Elogio, aprobación, aceptación y cumplido: todos estos elementos de interacción social son muy agradables y pasan por una delgada línea a lo largo de la vida de una persona. De niños nos elogian por terminar nuestra cena o hacer un dibujo adorable (que solo un experto en arte abstracto puede entender), por una buena nota en la escuela, etc. Como adultos, la alabanza se vuelve menos necesaria para nosotros, pero aún nos trae alegría.
La comunicación y el compromiso social han cambiado drásticamente con la llegada de Internet y las redes sociales. La distancia y el tiempo ya no son factores decisivos en la comunicación entre personas que viven en diferentes ciudades. La comodidad, por supuesto, ha aumentado, aunque a veces el contenido de los mensajes ha disminuido. Al mismo tiempo, todos y cada uno tuvieron la oportunidad de ver la vida de otra persona, sin intercambiar una palabra con él. Desde el punto de vista de la mecánica de las redes sociales, el concepto de "me gusta" también es importante. Alguien no se preocupa por ellos, para alguien es solo una función curiosa, y alguien no puede dormir tranquilo si una foto de unas vacaciones recientes no ha ganado el número deseado de corazones o pulgares arriba.Surge la pregunta: ¿por qué algunas personas tienen tanta hambre de aprobación en Internet? ¿Qué los impulsa? Científicos de la Universidad de Nueva York han encontrado similitudes entre el ansia de gustos en los seres humanos y el proceso de encontrar comida en roedores de laboratorio. ¿Cuáles son las similitudes, cuál es la base neurológica que subyace al ansia de me gusta y cómo se pueden aplicar en la práctica los datos obtenidos? Aprendemos sobre esto del informe de los científicos. Vamos.
Base de investigación
Internet y las redes sociales nos permiten intercambiar información, compartir ideas, pensamientos y experiencias, y comunicarnos con personas de todo el mundo. Este es un invento realmente sorprendente y extremadamente útil que no conlleva ningún daño. Me gustaría decir si no conociéramos la naturaleza humana, que es capaz, en un grado u otro, de seducir cualquier cosa.
A veces parece que las redes sociales se han convertido en un lugar donde algunas personas se jactan de sus logros y otras las odian por ello. Esta, por supuesto, es una visión muy pesimista de la situación, pero incluso hay una pizca de verdad en ella.
Todos conocemos la frase "alguien se equivoca en Internet", que en su raíz indica una infinidad de opiniones sobre algo. Alguien puede aceptar esto con calma, pero alguien no puede vivir sin constantes escaramuzas verbales en la red, que nunca terminan como le gustaría.
Mientras que algunos usuarios de "redes sociales" buscan emociones fuertes en forma de disputas en Internet, otros buscan aprobación, comentarios elogiosos y amor universal. Estas son manifestaciones completamente normales de la psique humana, pero todo tiene su propio límite saludable. Si los Me gusta son para una persona un subproducto de la actividad social en la red, entonces esto es razonable. Si los gustos se convierten en la razón, el propósito y el motor de la existencia humana, es hora de pensar seriamente.
Considerando este problema desde un punto de vista científico, muchos investigadores intentaron entender por qué una persona se comporta de manera diferente en Internet, por qué se vuelve dependiente de las redes sociales, por qué anhela los likes, etc. Naturalmente, las respuestas a estas preguntas pueden ser muy individuales, porque cuántas personas - tanto bagaje psicológico acumulado en el pasado.
En términos generales, muchos estudios están dirigidos no tanto a comprender la naturaleza humana como a mejorar el software para que esta naturaleza pueda ser utilizada en beneficio de la red social detrás de esta investigación. Sin embargo, como dicen los científicos, incluso en estos trabajos se pueden aprender muchas cosas interesantes.
Por ejemplo, se encontró que recibir una reacción negativa a una publicación (no me gusta, etc.) provoca un deterioro en la calidad de las publicaciones posteriores, y no una mejora. Otros estudios han demostrado que una persona pasará más tiempo en el foro donde recibió más respuestas. Estos casos apuntan al mecanismo de recompensa que subyace tanto al comportamiento humano en Internet como a muchos organismos vivos en la naturaleza.
