Está en la página 1de 18

Debera la Sociologa interesarse por la Simulacin Social Multi-Agente

(SSMA)?
F. J. Miguel Quesada (Departamento de Sociologa, UAB)
Toni Lpez Rodrguez (Hospital Parc Taul, Sabadell)
Replicants are like any other machine, they're
either a benefit or a hazard... If they're a benefit,
it's not my problem. (Deckard a Rachel) R.
Scott (1982) Blade Runner.
Resumen:
Existe cierta controversia sobre la validez epistemolgica de la Simulacin Social
Multi-Agente (SSMA) como metodologa aceptable para proporcionar
conocimiento y resultados slidos de investigacin en ciencias sociales. El
presente trabajo revisa un conjunto de argumentos referidos a tal metodologa,
con el objetivo de destacar los beneficios que su uso puede implicar para el
desarrollo de la investigacin social. No se trata aqu de realizar una crtica
general a esta estrategia metodolgica, sino nicamente de agrupar de forma
sistemtica y clara las posibles lneas de defensa, como trabajo previo para un
trabajo crtico ms extenso.
Tras revisar brevemente su posicin dentro del proceso genrico de investigacin
cientfica (en especial en cuanto a su relacin con la fase abductiva y con la
experimentacin), se muestra cmo la SSMA es una herramienta con potencial en
las ciencias sociales, tanto para elaboracin de modelos como para la
comprensin de los procesos sociales. Se destacan tres puntos fuertes de la
SSMA, frente a otras metodologas: A) inevitablemente requiere de la
especificacin detallada de un modelo del ser humano, necesario para
disear/programar los agentes, B) ofrece la oportunidad de representar la
compleja dinmica de los procesos de cambio social, mediante reglas de
produccin que simulan mecanismos elementales psicolgicos y sociales, y C)
permite el anlisis simultneo tanto en el nivel micro-social (hace ms
comprensibles los atributos y los comportamientos individuales) como en el nivel
macro-social (extraccin de las propiedades globales de los grupos sociales). Este
ltimo aspecto ofrece a las ciencias sociales la posibilidad de investigar efectos
agregados, de segundo orden o efectos emergentes, as como la emergencia, en
definitiva, permite el estudio del vnculo entre niveles.
Si se acepta que, en trminos explicativos en ciencias sociales, la dinmica de la
interaccin social es a menudo ms importante que los resultados finales o que los
equilibrios resultantes de los procesos, entonces la SSMA permite establecer con
mayor claridad las correspondencias entre explanans y explanandum que
solicitan las versiones ms analticas de la investigacin social.

Contenido:
1. Crticas a la SSMA en ciencias sociales
2. Qu tipos de Simulacin puede resultar ms adecuada para las CCSS
(Modalidades de arriba abajo top-down versus de abajo a arriba bottomup)?
3. Un mismo experimento desarrollado mediante SD y SSMA
4. Principales beneficios de la SSMA para las Ciencias Sociales
5. Conclusiones

1. Crticas a la SSMA en ciencias sociales


La crtica ms extensamente manifestada en contra de la utilizacin de
simulaciones informticas en las ciencias sociales se refiere a los supuestos
implicados en la construccin de los modelos de simulacin. Se les atribuyen
supuestos poco realistas en relacin a los sistemas sociales que pretenden
formalizar, por lo que los resultados no son ms que el producto de la
manipulacin, con frecuencia "poco clara", supuestos iniciales cuestionables
(Axelrod, 2003). Ante este tipo de crticas, no hay que olvidar que la simulacin no
deja de ser una estrategia de investigacin basada en la modelizacin, como lo
son otras modelizaciones basadas en tcnicas matemticas (anlisis de la
varianza) o verbales (cualquier explicacin expresada en lenguaje natural). Todos
los modelos construidos son producto de un ejercicio reduccionista consistente en:
1) aislar un fenmeno interesante y concreto mediante la creacin y utilizacin de
entidades abstractas, 2) generar un mundo metafrico o analgico y 3) con la
finalidad ltima de poder interrogar o provocar al mundo real para esclarecer su
funcionamiento. Por ello la mencionada crtica a la simulacin no deja de ser una
de las facetas ms comunes en cualquier intento de explicacin terica, ms o
menos formalizada. La alternativa a usar modelizacin no es otra que usar
discurso referencial, que puede ir desde lo ms potico hasta lo ms descriptivo,
pero que, en todo caso, renuncia a la explicacin del fenmeno.
Un segundo aspecto crtico mencionado por la literatura declara que,
comparada con los modelos matemticos, la Simulacin social es poco elegante y
ateortica: An open simulation is bad mathematics even if it is a good social
system representation. (Troitzsch, 2009). Pero hay que tener en cuenta, como
apunta Troitzsch, la simulacin no es ni buena ni mala matemtica. Por el
contrario, la simulacin no es matemtica en ningn caso. Existen tres
posibilidades de representacin de un sistema social: 1) mediante un modelo
verbal, 2) mediante un modelo matemtico y 3) mediante un modelo
computacional (Ostrum, 1988; Kliemt, 1996). La SSMA se basa en esta tercera
posibilidad, mientras que la SD se basa en el segundo.
En tercer lugar, otro aspecto abundantemente criticado de la estrategia de
la simulacin social es su intrnseca redundancia. Esta crtica abarca dos

