Se conoce que tengo los ánimos un poco caldeados (¿por qué será?), porque si en mi post del mes pasado hablaba de que el calentamiento global puede aumentar los conflictos, este mes sigo a vueltas con ellos, solo que centrándome en la pequeña escala, la del trabajo en grupo. Pero, además, voy a cambiar la orientación, porque en vez de una predicción genérica de un incremento del número de conflictos, lo que voy a contarles es que se pueden utilizar técnicas de sistemas complejos (que típicamente son grandes, con muchos individuos o componentes) para, pásmense, predecir que en un grupo dado van a acabar a bofetadas. ¿A que da morbillo?
"Predicting future conflict between team-members with parameter-free models of social networks" ("Predicción de futuros conflictos entre miembros de un equipo con modelos de redes sociales no paramétricos") es el título del trabajo que quiero reseñar en este post. Sí, un poco aparatoso, pero espero ser capaz de explicárselo. La investigación se ha desarrollado en el SEES Lab de la Universitat Rovira i Virgili de Tarragona, dirigido por Roger Guimerà y Marta Sales-Pardo. Este es uno de los grupos punteros en la investigación en sistemas complejos en España, y han trabajado mucho y muy bien en redes complejas, aplicándolas al estudio del papel que juegan las especies en ecosistemas, de interacciones entre proteínas en levaduras o a la transmisión de información en organizaciones, por citar algunos ejemplos. Pero, como ya he dicho, lo que me ha llamado la atención de la predicción de conflictos es que trata de grupos pequeños, una situación en la que uno esperaría que ese tipo de ideas no fueran de aplicación. Y encima ¡predicen mejor que aproximaciones más habituales en sociología! Así que no nos entretengamos más y vayamos al asunto.
El equipo de investigación, del que además formaban parte Núria Rovira-Asenjo y Tània Gumí, llevó a cabo un experimento con 86 estudiantes de ingeniería química que debían realizar un trabajo durante 9 meses. El trabajo, real y con incentivos reales, y no diseñado para el experimento, se hacía en grupos, formados por entre 4 y 8 estudiantes. Los datos se recogieron mediante una encuesta online en la que los participantes en el estudio evaluaban distintos aspectos del trabajo en equipo. Esa encuesta se llevó a cabo dos veces, en diciembre, al poco de comenzar el trabajo, y en mayo, ya terminando. La investigación se centró en la pregunta: "¿Escogerías a esta persona para trabajar contigo en un nuevo equipo?", interpretada como un proxy de la calidad de la interacción entre los miembros del grupo. Y aquí es dónde entran las redes: con esa información, los investigadores definieron dos redes entre los miembros del equipo, una para cada una de las encuestas, con enlaces que podían ser positivos (respuesta afirmativa) o negativos (respuesta negativa), como en la Figura 1.
Figura 1. Red de miembros de un equipo tras la primera encuesta (diagrama ilustrativo, no corresponde a ninguno de los equipos del experimento). Los enlaces azules indican disponibilidad a trabajar juntos en un futuro, los rojos lo contrario. Éste es el dato del que se parte para predecir cómo será la red en la segunda encuesta y, como consecuencia, la aparición de conflictos.
La cosa es, teniendo el dato de la primera encuesta, predecir la red de la segunda, interpretando los cambios en los enlaces como aparición de conflictos (si un enlace pasa de positivo a negativo) o resolución de los mismos (el cambio inverso). Para la predicción se utilizaron dos métodos: uno, muy típico del análisis de redes sociales, basado en el concepto de "balance": un grupo de tres miembros está balanceado si hay un número impar de conexiones positivas. Un ejemplo obvio ocurre cuando entre A y B y entre A y C hay buena relación, pero B y C no se llevan bien; aparecerá una tensión que puede hacer optar a A por su amistad con B o con C. Claramente, esto parece muy orientado a entender lo que ocurre en grupos pequeños. El otro método es el propio de redes grandes: se trata de agrupar a los individuos en "comunidades" de manera que en esos subgrupos el patrón de las interacciones sea similar, idea que Guimerà y Sales-Pardo ya habían aplicado para identificar enlaces espúrios o inexistentes en mediciones de redes reales y para analizar la predictibilidad de las decisiones del Tribunal Supremo de Estados Unidos (lectura que recomiendo especialmente).
Figura 2. Métodos alternativos de predicción de conflictos. Véase descripción en el texto. Nótese que hay dos erratas, una en el triángulo "unbalanced" de la parte superior, que debería tener dos enlaces azules entre C y B, y otra en la red inferior, cuyo link AC, el del ejemplo, debería ser de color azul. Agradezco la comunicación a los autores.