En el trabajo que estamos considerando hoy, los científicos decidieron probar si es posible caracterizar de manera integral la interacción en las redes sociales como una forma de aprendizaje por recompensa. El estudio analizó más de un millón de mensajes (publicaciones) de 4.000 usuarios en diferentes plataformas. Los datos se evaluaron mediante simulaciones por ordenador.
La hipótesis, sobre la que operan los autores del estudio, se basa en la teoría del aprendizaje computacional, que se utiliza en el desarrollo y análisis de algoritmos de aprendizaje automático. Esta teoría puede convertir el comportamiento humano en la red en un formato de "recompensa por aprender".
La comprensión empírica subyacente es que cuando un animal (como un roedor en la caja de Skinner) puede elegir el momento de sus respuestas instrumentales (como cuándo y con qué frecuencia presionar la palanca), la latencia de respuesta (la inversa de la tasa de respuesta) afecta negativamente la cantidad de recompensas acumuladas.
Un ejemplo de un diagrama de caja de Skinner: una cámara de laboratorio especial necesaria para el estudio controlado del comportamiento animal.
En otras palabras, cuanto peor es la recompensa, mayor es la demora en la respuesta. En experimentos con roedores, los sujetos se dieron cuenta muy rápidamente de que las acciones más rápidas conducen a recompensas más frecuentes, mientras que las acciones más lentas aumentan el tiempo de retraso hasta la siguiente recompensa. Si traducimos esto al marco de este estudio, entonces cuanta más recompensa reciba una persona, más corto debería ser el retraso promedio entre respuestas, porque una acción más lenta conduce a un retraso más largo antes de la próxima recompensa.
Preparándose para experimentos
Para probar la teoría de que el comportamiento social en Internet en forma de mensajes (publicaciones) sigue los principios de la teoría de la recompensa por el aprendizaje, los científicos analizaron conjuntos de datos de varias redes sociales utilizando simulaciones por computadora. En total, se utilizaron en el estudio 1.046.857 publicaciones de 4.168 usuarios. La investigación se dividió en varias etapas.
En la primera etapa (2039 usuarios), la hipótesis se probó en un gran conjunto de datos de publicaciones de Instagram (número promedio de publicaciones por persona = 418). Esta red social tiene alrededor de mil millones de usuarios, y el formato de las publicaciones es bastante sencillo, al igual que la respuesta en forma de “me gusta”. Sin embargo, según los autores del estudio, Instagram, como muchas otras redes sociales modernas. redes, los beneficios económicos juegan un papel importante. Esto puede llevar a múltiples usuarios falsos y me gusta falsos.
Por este motivo, la primera fase se amplió a 2.127 usuarios, transformándose así en la segunda fase. Se tomaron datos adicionales de sitios temáticos (foros de discusión sobre moda masculina, moda femenina y jardinería), donde los motivos económicos son menos probables (número medio de publicaciones por persona = 91).
La tercera etapa consistió en realizar un experimento en línea, en el que participaron 176 personas. El experimento tenía la intención de imitar aspectos clave de las redes sociales, donde los científicos podían manipular el nivel de recompensa social para probar su efecto causal en los retrasos en la respuesta.
La acción humana en una red social (por ejemplo, Instagram) se comparó con la acción de un roedor en la caja de Skinner: publicar - activar una palanca; como es una recompensa.
Habiendo establecido el hecho de que el comportamiento de las redes sociales depende de la recompensa, los científicos han desarrollado un modelo generativo basado en la teoría del operando libre en animales no humanos. Un principio clave de esta teoría es que los sujetos deben equilibrar el costo del esfuerzo de respuesta y el costo de oportunidad de la pasividad (es decir, las recompensas relacionadas con la publicación que una persona pierde sin publicar) para maximizar el promedio neto (es decir, ganancias menos pérdidas) tasa de interés. La consecuencia de esto es que la demora de respuesta promedio debería ser menor cuando la tasa de recompensa promedio es más alta. Esta técnica es aplicable tanto en el caso de la recompensa instantánea, como en el caso de que transcurra un cierto tiempo entre la publicación y la recompensa.