significados: a) que slo es posible generar resultados "esperados" dadas las


condiciones iniciales, y b) que tradicionalmente se ha usado para replicar modelos
que ya se haban estudiado y formulado previamente. En el primer caso se hace
referencia a un tipo concreto de simulacin, o ms en general, de modelizacin
explicativa. Es cierto que determinadas simulaciones sociales (especialmente las
basadas en ecuaciones diferenciales), ciertos modelos estadsticos (como
regresiones con un conjunto de variables independientes) y ciertas teoras (como
pueden ser las que incluyen fundamentalmente elementos estructurales
deterministas) tan slo permiten derivar resultados "esperados". Y, en el caso
extremo, numerosas teoras explicativas ad hoc. Por el contrario, una clase de
simulaciones informticas (las SSMA, que recibirn atencin especial a
continuacin) incorporan de forma esencial la capacidad de generar resultados
nuevos, no esperados e imposibles de predecir a partir de las condiciones iniciales
(Epstein y Axtell, 1996).
Respecto al tercer aspecto mencionado, la replicacin de modelos tericos,
no necesariamente se debe contemplar como una crtica en contra de la
simulacin. Al contrario, en la medida en que seamos capaces de generar el
mismo resultado desde diferentes metodologas (mixed methods), se incrementa
la confianza en la validez de las hiptesis o en el grado de ajuste del modelo
explicativo con la realidad a la que hace referencia. Este es precisamente el caso
de usar diferentes modelos de simulacin para investigar el mismo fenmeno.
La simulacin representa una tercera va que complementa y es
complementaria a las actividades empricas, los ensayos y la teorizacin.
Hedstrm (2005:77-88) defiende, los Modelos Basados en Agentes (MBA) como
una herramienta til para la teorizacin en Sociologa. Es decir, suponen una
alternativa a los modelos de ecuaciones para analizar las dinmicas de los
sistemas en interaccin, permitiendo establecer una correspondencia con los
datos empricos. Los resultados que nos ofrecen los modelos MBA no se tienen
que entender como predicciones sino como referencias causales de probabilidad
que pueden permitir explorar diferentes lneas de evolucin en el tiempo, a la vez
que nos permiten identificar patrones recurrentes de comportamiento del sistema.
Finalmente, y en relacin a otro conjunto de crticas contrarias a la
adecuacin con respecto al objeto de estudio (ej. los fenmenos sociales), cabe
argumentar que algunas modalidades de simulacin, como la SSMA, se adecua
mejor que muchas otras estrategias a la hora de ofrecer explicaciones de las
dinmicas colectivas a partir de los comportamientos locales simples, o de los
complejos procesos sociales que hacen emerger normas, instituciones, creencias
o elementos culturales.
En este ltimo punto se insiste en la diferencia interna entre diferentes
estrategias de simulacin. Algunas de ellas son especialmente susceptibles de
crtica en los sentidos anteriormente indicados mientras que al SSMA presenta
caractersticas diferenciales que le permiten situarse en una posicin privilegiada
en relacin a estas crticas. A continuacin se introduce una necesaria distincin
entre diversas estrategias de simulacin aplicables.

2. Qu tipos de Simulacin puede resultar ms adecuada para las CCSS


(Modalidades de arriba abajo top-down versus de abajo a arriba
bottom-up)?
Se puede encontrar en la literatura diversas revisiones de modelos de simulacin
con el objetivo de establecer una tipologa (Conte et al., 2001; Gilbert y Troitzsch,
2006; Marietto et al., 2003; Miguel, 2009).
El siguiente grfico (Fig. 1) ejemplifica una las diferentes concepciones de
la simulacin entre los cientficos sociales (Deffuant et al., 2005). Esta clasificacin
en concreto hace referencia a dos dimensiones: 1) la forma de especificacin del
modelo (de arriba abajo -top-down- o de abajo hacia arriba -bottom-up-) y 2) la
relevancia de elementos fundamentales o bien de elementos empricos
(representacionales). Cada tipo tiene implicaciones diferentes, que se
desarrollarn a continuacin.

