentro, todos los agentes en un grupo pasarán a compartir la misma opinión, que será la media de las opiniones previas de todos los agentes en el grupo.

Los que acaban de presentarse son, como se ha dicho, los trabajos seminales de las más importantes familias de modelos sociofísicos. En los últimos años, la investigación se ha extendido en múltiples direcciones. Por un lado, existen multitud de desarrollos de esos modelos (por ejemplo, en diferentes tipos de redes). Por otro lado, dentro de la comunidad sociofísica han aparecido nuevos modelos, de última generación, que no son inmediatamente ubicables en una u otra familia (para una presentación detallada hasta el 2009, ver Castellano, Fortunato y Loreto 2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.). Y, en tercer lugar, de manera si cabe más importante, los modelos de dinámicas de opiniones no se circunscriben en exclusiva a la tradición sociofísica. Algunos de ellos podrían situarse más bien en la senda de la moderna ciencia social analítica y generativa (Axelrod 1997Axelrod, R. 1997. "The dissemination of culture: A model with local convergence and global polarization". Journal of conflict resolution 41(2):203-226.; Baldassarri y Bearman 2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.; Duggins 2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.). Este tipo de sociología (Hedström 2005Hedström, P. 2005. Dissecting the Social: On the Principles of Analytical Sociology. Cambridge: Cambridge University Press., 2006Hedström, P. 2006. "Explaining social change: An analytical approach". Papers. Revista de Sociologia 80:73-95.; Hedström y Bearman 2009Hedström, P. y P. Bearman (eds.). 2009. The Oxford handbook of analytical sociology. Oxford: Oxford University Press.; Linares 2018Linares, F. 2018. Sociología y teoría social analíticas. Madrid: Alianza editorial.) comparte con la sociofísica el proyecto de explicar los fenómenos sociales macroscópicos como efecto de interacciones locales entre entidades microscópicas (agentes o actores, preferentemente individuos), pero se diferencia de la sociofísica en su voluntad de modelizar entidades dotadas de mecanismos cognitivos y de acción plausibles, realistas. Como se ha dicho más arriba, en lo que sigue se discutirán diferentes temas y ejes de debate actuales en el ámbito de los modelos de dinámicas de opinión, presentando las principales contribuciones en cada caso.

CARACTERÍSTICAS DE LAS OPINIONES Top

Modelos con variables de opinión binarias; discretas con más de dos opciones; continuas, y mixtos

Desde nuestro punto de vista, no existen razones para preferir uno u otro tipo de modelo, en general, y la elección debería depender del tema concreto que quiera estudiarse. Así, no cabe duda de que, en multitud de casos, una variable continua puede ser la forma más adecuada de representar las opiniones de las personas (por ejemplo, la ideología política suele conceptualizarse como un continuum que va desde la extrema izquierda a la extrema derecha), mientras que una variable binaria puede ser la opción más adecuada en muchos otros. Numerosas e importantes conductas y temas de discusión son del tipo “blanco o negro”: fumar o no, vestir un burka o no hacerlo, manifestar nuestra discrepancia con el régimen en una dictadura o no hacerlo, etc.

Finalmente, existe un interesante, aunque minoritario, tipo de modelos que quizá podríamos calificar de mixtos, en el que los agentes albergan al mismo tiempo una variable de opinión continua y otra binaria. Los más célebres son los modelos sociofísicos del tipo CODA (Continous Opinions and Discrete Actions). En el modelo seminal de Martins (2008Martins, A. C. 2008. "Continuous opinions and discrete actions in opinions dynamics problems". International Journal of Modern Physics C 19(4):617-624. https://doi.org/10.1142/S0129183108012339.), por un lado, los agentes tienen una opinión que es continua, privada y no observable; mientras que, por el otro, desarrollan una conducta que es binaria, pública y observable. Como argumenta Martins, ciertamente muchas importantes actitudes toman una forma binaria de “sí o no” (manifestarse contra el régimen, por ejemplo), pero eso no es óbice para reconocer que cada persona puede estar internamente más o menos convencida de su apoyo al sí o al no. Así, los agentes del modelo pueden ir cambiando de opinión de forma gradual hasta que, sobrepasado un determinado umbral, cambian de conducta.

Modelos mono o multitema

La gran mayoría de modelos existentes son monotemáticos, a saber, solo existe un tema sobre el que los agentes tienen opinión. No obstante, también existen algunos modelos multitemáticos, en los que los agentes albergan opiniones sobre una variedad de temas (Fortunato et al. 2005Fortunato, S., V. Latora, A. Pluchino y A. Rapisarda. 2005. "Vector opinion dynamics in a bounded confidence consensus model". Interational Journal of Modern Physics C 16(10):1535-1551. https://doi.org/10.1142/S0129183105008126.; así como una compilación de referencias en Lorenz 2007Lorenz, J. 2007. "Continuous opinion dynamics under bounded confidence: a survey". International Journal of Modern Physics C 18(12):1819-1838. https://doi.org/10.1142/S0129183107011789.:14 y Sîrbu et al. 2007Sîrbu, A., V. Loreto, V.D.P. Servedio y F. Tria. 2007. "Opinion dynamics: model, extensions and external effects". Pp. 363-401 en Participatory Sensing, Opinions and Collective Awareness. Suiza: Springer, Cham.: 2.2). Como sostiene Sobkowicz (2009Sobkowicz, P. 2009. "Modeling opinion formation with physics tools: a call for closer link with reality". Journal of Artificial Societies and Social Simulation 12(1):11.: 2.10) esta innovación permite dotar de mayor riqueza y realismo a los modelos. Particularmente interesante es el modelo de Baldassarri y Bearman (2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.). Dicho modelo caracteriza de manera más realista el supuesto clásico de los modelos bounded confidence: cuando dos agentes con una opinión muy diferente sobre un determinado tema se encuentran, no se abstienen de interactuar, sino que disponen de la opción de no hablar sobre ese tema, pero sí de algún otro.

EL PROBLEMA DE LA MEMORIA EN LOS MODELOS BINARIOS Top

En los modelos sociofísicos binarios clásicos los agentes no tienen memoria de las interacciones pasadas (Castellano, Fortunato y Loreto 2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591., Sîrbu et al 2007Sîrbu, A., V. Loreto, V.D.P. Servedio y F. Tria. 2007. "Opinion dynamics: model, extensions and external effects". Pp. 363-401 en Participatory Sensing, Opinions and Collective Awareness. Suiza: Springer, Cham., Lorenz 2007Lorenz, J. 2007. "Continuous opinion dynamics under bounded confidence: a survey". International Journal of Modern Physics C 18(12):1819-1838. https://doi.org/10.1142/S0129183107011789.). La ausencia de memoria implica que la opinión de un agente en t_{_n} no afecta en absoluto a su opinión en t_{_n+1}. Un agente que opina +1 en t_{_n} puede pasar a opinar -1 en t_{_n+1} con base en una simple interacción con otro agente. Y, aún más, con el paso del tiempo su opinión puede ir cambiando de un extremo al otro sin ningún límite.

Esto es, obviamente, poco irrealista. Existe abundantísima evidencia empírica de la existencia de lo que Kuran (1987aKuran, T. 1987a. "Chameleon voters and public choice". Public Choice 53(1):53-78. https://doi.org/10.1007/BF00115654.; 1988Kuran, T. 1988. "The tenacious past: Theories of personal and collective conservatism". Journal of Economic Behavior & Organization 10(2):143-171. https://doi.org/10.1016/0167-2681(88)90043-1.; 1995Kuran, T. 1995. Private truths, public lies: the social consequences of preference falsification. Cambridge, Mass: Harvard University Press.: 171) denominaba “perseverancia de las creencias”: una vez que una persona se ha formado una creencia es relativamente difícil que esta varíe, aunque dicha persona vea que la opinión pública está cambiando, aparezca nueva evidencia contraria a dicha creencia, etc.

En los últimos tiempos, empero, han surgido algunos modelos que tratan de solventar este problema. La dinámica de cambio de la conducta pública a partir de transformaciones graduales en la opinión privada (en los modelos CODA) debe entenderse como una interesante propuesta en este sentido. Así, por ejemplo, Dall’Asta y Castellano (2007Dall'Asta, L. y C. Castellano. 2007. "Effective surface-tension in the noise-reduced voter model". EPL (Europhysics Letters) 77(6):60005. https://doi.org/10.1209/0295-5075/77/60005) elaboran un desarrollo del voter model en el que dotan de memoria a los agentes a través de un procedimiento similar al de Martins (2008Martins, A. C. 2008. "Continuous opinions and discrete actions in opinions dynamics problems". International Journal of Modern Physics C 19(4):617-624. https://doi.org/10.1142/S0129183108012339.). Los agentes tienen un umbral para cambiar de opinión (¿cuántas interacciones tengo que tener con agentes de opinión contraria para cambiar yo de opinión?). Así, un agente solo cambia de opinión después de un cierto número de interacciones con agentes de opinión contraria.

DISTINCIÓN ENTRE OPINIÓN E INFLUENCIA Top

En los primeros modelos sociofísicos, los agentes eran definidos por una sola característica: su opinión[8]. En cambio, hoy en día prácticamente todos los modelos incluyen agentes definidos también por alguna o algunas otras variables relacionadas con la influencia social. Como sostiene Sobkowicz (2009Sobkowicz, P. 2009. "Modeling opinion formation with physics tools: a call for closer link with reality". Journal of Artificial Societies and Social Simulation 12(1):11.: 2.10), esta innovación es una mejora general del realismo de los modelos que abre la puerta a asignar roles y poderes diferenciados a los agentes. A continuación, se discuten brevemente algunas de esas características típicas.

