El mundo es un lugar interconectado, literal y figurativamente. El campo de la ciencia de redes se utiliza hoy en día para comprender fenómenos tan diversos como la difusión de información errónea, el comercio de África occidental y las interacciones proteína-proteína en las células.

La ciencia de redes ha descubierto varias propiedades universales de redes sociales complejas, lo que a su vez ha hecho posible conocer detalles de redes particulares. Por ejemplo, la red que consiste en el esquema de corrupción financiera internacional descubierto por la investigación de los Papeles de Panamá tiene una falta inusual de conexiones entre sus partes.

Pero la comprensión de las estructuras ocultas de los elementos clave de las redes sociales, como los subgrupos, sigue siendo difícil de alcanzar. Mis colegas y yo hemos encontrado dos patrones complejos en estas redes que pueden ayudar a los investigadores a comprender mejor las jerarquías y dinámicas de estos elementos. Encontramos una manera de detectar poderosos "círculos internos" en grandes organizaciones simplemente mediante el estudio de las redes que mapean los correos electrónicos que se envían entre los empleados.

Demostramos la utilidad de nuestros métodos aplicándolos a la famosa red de Enron. Enron era una empresa comercializadora de energía que perpetraba fraudes a gran escala. Nuestro estudio mostró además que el método puede usarse potencialmente para detectar personas que ejercen un enorme poder blando en una organización, independientemente de su título o puesto oficial. Esto podría ser útil para investigaciones históricas, sociológicas y económicas, así como para investigaciones gubernamentales, legales y de los medios.

Del lápiz y papel a la inteligencia artificial

Los sociólogos han estado construyendo y estudiando redes sociales más pequeñas en cuidadosos experimentos de campo durante al menos 80 años, mucho antes de la llegada de Internet y las redes sociales en línea. El concepto es tan simple que se puede dibujar en papel:las entidades de interés (personas, empresas, países) son nodos representados como puntos, y las relaciones entre pares de nodos son enlaces representados como líneas dibujadas entre los puntos.

El uso de la ciencia de redes para estudiar las sociedades humanas y otros sistemas complejos adquirió un nuevo significado a fines de la década de 1990, cuando los investigadores descubrieron algunas propiedades universales de las redes. Algunas de estas propiedades universales han entrado desde entonces en la cultura pop dominante. Un concepto es el de los Seis Grados de Kevin Bacon, basado en el famoso hallazgo empírico de que dos personas cualesquiera en la Tierra están separadas por seis o menos enlaces. Del mismo modo, versiones de declaraciones como "los ricos se hacen más ricos" y "el ganador se lo lleva todo" también se han replicado en algunas redes.

Estas propiedades globales, es decir, las que se aplican a toda la red, aparentemente surgen de las acciones miopes y locales de los nodos independientes. Cuando me conecto con alguien en LinkedIn, ciertamente no estoy pensando en las consecuencias globales de mi conexión en la red de LinkedIn. Sin embargo, mis acciones, junto con las de muchos otros, eventualmente conducen a resultados predecibles, en lugar de aleatorios, sobre cómo evolucionará la red.

Mis colegas y yo hemos utilizado la ciencia de redes para estudiar el tráfico de personas en el Reino Unido, la estructura del ruido en los resultados de los sistemas de inteligencia artificial y la corrupción financiera en los Papeles de Panamá.

Los grupos tienen su propia estructura

Junto con el estudio de propiedades emergentes como los Seis Grados de Kevin Bacon, los investigadores también han utilizado la ciencia de redes para centrarse en problemas como la detección comunitaria. En pocas palabras, ¿puede un conjunto de reglas, también conocido como algoritmo, descubrir automáticamente grupos o comunidades dentro de una colección de personas?