Fig. 1

Feedback o causalidad circular entre

las variables observables. Los datos


provienen del sistema general de las
magnitudes agregadas.
Alto grado de abstraccin,
representacin de la realidad de una
forma discreta.
Top-down

Reconoce explcitamente los sistemas


complejos, la conducta individual y sus
interacciones.
Los componentes bsicos del sistema real
son explicitados e individualmente
representados en el modelo.
Dinmica Sistemas

SSMA
Bottom-up
Fundamentos

Representacional

La Dinmica de Sistemas (SD) se fundamenta en el modelado de


sistemas complejos a partir de la especificacin de sistemas de ecuaciones de
diferencias (Gilbert y Troitzsch, 2006: 28). Una simulacin desarrollada mediante
dinmica de sistemas utiliza el concepto de retroalimentacin o causalidad circular

entre las variables observables. Estas variables pueden describir algn atributo de
los componentes bsicos del sistema o referirse a alguna magnitud global. La
tendencia generalizada en la SD es utilizar variables observables del sistema en
su conjunto. Esto quiere decir que los datos provienen de magnitudes agregadas
del sistema global, en vez de estudiar directamente magnitudes de sus
componentes bsicos, lo que supone un alto grado de abstraccin. Adems de
ello la realidad temporal se representa de una forma discreta. Es el ejemplo ms
claro de proceso de arriba abajo (top-down), que hasta la dcada de 1990,
posiblemente, fuera la metodologa ms extendida en el campo de la investigacin
y, an hasta hoy en da sea la modalidad de simulacin ms extendida en
entornos de ingeniera y produccin (Lpez Paredes, 2004: 175).
Toda simulacin pretende ser una herramienta que ayude en la bsqueda
de la mejor explicacin del sistema social objeto de estudio, la paradoja en las
simulaciones basadas en la SD es que se requiere un conocimiento previo, muy
detallado y exhaustivo, de los casos que constituyen la poblacin, de manera que
nos permita especificar las ecuaciones y, luego, poner en marcha la simulacin. El
azar o procesos estocsticos pueden estar presentes, pero es difcil que se
generen procesos emergentes, procesos de cambio social y procesos de
aprendizaje, sin olvidar que en la SD no podemos referirnos a un individuo aislado
sino a un subconjunto o grupos pertenecientes a un sistema de agregados de la
totalidad.
En cuanto a la Simulacin Muti-Agente (SSMA), es preciso destacar que
cuando se hace una referencia a agentes, no existe una definicin comnmente
consensuada. Segn una posible definicin "el trmino se usa habitualmente para
describir aquellos programas autnomos que pueden controlar las acciones
propias basndose en sus percepciones de su entorno operativo" (Huhns y Singh,
1998). Dependiendo de las propiedades previstas por los diseadores de la
programacin, los agentes pueden ser o no ser (Wooldridge, M. y Jennings, N. R.,
1995): 1) autnomos (capaces de operar bajo el control de sus propias acciones),
2) reactivos (capaces de percibir su entorno "fsico" y de reaccionar al mismo), 3)
sociales (capaces de interactuar con otros agentes, lo que implica un lenguaje
comn que permite la comunicacin entre ellos) y 4) proactivos (capaces de
establecer una iniciativa en relacin a un objetivo). Los agentes pueden
representar a individuos, familias, instituciones, organizaciones, pases, objetos u
otras entidades. En la simulacin social multi-agente, el modelizador reconoce
explcitamente que los sistemas complejos, y en particular los sociales, son
producto de comportamientos individuales y de sus interacciones.
As pues, un SSMA es un conjunto de programas informticos (agentes)
que interactan entre ellos, y tambin con un entorno que tambin es simulado por
ordenador, siguiendo unas reglas comprendidas en el prisma de la inteligencia
artificial, que son "programadas" por quien disea la SSMA. Estas reglas pueden
ser muy simples a pesar de lo cual pueden generar resultados complejos mediante
interaccin. Los resultados pueden ser externos a los agentes (comportamientos
individuales, y los patrones de comportamiento colectivo) o internos (aprendizaje,
modelaje de valores u opiniones...).

