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 sociales2. Qu tipos de Simulacin puede resultar ms adecuada para las CCSS

(Modalidades de arriba abajo top-down versus de abajo a arriba bottom-up)?

3. Un mismo experimento desarrollado mediante SD y SSMA4. Principales beneficios de la SSMA para las Ciencias Sociales5. 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

Top-down

Bottom-up

Fundamentos Representacional

SSMA

Dinmica Sistemas

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.

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.

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:

.

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 razas1 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.

1 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 cross-

validation. 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.

ConclusionesBibliografa: