Investigadores de Stanford examinan la generación de redes sociales y el sesgo en la homofilia política

La generación de redes sociales tiene numerosas aplicaciones en diversos campos, como el modelado de epidemias, las simulaciones de redes sociales y la comprensión de fenómenos sociales como la polarización. La creación de redes sociales realistas es crucial cuando las redes reales no se pueden observar directamente debido a problemas de privacidad u otras limitaciones. Estas redes generadas son vitales para modelar con precisión las interacciones y predecir los resultados en estos contextos.

Un desafío importante en la generación de redes sociales es equilibrar el realismo y la adaptabilidad. Los enfoques tradicionales, como los modelos de aprendizaje profundo, suelen requerir un entrenamiento extenso en redes específicas de dominio. Estos modelos necesitan ayuda para generalizarse a nuevos escenarios donde los datos pueden ser escasos o no estar disponibles. Por el contrario, los modelos clásicos como Erdös-Rényi y los modelos de mundo pequeño se basan en supuestos rígidos sobre la formación de redes, que a menudo no logran capturar la intrincada dinámica de las interacciones sociales del mundo real.

Los métodos actuales para la generación de redes incluyen una combinación de técnicas de aprendizaje profundo y modelos estadísticos clásicos. Los modelos de aprendizaje profundo son potentes, pero requieren grandes conjuntos de datos de los que aprender, lo que limita su aplicabilidad en entornos donde no se dispone de dichos datos. Por otro lado, los modelos clásicos, si bien son más flexibles en cuanto a los requisitos de datos, tienden a simplificar en exceso la formación de redes sociales. Por ejemplo, el modelo de Erdös-Rényi supone que cada conexión en una red se forma con una probabilidad uniforme, lo que no se alinea bien con la forma en que se forman las conexiones sociales en la realidad. De manera similar, los modelos de mundo pequeño y de bloques estocásticos capturan algunos aspectos de las redes sociales, pero pasan por alto las interacciones complejas y matizadas que ocurren en la vida real.

Investigadores de la Universidad de Stanford, la Universidad de California y la Universidad de Cornell han presentado un enfoque innovador que utiliza grandes modelos de lenguaje (LLM, por sus siglas en inglés) para generar redes sociales. Al igual que los desarrollados por OpenAI, los LLM han demostrado capacidades notables para generar texto similar al humano y simular interacciones. Los investigadores aprovecharon estas capacidades para generar redes sociales sin necesidad de un entrenamiento previo con datos de la red, un proceso conocido como aprendizaje de disparo cero. Este enfoque permite a los LLM crear redes basadas en descripciones de individuos en lenguaje natural, lo que ofrece una solución flexible y escalable a los desafíos que enfrentan los modelos tradicionales.

Los investigadores propusieron tres técnicas de estímulo distintas para guiar a los LLM en la generación de redes sociales. El primer método, denominado enfoque “global”, impulsa al LLM a construir toda la red simultáneamente, considerando a todos los individuos simultáneamente. El segundo método, el enfoque “local”, implica construir la red de un individuo a la vez, donde el LLM asume la identidad de cada personaje y, a su vez, decide con quién es probable que se conecten. Finalmente, el enfoque “secuencial” es una variación del método local, donde el LLM construye la red de manera incremental, considerando las conexiones de los personajes anteriores. Este método también incorpora la retroalimentación de la estructura de red en desarrollo, lo que permite una toma de decisiones más refinada.

El rendimiento y los resultados de estos métodos se evaluaron rigurosamente en comparación con redes sociales del mundo real. El estudio reveló que los métodos local y secuencial produjeron redes que coincidían estrechamente con las características estructurales de las redes sociales reales. Por ejemplo, las redes generadas utilizando estos métodos mostraron niveles de densidad, agrupamiento y estructura de comunidad realistas. Los investigadores observaron que el método secuencial, en particular, podía replicar distribuciones de grados de cola larga, una característica clave de las redes sociales reales en las que algunos individuos tienen significativamente más conexiones que otros.

El método secuencial mostró una mejora sustancial en la captura de los matices de las redes sociales. Por ejemplo, la distribución de los grados en las redes generadas por el método secuencial era más cercana a la de las redes reales, con un margen de error sustancialmente reducido en comparación con el método global. Sin embargo, el estudio también descubrió un sesgo significativo en las redes generadas: los LLM constantemente enfatizaban demasiado la homofilia política. Las redes exhibieron niveles más altos de lo esperado de agrupamiento por afiliación política, donde los individuos tenían más probabilidades de conectarse con otros que compartían sus puntos de vista políticos. Esta sobrestimación fue particularmente pronunciada en las redes generadas por el método secuencial, donde la homofilia política observada fue hasta un 85% más alta que la que se observa típicamente en las redes sociales reales.

En conclusión, la investigación realizada por el equipo de la Universidad de Stanford demuestra el potencial de utilizar los modelos LLM para la generación de redes sociales. Estos modelos ofrecen un enfoque flexible y sin riesgos para crear redes sociales realistas, superando muchas de las limitaciones de los métodos tradicionales. Sin embargo, el estudio también destaca los desafíos asociados con los sesgos en las redes generadas por los modelos LLM, en particular en lo que respecta a la afiliación política. A medida que estos modelos sigan evolucionando, será fundamental abordar estos sesgos para garantizar que las redes que generen sean realistas y estén libres de la influencia indebida de los sesgos subyacentes en los datos de entrenamiento del modelo.


Echa un vistazo a la Papel. Todo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y LinkedInÚnete a nuestro Canal de Telegram.

Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..

No olvides unirte a nuestro Subreddit con más de 50 000 millones de usuarios


Nikhil es consultor en prácticas en Marktechpost. Está cursando una doble titulación integrada en Materiales en el Instituto Indio de Tecnología de Kharagpur. Nikhil es un entusiasta de la IA y el aprendizaje automático que siempre está investigando aplicaciones en campos como los biomateriales y la ciencia biomédica. Con una sólida formación en ciencia de los materiales, está explorando nuevos avances y creando oportunidades para contribuir.