La caracterstica principal es que los componentes bsicos del sistema real


estn explcitos e individualmente representados en el modelo (Edmonds et al.,
2001). Las interacciones, que tienen lugar entre los componentes bsicos del
sistema real, se corresponden con interacciones que tienen lugar entre los
agentes del modelo, permitiendo la concurrencia temporal, esta correspondencia
directa contrasta con el tradicional uso de "agentes representativos", ms propio
de la SD (Izquierdo et al. 2008). En el caso de los SSMA el camino seguido para
su especificacin es de abajo a arriba (bottom-up).
Los modelos basados en agentes son una tercera va a los mtodos
tradicionales de acceso al conocimiento: el inductivo y el deductivo (Macal &
North, 2007). El propsito de la SSMA, aparte de incorporar la induccin y la
deduccin conjuntamente, es auxiliar a la intuicin un travs de experimentos que
tienen la propiedad generativa, en el sentido de Chomsky (y eventualmente,
tambin emergente), o tambin llamada efecto de segundo orden (Epstein y Axtell,
1996). Segn Humphreys, la simulacin constitutes a new kind of scientific
method, intermediate in kind between empirical experimentation and analytical
theory. (Humphreys citado por Moss, 2005 en poweponit). Esta metodologa en
ciencias sociales se puede utilizar principalmente para la comprensin y
explicacin de fenmenos sociales, ya que la prediccin resulta sumamente
improbable: a) al no tratarse de fenmenos con comportamientos lineales, y b)
adems cualquier pronstico social puede afectar al resultado mismo (Gilbert y
Troitzsch, 2006). Aunque resulte complejo no es un objetivo que se tenga que
descartar (Thompson, 2009; Troitzsch, 2009).
Si el objetivo del modelo es 1) la representacin del comportamiento
agregado como resultado de la interaccin entre los componentes del sistema
social, y 2) el cambio de los comportamientos individuales como consecuencia de
esa interaccin, entonces la representacin a arriba abajo puede resultar
adecuada. Pero si se trata de representar un sistema "desordenado", en el sentido
de que los lmites del mbito de aplicacin no se conocen bien y nos interesan los
patrones de interaccin entre los agentes, lo que busca la simulacin es
comprobar las propiedades del sistema generado por agentes. En este segundo
caso, no disponemos de un sistema observado previo para tomarlo como dado, la
modelizacin tiene que ser de abajo a arriba (Conte et al., 2001).

3. Un mismo sistema desarrollado mediante SD y SSMA


Como ejemplo clarificador de estas diferencias, a continuacin se describen los
procedimientos de un experimento que se encuentra desarrollado mediante SD y
el mismo experimento mediante SSMA.
En este modelo, hay ovejas y lobos que cohabitan en un mismo territorio,
las ovejas y los lobos disponen de una serie de reglas que gobiernan la evolucin
dinmica de ambas poblaciones. Este experimento se puede ejecutar, mediante
un applet Java, disponible en la siguiente direccin de Internet:
<http://ccl.northwestern.edu/netlogo/models/run.cgi?WolfSheepPredation(docked).1094.629>.

Fig. 2

Al cabo de un minuto aparecer la interfaz grfico de la simulacin, la parte


derecha hace referencia al modelo SD y la izquierda al SSMA. En ambos casos, el
botn [ setup ] establece el modelo en sus condiciones iniciales y el botn [ go ]
inicia el proceso de simulacin. Los resultados aparecern en el grfico del lado
correspondiente. Adicionalmente, en el caso de la SSMA el espacio central de la
simulacin representa todo y cada uno de los agentes y sus interacciones a lo
largo del tiempo, esto es la dinmica emergente del sistema.

Como se puede observar, mediante la ejecucin de ambos modelos, los


dos procesos ofrecen resultados diferentes (Fig. 2).
Reglas del modelo para la SD:
El modelo de simulacin SD simplemente implementa un sistema de dos
ecuaciones de diferencias, que relacionan funcionalmente dos magnitudes
correspondientes al nmero total de individuos de cada subpoblacin: Ovejas y
Lobos. Estas ecuaciones (sistema Lotka-Volterra (Fig.3 y 4)), adems de las dos
magnitudes variables, contienen coeficientes o parmetros (vide supra,
Nomenclatura) que pueden ajustarse para configurar un espacio inicial
heterogneo de condiciones iniciales de simulacin.

Fig. 3

Nomenclatura: H (densidad de presas), P (densidad de predadores), r (tasa de


natalidad de presas), a (coeficiente de preedicin: probabilidad de captura), b (tasa
de eficiencia predatoria: reproduccin de predadores por presa devorada), m (tasa
de mortalidad de predadores)

Fig.4: Modelizacin Dinmica de Sistemas de Lotka-Volterra

Reglas del modelo para la SSMA: tenemos dos razas 1 de agentes, a) las
ovejas y b) los lobos.
a) Las Ovejas, tienen las siguientes reglas de comportamiento: Pueden
moverse, reproducirse y morir:

Las ovejas disponen de un mximo de energa al empezar la simulacin,


que podemos variar mediante el deslizador, a cada oveja se le atribuye,
aleatoriamente, una cantidad de energa que puede variar entre 1 y el valor
mximo que hemos predeterminado en el deslizador.
Mediante otro deslizador decimos el nmero de ovejas que queremos que
se creen.
Al empezar la simulacin las ovejas se distribuirn de forma aleatoria, en el
escenario disponible.
Pueden reproducirse, para ello siguen las reglas: un procedimiento saca un
nmero aleatoriamente entre 0 y 99, si el nmero es menor al que se
determina en el deslizador (que pude oscilar entre 0 y 20, con un
incremento de 1), se activa el procedimiento de reproduccin de esa oveja.
En este caso, se considera que la reproduccin tiene un coste y la energa
se divide a la mitad. Se crear una oveja idntica a la original, con los
mismos atributos y energa. A la nueva la oveja creada se le dice que
aleatoriamente gire sobre s misma entre 0 y 364 grados y que avance un
paso.

b) En el caso de los Lobos: pueden moverse, capturar ovejas, morir y


reproducirse.