Persuasiveness y suportiveness

Muchos modelos incorporan diferentes grados de persuasiveness (capacidad de hacer cambiar a otros de opinión) y de suportiveness (capacidad de reforzar la opinión de otros que ya piensan como uno mismo). Los primeros modelos que incorporaban estos parámetros se basaban en la teoría del impacto social de Latané (1981Latané, B. 1981. "The psychology of social impact". American Psychologist 36(4):343-356. http://dx.doi.org/10.1037/0003-066X.36.4.343.), aunque hoy en día muchos modelos incorporan estas características (por ejemplo, Grabowsky y Kosinsky 2006Grabowsky, A. y R. A. Kosinsky. 2006. "Ising-based model of opinion formation in a complex network of interpersonal interactions". Physica A 361:651-664. https://doi.org/10.1016/j.physa.2005.06.102.; Laguna et al. 2005Laguna, M. F., S.R. Gusman, G. Abramson, S. Gonçalves y J. R. Iglesias. 2005. "The dynamics of opinion in hierarchical organizations". Physica A: Statistical Mechanics and its Applications 351(2-4):580-592. https://doi.org/10.1016/j.physa.2004.11.064.; Nowak, Szamrej y Latané 1990Nowak, A., J. Szamrej y B. Latané. 1990. "From private attitude to public opinion: A dynamic theory of social impact". Psychological Review 97(3):362-376.; Nowak y Lewenstein 1996Nowak, A. y M. Lewenstein. 1996. "Modeling Social Change with Cellular Automata". Pp. 249-285 en Modelling and Simulation in the Social Sciences From A Philosophy of Science Point of View, editado por R. Hegselmann, U. Mueller y K. G. Troitzsch. Dordrecht: Kluver.; Sen 2011Sen, P. 2011. "Phase transitions in a two-parameter model of opinion dynamics with random kinetic exchanges". Physical Review E 83(1):016108. https://doi.org/10.1103/PhysRevE.83.016108.; y, para una revisión de estos modelos, ver Holyst, Kacperski y Schweitzer 2001Hołyst, J. A., K. Kacperski y F. Schweitzer. 2001. "Social impact models of opinion dynamics". Pp. 253-273 en Annual Reviews Of Computational Physics IX. https://doi.org/10.1142/9789812811578_0005.).

Estatus

Curiosamente, no existen demasiados modelos que tomen en consideración el papel que pueden jugar las jerarquías de estatus en las dinámicas de opinión pública. Laguna et al. (2005Laguna, M. F., S.R. Gusman, G. Abramson, S. Gonçalves y J. R. Iglesias. 2005. "The dynamics of opinion in hierarchical organizations". Physica A: Statistical Mechanics and its Applications 351(2-4):580-592. https://doi.org/10.1016/j.physa.2004.11.064.) y Grabowsky y Kosinsky (2006Grabowsky, A. y R. A. Kosinsky. 2006. "Ising-based model of opinion formation in a complex network of interpersonal interactions". Physica A 361:651-664. https://doi.org/10.1016/j.physa.2005.06.102.) son dos de las escasas excepciones en este sentido. En estos modelos, los agentes de más estatus son más influyentes y menos influenciables que los de estatus bajo.

Pese a que la escasez de modelos que toman en consideración explícitamente el papel de las jerarquías de estatus puede resultar sorprendente, también es cierto que muchos otros modelos que incluyen otras características, como la persuasiveness, están, de hecho, capturando la misma idea con un término distinto. En este sentido, por ejemplo, Crokidakis y Oliveira (2011Crokidakis, N. y P. M. C. De Oliveira. 2011. "The Sznajd model with limited persuasion: competition between high-reputation and hesitant agents". Journal of Statistical Mechanics: Theory and Experiment 2011(11):P11004. https://doi.org/10.1088/1742-5468/2011/11/P11004.) presentan una variación del Sznajd model en el que los agentes se ordenan jerárquicamente en función no de su estatus, sino de su reputación. Sin embargo, la idea es claramente la misma. Una díada de agentes puede influir a sus vecinos solo si la reputación media de la díada es mayor que la de los vecinos. Y aún en una línea similar, Barth (2006Barth, V. 2006. "A model of opinion dynamics among firms". En Potentials of Complexity Science for Business, Government, and the Media, editado por D. Helbing. Budapest: Collegium Budapest.) presenta un modelo en el que unos agentes (que, en este caso, son empresas) tienen más autoridad que otros.

Compromiso

La anterior parece una tesis obvia. No obstante, muchos modelos van un paso más allá. Habitualmente, se supone también que los agentes que tienen mayor compromiso con sus creencias tienen más resistencia a la influencia y albergan creencias más radicales (por ejemplo, Baldassari y Bearman 2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.; Martins 2008Martins, A. C. 2008. "Continuous opinions and discrete actions in opinions dynamics problems". International Journal of Modern Physics C 19(4):617-624. https://doi.org/10.1142/S0129183108012339.; Salzarulo 2006Salzarulo, L. 2006. "A continuous opinion dynamics model based on the principle of meta-contrast". Journal of Artificial Societies and Social Simulation 9(1).). Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.) va aún un paso más allá y asume que a los agentes más radicales no solo les cuesta más cambiar su opinión, sino también falsificarla. Sin embargo, estos son supuestos dudosos que habitualmente se asumen sin mayor justificación. Es cierto que, en ocasiones, se esgrimen teorías como la information or persuasive arguments theory para sostenerlos (por ejemplo, Baldassari y Bearman 2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.). En el marco de dicha teoría, Visser, Bizer y Krosnick (2006Visser, P. S., G.Y. Bizer y J. A. Krosnick 2006. "Exploring the latent structure of strength-related attitude attributes". Pp. 1-60 en Advances in experimental social psychology (vol. 38), editado por M. Zanna. New York: Academic Press.) muestran evidencia de que, efectivamente, a la gente le cuesta más cambiar de opinión y es más resistente a la influencia cuando, entre otras cosas, está más segura de sus creencias o es más radical. No obstante, dicha evidencia no señala que las personas más seguras de sus creencias sean también más radicales. Por otro lado, en los experimentos de laboratorio con los que Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.) y Chacoma y Zanette (2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.) calibran sus modelos de dinámica de opiniones, no se halló prueba alguna de que la seguridad de la veracidad de las creencias y la resistencia a la influencia estén correlacionadas con lo extremo de las mismas[9]. Finalmente, hasta donde nosotros conocemos, no existe evidencia de que la radicalidad de las creencias se correlacione tampoco con la resistencia a falsificarlas.

Algunos modelos contemplan la posibilidad de que las personas con mayor compromiso con sus creencias sean también más influyentes (que gocen de mayor persuasiveness o suportiveness). Por ejemplo, los citados Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.) encuentran en sus experimentos (y después incorporan a su modelo) que un agente puede cambiar su opinión por la de otros agentes cuando esos otros agentes: a) están muy confiados de la bondad de su opinión o b) cuando no están muy confiados, pero son muchos (merced a la heurística de la prueba social).

Fanáticos y moderados

Muchos modelos incluyen fanáticos (zealots), en ocasiones denominados agentes inflexibles o “tozudos”. Se trata de agentes radicales que no cambian de opinión. Por ejemplo, Acemoğlu et al. (2013Acemoğlu, D., G. Como, F. Fagnani y A. Ozdaglar. 2013. "Opinion fluctuations and disagreement in social networks". Mathematics of Operations Research 38(1):1-27. https://doi.org/10.1287/moor.1120.0570.) o Mobilia, Petersen y Redner (2007Mobilia, M., A. Petersen y S. Redner. 2007. "On the role of zealotry in the voter model". Journal of Statistical Mechanics: Theory and Experiment 2007(08):P08029. https://doi.org/10.1088/1742-5468/2007/08/P08029.) presentan variaciones del voter model con este tipo de agentes. En algunos de esos modelos, la presencia de fanáticos está ligada a la existencia de confidence levels heterogéneos. Los fanáticos serían agentes, no solo con una opinión extrema, sino con un confidence level más alto que el del resto de la población. Otros modelos incluyen también moderados, un tipo de agentes que, en función de su número, puede acabar teniendo un rol decisivo en la transición de la polarización al consenso (García-Valdecasas 2013García-Valdecasas, J. I. 2013. "Grupos moderados y tolerantes en la polarización política de las redes sociales". Revista Española de Investigaciones Sociológicas 142(1):25-44.).

HOMOFILIA Top

Bounded confidence

Influencia social negativa. En los modelos bounded confidence clásicos, cuando dos agentes tienen opiniones muy dispares, más allá de un determinado confidence level, no se influyen mutuamente. En los últimos años, empero, han aparecido modelos que van un paso más allá y contemplan la posibilidad de que, cuando se produce una interacción entre dos agentes con opiniones muy dispares, estos puedan influenciarse negativamente y acabar alejando aún más sus posturas (por ejemplo, Baldassarri y Bearman 2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.; Balenzuela, Pinasco y Semeshenko 2015Balenzuela, P., J.P. Pinasco y V. Semeshenko. 2015. "The Undecided Have the Key: Interaction-Driven Opinion Dynamics in a Three State Model". PLoS ONE 10(10):e0139572. https://doi.org/10.1371/journal.pone.0139572.; Duggins 2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.; Flache y Mäs 2008Flache, A. y M. Mäs. 2008. "How to get the timing right. A computational model of the effects of the timing of contacts on team cohesion in demographically diverse teams". Computational and Mathematical Organization Theory 14(1):23-51. https://doi.org/10.1007/s10588-008-9019-1.; Jager y Amblard 2005Jager, W. y F. Amblard. 2005. "Uniformity, bipolarization and pluriformity captured as generic stylized behaviour with an agent-based simulation model of attitude change". Computational & Mathematical Organization Theory 10(4):295-303. https://doi.org/10.1007/s10588-005-6282-2.; Macy et al. 2003Macy, M. W., J.A. Kitts, A. Flache y S. Benard. 2003. "Polarization in dynamic networks: A hopfield model of emergent structure". Pp. 162-173 en Dynamic Social Network Modeling and Analysis. Washington D. C.: National Academies Press.; Mark 2003Mark, N.P. 2003. "Culture and competition: Homophily and distancing explanations for cultural niches". American Sociological Review 68(3):319-345. https://doi.org/10.2307/1519727.; Salzarulo 2006Salzarulo, L. 2006. "A continuous opinion dynamics model based on the principle of meta-contrast". Journal of Artificial Societies and Social Simulation 9(1).).

EL MECANISMO DE CAMBIO DE OPINIÓN Top

En todos los modelos existentes la principal (o única) causa próxima del cambio de opinión de los agentes es algún mecanismo de influencia social. En los modelos sociofísicos clásicos, los agentes cambian de opinión, única y exclusivamente, a través de la influencia ejercida por otros agentes; y lo hacen de manera determinista. Además, dicha influencia consiste en una tendencia al conformismo: cuando un agente influye a otro, sus opiniones se aproximan en mayor o menor medida.

En los últimos años han ido apareciendo modelos que representan variaciones en ambos aspectos. En primer lugar, cada vez hay más modelos no deterministas que introducen azar en el proceso de formación de la opinión (Dandekar, Goel y Lee 2013Dandekar, P., A. Goel y D. T. Lee. 2013. "Biased assimilation, homophily, and the dynamics of polarization". Proceedings of the National Academy of Sciences 110(15):5791-5796. https://doi.org/10.1073/pnas.1217220110.; Kurahashi-Nakamura, Mäs y Lorenz 2016Kurahashi-Nakamura, T., M. Mäs y J. Lorenz. 2016. "Robust clustering in generalized bounded confidence models". Journal of Artificial Societies and Social Simulation 19(4):7. https://doi.org/10.18564/jasss.3220.; Mäs, Flache y Helbing 2010Mäs, M., A. Flache y D. Helbing. 2010. "Individualization as driving force of clustering phenomena in humans". PLoS Computational Biology 6(10):e1000959. https://doi.org/10.1371/journal.pcbi.1000959.; y para referencias previas a 2009, Castellano, Fortunato y Loreto 2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.: 610). Con el recurso al azar, dichos modelos pretenden tomar en consideración otros factores diferentes de la influencia social que puedan estar influyendo en la actualización de las opiniones de los agentes, como la variabilidad en la naturaleza de los distintos individuos o factores externos como los medios de comunicación o la propaganda.