El funcionamiento de ambos métodos se resume gráficamente en la figura 2. En el caso del método de balance, recogido en la parte inferior, lo que se hace es contar cuántos triángulos hay balanceados cuando el enlace de una persona a otra es positivo y cuántos cuando es negativo, dejando los demás iguales. En la figura se recoge el ejemplo para el enlace que va de A a C, negativo en la figura 1, con lo que vemos que si fuera positivo habría muchos más triángulos balanceados. Con esas comparaciones se va asignando una puntuación a cada enlace, que cuanto más alta sea más apunta a que dicho enlace sea positivo en la segunda encuesta.
En cuanto al método de comunidades o bloques, es bastante más complicado matemáticamente por lo que no voy a entrar en muchos detalles. Baste decir que parte de pensar que la red (o sea, la existencia de los enlaces que vemos y con su signo correcto) está bien descrita por un cierto modelo perteneciente a una clase de modelos (que vienen a ser distintas divisiones de la red en bloques), cada uno en principio igualmente probable. Con esta hipótesis es posible obtener la "fiabilidad" de un enlace, es decir, la probabilidad de que sea positivo en la segunda encuesta, dados los datos de la red de la primera encuesta. Lo que queda, para poder comparar ambas predicciones, es ordenar los enlaces de acuerdo a su fiabilidad para tener una lista comparable a la obtenida por balance estructural, tal y como se recoge a la derecha de la Figura 2. En todo caso, es interesante hacer hincapié en que ambos métodos son no paramétricos, es decir, no utilizan ningún parámetro libre para ajustar a las observaciones ni nada parecido, lo que suele ser un mérito.
Figura 3. Validación del modelo.
¿Qué metodo funciona mejor? La respuesta nos la da la figura 3. Comparando las predicciones de ambos procedimientos con el resultado real de la segunda encuesta, vemos que el método de bloques "acierta" (pone el tipo de enlace observado por encima en la ordenación del alternativo) más veces que el de balance (los autores comprueban que esto sigue siendo verdad incluso si se refina la manera de ordenar los enlaces a partir de la idea de balance). Eso es así tanto para la aparición de conflictos, asociada al pase de enlaces positivos a negativos, como para su resolución. En términos porcentuales, el método de bloques predice bien la ordenación de enlaces que da lugar a conflictos un 61% de las veces y la resolución un 67%, mientras que el balance es correcto un 47% y un 55% de las veces respectivamente. La figura nos muestra además que los enlaces que se predicen bien no son exactamente los mismos, por lo que se podría pensar que combinando los dos métodos se obtendrían mejores resultados, pero no, no es así, y lo que muestra la investigación es que el método de balance degrada los resultados del de bloques.
Así pues, la conclusión es clara: el método "global" (y un tanto agnóstico en cuanto a los datos) funciona mejor que el más "local" y sociológico. Insisto en que ambos deben tenerse en cuenta ya que sus predicciones no solapan, pero dicho eso el resultado me parece sorprendente. Esto es interesante también dado que el problema de predecir conflictos en grupos pequeños está mediatizado precisamente por la pequeñez de los grupos, lo que se traduce en la escasez de datos. Parece, pues, que el método de bloques, haciendo de la necesidad virtud, incorpora toda la información de la red para estimar las características de cada enlace, es decir, usa todos los datos posibles, y eso le da más precisión. Y desde el punto de vista práctico, este trabajo abre la puerta a que los gestores de organizaciones con muchos proyectos en equipo puedan utilizar herramientas como estas encuestas para seguir el trabajo y la evolución de las relaciones entre los miembros de cada equipo, anticipar problemas, y pensar en medidas correctoras. Hay que trabajar más sobre el tema, está claro, pero una vez más la investigación básica, sí, amigo lector, ésa que no sirve para nada y de la que el gobierno quiere prescindir, va abriendo puertas a mejorar nuestra vida.
Eso sí, como se suele decir en ciertos programas de televisión, no intente esto en casa. Lo mismo la conclusión no le gusta. Como mínimo, no le pase la encuesta a su suegra... Y de los vecinos, ¡ni hablamos!
P.S. Por si alguien pensaba que, como físico, este mes debía haber hablado del bosón de Higgs y del premio Nobel de Física 2013, le recomiendo muchos otros blogs muy buenos que hablan del tema (como, por citar uno, el de Francis (th)E mule, dónde pueden encontrar este estupendo post y más información). Es que no a todos los físicos nos gustan o nos interesan las mismas cosas. Ni siquiera a todos los físicos teóricos; como dice la Wikipedia, la física teórica es "la rama de la física que elabora teorías y modelos usando el lenguaje matemático con el fin de explicar y comprender fenómenos físicos, aportando las herramientas necesarias no solo para el análisis sino para la predicción del comportamiento de los sistemas físicos". Y en una gran mayoría de sistemas físicos, las partículas elementales como el bosón de Higgs son bastante irrelevantes. Es que si no lo digo, reviento.