El nudging es una ciencia, y quienes lo practican son científicos. Más concretamente, es un tipo de ciencia aplicada, que toma los resultados obtenidos en laboratorios y experimentos de campo y los aplica al mundo real. Para los responsables políticos, se trata de una herramienta de enorme valor: las decisiones políticas pueden respaldarse con pruebas fehacientes, registradas una y otra vez por investigadores de todo el mundo.
Sin embargo, la transición de las revistas de psicología al mundo real no siempre es fácil. Ver qué nudges funcionan realmente es un proceso de ensayo y error: registrar los datos, observar los resultados y ajustar las políticas en consecuencia. De hecho, una de las críticas al cambio de comportamiento mediante nudges es que los resultados dependen demasiado del contexto y no pueden reproducirse fácilmente en entornos diferentes.
Hay que reconocer que el nudging de "ensayo y error" ha funcionado muy bien. Ha sido utilizado con éxito por gobiernos de todo el mundo; desde la recaudación de impuestos hasta los urinarios, el nudging ha aportado soluciones conductuales a problemas sociales.
Sin embargo, gracias a la ciencia de datos, el futuro del nudging gubernamental tiene un aspecto muy diferente. Todos los años, el Behavioral Insights Team (BIT), el departamento gubernamental británico de ciencias del comportamiento, publica un informe en el que repasa cómo se ha utilizado la ciencia del comportamiento en la política británica. Este año se ha producido una inclusión crucial: el BIT ha incorporado recientemente un equipo de Ciencia de Datos, cuyo objetivo es utilizar los últimos métodos de la ciencia de datos, el aprendizaje automático y el análisis predictivo para aplicar políticas más inteligentes.
No es de extrañar; dado el aumento de la popularidad y la aplicación tanto de la ciencia de datos como de la ciencia del comportamiento, la combinación de ambas parece ser el siguiente paso lógico. De hecho, los análisis de datos sofisticados tienen el potencial no solo de mejorar los conocimientos sobre el comportamiento, sino de transformar la forma en que los gobiernos interactúan con sus ciudadanos.
Tomemos como ejemplo el aprendizaje automático. En pocas palabras, el aprendizaje automático consiste en modelizar un algoritmo para encontrar patrones en conjuntos de datos muy amplios. Estos algoritmos consolidan la información y se adaptan para ser cada vez más sofisticados y precisos, lo que les permite aprender automáticamente sin ser programados explícitamente.
La aplicación de estas técnicas por parte del BIT ha sido bastante modesta, pero los resultados son enormemente prometedores. El primer gran ensayo ha consistido en intentar resolver un problema de tráfico en East Sussex, un pequeño condado de la costa sur del Reino Unido. Por alguna razón, East Sussex tiene un número desproporcionadamente alto de colisiones mortales (un 64% más que la media nacional). Ante este problema, el ayuntamiento ha puesto en marcha una serie de iniciativas de seguridad vial para intentar reducir el exceso de velocidad, fomentar la concentración al volante y proporcionar a los usuarios de la carretera información que promueva una conducción más segura.
El año pasado, la BIT intentó resolver este problema con ciencia de datos. Algoritmos basados en más de diez años de datos locales recogidos permitieron a la BIT hacer predicciones extremadamente precisas sobre qué tipos de conductores tendrían más probabilidades de verse implicados en accidentes de tráfico graves. Por ejemplo, descubrieron que una colisión entre una persona mayor de 65 años y un conductor más joven tiene más probabilidades de provocar un accidente mortal si el conductor "más joven" tiene entre 40 y 50 años. Al fin y al cabo, en conjuntos de datos suficientemente amplios pueden encontrarse patrones de comportamiento hasta ahora imperceptibles. Y lo que es más importante, esto permitió al BIT diseñar y orientar mejor las iniciativas de seguridad vial, es decir, ofrecer las intervenciones conductuales adecuadas a las personas adecuadas.