Con todo, a nuestro modo de ver, existe una laguna teórica importante en este punto. No hay modelos de simulación que tomen en consideración, de forma sistemática, el papel del aprendizaje a partir de la propia experiencia en los procesos de formación de la opinión. No obstante, existen buenas razones para pensar que este puede ser un importante mecanismo (Visser, Bizer y Krosnick, 2006Visser, P. S., G.Y. Bizer y J. A. Krosnick 2006. "Exploring the latent structure of strength-related attitude attributes". Pp. 1-60 en Advances in experimental social psychology (vol. 38), editado por M. Zanna. New York: Academic Press.; Lohmann 1994Lohmann, S. 1994. "The dynamics of informational cascades". World Politics 47:42-101. https://doi.org/10.2307/2950679.: 84). Más aún, la propia experiencia bien puede ser, de hecho, un factor que mitigue el efecto de la influencia de los pares o de los medios de comunicación. Tal y como, por ejemplo, argumentara Kuran (1991bKuran, T. 1991b. "Now out of never: The element of surprise in the East European revolution of 1989". World politics 44(01):7-48. https://doi.org/10.2307/2010422.; 2001Kuran, T. 2001. "Public opinion, microsociological aspects". Pp. 12556-12560 en International Encyclopedia of the Social and Behavioral Sciences. Amsterdam: Pergamon.), las creencias basadas en la propia experiencia son más resistentes a la influencia social. De esta manera, en el ejemplo de Kuran, incluso las personas que vivían en las dictaduras comunistas de la Europa del Este y que tan solo tenían acceso a opiniones favorables al régimen (ya fuesen emitidas por sus conciudadanos o por los medios) podían continuar manteniendo opiniones críticas con el régimen si en su vida cotidiana padecían las colas y la escasez de acceso a los productos básicos, la arbitrariedad de los funcionarios púbicos, la falta de libertad, etc.

Por otro lado, como acaba de mencionarse, en los modelos clásicos la influencia social se asimilaba invariablemente al conformismo. No obstante, muchos modelos actuales incorporan preferencias, lo que Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.) o Smaldino y Epstein (2015Smaldino, P. E. y J. M. Epstein. 2015. "Social conformity despite individual preferences for distinctiveness". Royal Society Open Science 2(3):140437. https://doi.org/10.1098/rsos.140437.) denominan distinctiveness. La distinctiveness es una forma de influencia social que va en sentido contrario al conformismo: los agentes desean distanciarse de la opinión de los demás. Existe numerosa evidencia empírica de la existencia de este tipo de motivaciones (Imhoff y Erb 2009Imhoff, R. y H. P. Erb. 2009. "What motivates nonconformity? Uniqueness seeking blocks majority influence". Personality and Social Psychology Bulletin 35(3):309-320. https://doi.org/10.1177/0146167208328166.; Leonardelli, Pickett y Brewer 2010Leonardelli, G. J., C.L. Pickett y M. B. Brewer. 2010. "Optimal distinctiveness theory: A framework for social identity, social cognition, and intergroup relations". Advances in Experimental Social Psychology 43:63-113. https://doi.org/10.1016/S0065-2601(10)43002-6.; Maslach, Stapp y Santee 1985Maslach, C., J. Stapp y R. T. Santee. 1985. "Individuation: Conceptual analysis and assessment". Journal of Personality and Social Psychology 49(3):729-738. https://doi.org/10.1037/0022-3514.49.3.729.; Nail, MacDonald y Levy 2000Nail, P. R., G. MacDonald y D. A. Levy. 2000. "Proposal of a four-dimensional model of social response". Psychological Bulletin 126(3):454-470. https://doi.org/10.1037/0033-2909.126.3.454.), de manera que su incorporación a los modelos debe considerarse como un nuevo paso positivo en la dirección del mayor realismo de los mismos. Por otro lado, ni que decir tiene que la idea de la influencia social negativa, presentada al final del apartado anterior, se encuentra claramente relacionada con este mecanismo.

Con todo, cabe insistir en que continúa siendo cierto que, en la totalidad de los modelos, la principal (o única) causa próxima del cambio de opinión de los agentes es algún mecanismo de influencia social. Al fin y al cabo, la distinctiveness, la influencia social negativa o la tendencia a comportarse como un contrarian no dejan de ser formas de influencia social ya que, aunque sea de forma reactiva, la opinión de un agente depende de cuál sea la opinión de otros agentes.

FALSIFICACIÓN DE PREFERENCIAS Top

Prácticamente, no existe ningún modelo de simulación que tome en consideración la falsificación de preferencias en el estudio de las dinámicas de opinión pública, siendo Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.) y Makowsky y Rubin (2013Makowsky, M. D. y J. Rubin. 2013. "An agent-based model of centralized institutions, social network technology, and revolution". PLoS ONE 8(11):e80380. https://doi.org/10.1371/journal.pone.0080380.) las únicas excepciones.

EL PAPEL DE LOS MEDIOS DE COMUNICACIÓN EN LA FORMACIÓN DE LA OPINIÓN PÚBLICA Top

Los trabajos clásicos sobre opinión pública basados en la idea de la aguja hipodérmica explicaban la configuración de la opinión pública como un proceso topdown, por lo que daban a los medios de comunicación un papel absolutamente fundamental en la conformación de dicha opinión. Curiosamente, empero, los primeros modelos sociofísicos se fueron al extremo contrario, con una aproximación bottomup que obvia el papel de los medios.

No obstante, probablemente la verdad está en algún punto intermedio entre ambas posturas. De este modo, cada vez hay más modelos que incorporan el papel de los medios (Gargiulo y Gandica 2017Gargiulo, F. e Y. Gandica. 2017. "The role of homophily in the emergence of opinion controversies". Journal of Artificial Societies and Social Simulation 20(3):8. https://doi.org/10.18564/jasss.3448.; Grabowsky y Kosinsky 2006Grabowsky, A. y R. A. Kosinsky. 2006. "Ising-based model of opinion formation in a complex network of interpersonal interactions". Physica A 361:651-664. https://doi.org/10.1016/j.physa.2005.06.102.; Kurahashi-Nakamura, Mäs y Lorenz 2016Kurahashi-Nakamura, T., M. Mäs y J. Lorenz. 2016. "Robust clustering in generalized bounded confidence models". Journal of Artificial Societies and Social Simulation 19(4):7. https://doi.org/10.18564/jasss.3220.; Watts y Dodds 2007Watts, D. y P. S. Dodds. 2007. "Influentials, networks, and public opinion formation". Journal of Consumer Research 34:441-458. https://doi.org/10.1086/518527.). En la mayoría de modelos la influencia de los medios se incorpora como una modulación exógena. En algunos modelos la opinión va en un único sentido, mientras que en otros se introducen medios rivales[10]. Como en otros casos, desde nuestro punto de vista, ninguna de las dos opciones es “mejor” que la otra per se. Una influencia en un único sentido capturará bien aquellos casos en que todos los medios de comunicación emiten una única opinión (por ejemplo, aunque no solamente, en las dictaduras), mientras que la presencia de distintas influencias en diferentes direcciones será más adecuada en aquellos casos en que exista pluralismo.

Una manera diferente de modelizar el papel de los medios es la de González-Avella et al. (2006González-Avella, J. C., V. M. Eguíluz, M. G. Cosenza, K. Klemm, J. Herrera y M. San Miguel. 2006. "Local versus global interactions in nonequilibrium transitions: A model of social dynamics". Physical Review E 73(4):046119. https://doi.org/10.1103/PhysRevE.73.046119., 2007González-Avella, J. C., M. G. Cosenza, K. Klemm, V.M Eguíluz y M. San Miguel. 2007. "Information feedback and mass media effects in cultural dynamics". Journal of Artificial Societies and Social Simulation 10(39):1., 2012González-Avella, J. C., M.G. Cosenza y M. San Miguel. 2012. "A model for cross-cultural reciprocal interactions through mass media". PloSone 7(12):e51035. https://doi.org/10.1371/journal.pone.0051035.). En este caso, el modelo consiste en una matriz cuadrada en la que los agentes son influenciados por dos opiniones: la local (el grupo de agentes con los que interactúan), y la global (definida como la opinión modal en el conjunto de la matriz). Los autores sugieren que la opinión global puede entenderse como una influencia cultural transmitida a través de los medios. No obstante, en este modelo, ciertamente los medios de comunicación desempeñan un papel menor, el de meros informadores del estado de la opinión pública.

Finalmente, algunos modelos incorporan también líderes de opinión. Por ejemplo, Chacoma y Zanette (2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.) construyen un modelo con agentes más influyentes que el resto y que no son influenciables (en este sentido, serían fanáticos) para tratar de capturar el papel de dichos líderes.

OPINIÓN DE REFERENCIA Top

En la gran mayoría de modelos existentes, la dinámica se genera, exclusivamente, en las interacciones a nivel local, por lo que la opinión global del conjunto de la población no afecta directamente a los agentes. Dicho de otro modo, estos no interactúan con el agregado. No obstante, esto parece una limitación, dado que es razonable suponer que la gente tiene alguna noción de cuál es el estado de la opinión pública global (más allá de cuál sea la opinión de la gente con la que ellos interactúen habitualmente en sus redes sociales).

Por motivos obvios, en prácticamente ningún modelo los agentes interactúan exclusivamente con el agregado. Al fin y al cabo, tal y como se ha argumentado más arriba, la principal virtud de un ABM (frente a los modelos matemáticos) es que permite reproducir la emergencia del fenómeno bajo estudio a partir de las interacciones a nivel local[11]. Pero sí que existen algunos modelos en los que los agentes toman en consideración también la opinión global. Los trabajos de González-Avella et al. (2012González-Avella, J. C., M.G. Cosenza y M. San Miguel. 2012. "A model for cross-cultural reciprocal interactions through mass media". PloSone 7(12):e51035. https://doi.org/10.1371/journal.pone.0051035., 2007González-Avella, J. C., M. G. Cosenza, K. Klemm, V.M Eguíluz y M. San Miguel. 2007. "Information feedback and mass media effects in cultural dynamics". Journal of Artificial Societies and Social Simulation 10(39):1., 2006González-Avella, J. C., V. M. Eguíluz, M. G. Cosenza, K. Klemm, J. Herrera y M. San Miguel. 2006. "Local versus global interactions in nonequilibrium transitions: A model of social dynamics". Physical Review E 73(4):046119. https://doi.org/10.1103/PhysRevE.73.046119.) vuelven a encajar en este punto.

