Modelo computacional vincula el tamaño de los grupos sociales y la compresión cognitiva con la polarización de opiniones

Un equipo de la Universidad de Limerick, Irlanda, publicó el 15 de septiembre de 2026 en PLOS Complex Systems un modelo de agentes que explica la polarización como resultado de buscar distinción en el grupo cercano y simplificar el panorama general.

Un equilibrio entre identidad local y comprensión global

El modelo asigna a 1.000 agentes iniciales opiniones aleatorias en un continuo de 0 a 1. En cada interacción, un agente evalúa si adoptar la opinión de otro mejoraría su posición relativa: aumenta la diversidad dentro de su grupo local o reduce la complejidad del panorama general. Esa evaluación se hace mediante entropía de Shannon, calculada sobre distribuciones discretizadas en intervalos o “bins”.

La discretización representa la compresión cognitiva: menos bins implican una visión más generalizada del entorno opinativo, mientras que más bins permiten un procesamiento más detallado. Los autores conectan este diseño con la literatura sobre “chunking” y con la hipótesis de Dunbar sobre tamaños de grupos sociales estables, citando rangos aproximados de 100 a 300 personas en redes offline y online.

Grupos moderados favorecen polarización; grupos pequeños, fragmentación

Los experimentos muestran que el tamaño del grupo local —definido como los individuos con opiniones más cercanas— cambia el resultado colectivo. Con grupos grandes, alrededor de 300 agentes, el sistema tiende a un cluster principal o consenso. Con grupos de 200, emergen dos clusters diferenciados, un patrón que los autores describen como polarización. Con grupos de 100, aparecen más clusters, lo que se interpreta como fragmentación.

Un rasgo distintivo es que los agentes no quedan fijos tras formarse los grupos. Continúan ajustando sus posiciones, lo que produce variabilidad interna y desplazamientos ocasionales entre el cluster principal y opiniones marginales. En cuanto a la compresión, el artículo señala que niveles más altos de compresión aumentan la imprevisibilidad y la dependencia del camino, mientras que una compresión menor tiende a producir estructuras de clusters más consistentes entre simulaciones.

Límites del modelo y datos disponibles

Los propios investigadores advierten que el modelo asume una población totalmente conectada y no incorpora memoria limitada ni topologías de red heterogéneas, factores que podrían modificar la difusión de opiniones en entornos reales. El código y los datos necesarios para reproducir los resultados están depositados en Zenodo, y el trabajo fue financiado por Research Ireland y por el proyecto ERC ID-COMPRESSION.

Referencia: Dubovskaya, A., O’Sullivan, D. J. P., & Quayle, M. (2026). Opinion polarization from compression-based decision making where agents optimize local complexity and global simplicity. PLOS Complex Systems, 3(9), e0000115. https://doi.org/10.1371/journal.pcsy.0000115