De momento, estos modelos sólo se han aplicado a iniciativas de seguridad vial a pequeña escala, pero su potencial para resolver grandes problemas sociales es evidente. La cantidad de datos que acumulamos, individualmente y como sociedad, es asombrosa: de hecho, generamos más datos recopilados cada dos días que en toda la historia del universo hasta 2003. Todas nuestras interacciones en línea, nuestros historiales de compra, nuestros historiales médicos, nuestra información gubernamental... todo deja una huella digital. Cuando los conjuntos de datos son tan grandes, las predicciones de comportamiento pueden ser asombrosamente precisas. Michal Kosinski ya ha utilizado las huellas digitales dejadas por el uso de plataformas y dispositivos en línea para estudiar y anticipar el comportamiento humano y los rasgos psicológicos. Sus modelos han sido capaces de predecir los rasgos psicológicos, el comportamiento y la sexualidad de las personas, e incluso a quién votarán.
¿Qué relación tiene esto con la mejora de la elaboración de políticas? Como demostró la BIT, en lugar de aplicar y reaplicar los nudges como "mejores suposiciones", los gobiernos pueden adaptar nudges de comportamiento muy específicos y personalizados a individuos y grupos pequeños. Si Kosinski y su equipo pueden hacer predicciones extremadamente precisas sobre las preferencias privadas de una persona a partir de una cantidad bastante limitada de datos de redes sociales, imaginemos con qué precisión los gobiernos podrían diseñar y dirigir los nudges conductuales adecuados.
Ciencia del comportamiento, democratizada
Tomamos 35.000 decisiones al día, a menudo en entornos que no favorecen la toma de decisiones acertadas.
En TDL trabajamos con organizaciones de los sectores público y privado -desde nuevas empresas, pasando por gobiernos, hasta actores consolidados como la Fundación Gates- para sesgar la toma de decisiones y crear mejores resultados para todos.
Las cosas se ponen realmente interesantes cuando se consideran países como Estonia y Finlandia, que generan enormes cantidades de datos públicos abiertos sobre el comportamiento de sus ciudadanos. En Estonia, el 99% de los servicios públicos están disponibles en línea (incluido el voto, el pago de impuestos y el acceso a historiales médicos), y los ciudadanos pueden incluso registrar nuevas empresas digitalmente desde sus teléfonos inteligentes, en cuestión de minutos. En principio, a medida que gobiernos como los de Estonia y Finlandia sigan acumulando enormes conjuntos de datos sobre el comportamiento -en tantos ámbitos diferentes- podrán, con las herramientas adecuadas, desarrollar los nudges de comportamiento más potentes y mejor orientados posibles.
Lo que esto significa para el futuro de la protección de datos y las intervenciones conductuales es complejo. Las cuestiones sobre cuánto acceso a los datos deben tener los diseñadores de políticas son extremadamente polémicas y seguirán siéndolo en el futuro. Sin embargo, una cosa es segura: los gobiernos ya han hecho enormes progresos en la ampliación de los incentivos conductuales gracias a los conocimientos de registros locales bastante modestos. A medida que las técnicas se vuelvan más sofisticadas y los conjuntos de datos aumenten, el viejo enfoque científico de probar las "mejores suposiciones" pronto podría ser sustituido por máquinas que aprendan y mejoren automáticamente. El diseño de políticas no puede ser más inteligente.
References
[1] Equipo Behavioral Insights. (2017). Informe de actualización 2016-17 del equipo Behavioral Insights. Recuperado de:
https://38r8om2xjhhl25mw24492dir.wpengine.netdna-cdn.com/wp-content/uploads/2017/10/BIT_Update-16-17_E_.pdf
[2] R. B. Cialdini, A. Levy, C. P. Herman, L. T. Kozlowski y R. E. Petty. (1976). Cambios elásticos de opinión: Determinants of direction and durability. Journal of Personality and Social Psychology, 34(4), 663-672. Obtenido de:
https://dx.doi.org/10.1037/0022-3514.34.4.663
[3] J. Guszcza. (2015). El problema de la última milla: Cómo la ciencia de datos y la ciencia del comportamiento pueden trabajar juntas. Deloitte Review, 16. Consultado en: https://dupress.deloitte.com/dup-us-en/deloitte-review/issue-16/behavioral-economics-predictive-analytics.html
[4] M. Kosinski, D. Stillwel y T. Graepel. (2013). Rasgos y atributos privados predecibles a partir de registros digitales del comportamiento humano. PNAS, 110(1), 5802-5805. Obtenido de: https://www.pnas.org/content/110/15/5802.full.pdf
[5] Y. Wang y M. Kosinski. (2017). Las redes neuronales profundas son más precisas que los humanos para detectar la orientación sexual a partir de imágenes faciales. Extraído de: osf.io/zn79k