TOPOLOGÍAS Top

Tal y como se ha descrito más arriba, en los primeros modelos sociofísicos binarios los agentes estaban ubicados en topologías extremadamente simples. En el voter model y en el Sznajd model los agentes están colocados regularmente en un espacio unidimensional o en una cuadrícula y solo pueden interactuar con sus vecinos adyacentes. En el majority rul, por el contrario, los agentes pueden llegar a interactuar con cualquier otro agente de la población sin ninguna limitación.

Respecto a los sociofísicos continuos bounded confidence, en el Hegselmann-Krause, como se ha visto, los agentes interactúan con un agregado de nivel meso, mientras que en el Deffuant los agentes pueden interactuar con cualquier otro agente dentro de su red.

Una cuestión muy ligada a la de la topología es la de cuántos agentes interactúan a la vez en cada ronda de la simulación. En muchos modelos, clásicos y actuales, los agentes interactúan en parejas. Este es el caso del voter model o el Deffuant, así como de ciertos modelos actuales como, por ejemplo, Baldassarri y Bearman (2007Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507.), Chacoma y Zanette (2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.), Laguna et al. (2005Laguna, M. F., S.R. Gusman, G. Abramson, S. Gonçalves y J. R. Iglesias. 2005. "The dynamics of opinion in hierarchical organizations". Physica A: Statistical Mechanics and its Applications 351(2-4):580-592. https://doi.org/10.1016/j.physa.2004.11.064.) o Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.). En otros modelos, los agentes interactúan en grupos de tamaño y composición variables. Por ejemplo, recuérdese que en el majority rule en cada ronda se forman grupos de n agentes escogidos del conjunto de la población y que el tamaño del grupo varía de una ronda a la otra[12]; en el Sznajd se forman grupos de cuatro vecinos en cada ronda; y en el Hegselmann-Krause los agentes interactúan en cada ronda con todos los otros agentes que quedan dentro de su confidence level. Más allá de los modelos sociofísicos (por ejemplo, Duggins 2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.), los agentes interactúan en cada ronda con todos los agentes que forman parte de su red.

Desde nuestro punto de vista, en general, el desarrollo de modelos con estructuras topológicas más complejas ha significado un avance positivo en la dirección de dotar de mayor realismo a los modelos. Por otra parte, el hecho de que los agentes interactúen por parejas o en grupos de un determinado tamaño puede ser pertinente o no, dependiendo del caso concreto que se desee estudiar.

RESULTADOS DE LOS MODELOS Top

Siguiendo a Castellano, Fortunato y Loreto (2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.: 594), distinguiremos entre tres tipos de modelos en función de los resultados que generan. Los modelos pueden generar consenso (todos los agentes comparten el mismo estado), polarización (hay varios estados posibles, pero solo sobreviven dos) y fragmentación (sobreviven más de dos estados). Según Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.: 1.4), aun podemos subdividir los modelos que no generan consenso en dos grandes bloques, en función de si generan diversidad débil (las opiniones convergen en un número limitado de estados atractores —polarización o fragmentación—) o diversidad fuerte (las opiniones varían suavemente a lo largo de un espectro continuo).

Como se ha mencionado más arriba, los primeros modelos matemáticos se interesaban por la emergencia del orden y producían consenso. En ese contexto, Abelson formuló su célebre Abelson’s diversity puzzle, en el cual demostró que, cuando los agentes se influyen positivamente unos a otros en el marco de una red totalmente conectada, el resultado inevitable es la unanimidad. El problema consiste en que, como argumenta el propio Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.: 1.4), en el mundo real, totalmente conectado, existe diversidad fuerte.

Por definición, los modelos binarios solo pueden generar consenso o polarización y los discretos (de más de 2 opciones) añaden a esos dos estados la fragmentación. Los modelos existentes binarios y discretos de más de dos opciones pueden generar los tres estados en función de múltiples factores.

Más complicado es el caso de los modelos continuos. En principio, estos modelos deberían poder generar también diversidad fuerte, pero esto no es así en realidad. Los modelos bounded confidence clásicos solo consiguen generar diversidad débil si se dan ciertas condiciones muy restrictivas, cuando el confidence level es muy alto y los agentes nunca son influidos por los diferentes. Cuando el supuesto se relaja, aunque sea poco, los modelos acaban en consenso (Kurahashi-Nakamura, Mäs y Lorenz 2016Kurahashi-Nakamura, T., M. Mäs y J. Lorenz. 2016. "Robust clustering in generalized bounded confidence models". Journal of Artificial Societies and Social Simulation 19(4):7. https://doi.org/10.18564/jasss.3220., Duggins, 2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316., Gargiulo y Gandica, 2017Gargiulo, F. e Y. Gandica. 2017. "The role of homophily in the emergence of opinion controversies". Journal of Artificial Societies and Social Simulation 20(3):8. https://doi.org/10.18564/jasss.3448.: 3.5). En general, hay buenas razones para creer que estos modelos no pueden sostener diversidad fuerte (Duggins, 2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.: 1.4., Mäs, Flache y Kitts 2014Mäs, M., A. Flache y J. A. Kitts. 2014. "Cultural integration and differentiation in groups and organizations". Pp. 71-90 en Perspectives on Culture and Agent-Based Simulations. Nueva York: Springer.).

CONCLUSIONES: AVANCES Y DESAFÍOS EN LA MODELIZACIÓN DE LA DINÁMICA DE LA OPINIÓN Top

La principal aproximación de las ciencias sociales al conocimiento de la opinión pública ha estado tradicionalmente dominada por un interés meramente descriptivo con fines informativos y de asesoramiento. Las escasas aproximaciones causales, como la de la aguja hipodérmica (Lasswell 1927Lasswell, H. 1927. Propaganda techniques in the World War. Cambridge: MIT Press.), apuntaban a procesos poco plausibles a nivel cognitivo y desconsideraban el rol de las interacciones sociales. Afortunadamente, como hemos visto en este trabajo, se ha producido en los últimos años un auténtico giro hacia una aproximación causal y generativa, de manera que han comenzado a construirse modelos de vocación explicativa en los que las interacciones a nivel local, microscópico, generan las regularidades que observamos a nivel macroscópico en la opinión pública.

Como hemos visto, este giro ha estado ampliamente protagonizado por la sociofísica. A pesar de la contribución indiscutible al conocimiento que se ha realizado desde esta disciplina, el dominio del enfoque sociofísico ha supuesto también una proliferación de modelos no validados ni calibrados empíricamente. Los modelos sociofísicos clásicos estaban basados en unos supuestos extremadamente poco realistas. En un origen se importaron al campo de las dinámicas de opinión modelos que se usaban para estudiar fenómenos físicos. Modelos como el voter, por ejemplo, se derivan del modelo Ising, originariamente utilizado en el campo del ferromagnetismo, con unos spins que pueden asumir dos valores (+1). Esta lógica se importó tal cual al estudio de las dinámicas de opinión y simplemente se asumió que el +1 correspondía a estar a favor o en contra del tema de discusión. Por su parte, en el caso de los modelos continuos, se optó por modelizar las dinámicas de opinión como procesos kinéticos (Chacoma y Zanette 2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.: 2).

Dichos modelos se basaban, en primer lugar, en topologías y dinámicas extremadamente simples. Por citar solo un par de ejemplos, en el Sznajd model los agentes se encuentran ubicados en un espacio unidimensional e interactúan exclusivamente con sus vecinos adyacentes. Menos realista resulta el Hegselmann-Krause, en el que los agentes interactúan al mismo tiempo con todos los otros agentes de la población que se encuentren dentro de su confidence level (y exclusivamente con ellos). En segundo lugar, y el problema es más grave si cabe aquí, la descripción de las características y procesos cognitivos de los agentes es también extremadamente poco realista. En este sentido, resulta especialmente problemática la falta de soporte empírico en la formalización de la regla de actualización de creencias de los agentes. En efecto, como ha venido argumentándose, la práctica totalidad de los modelos de dinámica de opiniones suponen que la principal (o única) causa del cambio de opinión de los agentes es algún mecanismo de influencia social. No obstante, como señalan Watts y Dodds (2009Watts, D. y P. S. Dodds. 2009. "Threshold models of social influence". Pp. 475-497 en The Oxford Handbook of Analytical Sociology, editado por P. Hedström y P. Bearman. Oxford: Oxford University Press.: 477) “social influence is thus not a singular phenomenon, or even (yet) a well-defined family of phenomena, but rather a blanket label for a loose congregation of social, psychological, and economic mechanisms”. En este sentido, en la mayoría de modelos sociofísicos clásicos no queda en absoluto claro cuál es el mecanismo psicológico concreto que trata de replicar la regla de actualización del modelo. Más aún, los autores parecen mostrar un sorprendente desinterés por este crucial problema. En este sentido, Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.: 1) apuntan que “the mechanisms of opinion formation remain poorly understood”. Como ya se ha mencionado, en la mayoría de modelos binarios los agentes simplemente “se contagian” de la opinión de sus vecinos al entrar en contacto con ellos. Como se ha visto, dichos agentes no están dotados de memoria, de manera que su opinión va variando de un extremo al otro en cada momento del tiempo sin ningún tipo de limitación. En algunos casos, como en el Sznajd model, la dinámica es realmente extraña. Recuérdese, por ejemplo, que en caso de que los dos agentes que forman la díada no estén de acuerdo, cada uno de ellos le contagia su opinión al vecino del otro. Parece difícil no preguntarse qué proceso real se trata de capturar con semejante procedimiento y, sin embargo, los autores ni siquiera se plantean la pregunta.

El diagnóstico no es mejor en el caso de los modelos continuos. En el DeffuantWeisbuch los agentes interactúan en parejas y convergen en la media de sus opiniones. Obviamente, no existe ninguna evidencia empírica que permita sostener que eso es lo que sucede en las interacciones entre personas reales. Como ya se ha mencionado, el proceso es aún más extraño en el caso del Hegselmann-Krause. Y finalmente, el diagnóstico tampoco es mejor en el caso de los modelos de síntesis tipo CODA: en Martins (2008Martins, A. C. 2008. "Continuous opinions and discrete actions in opinions dynamics problems". International Journal of Modern Physics C 19(4):617-624. https://doi.org/10.1142/S0129183108012339.), los agentes actualizan su opinión a partir de procedimientos bayesianos, cuando es de sobra conocido que dicha regla no describe correctamente los procesos de actualización de creencias de las personas reales.

