MODELIZACION Y ETNOGRAFIA PARTE 1 Recoleccin de datos

MODELIZACION Y ETNOGRAFIA

PARTE 1: Recolección de datos y modelos

―La teoría científica antigua enseñaba – y lo sigue enseñandoque el punto de partida de la ciencia es nuestra percepción sensorial o la observación sensible. Esto suena, a primera vista, razonable y convincente, pero es absolutamente falso. Se puede mostrar fácilmente por medio de la siguiente tesis: sin problema, ninguna observación. Si les pido ―Por favor, observen, deberían preguntarme, con arreglo al uso del lenguaje: ―Si, ¿pero qué? ¿qué debo observar (Karl Popper 1998) Debo observar aquello que luego mapearé Modelizar es mapear

Cibernética y Diferencia W. Ross Ashby ―el concepto fundamental en cibernética es el de diferencia, sea entre cosas evidentemente diferentes, sea entre dos estados de una misma cosa que ha cambiado en el transcurso del tiempo (Ashby 1960: 21)

"Al inicio, podemos tener cosas claras, categorías seguras; se trata de descubrir cuáles son y volverlas un poco más confusas, para poder empezar a reconocer lo que no conocemos. Esto último es clave: reconocer lo que uno mismo no comprende (Rockwell 2009) " Puede traducirse como necesidad de reformulación categorial, pero planteado de esta manera no aporta el proceso de modelización, que lo que necesita es un acotamiento del campo semántico de cada concepto

Complejidad relativa del dato etnográfico "La investigación social tradicional está más abajo en la escala de la complejidad algorítmica cuando se la compara con la etnografía. Por supuesto que un etnógrafo aprende algunos algoritmos en la universidad. Y algunos de estos, como los algoritmos aprendidos por los científicos sociales más tradicionales, tienen que ver con cosas como realizar preguntas, darse cuenta de con quién deben hablar luego, y comparar diferentes clases de datos mediante el análisis. Sin embargo, las versiones etnográficas serán mucho más variadas y laxas. "(Agar inédito: 4)

Recolección de datos Proceso que comienza con la abstracción de un conjunto de objetos y comportamientos considerados a priori como relevantes de acuerdo a un marco teórico más o menos explicitado. Básicamente, se mapean lo que en términos de modelos computacionales podemos llamar objetos o entidades (personas, grupos, instituciones), propiedades (ubicación, pertenencia religiosa, cantidad de miembros, etc. ) e interacciones entre entidades (contactos, casamientos, procesos de dominación o influencia)

Registro de variables "A variable is something that can take more than one value. The values can be words or numbers. If you ask a woman how old she was at her first pregnancy, the answer will be a number (16 or 40, or whatever), but if you ask her about her religion, the answer will be a word ("Muslim‘‘ or "Methodist‘‘). Social research is based on dening variables, looking for associations among them, and trying to understand whether—and how—variation in one thing causes variation in another. Some common variables that you‘ll find in social research are age, sex, ethnicity, race, education, income, marital status, and occupation" (Bernard, 2006: 28) Mujer Edad de 1 er embarazo Religión María Benitez 16 Musulmán Juana López 40 Metodista Josefa Torres 34 Católica Etapa común a las investigaciones corrientes y los modelos computacionales

Niveles de agregación de los datos Los niveles de agregación a veces no están necesariamente claros en las estructuras tabulares

Asimetría del registro de datos en función de la agregación Ing. X Individuo ―Remember this rule: No matter what you are studying, always collect data on the lowest level unit of analysis possible. Collect data about individuals, for example, rather than about households. If you are interested in issues of production and consumption (things that make sense at the household level), you can always package your data about individuals into data about households during analysis. But if you want to examine the association between female income and child spacing and you collect income data on households in the first place, then you are locked out. You can always aggregate data collected on individuals, but you can never disaggregate data collected on groups‖ (Bernard 2006: 51) Ind. 1: $30000 Ind. 2: $50000 Ind. 3: $20000 Ing. X Hogar $100000

Distinción entre datos y metadatos para objetos, propiedades e interacciones

LA SENSIBILIDAD ESCALAR EN LOS DATOS: el instrumento elegido condiciona el resultado Representación selectiva del espacio de acuerdo a la escala – Problema de la fractalidad de la costa de Inglaterra Representación selectiva del tiempo de acuerdo a la escala (inspirado en Lahire 2006) Escala 1: A trabajó 1 hora Escala 2: A trabajó 35 minutos Escala 3: A trabajó 25 minutos A medida que la regla usada para medir es menor, el tamaño medido aumenta