El procedimiento de creacin de un nmero de lobos es igual que el de las


ovejas, pero se determina con el deslizador de creacin del nmero de
lobos.
El procedimiento reproduccin es igual que el de las ovejas, pero su
deslizador determinar el valor de referencias para que se ejecute la
reproduccin.
La energa inicial que se le atribuir a un lobo ser un valor aleatorio
comprendido entre la energa que se haya seleccionado en el deslizador
(que pude oscilar entre 0 y 20, con un incremento de 1) multiplicado por 2.

En terminologa del lenguaje de programacin (NetLogo) es como denomina a los diferentes grupos de
agentes o especies, en este caso tenemos la raza de las ovejas y la raza de los lobos.

Los lobos pueden capturar ovejas, si coinciden con una oveja en la misma
posicin en la que l se encuentra, la oveja muere (es comida por el lobo).
La energa de la oveja que se come el lobo se le suma a ste.

Procedimientos compartidos entre las ovejas y lobos:

Avanzan, giran sobre si mismo, a derecha y a izquierda, respectivamente


entre 0 y 49 grados y avanzan.
Morir, mueren si la energa es menor a cero.
Si alguna de las razas se extingue, se detiene la simulacin.

4. Principales beneficios de la SSMA para las Ciencias Sociales


En ciencias sociales se considera, habitualmente, que los sistemas sociales
humanos tienen las siguientes caractersticas:
Coordinacin de los resultados generados por la heterogeneidad de las
decisiones procedentes de normas locales.
La representacin de la evolucin del proceso dinmico que no deja de ser
una parte importante del proceso de modelado general.
Cuando por razones de realismo se pretende mejorar el mapa generado de
la entrada o de la salida de la simulacin.
Cuando se desea que las caractersticas de las conductas se encuentren
comprendidas en un modelo holista.
En las ciencias sociales, la dinmica de la interaccin social es a menudo
ms importante que los resultados finales o los equilibrios de los procesos.
A partir de este a) listado de mnimos de caractersticas aceptables, b) de
las respuestas iniciales a las crticas revisadas y c) de la especificidad de la
modalidad SSMA, a continuacin, se procede a exponer de forma sistemtica y
abreviada los argumentos ms relevantes (en trminos de beneficios tericos,
metodolgicos, pragmticos) a favor de la SSMA.
1. Un modelo informtico de SSMA no funciona como una caja-negra, sino
una caja de cristal. Nos permite monitorizar en todo momento, no slo las
entradas y salidas del sistema, sino cada una de las interacciones entre los
agentes, entre si y el entorno fsico, y los cambios que se producen. Nos
ofrece la posibilidad de acceder al anlisis de grano fino de los
componentes microscpicos del proceso social que se intenta simular (ej.

interacciones puntuales por parejas y en el contexto, estados mentales de


un agente y su evolucin en el tiempo,).
2. La SSMA nos posibilita establecer con una mayor claridad la
correspondencia entre las hiptesis y lo empricamente observado,
pudiendo comparar series temporales de datos reales con simulados. El
conjunto de hiptesis se corresponde con el conjunto de reglas de
comportamiento del modelo de simulacin; trabajar con las reglas
(modificar, aadir, eliminar) es trabajar con las hiptesis. Esto mismo se
aplica en trminos de comunicabilidad del conocimiento generado mediante
investigacin por simulacin, el cdigo definitivo del programa es el
principal producto de la investigacin (y en algunos casos resulta de fcil
comprensin).
3. La mayora de los procesos sociales se desarrollan en un contexto
histrico, bien delimitado. La simulacin nos permite contemplar el
desarrollo histrico de una forma contextualizada, e incluso reproducir las
condiciones iniciales correspondientes a contextos empricos (Marney y
Talbert, 2005).
4. En la fase de creacin del modelo, qu nos permite el uso de un lenguaje
de programacin informtica respecto al uso de un lenguaje matemtico?
(Lozares, 2004:168 y 171): mayor concrecin, menos abstraccin y, en
especial, nos permite contemplar ms matices expresivos y detalles en la
definicin de los atributos individuales, ya sean fsicos, de disponibilidad de
recursos, creencias, deseos, oportunidades y otros. La simulacin permite
la creacin de agentes artificiales con atributos ajustados a los
individuos reales, con racionalidad limitada, capacidad de emociones y de
proactividad (Simon, 1996; Lpez Paredes, 2004). La dinmica del sistema
social (mecanismos sociales) se implementa mediante un conjunto de
reglas de produccin (cdigo informtico). Hacer un sistema ms realista no
implica, necesariamente, considerar e introducir ms variables, sino refinar
el modelo mediante la consideracin de un mejor conjunto de reglas de
produccin que gobiernan la dinmica del modelo (Hartmann, 1996).