Obviamente, la simplicidad es una virtud importante de un modelo, pero la falta de realismo de la modelización en este ámbito ha llegado a un punto en que cabe preguntarse, como hace Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.: 1.2), si los resultados de los modelos habituales “(…) properly inform our understanding of human societies”. Tal y como argumenta Elster (2007Elster, J. 2007. Explaining social behavior: More nuts and bolts for the social sciences. Cambridge: Cambridge University Press.), el escaso realismo de los modelos encontraría quizá una posible vía de justificación si abandonamos la vocación explicativa y valoramos su buena capacidad predictiva (tal y como sucede en sus aplicaciones al estudio de los fenómenos físicos) y precisamente esta concepción instrumentalista de la teoría es la que parecen defender Castellano, Fortunato y Loreto (2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.: 592-593). No obstante, lo cierto es que dicha capacidad predictiva no existe y, como argumentara Sobkowicz (2009Sobkowicz, P. 2009. "Modeling opinion formation with physics tools: a call for closer link with reality". Journal of Artificial Societies and Social Simulation 12(1):11.: 1.1) hace ya una década en su demanda de “a closer link with reality”, los modelos sociofísicos adolecen de una clara “lack of conexión to real life examples”, de manera que “modelling has became largely a self-sufficient exercise”. Críticas similares pueden encontrarse en Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.), Balenzuela, Pinasco y Semeshenko (2015Balenzuela, P., J.P. Pinasco y V. Semeshenko. 2015. "The Undecided Have the Key: Interaction-Driven Opinion Dynamics in a Three State Model". PLoS ONE 10(10):e0139572. https://doi.org/10.1371/journal.pone.0139572.), Chacoma y Zanette (2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.) o Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.).

Parece, por tanto, obvio que un desafío importante en este campo es el de mejorar la fundamentación y calibración empírica de los modelos. Sobkowicz (2009Sobkowicz, P. 2009. "Modeling opinion formation with physics tools: a call for closer link with reality". Journal of Artificial Societies and Social Simulation 12(1):11.: 2.2.), de hecho, proponía mejorar el grado de realismo en dos campos: el de las redes en que se ubican los agentes del modelo y el de los agentes, especialmente en cuanto a sus procesos cognitivos de cambio de opinión. Como se ha visto en este trabajo, en el terreno de las redes sí se han producido avances significativos en los últimos años. Los progresos, sin embargo, han sido menores en lo que se refiere a la descripción de los agentes. Algunos modelos han introducido agentes con diferentes características, más allá de su opinión, como una cierta capacidad de influencia o de resistencia a la influencia, lo que sin duda ha supuesto un avance positivo y ha abierto la puerta a asignar roles y poderes diferenciados a los agentes. A esta mejora “intuitiva” del realismo de los agentes ha de añadirse el ejercicio explícito de construir evidencias empíricas con las que fundamentar el diseño de los agentes. Por ejemplo, recientemente han venido apareciendo modelos calibrados a partir de experimentos de laboratorio realizados previamente, algunos de los cuales han servido para poner en cuestión ciertos supuestos habituales de los modelos sociofísicos. Dos referencias muy notables en este sentido serían Chacoma y Zanettte (2015Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406.) y Moussaïd et al. (2013Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433.)[13]. A nuestro entender, esta es una práctica aún minoritaria, pero que está destinada a volverse dominante si lo que queremos es construir modelos genuinamente explicativos.

A los dos campos de mejora señalados por Sobkowicz debería añadirse un tercero: el testado empírico de los resultados que producen los modelos. No se trata solo de fundamentar empíricamente el diseño del modelo, sino también de contrastarlo analizando si los patrones macroscópicos que genera reproducen o no los patrones naturales que querríamos explicar. Este problema es, de hecho, reconocido por los propios Castellano, Fortunato y Loreto (2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.: 593). A modo de ejemplo, cabe destacar la aportación de Duggins (2017Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316.), que aplica su modelo a los datos provenientes de dos bases de datos de opiniones políticas en Estados Unidos y consigue reproducir sus resultados. En este sentido, Duggins muestra cómo cada elemento que introduce en su modelo, y que aumenta la complejidad del mismo, también contribuye significativamente a generar nuevos resultados observados en los casos reales que los modelos anteriores no eran capaces de generar.

Hasta ahora, como hemos dicho, el giro hacia una explicación generativa de la opinión pública ha estado protagonizado por la sociofísica. Sin embargo, es destacable el hecho de que los principales aportes en la mejora del realismo de los modelos están proviniendo de fuera del mundo sociofísico. Esto, sin duda, marca una necesaria línea de trabajo y desarrollo: aquellos científicos sociales que comparten con la sociofísica la idea de que explicar un patrón macroscópico implica demostrar su generación a partir de interacciones microscópicas, tienen en el estudio de la dinámica de la opinión un terreno en el que realizar una aportación imprescindible. Resulta crucial que seamos capaces de aprovechar el impulso generado por la riqueza y la fertilidad de los modelos sociofísicos. Apoyándonos en estos modelos, nuestra contribución debería ser la de ir más allá de ellos, resolviendo más eficazmente los problemas de verificación y validez, construyendo modelos más completos, más realistas, más contrastados empíricamente en sus resultados y, por todo ello, en definitiva, más explicativos.

AGRADECIMIENTOSTop

El presente trabajo se ha beneficiado de la concesión de un proyecto del Ministerio de Economía y Competitividad (MINECO), en el marco del Plan Nacional de I+D+i (ref. CSO2015-64740-R.), así como de un proyecto de la Escola d’Administració Pública de Catalunya de la Generalitat de Catalunya (ref. 2018 EAPC000014).

NOTAS Top


[1]	Castellano, Fortunato y Loreto se refieren al conjunto de la literatura sociofísica. No obstante, resulta pertinente mantener el adjetivo de “abrumadora” para referirse a la cantidad de literatura producida en este ámbito específico. Por un lado, los modelos de dinámicas de opinión constituyen la principal puerta de entrada de la sociofísica en las ciencias sociales, mientras que, por el otro, los sociofísicos no son ni mucho menos los únicos modelos de dinámicas de opinión.
[2]	En las citadas referencias puede hallarse una discusión detallada acerca de en qué consisten las propiedades emergentes de los fenómenos sociales, así como del tipo de modelos que pueden emplearse para su estudio.
[3]	Ni que decir tiene que en esta categoría entrarían muchos de los modelos de falsificación de preferencias (hoy ya clásicos) de Timur Kuran (1987aKuran, T. 1987a. "Chameleon voters and public choice". Public Choice 53(1):53-78. https://doi.org/10.1007/BF00115654., 1987bKuran, T. 1987b. "Preference falsification, policy continuity and collective conservatism". The Economic Journal 97(387):642-665. http://www.jstor.org/stable/2232928., 1989Kuran, T. 1989. "Sparks and prairie fires: A theory of unanticipated political revolution". Public Choice 61(1):41-74. https://doi.org/10.1007/BF00116762., 1990Kuran, T. 1990. "Private and public preferences". Economics and Philosophy 6:1-26. https://doi.org/10.1017/S026626710000064X., 1991aKuran, T. 1991a. "Cognitive limitations and preference evolution". Journal of Institutional and Theoretical Economics 147:241-273. http://www.jstor.org/stable/40751404., 1991bKuran, T. 1991b. "Now out of never: The element of surprise in the East European revolution of 1989". World politics 44(01):7-48. https://doi.org/10.2307/2010422.).
[4]	Los primeros modelos fueron autómatas celulares, aunque en los últimos años se han ido imponiendo, prácticamente en exclusiva, los modelos multi-agente. Ver Gilbert y Troitzsch (2005Gilbert, N. y K. Troitzsch. 2005. Simulation for the social scientist. McGraw-Hill Education (UK).) para una introducción a este tipo de modelos. Véase también Hedström y Manzo (2015Hedström, P. y G. Manzo (eds). 2015. "Special Issue: Agent-Based Modeling: Advances and Challenges". Sociological Methods & Research 44(2).) para una discusión en profundidad de sus potencialidades, así como de los principales desafíos a que se enfrentan.
[5]	Muchos de los modelos sociofísicos clásicos son tan simples que pueden ser resueltos tanto analítica como numéricamente mediante simulaciones. Para discusiones detalladas de esta cuestión pueden consultarse las revisones de la literatura citadas más arriba.
[6]	Todos estos modelos han sido fuertemente influenciados por el célebre Ising model, que también ha tenido su aplicación al estudio de las dinámicas de opinión. Ver Galam, Gefen, Shapir (1982Galam, S., Y. Gefen y Y. Shapir. 1982. "Sociophysics: A new approach of sociological collective behaviour. I. mean behaviour description of a strike". Journal of Mathematical Sociology 9(1):1-13. https://doi.org/10.1080/0022250X.1982.9989929.) y Galam y Moscovici (1991Galam, S. y S. Moscovici. 1991. "Towards a theory of collective phenomena: Consensus and attitude changes in groups". European Journal of Social Psychology 21(1):49-74. https://doi.org/10.1002/ejsp.2420210105.).
[7]	Lo que sigue se basa en Castellano, Fortunato y Loreto (2009Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591.), donde puede hallarse una descripción más detallada de estos, así como de algunos otros modelos clásicos que no se presentan aquí.
[8]	Ciertamente, en los continuos también estaban dotados de un confidence level. Pero el problema en este punto es el mismo.
[9]	No obstante, cabe mencionar que en ambos casos los experimentos se realizan con preguntas sobre cuestiones fácticas, poco controvertidas y que cabría la posibilidad de que los resultados cambiasen si se utilizasen temas “calientes” o controvertidos.
[10]	Como se ha mencionado anteriormente, algunos modelos introducen azar con la finalidad de capturar cosas como el papel de los medios de comunicación.
[11]	No obstante, Smaldino y Epstein (2015Smaldino, P. E. y J. M. Epstein. 2015. "Social conformity despite individual preferences for distinctiveness". Royal Society Open Science 2(3):140437. https://doi.org/10.1098/rsos.140437.) constituyen una interesante excepción en este punto.
[12]	En una variante (Tessone et al. 2004Tessone, C. J., R. Toral, P. Amengual, H.S. Wio y M. San Miguel. 2004. "Neighborhood models of minority opinion spreading". The European Physical Journal B-Condensed Matter and Complex Systems 39(4):535-544. https://doi.org/10.1140/epjb/e2004-00227-5.) se forman grupos de tamaño diverso en una misma ronda.
[13]	Ver también Lorenz et al. (2011Lorenz, J., H. Rauhut, F. Schweitzer y D. Helbing. 2011. "How social influence can undermine the wisdom of crowd effect". Proceedings of the National Academy of Sciences 108:9020-9025. https://doi.org/10.1073/pnas.1008636108.) y Mavrodiev, Tessone y Schweitzer (2013Mavrodiev, P., C.J. Tessone y F. Schweitzer. 2013. "Quantifying the effects of social influence". Scientific Reports 3:1360. https://doi.org/10.1038/srep01360.).