Basado directamente en estos principios, el modelo creado determina cómo los sujetos ajustan su latencia de respuesta para maximizar el nivel promedio de recompensa neta ®.
Imagen # 1
Formalmente, el modelo describe el uso de las redes sociales como una secuencia de decisiones con respecto al retraso entre publicaciones sucesivas (τ Post , 1a ), donde una persona maximiza la relación de recompensa ajustando adaptativamente τ Post después de observar cada recompensa recibida.
Psicológicamente τ Postpuede verse como una acumulación de motivación para el valor umbral para la publicación. El umbral que determina τ Post se ajusta dinámicamente en función del error de previsión de la remuneración neta (δ), la diferencia entre el nivel de remuneración recibido y de referencia.
El nivel de referencia se define tanto por la sensibilidad individual al costo del esfuerzo (por ejemplo, el costo subjetivo de fotografiar y cargar) como por la evaluación subjetiva de la tasa de remuneración neta promedio ( 1b y 1c ). El costo de esfuerzo y el costo de oportunidad dependen del retraso en la respuesta τ Post... En otras palabras, la latencia de respuesta óptima equilibra estos dos costos para maximizar la recompensa neta δ ( 1d ).
Como resultado, se creó un modelo con ~ 250.000 puntos de datos de 1000 usuarios simulados con valores de parámetros aleatorios. Según la teoría del aprendizaje, τ Post debería ser más bajo cuando la tasa de remuneración promedio es relativamente más alta. Para probar esto, se estandarizó R y luego la variable se dicotomizó * por 0 para obtener un predictor cualitativo de “R bajo versus alto” (R bajo versus alto).
Dicotomización * : tratar los datos continuos como si fueran variables binarias.El análisis reveló un efecto claro de R baja y alta en τ Post , como se esperaba. En otras palabras, el modelo predice (dado un conjunto de parámetros de simulación) que la demora de respuesta promedio debería ser ~ 18% más larga cuando la tasa de recompensa promedio es baja versus alta ( 1e ).
Resultados de la simulación
Como ya sabemos, la primera fase del estudio estuvo relacionada con el análisis de datos del comportamiento online en Instagram. Inicialmente, se realizó una comparación de dos modelos que pueden explicar el comportamiento humano en la red, a saber, el modelo utilizado de “aprendizaje por recompensa” (RL para aprendizaje reforzado ) y el modelo sin entrenamiento. Como resultado, se encontró que el modelo RL es adecuado para más del 70% de los usuarios revisados y sus publicaciones ( 2a ).
Imagen No. 2
Curiosamente, el descubrimiento de que las personas con una gran cantidad de seguidores en Instagram mostraron un valor subjetivo (utilidad) no linealmente decreciente de los me gusta. En otras palabras, existe una adicción a los me gusta: cuanto mayor y más estable es el flujo de me gusta, menos participa una persona en su recepción y aumento posteriores.
Según la teoría de los científicos, la respuesta de una persona en la red debería ocurrir más rápido si la recompensa por ellos es mayor. Esto también se confirmó en Instagram (N Obs = 851946, N Users = 2039), donde la demora entre publicaciones se redujo cuando el número de me gusta ® era relativamente alto: β = -0.18, SE = 0.003, t = -54.59, p <0001 ( 2b). Cuando se recalcula, esto significa que un aumento en la recompensa (me gusta) de un nivel bajo a un nivel relativamente alto resultó en una disminución del 18% en la latencia entre publicaciones (equivalente a 8 horas). En el caso de un aumento lineal en Me gusta del 1%, hubo una disminución en el tiempo entre publicaciones en un 0.34% (aproximadamente 5 minutos).
Los gráficos 2c y 2d muestran la relación entre τ Post , R y la estructura del modelo RL utilizando el ejemplo de la actividad de un usuario durante dos años.