5. Los modelos informticos SSMA permiten tratar, ms fcilmente que los


sistemas de ecuaciones, los procesos que no comporten un orden bien
establecido. En este sentido, es preciso destacar una importante limitacin
de los sistemas computacionales actuales. Los procesos naturales y
sociales pueden ser, y con frecuencia son, concurrentes y continuos. Por el
contrario, la simulacin SD es necesariamente discreta mientras que la
SSMA actualmente alcanza una "similitud" con la concurrencia virtual. Esta

capacidad propia de la SSMA, se debe a que puede ir incorporando los


nuevos avances tecnolgicos en el uso de supercomputadores, sistemas
dotados con procesadores mltiples que pueden trabajar en paralelo
(Fukuda et al., 1991).

6. La SSMA permite concentrar los esfuerzos en la generacin de hiptesis


(o fase abductiva), esto es, la parte del proceso que realmente requiere de
las capacidades imaginativas, de anlisis de los mecanismos y elementos
de los procesos de sntesis y del conocimiento previo disponible. Adems,
uno de los posibles sub-productos de SSMA puede ser la generacin de
experimentos, funcionando as como una herramienta de inspiracin para el
diseo de estrategias experimentales.
7. Con relativa facilidad tcnica se puede implementar un modelo de
simulacin SSMA mediante programacin de tipo modular, utilizando
porciones de cdigo dedicadas a tareas genricas y que por lo tanto
pueden ser reutilizadas en otros modelos. Si se hace as, sin necesidad de
reprogramar todo de nuevo, o cambiando slo determinadas partes del
programa, se puede cambiar fcilmente el modelo y adaptarlo a otras
necesidades de investigacin.
8. Con un adecuado trabajo de diseo de conjuntos de condiciones iniciales,
una SSMA puede sustituir, en cierto grado, a un programa de
experimentacin emprica, con una curva exponencial de reduccin de
costes conforme aumenta la cantidad de sujetos experimentales. Sin
olvidar, adems, que algunos diseos experimentales pueden implicar
problemas ticos de difcil solucin que pueden se evitados mediante la
utilizacin de SSMA. Los resultados de una simulacin no son "soluciones"
al problema (en forma de predicciones) sino ms bien "evidencias
pseudo-experimentales" (Mki, 2009). Entendidas como experimentos
simulados, las simulaciones parametrizadas permiten cambios en sus
parmetros iniciales al modificar los valores de determinados atributos con
un simple control del deslizador. Posibilita modificar o aadir nuevos
procedimientos con relativa facilidad. Esto permite: a) quasi-experimentar
con las SSMA como forma de aislar un sistema social, y b) aadir
incrementalmente complejidad al modelo realizando cambios puntuales en
la programacin. Adems, por cuestiones de economa la SSMA puede ser
utilizada dentro de una investigacin experimental, por ejemplo como
entorno virtual en el que los sujetos experimentales reaccionan.

9. Algunas metodologas de inteligencia artificial (representaciones simblicas


del conocimiento, redes semnticas, u ontologas), al permitir el modelizado
de ciertos procesos cognitivos y emocionales para los agentes que pueblan
una SSMA, permite construir de forma (micro) detallada tales agentes. Esto
facilita el establecimiento de aproximaciones cuantitativas y cualitativas
simultneamente en una misma simulacin.
10. Los resultados de las interacciones que llevan a cabo los agentes de una
SSMA no son necesariamente lineales. Adems, estos agentes en la
mayora de casos son cambiantes en el tiempo, se muestran reactivos a
su entorno, por lo que intentar establecer una solucin matemtica
mediante ecuaciones que puedan recoger toda esta informacin, resulta
sumamente complicado. Es en este punto donde la simulacin se muestra
ms adecuada para la formalizacin de teoras sociales (Taber & Timpone,
1996; Axelrod, 2004).
11. El uso de la SSMA implica necesariamente un grado ms detallado de
especificacin conceptual, y por tanto, mayor rigor en la enunciacin
terica, lo que, en general, es un beneficio para la produccin cientfica. El
diseo de un sistema SSMA ayuda, y obliga, a una especificacin
conceptual detallada, as como a una formulacin terica ms rigurosa.
Esta atencin al "grano fino" de los fenmenos en el momento de
desarrollar el sistema de hiptesis formales resulta beneficiosa para el
desarrollo de la Ciencia Social, como lo result para el desarrollo de otras
disciplinas cientficas anteriormente (Salgado, 2009).
12. Trabajar utilizando SSMA para generar datos simulados, implica
concentrarse en el reconocimiento de patrones recurrentes de
comportamiento y de estrategias dominantes individuales y situadas, as
como en el reconocimiento del conjunto mnimo de reglas suficientes para
la generacin de tales patrones. Estos objetivos forman parte del ncleo
mismo de las explicaciones en ciencias sociales (Moss & Edmonds, 2005).

