Algoritmos que distorsionan lo que crees que piensan los demás

Algoritmos que distorsionan lo que crees que piensan los demás#

Un equipo de Nature construyó dos feeds desde cero —uno ordenado por engagement como las grandes plataformas, otro cronológico simple— y asignó al azar a 1.818 personas a usar uno u otro durante 8 semanas, antes y después de las elecciones de Estados Unidos en 2024. Lo que cambió no fue tanto el comportamiento; lo que cambió fue lo que la gente creía que estaba pasando.

El hallazgo: El feed algorítmico casi duplicó la exposición al contenido del propio bando alabándose (de 14% a 24,6%) y redujo a un tercio la exposición al otro bando (de 28% a 9,9%). Esa dieta cambió las creencias: con un efecto medio (Cohen’s d = 0,346), la gente del feed algorítmico cree que más personas alaban públicamente a su propio bando.

Gráfica clave#

Distribución de la exposición al contenido del propio bando vs el otro bando, por tipo de feed

Reproducir#

Abrir en Colab

O localmente:

pip install pandas matplotlib numpy scipy
jupyter execute notebook.ipynb

Datos#

  • datos/survey_por_participante.csv — 1.818 filas, una por participante post-exclusión. Outcomes psicométricos completos.

  • datos/exposicion_propio_bando.csv — % de exposición agregado por condición y categoría (ingroup_praise, outgroup_blame, other_party, neutral, distractor).

  • datos/exposicion_categoria.csv — % de exposición desglosado por bando (dem/rep × praise/blame).

  • datos/outcomes_resumen.csv — medias, SE, n, diff, Cohen’s d y p-value por outcome.

  • datos/engagement_feed2.csv — likes y shares agregados por condición.

  • datos/demograficos_por_condicion.csv — distribución partidista por condición.

Todos derivados de study4_combined_data.csv (Supplementary Materials del paper). Filtros: 83 participantes excluidos por feed_duration < 100 s o > 5 NA en post_dwell_seconds — mismo criterio que el script R original de los autores.

Notas sobre rigor#

El experimento es un RCT con 1.818 participantes — el diseño justifica usar verbos causales como «amplificó» o «redujo». El paper menciona que dos efectos van en dirección inesperada: el feed algorítmico redujo la percepción de extremismo del entorno (d = −0,19) y redujo la polarización afectiva (d = −0,13). Ambos son efectos pequeños pero significativos. El notebook los reporta sin trivializarlos, pero también sin extrapolarlos fuera del diseño experimental.

Contenido