Inferir la estructura interna de los grupos mediante la integración del aprendizaje estadístico y el razonamiento causal

Ver la red oculta de la vida social

Entras a un nuevo lugar de trabajo, aula o equipo deportivo y en poco tiempo captas quién toma las decisiones, quiénes son amigos íntimos y quiénes asesoran en silencio a otros. Aun así, normalmente solo observas un puñado de breves intercambios. Este artículo investiga cómo, a partir de esas miradas escasas y ruidosas del comportamiento, las personas logran reconstruir el mapa social invisible que da forma a la vida cotidiana, y muestra que nuestras mentes podrían estar realizando un tipo de análisis de datos y razonamiento causal sorprendentemente sofisticado entre bastidores.

Cómo leemos la estructura a partir de pistas escasas

Los autores sostienen que los humanos no se limitan a registrar quién interactúa con quién; empleamos una combinación de aprendizaje estadístico y una “sociología popular” cotidiana para inferir una estructura más profunda. En el plano estadístico, notamos patrones en la frecuencia y en las formas de interacción entre personas, y las agrupamos mentalmente en subgrupos según esos patrones. En el terreno sociológico, traemos expectativas intuitivas sobre relaciones como la autoridad, la amistad y el mentoreo: quién tiende a dar órdenes, quién suele invitar a socializar y quién es probable que busque o ofrezca consejo. Al combinar estas dos capacidades, podemos inferir no solo qué relaciones existen, sino también cómo influyen en el comportamiento futuro.

De vídeos ruidosos a mapas sociales ocultos

Para probar esta idea, los investigadores mostraron a participantes en línea vídeos breves y tipo dibujo animado con cinco figuras de colores interactuando en un entorno de oficina. En cada clip, una figura se acercaba a otra, enviaba un símbolo que representaba una orden, una invitación social o una petición de consejo, y luego recibía una respuesta positiva o negativa. Tras solo unas pocas interacciones de este tipo, se pidió a los espectadores que juzgaran cuál de varios diagramas candidatos capturaba mejor la estructura interna del grupo —por ejemplo, una cadena de mando, un patrón de cliques de amistad o una red de mentoría. A pesar de la información limitada y de interacciones ocasionalmente contradictorias, las personas eligieron de forma consistente diagramas que coincidían con los patrones subyacentes, y manifestaron niveles de confianza graduados cuando más de una estructura parecía plausible.

Predecir qué ocurrirá después

El equipo investigó luego si las personas usan estas estructuras inferidas para prever el comportamiento futuro. En un segundo conjunto de estudios, los participantes volvieron a ver secuencias de interacción, pero más tarde se les dijo, por ejemplo, que un trabajador estaba fuera de la oficina y que otro necesitaba asignar una tarea, invitar a alguien a salir después del trabajo o pedir consejo. Los participantes valoraron la probabilidad de que cada colega restante fuera elegido. Sus predicciones no se explicaron bien por reglas simples como «elige a quien ha interactuado más a menudo». En cambio, se alinearon estrechamente con un modelo computacional que primero infiere una estructura social subyacente y luego plantea, dadas esa estructura y las expectativas de sentido común sobre órdenes, invitaciones o consejos, quién es la pareja más natural en la nueva situación.

Siguiendo el flujo de la influencia social

Un experimento final hizo la situación más realista al mezclar los tres tipos de interacción —órdenes, invitaciones y solicitudes de consejo— dentro del mismo grupo. Después, se preguntó a los participantes quién podría influir más fácilmente en los planes del fin de semana de una persona concreta: persuadirla para que trabajara un turno extra, para que fuera al cine o para que tomara una clase optativa. Diferentes preguntas movilizaron distintos tipos de relaciones: los turnos extra tendían a seguir líneas de autoridad, los planes de cine se correspondían con la amistad y las decisiones sobre clases reflejaban la mentoría. Una vez más, las respuestas de la gente fueron mejor capturadas por un modelo que recurría selectivamente al tipo de relación apropiado para cada decisión, en lugar de una regla única como «el contacto más frecuente».

Por qué esto importa para entender la inteligencia social

En conjunto, estos estudios sugieren que los adultos comunes construyen con rapidez mapas internos ricos de la estructura de los grupos a partir de evidencia mínima y luego usan esos mapas para explicar, predecir y planificar el comportamiento social. El trabajo muestra que vamos más allá de simplemente saber quién pertenece a qué grupo: también inferimos quién está por encima de quién, quién está cerca de quién y quién guía las decisiones de quién, incluso cuando la evidencia es fragmentaria. En términos cotidianos, nuestros cerebros convierten continuamente interacciones dispersas en un modelo operativo de la política de la oficina, las redes de amistad y las cadenas de mentoría a nuestro alrededor —un modelo lo bastante potente como para orientar nuestras decisiones sobre a quién acercarnos, en quién confiar y cómo encajar.

Cita: Davis, I., Jara-Ettinger, J. & Dunham, Y. Inferring the internal structure of groups through the integration of statistical learning and causal reasoning. Nat Commun 17, 1959 (2026). https://doi.org/10.1038/s41467-026-68754-0

Palabras clave: redes sociales, jerarquías, aprendizaje estadístico, razonamiento causal, cognición social