Conclusiones
A modo de conclusin, destacamos cuatro aspectos que consideramos ms
relevantes del uso de SSMA mediante ordenador en la investigacin social para el
anlisis de sistemas sociales complejos:
1) Necesariamente requiere de la explicitacin de un modelo realista de
ser Humano para poder disear los agentes fundamentales (homo
economicus, homo sociologicus,);
2) Permite representar los aspectos dinmicos que hacen referencia al
cambio social, ya que los procesos sociales no son ajenos al contexto
institucional, social e histrico en que se desarrollan las interacciones
sociales;
3) Posibilita el desarrollo de anlisis a nivel micro-sociolgico (haciendo
comprensible los atributos y conductas de cada individuos) y anlisis a nivel
macro-sociolgico (extrayendo las propiedades y patrones de
comportamiento recurrentes de los grupos sociales como resultado
emergente);
4) Se puede beneficiar fcilmente de las innovaciones tecnolgicas en
hardware y de software (nuevos entornos de programacin, incremento de
la capacidad de clculo de los computadores).
El primer aspecto proporciona un fuerte estmulo para el desarrollo de
conocimiento especializado en colaboracin con disciplinas tan fundamentales
como la psicologa o la neurociencia, y en dilogo con la inteligencia artificial.
El segundo aspecto implica la necesidad de explicitar detalladamente los
contextos fsicos, socio-relacionales e institucionales coyunturales como
condiciones iniciales para la ejecucin de simulaciones, y al mismo tiempo la
necesidad de concentrar la atencin sobre los mecanismos causales que
gobiernan los procesos de cambio para fenmenos sociales de nivel micro y/o
macro.
El tercer aspecto proporciona la posibilidad de investigar, en el cambio de nivel
(micro-macro, macro-micro), los posibles efectos de segundo orden o emergencia,
en referencia bien a comportamientos observables, bien a surgimiento y
supervivencia de normas, rasgos culturales o instituciones sociales.
El ltimo aspecto no afecta en igual medida a las diversas metodologas de
simulacin, pero implica para algunas de las herramientas actuales de SSMA la
promesa de un desarrollo futuro que slo puede redundar en beneficio de su
utilidad para las CCSS. Como puede ser la extensin tecnolgica del uso de
procesadores mltiples permitir el diseo de sistemas sociales artificiales en los
que los agentes puedan ejecutar de forma realmente concurrente en el tiempo,
algo que en la actualidad tan slo puede simularse mediante artificios de
programacin.

En este artculo se ha diferenciado y caracterizado, principalmente, dos tipos de


simulaciones sociales muy distintas entre si y se han revisado los posibles
argumentos a favor de lo beneficios de SSMA por parte de los investigadores
sociales en general. Es necesario un trabajo ms a fondo dedicado a las crticas
hacia la SSMA, as como a analizar en detalle los argumentos a favor y en contra
de otros tipos de simulacin.
El objetivo de la metodologa de simulacin aqu considerada (SSMA) no es tanto
la verificacin de los resultados de los datos de salida, como la generacin,
evaluacin, seleccin y mejora de la hiptesis inicial (el conjunto de supuestos
tericos que implementa el modelo que se puede "ejecutar"). En otras palabras,
resulta una herramienta para desarrollar la "inferencia hacia la mejor explicacin"
(Harman, 1965; Lipton, 1991). As pues, el propsito del uso de simulacin no es
sustituir el conocimiento acumulado por las ciencias sociales. Su funcin ms
enriquecedora sera extender el estudio del comportamiento hacia nuevas
direcciones, que no han sido previamente posibles y contribuir a la relajacin de
los obstculos para el progreso en las ciencias del comportamiento.

Bibliografa:
Axelrod, R. (2003). Advancing the art of simulation in the social sciences, japanese journal for
management information system, special issue on agent-based: Advancing the art of
simulation in the social sciences, japanese journal for management information system,
special issue on agent-based.

Axelrod, R. (2004). La complejidad de la cooperacin :Modelos de cooperacin y colaboracin


basados en los agentes. Mxico, D.F. etc.: Fondo de Cultura econmica.

Conte, R., Edmonds, B., Moss, S., & Sawyer R.K. (2001).Sociology and social theory in agent
based social simulation: A symposium. Computational & mathematical organization theory
7, 183205.

Deffuant, G., Jager, W., & Moss, S. (ESSA 2005). Dialogues concerning a (possibly) new science.
Conference, Koblenz.

Edmonds, B., Moss, S. y Davidsson, P. (2001). "The use of models - making MABS actually
work". in, multi-agent-based simulation, lecture notes in artificial intelligence 1979., 15-32.

Epstein, J. M., y Axtell, R. (1996). Growing artificial societies :Social science from the bottom up.
Washington, D.C.: Brookings Institution Press.

Gilbert, N., & Troitzsch, K. G. (2006). Simulacin para las ciencias sociales :Una gua prctica
para explorar cuestiones sociales mediante el uso de simulaciones informticas (2 ed.).
Madrid etc.: McGraw-Hill.

