CONTAGIO: por qué un bulo gana la carrera aunque nadie mienta a propósito

Imagina dos redes sociales exactamente iguales: los mismos nodos, las mismas conexiones, el mismo punto de partida. Por una circula una noticia verdadera. Por la otra, un bulo. Nadie en el código miente a propósito, nadie hace trampas. Y aun así, en la mayoría de las ejecuciones, el bulo gana.

Esto no es una opinión sobre las redes sociales. Es una medición. Vosoughi, Roy y Aral publicaron en Science (2018) el estudio más citado sobre este fenómeno: analizaron 126.000 cadenas de noticias en Twitter, retuiteadas 4,5 millones de veces por tres millones de personas entre 2006 y 2017, con la veracidad de cada una verificada por seis organizaciones independientes de fact-checking. El resultado: las noticias falsas tuvieron un 70% más de probabilidad de ser retuiteadas que las verdaderas, y alcanzaron a 1.500 personas en una sexta parte del tiempo. Lo más incómodo del hallazgo es que la diferencia se mantiene igual cuando se retiran los bots del análisis: no son las máquinas, son las personas compartiendo.

CONTAGIO es la última incorporación a la familia de simulaciones que venimos construyendo para el bloque de Ciencia de Datos, Simulación e Inteligencia Artificial de 1º de Bachillerato de CDYPC (junto a PINSAPIA, METIS, CENTINELA y BIOTOPO). Aquí el alumnado ve dos mapas de red idénticos encendiéndose a ritmos distintos, y una gráfica con dos curvas separándose en tiempo real. La pregunta que responde el ejercicio no es «¿es verdad esto?» — es «¿por qué gana la mentira, si nadie en la simulación tiene intención de engañar?».

Una decisión deliberada: ningún bulo real dentro del código

Antes de escribir una sola línea de la simulación, tomamos una decisión que no es técnica, es ética: CONTAGIO no contiene ni va a contener nunca el texto de un bulo real. Los nodos solo tienen un estado abstracto — «ha compartido la Historia A» o «ha compartido la Historia B» — nunca un titular generado, ni real ni inventado por una IA. El fenómeno que enseña la simulación es estructural (depende de la red y de la ventaja de viralidad, no del contenido concreto de ninguna mentira), así que no hace falta y no íbamos a construirlo. Si en el aula se quiere discutir un caso real con nombre y apellido, eso queda como un debate aparte, con su propio fact-checking — la simulación pone la estructura de red debajo, no el titular.

Dos capas que cambian el resultado por completo

Miramos cómo se modela esto en la literatura y encontramos una distinción que no se puede simplificar sin enseñar lo contrario de lo que se pretende. El contagio simple (una sola exposición basta para contagiarte, el modelo clásico de una noticia suelta o de una enfermedad) se comporta de forma muy distinta al contagio complejo (hacen falta varias fuentes que ya lo crean antes de que tú lo creas — así se propagan las creencias, según el trabajo de Centola y Macy). Con contagio simple, una red muy agrupada en burbujas cerradas frena el alcance total de la información: son los lazos débiles de Granovetter, los puentes entre grupos, los que hacen viajar lejos una noticia. Con contagio con refuerzo es justo al revés: la red en burbujas acelera la adopción dentro de la burbuja, porque el refuerzo se acumula rápido entre gente muy conectada entre sí. Es el mecanismo que de verdad explica por qué existen las cámaras de eco, y por eso lo dejamos para una segunda fase en vez de mezclarlo todo desde el principio.

Lo que ya funciona (Paso 1)

La primera versión, ya en marcha, implementa el contagio simple: dos redes de 200 nodos con la misma estructura, un multiplicador de viralidad del bulo (por defecto 1,7×, anclado al hallazgo de Vosoughi et al.) y un control para pasar de una red aleatoria a una red en burbujas, con el mismo número de nodos y conexiones en los dos extremos. Antes de dar nada por sentado, comprobamos con una simulación propia si el resultado contraintuitivo de la teoría — que las burbujas no ayudan al bulo con contagio simple — se sostiene con números reales. Se sostiene: en las pruebas, la red en burbujas reduce el alcance final tanto de la verdad como del bulo frente a la red aleatoria, con las mismas piezas exactas encima de la mesa.

Todo corre en local, sin servicios de pago, sin librerías externas: un único HTML con Canvas y JavaScript, servido por un FastAPI mínimo. Ningún dato de alumnado ni del centro pasa por la simulación — los nodos son completamente abstractos.

Lo que viene

El siguiente paso añade el interruptor de «contagio con refuerzo», para que el alumnado vea con sus propios ojos por qué las cámaras de eco aceleran una creencia en vez de frenarla — el giro que convierte el ejercicio en la lección real sobre por qué existen. Después, como en los proyectos hermanos, un puente para exportar los datos y probar hasta dónde llega (y hasta dónde no) predecir el futuro de una curva que aún no ha cambiado de forma.

En GitHub https://github.com/jusevil271/contagio.git

Fuentes

Vosoughi, S., Roy, D. & Aral, S. (2018). «The spread of true and false news online». Science, 359(6380), 1146-1151.
Granovetter, M. (1973). «The Strength of Weak Ties».
Centola, D. & Macy, M. (2007). «Complex Contagions and the Weakness of Long Ties».
Centola, D. (2010). «The Spread of Behavior in an Online Social Network Experiment». Science, 329(5996), 1194-1197.