Hoy en día, existen cientos, si no miles, de algoritmos de detección comunitarios, algunos de los cuales se basan en métodos avanzados de IA. Se utilizan para muchos propósitos, incluida la búsqueda de comunidades de interés y el descubrimiento de grupos maliciosos en las redes sociales. Dichos algoritmos codifican suposiciones intuitivas, como la expectativa de que los nodos que pertenecen al mismo grupo están más densamente conectados entre sí que los nodos que pertenecen a diferentes grupos.

Aunque es una línea de trabajo apasionante, la detección comunitaria no estudia la estructura interna de las comunidades. ¿Debería pensarse en las comunidades solo como colecciones de nodos en redes? ¿Y qué pasa con las comunidades que son pequeñas pero particularmente influyentes, como los círculos internos y las multitudes?

Dos estructuras hipotéticas para grupos influyentes

Por así decirlo, es probable que ya tengas una idea de la estructura de los grupos muy pequeños en las redes sociales. La verdad del adagio de que "un amigo de mi amigo también es mi amigo" se puede probar estadísticamente en redes de amistad contando el número de triángulos en la red y determinando si este número es más alto de lo que podría explicar el azar. Y, de hecho, se han utilizado muchos estudios de redes sociales para verificar la afirmación.

Desafortunadamente, el concepto comienza a desmoronarse cuando se extiende a grupos de más de tres miembros. Aunque los motivos han sido bien estudiados tanto en informática algorítmica como en biología, no se han vinculado de forma fiable a grupos influyentes en redes de comunicación reales.

Sobre la base de esta tradición, mi estudiante de doctorado Ke Shen y yo encontramos y presentamos dos estructuras que parecen elaboradas pero resultan ser bastante comunes en las redes reales.

La primera estructura extiende el triángulo, no agregando más nodos, sino agregando directamente triángulos. En concreto, existe un triángulo central que está flanqueado por otros triángulos periféricos. Es importante destacar que la tercera persona en cualquier triángulo periférico no debe estar vinculada a la tercera persona en el triángulo central, excluyéndolos así del verdadero círculo interno de influencia.

La segunda estructura es similar pero supone que no hay un triángulo central y que el círculo interior es solo un par de nodos. Un ejemplo de la vida real podría ser dos cofundadores de una startup como Sergey Brin y Larry Page de Google, o una pareja poderosa con intereses comunes, comunes en la política mundial, como Bill y Hillary Clinton.

Comprender a los grupos influyentes en una red infame

Probamos nuestra hipótesis en la red de correo electrónico de Enron, que está bien estudiada en ciencia de redes, con nodos que representan direcciones de correo electrónico y enlaces que representan la comunicación entre esas direcciones. A pesar de ser elaborado, nuestras estructuras propuestas no solo estaban presentes en la red en mayor número de lo que predeciría la casualidad, sino que un análisis cualitativo mostró que la afirmación de que representan a grupos influyentes tiene mérito.

Los personajes principales de la saga de Enron ya están bien documentados. Curiosamente, algunos de estos personajes no parecen haber tenido mucha influencia oficial, pero pueden haber ejercido un poder blando significativo. Un ejemplo es Sherri Reinartz-Sera, quien fue durante mucho tiempo asistente administrativa de Jeffrey K. Skilling, exdirector ejecutivo de Enron. A diferencia de Skilling, Sera solo fue mencionada en un artículo del New York Times luego de un reportaje de investigación que tuvo lugar durante el transcurso del escándalo. Sin embargo, nuestro algoritmo descubrió un grupo influyente con Sera ocupando una posición central.

Diseccionando las dinámicas de poder

La sociedad tiene estructuras intrincadas a nivel de individuos, amistades y comunidades. Las multitudes no son solo grupos irregulares de personajes que hablan entre sí, o un solo cabecilla que toma todas las decisiones. Muchas multitudes o grupos influyentes tienen una estructura sofisticada.

Si bien aún queda mucho por descubrir sobre estos grupos y su influencia, la ciencia de redes puede ayudar a descubrir su complejidad. + Explora más

La oxitocina difunde la cooperación en las redes sociales

Este artículo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el artículo original.