En la segunda etapa del estudio, los resultados obtenidos en la primera tuvieron que ser verificados mediante la introducción de variables adicionales. En este caso, fueron plataformas sociales adicionales, a saber, foros con un tema estrecho (moda masculina, moda femenina y jardinería). Obviamente, la mayoría de las publicaciones en dicha plataforma tienen forma de texto y no de imágenes, como en Instagram. Sin embargo, dichos foros tenían temas separados con contenido principalmente gráfico (por ejemplo, "¿Qué llevas puesto hoy?", "Comparte fotos de tu jardín", etc.), cada uno de los cuales contiene varios miles de publicaciones.
Una vez más, se comprobó que el modelo RL es el mecanismo fundamental del comportamiento online, como es el caso de Instagram. En los tres conjuntos de datos (190.721 publicaciones de 2.127 personas), independientemente del tema específico, al comparar los modelos, se encontró que los modelos RL, en lugar de los modelos sin entrenamiento, son adecuados para la gran mayoría de los casos.
Imagen n. ° 3
Como se esperaba, una R más alta predijo una respuesta más rápida en los tres conjuntos de datos ( 3d - 3f ):
- moda masculina (N Obs = 36 139, N Usuarios = 541): β = –0.08, SE = 0.016, t = –5.1, p <0001;
- (NObs = 36 434, NUsers = 773): β = −0.16, SE = 0.02, t = −7.1, p <0001;
- (NObs = 118 148, NUsers = 813): β = −0.18, SE = 0.02, t = -12.09, p <0001).
Por lo tanto, en estos conjuntos de datos, las demoras entre publicaciones fueron un 8%, 16% y 18% menos cuando la tasa de remuneración promedio fue alta en lugar de baja. En consecuencia, por cada incremento del 1% en la tasa de retribución subjetiva, se produce una disminución del retraso medio entre puestos en un 0,18%, 0,41% y 0,38%, respectivamente.
La expansión de los datos analizados mediante la combinación de plataformas de naturaleza bastante diferente (Instagram y foros temáticos) muestra que independientemente de la red social, el comportamiento humano seguirá los principios del modelo RL.
Ahora era necesario establecer si existen diferencias individuales en el comportamiento de diferentes personas en el marco del modelo RL, y también por qué pueden ser causadas. Por ejemplo, las diferencias individuales en la tasa de aprendizaje se han asociado previamente tanto con diferencias genéticas como con diferencias de desarrollo entre las personas. Y las diferencias individuales en la sensibilidad al costo del esfuerzo se asociaron con el sistema dopaminérgico (síntesis y producción del neurotransmisor dopamina, que está involucrado en los sentimientos de satisfacción).
Imagen No. 4
Para buscar posibles subgrupos en los datos multivariados, se utilizaron tres parámetros del modelo RL original, estimados para cada persona de las etapas I y II (número total de usuarios = 4168), como entrada para agrupar k-medias. Una evaluación cuantitativa que utilizó varios criterios estándar mostró que se pueden distinguir cuatro grupos principales, es decir, 4 subgrupos ( 4a ). Estos grupos oscilaron entre el 41% (1739 personas) y el 7% (299 personas) del conjunto de datos total.
Figura 4bmuestra cuatro fenotipos informáticos putativos que son de naturaleza conductual. Por ejemplo, las personas del grupo 1 tienen una tasa de aprendizaje relativamente baja (ɑ). Estas personas son las menos sensibles a la recompensa social en su comportamiento en las redes sociales. Las personas del grupo 2 se caracterizan por tener bajos costos de esfuerzo y tasas de aprendizaje promedio, mientras que el grupo 4 demuestra la relación opuesta entre las tasas de aprendizaje y los costos de esfuerzo (el grupo 3 es intermedio). Por lo tanto, las personas de los grupos 2 y 4 publican fácilmente mensajes en respuesta a las recompensas sociales, aunque los mecanismos subyacentes son diferentes.
Durante la etapa final del estudio, se obtuvo evidencia directa de que el nivel de recompensa social afecta el retraso en la publicación. Para hacer esto, se realizó un experimento en línea en el que los científicos pudieron manipular las recompensas sociales y observar las respuestas.