REFERENCIAS BIBLIOGRÁFICASTop


○	Abelson, R. P. 1964. "Mathematical Models of the Distribution of Attitudes Under Controversy". Pp. 142-160 en Contributions to Mathematical Psychology, editado por N. Frederiksen y H. Gulliksen. New York: Holt, Rinehart, and Winston.
○	Acemoğlu, D., G. Como, F. Fagnani y A. Ozdaglar. 2013. "Opinion fluctuations and disagreement in social networks". Mathematics of Operations Research 38(1):1-27. https://doi.org/10.1287/moor.1120.0570
○	Altafini, C. 2013. "Consensus problems on networks with antagonistic interactions". IEEE Transactions on Automatic Control 58(4):935-946. https://doi.org/10.1109/TAC.2012.2224251
○	Axelrod, R. 1997. "The dissemination of culture: A model with local convergence and global polarization". Journal of conflict resolution 41(2):203-226.
○	Baker, G. A. y J. P. Hague. 2008. "Rise of the centrist: from binary to continuous opinion dynamics". International Journal of Modern Physics C 19(09):1459-1475. https://doi.org/10.1142/S0129183108013023
○	Baldassarri, D. y P. Bearman. 2007. "Dynamics of political polarization". American Sociological Review 75(5):784-811. https://doi.org/10.1177/000312240707200507
○	Balenzuela, P., J.P. Pinasco y V. Semeshenko. 2015. "The Undecided Have the Key: Interaction-Driven Opinion Dynamics in a Three State Model". PLoS ONE 10(10):e0139572. https://doi.org/10.1371/journal.pone.0139572
○	Bartolozzi, M., D. B. Leinweber y A. W. Thomas. 2005. "Stochastic opinion formation in scale-free networks". Physical Review E 72:046113. https://doi.org/10.1103/PhysRevE.72.046113
○	Barth, V. 2006. "A model of opinion dynamics among firms". En Potentials of Complexity Science for Business, Government, and the Media, editado por D. Helbing. Budapest: Collegium Budapest.
○	Battiston, F., A. Cairoli, V. Nicosia, A. Baule y V. Latora. 2016. "Interplay between consensus and coherence in a model of interacting opinions". Physica D: Nonlinear Phenomena 323:12-19. https://doi.org/10.1016/j.physd.2015.10.013
○	Behera, L. y F. Schweitzer. 2003. "On Spatial Consensus Formation: Is the Sznajd Model Different from a Voter Model?". International Journal of Modern Physics C 14(10):1331-1354. https://doi.org/10.1142/S0129183103005467
○	Bernardes, A.T., U.M.S. Costa, A.D. Araujo y D. Stauffer. 2001. "Damage spreading, coarsening dynamics and distribution of political votes in Sznajd model on square lattice". International Journal of Modern Physics C 12(02):159-167.
○	Bernardes, A.T., D. Stauffer y J. Kertész. 2002. "Election results and the Sznajd model on Barabasi network". The European Physical Journal B-Condensed Matter and Complex Systems 25(1):123-127.
○	Bernheim, B.D. 1994. "A Theory of Conformity". Journal of Political Economy 102(5):841-877. https://doi.org/10.1086/261957
○	Berger, R.L. 1981. "A necessary and sufficient condition for reaching a consensus using DeGroot's method". Journal of the American Statistical Association 76(374):415-418. https://doi.org/10.1080/01621459.1981.10477662
○	Buechel, B., T. Hellmann y S. Klößner. 2015. "Opinion dynamics and wisdom under conformity". Journal of Economic Dynamics and Control 52:240-257. https://doi.org/10.1016/j.jedc.2014.12.006
○	Cao, Z., M. Yang, X. Qu y X. Yang. 2012. "Rebels lead to the doctrine of the mean: opinion dynamic in a heterogeneous DeGroot model". arXiv preprint arXiv:1204.0161. https://arxiv.org/abs/1204.0161
○	Castellano, C., S. Fortunato y V. Loreto. 2009. "Statistical physics of social dynamics". Reviews of modern physics 81(2):591-646. https://doi.org/10.1103/RevModPhys.81.591
○	Chacoma, A. y D. H. Zanette. 2015. "Opinion Formation by Social Influence: From Experiments to Modeling". PLoS ONE 10(10):e0140406. https://doi.org/10.1371/journal.pone.0140406
○	Clifford, P. y A. Sudbury. 1973. "A model for spatial conflict". Biometrika 60(3):581-588. https://doi.org/10.1093/biomet/60.3.581
○	Crokidakis, N. y P. M. C. De Oliveira. 2011. "The Sznajd model with limited persuasion: competition between high-reputation and hesitant agents". Journal of Statistical Mechanics: Theory and Experiment 2011(11):P11004. https://doi.org/10.1088/1742-5468/2011/11/P11004
○	Dall'Asta, L. y C. Castellano. 2007. "Effective surface-tension in the noise-reduced voter model". EPL (Europhysics Letters) 77(6):60005. https://doi.org/10.1209/0295-5075/77/60005
○	Dandekar, P., A. Goel y D. T. Lee. 2013. "Biased assimilation, homophily, and the dynamics of polarization". Proceedings of the National Academy of Sciences 110(15):5791-5796. https://doi.org/10.1073/pnas.1217220110
○	Daniel, G., M. Arce y T. Sandler. 2003. "An evolutionary game approach to fundamentalism and conflict". Journal of Institutional and Theoretical Economics JITE 159(1):132-154. https://doi.org/10.1628/0932456032975096
○	Deffuant, G., D. Neau, F. Amblard y G. Weisbuch. 2000. "Mixing beliefs among interacting agents". Advances in Complex Systems 3(01n04):87-98. https://doi.org/10.1142/S0219525900000078
○	Duggins, P. 2017. "A psychologically-motivated model of opinion change with applications to American politics". Journal of Artificial Societies and Social Simulation 20(1):13. https://doi.org/10.18564/jasss.3316
○	Eger, S. 2013. "Opinion dynamics under opposition". arXiv preprint arXiv:1306.3134. https://doi.org/10.2139/ssrn.2352555
○	Elgazzar, A. S. 2003. "Applications of small-world networks to some socio-economic systems". Physica A: Statistical Mechanics and its Applications 324(1-2):402-407. https://doi.org/10.1016/S0378-4371(02)01956-8
○	Elster, J. 2007. Explaining social behavior: More nuts and bolts for the social sciences. Cambridge: Cambridge University Press.
○	Flache, A. y M. Mäs. 2008. "How to get the timing right. A computational model of the effects of the timing of contacts on team cohesion in demographically diverse teams". Computational and Mathematical Organization Theory 14(1):23-51. https://doi.org/10.1007/s10588-008-9019-1
○	Flache, A., M. Mäs, T. Feliciani, E. Chattoe-Brown, G. Deffuant, S. Huet y J. Lorenz. 2017. "Models of Social Influence: Towards the Next Frontiers". Journal of Artificial Societies & Social Simulation 20(4).
○	Fortunato, S. 2004. "Universality of the threshold for complete consensus for the opinion dynamics of Defuant et al". International Journal of Modern Physic C 15(09):1301-1307. https://doi.org/10.1142/S0129183104006728
○	Fortunato, S. 2005. "The Sznajd consensus model with continuous opinions". International Journal of Modern Physics C 16(01):17-24. https://doi.org/10.1142/S0129183105006917
○	Fortunato, S., V. Latora, A. Pluchino y A. Rapisarda. 2005. "Vector opinion dynamics in a bounded confidence consensus model". Interational Journal of Modern Physics C 16(10):1535-1551. https://doi.org/10.1142/S0129183105008126
○	Fortunato, S. y D. Stauffer. 2006. "Computer simulations of opinions and their reactions to extreme events". Pp. 233-257 en Extreme events in nature and society, editado por S. Sergio Albeverio, V. Jentsch y H. Kantz. Berlin, Heidelberg: Springer.
○	French, J. R. P. Jr. 1956. "A formal theory of social power". Psychological Review 63(3):181-194. http://dx.doi.org/10.1037/h0046123
○	Friedkin, N.E. 2015. "The problem of social control and coordination of complex systems in sociology: A look at the community cleavage problem". IEEE Control Systems 35(3):40-51. https://doi.org/10.1109/MCS.2015.2406655
○	Galam, S. 2002. "Minority opinion spreading in random geometry". The European Physical Journal B 25(4):403-406. https://doi.org/10.1140/epjb/e20020045
○	Galam, S. 2004. "Contrarian deterministic effects on opinion dynamics: ‘the hung elections scenario’". Physica A 333:453-460. https://doi.org/10.1016/j.physa.2003.10.041
○	Galam, S. 2008. "Sociophysics: A review of Galam models". International Journal of Modern Physics C 19(03):409-440. https://doi.org/10.1142/S0129183108012297
○	Galam, S., Y. Gefen y Y. Shapir. 1982. "Sociophysics: A new approach of sociological collective behaviour. I. mean behaviour description of a strike". Journal of Mathematical Sociology 9(1):1-13. https://doi.org/10.1080/0022250X.1982.9989929
○	Galam, S. y S. Moscovici. 1991. "Towards a theory of collective phenomena: Consensus and attitude changes in groups". European Journal of Social Psychology 21(1):49-74. https://doi.org/10.1002/ejsp.2420210105
○	Galam, S. y M. A. Javarone. 2016. "Modeling radicalization phenomena in heterogeneous populations". PLoS ONE 11(5):e0155407. https://doi.org/10.1371/journal.pone.0155407
○	García-Valdecasas, J. I. 2013. "Grupos moderados y tolerantes en la polarización política de las redes sociales". Revista Española de Investigaciones Sociológicas 142(1):25-44.
○	Gargiulo, F. e Y. Gandica. 2017. "The role of homophily in the emergence of opinion controversies". Journal of Artificial Societies and Social Simulation 20(3):8. https://doi.org/10.18564/jasss.3448
○	Gekle, S., L. Peliti y S. Galam. 2005. "Opinion dynamics in a three-choice system". The European Physical Journal B - Condensed Matter and Complex Systems B 45:569-575. https://doi.org/10.1140/epjb/e2005-00215-3
○	Gil, S. y D. H. Zanette. 2006. "Coevolution of agents and networks: Opinion spreading and community disconnection". Physics Letters A 356(2):89-94. https://doi.org/10.1016/j.physleta.2006.03.037
○	Gilbert, N. y K. Troitzsch. 2005. Simulation for the social scientist. McGraw-Hill Education (UK).
○	Ginkel, J. y A. Smith. 1999. "So you say you want a revolution: A game theoretic explanation of revolution in repressive regimes". Journal of Conflict Resolution 43(3):291-316. https://doi.org/10.1177/0022002799043003002