HARMAN, Gilbert (1965), The Inference to the Best Explanation, The Philosophical Review, vol.
74, 1, pp. 88-95.

Hartmann, S. (1996) The Word as a process: Simulations in the Natural and Social Sciences por
Rainer Hegselmann, Ulrich Mueller, and Klaus G. Troitzsch, editors, Modelling and
simulation in the social sciences: From the philosophy of science point of view, volume 23
of Series A: Philosophy and methodology of the social sciences, pp. 77-100. Kluwer
Academic Publishers.

Hedstrm, P. (2005). Dissecting the social : On the principles of analytical sociology. Cambridge:
Cambridge University Press.

Huhns, M. N., & Singh, M. P. (1998). Readings in agents. San Francisco: Kaufmann.

Izquierdo, L. R., Galn, J. M., Santos, J. I., & Olmo-del, R. (2008). Modelado de sistemas
complejos mediante simulacin basada en agentes y mediante dinmica de sistemas.
Empiria. Revista De Metodologa de Ciencias Sociales.

Kliemt, H. (1996) Simulation and rational practice en Rainer Hegselmann, Ulrich Mueller, y Klaus
G. Troitzsch, (ed.), Modelling and simulation in the social sciences: From the philosophy of
science point of view, volume 23 of Series A: Philosophy and methodology of the social
sciences, pp. 13-27. Kluwer Academic Publishers.

Lipton, P. (1991), Inference to the Best Explanation. London. Routledge.

Lpez Paredes, A. (2004). Ingeniera de sistemas sociales diseo, modelado y programacin de


modelos basados en agentes. Valladolid: Universidad de Valladolid, Secretariado de
Publicaciones e Intercambio Editorial.

Lozares, C. (2004). La simulacin social, una nueva manera de investigar en ciencia social?
PAPERS: Revista De Sociologa, 72, 165-188.

Macal, C. M. y North, M. J. (2007). Agent-based modeling and simulation: Desktop ABMS, en


henderson, S. G.; biller, B.; hsieh, M.; shortle, J.; tew, J. D. & barton, R. R.

Macy, M. W., & Willer, R. (2002). De los factores a los agentes: Computational sociologa y
agente de la modelizacin. Annu. Revista De Sociologa, 28, 143-66.

Mki, Uskali (2009): Realistic realism about unrealistic models, in A Handbook of the
Philosophy of Economics, ed. Harold Kincaid and Don Ross. Oxford University Press, 2009.
Pp. 68-98.

Marietto, M. B.; David, N.; Sichman, J. S. & Coelho, H. (2003) A Classification of Paradigmatic
Models for Agent-Based Social Simulation, in Hales et al. (eds.) MABS 2003 Proceedings,
Springer-Verlag, Berlin, Heidelberg, 2003, LNAI 2927, 193208.

Marney, J. P. y Tarbert, H. F. E. (2000). Why do simulation? towards a working epistemology


for practitioners of the dark arts. Journal of Artificial Societies and Social Simulation, 3(4).

Miguel, F.J. (2009) Debates on Social Simulation: Levels and Types of Models, en Proceedings
of the 2nd Workshop on Social Simulation and Artificial Societies Analysis (SSASA'08) <
http://ftp.informatik.rwth-aachen.de/Publications/CEUR-WS/Vol-442/>

MOSS, S. (2005) Introduction to simulation & modelling, en material powerpoint, Ross School of
Business.

Moss, S., & Edmonds, B. (2005). Sociology and simulatioan: Statistical and qualitative crossvalidation. American Journal of Sociology, 110 (4), 1095-1131.

Ostrum, T. (1988) Computer simulation: The third symbol system. Journal of Experimental
Social Psychology, 24:381-92.

Pierce, C. S. (1965). Collected papers. Cambridge, Massachussetts: Harvard University Press.

Salgado, M. (2009). Construyendo explicaciones: el uso de modelos en sociologa. Persona y


Sociedad, 30 (3), pp. 29-60.

Simon, H. A. (1996). The sciences of the artificial (3rd ed.). Cambridge, Mass. etc.: The MIT
Press.

Taber, C.S. y Timpone, R.J. (1996). Computational Modeling. Illustrated edition. London: Sage
Publications, Inc.

Thompson, N. S. y Derr, P. (2009). Contra Epstein, Good Explanations Predict. Journal of


Artificial Societies and Social Simulation, 12(1), 9.

Troitzsch, K. G. (2009). Not All Explanations Predict Satisfactorily, and Not All Good Predictions
Explain. Journal of Artificial Societies and Social Simulation, 12(1), 10.

Wooldridge, M. y Jennings, N. R. (1995). "Agent theories, architectures and languages: A


survery". en inteligents: ECAI-94 workshop on agent theories, architectures and languaes.
amsterdam. springer. Berlin.