PARTE 2: Modelos y simulación

Subsunción temporal controlada (Línea de tiempo artificial) La programación de cualquier software de simulación implica Elección de variables relevantes (Mapeo) Parametrabilidad (Apertura al contexto) Repetibilidad del proceso (No irreversibilidad) Afinamiento de resultados (Búsqueda de convergencia empírica a través de la calibración)

Subsunción temporal “ 1. El sobrino uterino es objeto de cuidados especiales por parte de su tío durante toda su vida. 2. Cuando el sobrino está enfermo, el hermano de la madre sacrifica en su nombre. 3. Se permite al sobrino tomarse muchas libertades con el hermano de su madre; por ejemplo, puede ir a casa de su tío y comerse todo lo que se había preparado para lo comida de éste. 4. El sobrino reclama parte de la propiedad del hermano de su madre cuando éste muere, a veces puede reclamar alguna de las viudas. 5. Cuando el hermano de la madre ofrece un sacrificio a sus antepasados, el hijo de la hermana roba y consume la parte de comida o cerveza ofrecida a los dioses. ” (Radcliffe Brown 1986: 26) Tiempo real (HH: MM: SS) Tiempo artificial lineal (1, 2, 3, 4, 5, 6) TIEMPO MODELICO: Lo que importa es el cambio de estado Si el sobrino no se enferma, no se pasa del estado 2 al 3 Tiempo modélico (cambios de estado)

Variables relevantes (1) “A esta altura debemos saber con claridad cómo habrá de definirse un “sistema”. Nuestro primer impulso es señalar el péndulo y decir: “el sistema es eso que está ahí”. Este método, sin embargo, tiene una desventaja fundamental: cada sistema material contiene no menos de una infinidad de variables, y por lo tanto, de sistemas posibles. El péndulo real, por ejemplo, tiene no sólo longitud y posición, sino también masa, temperatura, conductividad eléctrica, estructura cristalina, impurezas químicas, radioactividad, velocidad, poder de reflexión, resistencia a la tracción, capas superficiales de humedad, contaminaciones bacteriológicas, absorción óptica, elasticidad, forma, peso específico, y así sucesivamente. Cualquier recomendación de que estudiemos “todos” los hechos no responde a la realidad y, en la práctica, nunca se intenta tal cosa. En cambio, es imprescindible escoger y estudiar los hechos que tengan relación con aquello ya dado que nos interesa” (Ashby 1960: 61) Preeminencia del mapa para definir un sistema y sus parámetros relevantes

Ejemplo 1: Kaiko de Rappaport

Ciclo global del modelo

Parametrabilidad

Simulador Kaiko en excel

Espacio de exploración del modelo (Correlación parámetros-efectos)

Búsqueda de convergencia empírica ¿Para qué se explora el modelo? Búsqueda de convergencia empírica: aproximación de comportamiento entre modelo y realidad Si convergen los resultados, se fortalecen las hipótesis planteadas como explicación de lo que sucedió o sucede

Ejemplo 2: Modelo Anasazi de Marco Janssen La extinción de un pueblo como los Anasazi, en lo que hoy es el sur de los Estados Unidos hacia el año 1350 D. C. , ha sido objeto de complejas simulaciones tratando de inferir las condiciones iniciales que enmarcaron su desaparición “It is shown that by simple household rules on choosing locations for farms and settlements archaeological records on the occupation of the Anasazi in Long House Valley can be reproduced. The model analysis also shows that the abandonment of the valley around 1300 cannot be explained solely by environmental variations. ” (Janssen 2009) ¿Proceso de causas endógenas?

Parámetros de simulación Anasazi

Evaluación del modelo

¿Cómo se determina la «mejor» simulación? El nivel de convergencia de dos curvas puede medirse, incluso, de un modo determinista, ya que la “mejor simulación” en este caso, es aquella en la cual “la suma de las diferencias en la superficie entre la curva histórica y la curva simulada es menor” (Janssen 2009).

Calibración del modelo al cabo de 100 simulaciones

Factores a tener en cuenta en la calibración: 1 - Convergencia: Aproximación de resultados 2 - Razonabilidad: Si las curvas se aproximaran pero con una edad reproductiva que se extendiera hasta los 60 años, por ejemplo, el modelo debería ser descartado por su artificiosidad. 3 - Adecuación empírica: Un tercer factor de restricción sería que los valores de los parámetros hallados no contradigan las pruebas empíricas existentes

Recursos: https: //ccl. northwestern. edu/netlogo/ (Plataforma de Net. Logo) http: //jasss. soc. surrey. ac. uk/11/4/12. html (¿Why Model? – J. Epstein (2008)) http: //jasss. soc. surrey. ac. uk/12/4/13. html (Understanding Artificial Anasazi - M. Janssen (2009)) https: //jorgemiceli. wordpress. com/material-reservado/modelos-desimulacion/

Gracias !!