![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjN_0afh4Tx0YewRVx_iQ3omcWFgN3Fr0YjFGyYRcyVjL2w0p5KYce05ZzPOjlz9r9S0ybopaounNJ9PUtlEPUrfx_hKzElTTH5d7wxDZ3Ddf-8Dg6niJo5dDl1Apg7P40Htxog85yjX7mG/s1600/ff-3d.jpg)
Este blog reúne material del curso de posgrado "Análisis de redes sociales" dictado en la Universidad Nacional del Sur (Argentina).
Mostrando entradas con la etiqueta algoritmo evolutivo. Mostrar todas las entradas
Mostrando entradas con la etiqueta algoritmo evolutivo. Mostrar todas las entradas
martes, 3 de marzo de 2020
Cultura y redes sociales facilitan la evolución humana
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjN_0afh4Tx0YewRVx_iQ3omcWFgN3Fr0YjFGyYRcyVjL2w0p5KYce05ZzPOjlz9r9S0ybopaounNJ9PUtlEPUrfx_hKzElTTH5d7wxDZ3Ddf-8Dg6niJo5dDl1Apg7P40Htxog85yjX7mG/s1600/ff-3d.jpg)
Etiquetas:
algoritmo evolutivo,
análisis multinivel,
aprendizaje,
cultura,
evolución,
Filipinas,
recolección de datos,
simulación,
tribus
miércoles, 16 de marzo de 2016
Algoritmo de aprendizaje detecta tweets de borrachos
Algoritmo de aprendizaje de máquinas identifica tweets enviados bajo la influencia del alcohol
Un análisis de piar mientras está bebiendo revela patrones de comportamiento relacionados con el alcohol en un detalle sin precedentes.
por Emerging Technology from the arXiv
El envío de su ex pareja un tweet con los ojos llorosos al 1 a.m. después de una botella de chardonnay no es necesariamente la mejor de manera de lograr la reconciliación. Todos sabemos que el alcohol y los tweets no siempre son una buena combinación.
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgb-1Ku6DMd_5dyq9C0FvNxAXgn99JBoiH_-eH0xsqv5AZDZc42qB5HbrJpbSxrbyAa5XH-MboEU_rICT9oC_mnjnPl2rmeoaC54Oo7E2CDgCiRwLQXCLPI-spdnq-aBC-0DbtBzPjibpqN/s640/15360-8xpmu1.png)
Sin embargo, un número sorprendente de nosotros se entregan a esta peculiar forma de indiscreción. Y esta práctica ha dado Nabil Hossain y sus amigos de la Universidad de Rochester una idea interesante.
Hoy en día, estos chicos muestran la forma en que han entrenado una máquina de detectar los tweets relacionados con el alcohol. Y también muestran cómo utilizar estos datos para monitorear la actividad relacionada con el alcohol y la forma en que se distribuye en toda la sociedad. Dicen que el método podría tener un impacto significativo en la forma de entender y responder a las cuestiones de salud pública que el alcohol y otras actividades plantean.
Hossain y compañeros de trabajo se basa en dos descubrimientos. La primera es una manera de entrenar a un algoritmo de aprendizaje automático para detectar los tweets que se relacionan con el alcohol y los enviados por la gente que bebe alcohol en el momento. La segunda es una manera de encontrar la ubicación de inicio de un usuario de Twitter con una precisión mucho mayor de lo que ha sido nunca posible y, por tanto, para determinar si están bebiendo en casa o no.
El equipo comenzó mediante la recopilación de los tweets etiqueta geográfica enviados durante el año hasta julio de 2014, frente la ciudad de Nueva York y del condado de Monroe, en la frontera norte del estado, que incluye la ciudad de Rochester. De este conjunto, que filtran todos los tweets que mencionan el alcohol o las palabras relacionadas con el alcohol, como borracho, cerveza, fiesta, y así sucesivamente.
A continuación, utilizaron los trabajadores en el servicio Bing para Mechanical Turk de Amazon para analizar los tweets con más detalle. Para cada tweet, pidieron tres Turkers para decidir si el mensaje se refiere al alcohol y si es así si se refería al alcohol potable altavoz de agudos. Por último, se les preguntó si el tweet fue enviado al mismo tiempo, el altavoz de agudos se embeben.