○	González-Avella, J. C., V. M. Eguíluz, M. G. Cosenza, K. Klemm, J. Herrera y M. San Miguel. 2006. "Local versus global interactions in nonequilibrium transitions: A model of social dynamics". Physical Review E 73(4):046119. https://doi.org/10.1103/PhysRevE.73.046119
○	González-Avella, J. C., M. G. Cosenza, K. Klemm, V.M Eguíluz y M. San Miguel. 2007. "Information feedback and mass media effects in cultural dynamics". Journal of Artificial Societies and Social Simulation 10(39):1.
○	González-Avella, J. C., M.G. Cosenza y M. San Miguel. 2012. "A model for cross-cultural reciprocal interactions through mass media". PloSone 7(12):e51035. https://doi.org/10.1371/journal.pone.0051035
○	Grabowsky, A. y R. A. Kosinsky. 2006. "Ising-based model of opinion formation in a complex network of interpersonal interactions". Physica A 361:651-664. https://doi.org/10.1016/j.physa.2005.06.102
○	Groot, M.H. de 1974. "Reaching consensus". Journal of American Statistical Association 69:118-121. https://doi.org/10.1080/01621459.1974.10480137
○	Halu, A., K. Zhao, A. Baronchelli y G. Bianconi. 2013. "Connect and win: The role of social networks in political elections". EPL (Europhysics Letters) 102(1):16002. https://doi.org/10.1209/0295-5075/102/16002
○	Hedström, P. 2005. Dissecting the Social: On the Principles of Analytical Sociology. Cambridge: Cambridge University Press.
○	Hedström, P. 2006. "Explaining social change: An analytical approach". Papers. Revista de Sociologia 80:73-95.
○	Hedström, P. y P. Bearman (eds.). 2009. The Oxford handbook of analytical sociology. Oxford: Oxford University Press.
○	Hedström, P. y G. Manzo (eds). 2015. "Special Issue: Agent-Based Modeling: Advances and Challenges". Sociological Methods & Research 44(2).
○	Hegselmann, R. y U. Krause. 2002. "Opinion dynamics and bounded confidence. Models, analysis and simulation". Journal of Artificial Societies and Social Simulation 5(3):2.
○	Holley, R. y T. M. Liggett. 1975. "Ergodic theorems for weakly interacting systems and the voter model". The annals of probability 3(4):643-663.
○	Hołyst, J. A., K. Kacperski y F. Schweitzer. 2001. "Social impact models of opinion dynamics". Pp. 253-273 en Annual Reviews Of Computational Physics IX. https://doi.org/10.1142/9789812811578_0005
○	Imhoff, R. y H. P. Erb. 2009. "What motivates nonconformity? Uniqueness seeking blocks majority influence". Personality and Social Psychology Bulletin 35(3):309-320. https://doi.org/10.1177/0146167208328166
○	Jager, W. y F. Amblard. 2005. "Uniformity, bipolarization and pluriformity captured as generic stylized behaviour with an agent-based simulation model of attitude change". Computational & Mathematical Organization Theory 10(4):295-303. https://doi.org/10.1007/s10588-005-6282-2
○	Jarman, M., A. Nowak, W. Borkowski, D. Serfass, A. Wong y R. Vallacher. 2015. "The critical few: Anticonformists at the crossroads of minority opinion survival and collapse". Journal of Artificial Societies and Social Simulation 18(1):6-6. https://doi.org/10.18564/jasss.2663
○	Javarone, M. A. 2014. "Social influences in opinion dynamics: the role of conformity". Physica A 414:19-30. https://doi.org/10.1016/j.physa.2014.07.018
○	Javarone, M. A. y T. Squartini. 2015. "Conformism-driven phases of opinion formation on heterogeneous networks: the q-voter model case". Journal of Statistical Mechanics: Theory and Experiment:P10002. https://doi.org/10.1088/1742-5468/2015/10/P10002
○	Jiang, L. L., D.Y. Hua y T. Chen. 2007. "Nonequilibrium phase transitions in a model with social influence of inflexible units". J. Phys. A: Math. Theor 40:11271-11276.
○	Jiang, L. L., D.Y. Hua, J.F. Zhu, B.H. Wang y T. Zhou. 2008. "Opinion dynamics on directed small-world networks". The European Physical Journal B 65(2):251-255. https://doi.org/10.1140/epjb/e2008-00342-3
○	Klick, J. y F. Parisi. 2008. "Social networks, self-denial, and median preferences". The Journal of Socio-Economics 37:1319-1327. https://doi.org/10.1016/j.socec.2007.08.008
○	Kou, G., Y. Zhao, Y. Peng y Y. Shi. 2012. "Multi-level opinion dynamics under bonded confidence". PlosOne 7(9):e43507. https://doi.org/10.1371/journal.pone.0043507
○	Krause, U. 2000. "A discrete nonlinear and non-autonomous model of consensus formation". Pp. 227-236 en Communications in Difference Equations, editado por S. Elyadi, G. Ladas, J. Popenda y J. Rakowski. Amsterdam: Gordon and Breach Pub.
○	Kurahashi-Nakamura, T., M. Mäs y J. Lorenz. 2016. "Robust clustering in generalized bounded confidence models". Journal of Artificial Societies and Social Simulation 19(4):7. https://doi.org/10.18564/jasss.3220
○	Kuran, T. 1987a. "Chameleon voters and public choice". Public Choice 53(1):53-78. https://doi.org/10.1007/BF00115654
○	Kuran, T. 1987b. "Preference falsification, policy continuity and collective conservatism". The Economic Journal 97(387):642-665. http://www.jstor.org/stable/2232928
○	Kuran, T. 1988. "The tenacious past: Theories of personal and collective conservatism". Journal of Economic Behavior & Organization 10(2):143-171. https://doi.org/10.1016/0167-2681(88)90043-1
○	Kuran, T. 1989. "Sparks and prairie fires: A theory of unanticipated political revolution". Public Choice 61(1):41-74. https://doi.org/10.1007/BF00116762
○	Kuran, T. 1990. "Private and public preferences". Economics and Philosophy 6:1-26. https://doi.org/10.1017/S026626710000064X
○	Kuran, T. 1991a. "Cognitive limitations and preference evolution". Journal of Institutional and Theoretical Economics 147:241-273. http://www.jstor.org/stable/40751404
○	Kuran, T. 1991b. "Now out of never: The element of surprise in the East European revolution of 1989". World politics 44(01):7-48. https://doi.org/10.2307/2010422
○	Kuran, T. 1993. "The Unthinkable and the Unthought". Rationality and Society 5(4):473-505. https://doi.org/10.1177/1043463193005004005
○	Kuran, T. 1995. Private truths, public lies: the social consequences of preference falsification. Cambridge, Mass: Harvard University Press.
○	Kuran, T. 2001. "Public opinion, microsociological aspects". Pp. 12556-12560 en International Encyclopedia of the Social and Behavioral Sciences. Amsterdam: Pergamon.
○	Kurmyshev, E. y H. A. Juárez. 2013. "What is a leader of opinion formation in bounded confidence models?". arXiv preprint arXiv:1305.4677. https://arxiv.org/abs/1305.4677
○	Kurmyshev, E., H.A. Juárez y R.A. González-Silva. 2011. "Dynamics of bounded confidence opinion in heterogeneous social networks: Concord against partial antagonism". Physica A: Statistical Mechanics and its Applications 390(16):2945-2955.
○	Laguna, M. F., S.R. Gusman, G. Abramson, S. Gonçalves y J. R. Iglesias. 2005. "The dynamics of opinion in hierarchical organizations". Physica A: Statistical Mechanics and its Applications 351(2-4):580-592. https://doi.org/10.1016/j.physa.2004.11.064
○	Lallouache, M., A. Chakraborti y B. K. Chakrabarti. 2010a. "Kinetic exchange models for social opinion formation". Science and Culture 76(9-10):485-488.
○	Lallouache, M., A.S. Chakrabarti, A. Chakraborti y B.K. Chakrabarti. 2010b. "Opinion formation in kinetic exchange models: Spontaneous symmetry-breaking transition". Physical Review E 82(5):p.056112. https://doi.org/10.1103/PhysRevE.82.056112
○	Lasswell, H. 1927. Propaganda techniques in the World War. Cambridge: MIT Press.
○	Latané, B. 1981. "The psychology of social impact". American Psychologist 36(4):343-356. http://dx.doi.org/10.1037/0003-066X.36.4.343
○	Leonardelli, G. J., C.L. Pickett y M. B. Brewer. 2010. "Optimal distinctiveness theory: A framework for social identity, social cognition, and intergroup relations". Advances in Experimental Social Psychology 43:63-113. https://doi.org/10.1016/S0065-2601(10)43002-6
○	Linares, F. 2018. Sociología y teoría social analíticas. Madrid: Alianza editorial.
○	Lohmann, S. 1994. "The dynamics of informational cascades". World Politics 47:42-101. https://doi.org/10.2307/2950679
○	Lorenz, J. 2006. "Consensus strikes back in the Hegselmann-Krause model of continuous opinion dynamics under bounded confidence". Journal of Artificial Societies and Social Simulation 9:8.
○	Lorenz, J. 2007. "Continuous opinion dynamics under bounded confidence: a survey". International Journal of Modern Physics C 18(12):1819-1838. https://doi.org/10.1142/S0129183107011789
○	Lorenz, J. 2010. "Heterogeneous bounds of confidence: Meet, discuss and find consensus!". Complexity 15(4):43-52. https://doi.org/10.1002/cplx.20295
○	Lorenz, J., H. Rauhut, F. Schweitzer y D. Helbing. 2011. "How social influence can undermine the wisdom of crowd effect". Proceedings of the National Academy of Sciences 108:9020-9025. https://doi.org/10.1073/pnas.1008636108
○	Macy, M. W., J.A. Kitts, A. Flache y S. Benard. 2003. "Polarization in dynamic networks: A hopfield model of emergent structure". Pp. 162-173 en Dynamic Social Network Modeling and Analysis. Washington D. C.: National Academies Press.
○	Makowsky, M. D. y J. Rubin. 2013. "An agent-based model of centralized institutions, social network technology, and revolution". PLoS ONE 8(11):e80380. https://doi.org/10.1371/journal.pone.0080380
○	Mark, N.P. 2003. "Culture and competition: Homophily and distancing explanations for cultural niches". American Sociological Review 68(3):319-345. https://doi.org/10.2307/1519727
○	Marsden, P. V. 1981. "Introducing influence processes into a system of collective decision". American Journal of Sociology 86:1203-35. https://doi.org/10.1086/227383
○	Martins, A. C. 2008. "Continuous opinions and discrete actions in opinions dynamics problems". International Journal of Modern Physics C 19(4):617-624. https://doi.org/10.1142/S0129183108012339