Los participantes (n = 176) pudieron publicar "memes" en cualquier momento que quisieran durante la sesión de 25 minutos (número total de publicaciones = 2206). Luego recibieron Me gusta (de 0 a 19) tanto de los mismos participantes en el experimento como de usuarios falsos.
Para probar si una tasa de recompensa social más alta provoca una latencia de respuesta posterior más corta, la cantidad promedio de me gusta recibidos por los participantes entre la primera y la segunda mitad de la sesión aumentó o disminuyó (recompensa baja: 0-9 me gusta por publicación, recompensa alta: 10-19 me gusta por publicación).
Como esperaban los científicos, la demora promedio entre publicaciones fue significativamente mayor cuando la recompensa fue baja (0-9 me gusta por publicación) en comparación con mayor (10-19 me gusta por publicación), lo que corresponde a una diferencia del 10,9% (imagen # 5 ).
Imagen No. 5
También es curioso que los participantes del experimento, que tenían una gran cantidad de seguidores en sus redes sociales reales, mostraran una menor influencia de los me gusta en su comportamiento durante el experimento en sí.
Este pequeño experimento en la práctica mostró la validez de la teoría de que existe una correlación directa entre la recompensa (me gusta) y el comportamiento adicional de una persona (respuesta).
Para un conocimiento más detallado de los matices del estudio, le recomiendo que consulte el informe de los científicos y materiales adicionales .
Epílogo
El hecho de que muchas personas, literalmente, no pueden vivir sin redes sociales, me gusta, reposts, etc., lo sabemos sin ninguna investigación. Sin embargo, este trabajo pudo explicar en detalle la conexión entre el comportamiento de una persona en la red y su sed de recompensa, aunque sea en forma de un corazón ilusorio debajo de una publicación en la pantalla de su dispositivo.
Básicamente, la vida en Internet no es muy diferente de la vida en el mundo real, con la excepción de algunos elementos. El comportamiento de una persona puede cambiar dependiendo de dónde se comunique, pero sus características conductuales, psicológicas e incluso fisiológicas permanecen sin cambios. Internet es solo una herramienta que los exagera o los transforma visualmente, pero fundamentalmente todo sigue igual.
Los propios autores del estudio creen que su trabajo puede ser de gran utilidad para estudiar el problema de la dependencia de las redes sociales, bastante real en nuestro mundo moderno. Sin embargo, no hay que olvidar que las redes sociales hace tiempo que dejaron de ser un “club de iniciados” para convertirse en corporaciones multimillonarias. Por tanto, es probable que este tipo de investigaciones, aunque bien intencionadas, puedan afectar indirectamente a la ampliación del abanico de herramientas que utilizan las redes sociales para ampliar su audiencia. Al mismo tiempo, me gustaría señalar que no hay necesidad de entrar en pánico, porque la gran mayoría de los productos de progreso siempre han tenido y tendrán dos caras de la moneda. E Internet puede describirse con bastante precisión mediante una de las interpretaciones de la famosa frase de Paracelso: "la diferencia entre el veneno y la medicina está en la dosis".
Gracias por su atención, mantengan la curiosidad y tengan una buena semana de trabajo, chicos. :)
Un poco de publicidad
Gracias por estar con nosotros. ¿Te gustan nuestros artículos? ¿Quieres ver contenido más interesante? Apóyenos haciendo un pedido o recomendando a amigos, VPS en la nube para desarrolladores desde $ 4.99 , un análogo único de los servidores de nivel de entrada que hemos inventado para usted: Toda la verdad sobre VPS (KVM) E5-2697 v3 (6 núcleos) 10GB DDR4 480GB SSD 1Gbps desde $ 19 o ¿cómo dividir el servidor correctamente? (opciones disponibles con RAID1 y RAID10, hasta 24 núcleos y hasta 40GB DDR4).
¿Dell R730xd es 2 veces más barato en el centro de datos Maincubes Tier IV en Ámsterdam? ¡Solo tenemos 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV desde $ 199 en los Países Bajos!Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - ¡Desde $ 99! Lea sobre Cómo construir la infraestructura de bldg. clase con el uso de servidores Dell R730xd E5-2650 v4 a un costo de 9000 euros por un centavo?