○	Mäs, M., A. Flache y J. A. Kitts. 2014. "Cultural integration and differentiation in groups and organizations". Pp. 71-90 en Perspectives on Culture and Agent-Based Simulations. Nueva York: Springer.
○	Mäs, M., A. Flache y D. Helbing. 2010. "Individualization as driving force of clustering phenomena in humans". PLoS Computational Biology 6(10):e1000959. https://doi.org/10.1371/journal.pcbi.1000959
○	Mäs, M. y A. Flache. 2013. "Diferentiation without distancing. explaining bi polarization of opinions without negative influence". PLoS ONE 8(11):e74516. https://doi.org/10.1371/journal.pone.0074516
○	Mäs, M., A. Flache, K. Takacs y K. A. Jehn. 2013. "In the short term we divide, in the long term we unite: Demographic crisscrossing and the effects of fault lines on subgroup polarization". Organization science 24(3):716-736.
○	Maslach, C., J. Stapp y R. T. Santee. 1985. "Individuation: Conceptual analysis and assessment". Journal of Personality and Social Psychology 49(3):729-738. https://doi.org/10.1037/0022-3514.49.3.729
○	Mavrodiev, P., C.J. Tessone y F. Schweitzer. 2013. "Quantifying the effects of social influence". Scientific Reports 3:1360. https://doi.org/10.1038/srep01360
○	Mirtabatabaei, A. y F. Bullo. 2012. "Opinion dynamics in heterogeneous networks: convergence conjectures and theorems". SIAM Journal on Control and Optimization 50(5):2763-2785. https://doi.org/10.1137/11082751X
○	Mobilia, M. 2011. "Fixation and polarization in a three-species opinion dynamics model". EPL (Europhysics Letters) 95(5):p.50002. https://doi.org/10.1209/0295-5075/95/50002
○	Mobilia, M., A. Petersen y S. Redner. 2007. "On the role of zealotry in the voter model". Journal of Statistical Mechanics: Theory and Experiment 2007(08):P08029. https://doi.org/10.1088/1742-5468/2007/08/P08029
○	Moussaïd, M., J.E. Kämmer, P.P. Analytis y H. Neth. 2013. "Social influence and the collective dynamics of opinion formation". Plos One 8(11):e78433. https://doi.org/10.1371/journal.pone.0078433
○	Nail, P. R., G. MacDonald y D. A. Levy. 2000. "Proposal of a four-dimensional model of social response". Psychological Bulletin 126(3):454-470. https://doi.org/10.1037/0033-2909.126.3.454
○	Nowak, A. y M. Lewenstein. 1996. "Modeling Social Change with Cellular Automata". Pp. 249-285 en Modelling and Simulation in the Social Sciences From A Philosophy of Science Point of View, editado por R. Hegselmann, U. Mueller y K. G. Troitzsch. Dordrecht: Kluver.
○	Nowak, A., J. Szamrej y B. Latané. 1990. "From private attitude to public opinion: A dynamic theory of social impact". Psychological Review 97(3):362-376.
○	Nyczka, P., K. Sznajd-Weron y J. Cisło. 2012. "Phase transitions in the q-voter model with two types of stochastic driving". Physical Review E 86(1):011105. https://doi.org/10.1103/PhysRevE.86.011105
○	Regnault, D., N. Schabanel y É. Thierry. 2009. "Progresses in the analysis of stochastic 2D cellular automata: A study of asynchronous 2D minority". Theoretical Computer Science 410(47-49):4844-4855. https://doi.org/10.1016/j.tcs.2009.06.024
○	Rubin, J. 2014. "Centralized institutions and cascades". Journal of Comparative Economics 42(2):340-357. https://doi.org/10.1016/j.jce.2013.11.002
○	Sabatelli, L. y P. Richmond. 2003. "Phase transitions, memory and frustration in a Sznajd-like model with synchronous updating". International Journal of Modern Physics C 14(09):1223-1229. https://doi.org/10.1142/S0129183103005352
○	Sabatelli, L. y P. Richmond. 2004. "Non-monotonic spontaneous magnetization in a Sznajd-like consensus model". Physica A: Statistical Mechanics and its Applications 334(1-2):274-280. https://doi.org/10.1016/j.physa.2003.10.062
○	Salzarulo, L. 2006. "A continuous opinion dynamics model based on the principle of meta-contrast". Journal of Artificial Societies and Social Simulation 9(1).
○	Schulze, C. 2004. "Sznajd opinion dynamics with global and local neighborhood". International Journal of Modern Physics C 15(06):867-872. https://doi.org/10.1142/S0129183104006273
○	Sen, P. 2011. "Phase transitions in a two-parameter model of opinion dynamics with random kinetic exchanges". Physical Review E 83(1):016108. https://doi.org/10.1103/PhysRevE.83.016108
○	Sen, P. 2012. "Nonconservative kinetic exchange model of opinion dynamics with randomness and bounded confidence". Physical Review E 86(1):016115. https://doi.org/10.1103/PhysRevE.86.016115
○	Shin, J.K. y J. Lorenz. 2010. "Tipping diffusivity in information accumulation systems: More links, less consensus". Journal of Statistical Mechanics: Theory and Experiment 2010(06):P06005. https://doi.org/10.1088/1742-5468/2010/06/P06005
○	Sîrbu, A., V. Loreto, V.D.P. Servedio y F. Tria. 2007. "Opinion dynamics: model, extensions and external effects". Pp. 363-401 en Participatory Sensing, Opinions and Collective Awareness. Suiza: Springer, Cham.
○	Smaldino, P. E. y J. M. Epstein. 2015. "Social conformity despite individual preferences for distinctiveness". Royal Society Open Science 2(3):140437. https://doi.org/10.1098/rsos.140437
○	Sobkowicz, P. 2003. "Opinion formation in networked societies with strong leaders". arXiv preprint arXiv:cond-mat/0311521. https://arxiv.org/abs/cond-mat/0311521
○	Sobkowicz, P. 2009. "Modeling opinion formation with physics tools: a call for closer link with reality". Journal of Artificial Societies and Social Simulation 12(1):11.
○	Sobkowicz, P. 2010. "Effect of leader's strategy on opinion formation in networked societies with local interactions". International Journal of Modern Physics C 21(06):839-852. https://doi.org/10.1142/S0129183110015518
○	Sousa, A.O. 2004. "Bounded confidence model on a still growing scale-free network". arXiv preprint arXiv:cond-mat/0406766. https://arxiv.org/abs/cond-mat/0406766
○	Sousa, A.O. 2005. "Consensus formation on a triad scale-free network". Physica A: Statistical Mechanics and its Applications 348:701-710. https://doi.org/10.1016/j.physa.2004.09.027
○	Stauffer, D. 2002. "The Sznajd model of consensus building with limited persuasion". International Journal of Modern Physics C 13(3):315-317. https://doi.org/10.1142/S0129183102003140
○	Stauffer, D. 2003. "How to convince others: Monte Carlo simulations of the Sznajd model". Pp. 147-155 en The Monte Carlo Method in the Physical Sciences, editado por J. E. Gubernatis. Los Alamos: American Institute of Physics.
○	Stauffer, D. y J. S. Martins. 2004. "Simulation of Galam's contrarian opinions on percolative lattices". Physica A: Statistical Mechanics and its Applications 334(3-4):558-565. https://doi.org/10.1016/j.physa.2003.12.003
○	Stauffer, D., A. Sousa y C. Schulz. 2004. "Discretized opinion dynamics of the Deffuant model on scale-free networks". Journal of Artificial Societies and Social Simulation 7(3).
○	Sznajd-Weron, K. 2005. "Sznajd model and its applications". Acta Physica Polonica B 36(8):2537-2547.
○	Sznajd-Weron, K. y J. Sznajd. 2000. "Opinion Evolution in a Closed Community". International Journal of Modern Physics C 11(6):1157-1165. https://doi.org/10.1142/S0129183100000936
○	Tessone, C. J., R. Toral, P. Amengual, H.S. Wio y M. San Miguel. 2004. "Neighborhood models of minority opinion spreading". The European Physical Journal B-Condensed Matter and Complex Systems 39(4):535-544. https://doi.org/10.1140/epjb/e2004-00227-5
○	Tullock, G. 1974. The social dilemma: The economics of war and revolution. Blacksburg, VA: University Publications.
○	Vázquez, F., P.L. Krapivsky y S. Redner. 2003. "Constrained opinion dynamics: freezing and slow evolution". Journal of Physics A: Mathematical and General 36(3):61-68. https://doi.org/10.1088/0305-4470/36/3/103
○	Visser, P. S., G.Y. Bizer y J. A. Krosnick 2006. "Exploring the latent structure of strength-related attitude attributes". Pp. 1-60 en Advances in experimental social psychology (vol. 38), editado por M. Zanna. New York: Academic Press.
○	Watts, D. y P. S. Dodds. 2007. "Influentials, networks, and public opinion formation". Journal of Consumer Research 34:441-458. https://doi.org/10.1086/518527
○	Watts, D. y P. S. Dodds. 2009. "Threshold models of social influence". Pp. 475-497 en The Oxford Handbook of Analytical Sociology, editado por P. Hedström y P. Bearman. Oxford: Oxford University Press.
○	Weisbuch, G., G. Deffuant, F. Amblard y J. P. Nadal. 2002. "Meet, Discuss and Segregate!". Complexity 7(3):55-63. https://doi.org/10.1002/cplx.10031
○	Weisbuch, G., G. Deffuant, F. Amblard y J. P. Nadal. 2003. "Interacting agents and continuous opinions dynamics". Pp. 225-242 en Heterogenous agents, interactions and economic performance, editado por R. Cowan y N. Jonard. Berlin, Heidelberg: Springer.

SOBRE LOS AUTORESTop

JORDI TENA-SÁNCHEZ es doctor en Sociología por la Universitat Autònoma de Barcelona (2010). Actualmente es Profesor Agregado en el Departamento de Sociología de dicha universidad y miembro del Grupo de Sociología Analítica y Diseño Institucional (GSADI). Su investigación se centra en aplicar los principios de la sociología analítica al estudio de diversos aspectos de las sociedades contemporáneas.

FRANCISCO J. LEÓN-MEDINA es doctor en Sociología por la Universitat Autònoma de Barcelona. Ha ejercido como docente en la Universitat Autònoma de Barcelona y la Universitat de Girona. Su investigación actual se centra en la filosofía de las ciencias sociales y en la ciencia social computacional, con un énfasis especial en el estudio de las dinámicas de la opinión pública mediante el uso de simulaciones multi-agente y Big Data.