Este proceso implicó algunos de tweets geolocalizados 11.000 asociados con el alcohol (aunque los detalles sobre el tamaño de este estudio, y por lo tanto su importancia, son tristemente deficientes en el trabajo). Eso es un gran conjunto de datos suficientes para entrenar a un algoritmo de aprendizaje automático para detectar los tweets relacionados con el alcohol en sí.
Eso los llevó a la siguiente pregunta ¿dónde están estas personas cuando están twitteando acerca de la bebida? Y en particular, ¿están en casa o en otro lugar?
Los investigadores han ideado varios métodos para la elaboración de la ubicación de inicio de la gente usando sólo sus tweets geolocalizados. Estos incluyen la elección del lugar en el que tweet de la mayoría, la elección del lugar en el que envían el último tweet del día de, o el lugar que tweet de entre y 01 a.m. y las 6 am Sin embargo, todos estos métodos tienen puntos débiles que los hacen difícil confiar en.
Hossain y coautores desarrollado otro enfoque. Elaboraron una lista de palabras y frases que los usuarios puedan utilizar en los tweets enviados desde sus hogares, tales como "Finalmente a casa!" O bañera, sofá, televisión, y así sucesivamente. Se filtran los tweets geolocalizados que contengan esas palabras y se les pidió tres Turkers si pensaban que cada tweet fue enviado desde casa o no, manteniendo sólo aquellos para los que los tres Turkers todos respondieron que sí.
Hossain y colegas designaron a estos tuits como un conjunto de datos terrestres de referencia para la ubicación de inicio y lo usaron para entrenar a un algoritmo de aprendizaje para identificar otros patrones asociados con los tweets en el hogar. El algoritmo para ver cómo se veía ubicación de inicio se correlaciona con otros indicadores tales como la ubicación del último tweet del día, el lugar más popular de un tweet, el porcentaje de tweets desde un lugar determinado, y así sucesivamente.
Basándose en varios indicadores para determinar la ubicación de inicio mejora significativamente la exactitud de la aproximación, en comparación con las que utilizan un único indicador. De hecho, Hossain y sus colegas dicen que pueden hacer ejercicio posición de casa hasta un radio de 100 metros con una precisión de hasta un 80 por ciento. Eso es significativamente mejor que el trabajo anterior.
En conjunto, estas dos técnicas permitieron al equipo para trabajar cuando y donde la gente está bebiendo. Y utilizaron esto para comparar los patrones de consumo en la ciudad de Nueva York y en la zona suburbana del condado de Monroe.
Hacen esto dividiendo cada área en 100 x 100 rejillas y marcado aquellas áreas en las que hay los tweets relacionados con el alcohol. Eso les permite elaborar y comparar "mapas de calor" del consumo de alcohol por cada área.
También se distinguen los tweets acerca de la bebida hecha de una ubicación de inicio de las realizadas en otros lugares. Y trazar los puntos de venta de alcohol en cada área. Eso permite a los investigadores para investigar la relación entre la densidad de tweets enviados desde diferentes regiones en estado de ebriedad y la densidad de puntos de venta de alcohol.
Los resultados son una lectura interesante. En primer lugar, Hossain y coautores señalan que una mayor proporción de tweets en la ciudad de Nueva York están asociados con el alcohol que en el condado de Monroe. "Una posible explicación es que es probable que tenga una mayor tasa de beber una ciudad mucha gente, como Nueva York con puntos de venta de alcohol y muchas personas socialización de alta densidad", dicen.
Lo que es más, los datos de geolocalización revela que una mayor proporción de gente bebe en casa (o dentro de los 100 metros de la casa) en la ciudad de Nueva York que en el condado de Monroe, donde un alto porcentaje de personas que beben más de un kilómetro de la casa.
Los mapas de calor también revelan patrones interesantes. Permite que el equipo de casa en el 100 x 100 metros cuadrados de rejilla donde se han producido al menos cinco tweets sobre el alcohol. "Creemos que este tipo de redes son regiones de actividades inusuales para beber," decir Hossain y colegas.
También encontraron una correlación entre la densidad de puntos de venta de alcohol en una región y el número de tweets que indican que alguien está bebiendo ahora. Esto plantea una pregunta interesante acerca de cómo correlación y causalidad están ligados en este caso. ¿Tiene una alta densidad de puntos de venta de alcohol hacen que las personas beben más? ¿O es que los bebedores acuden a las zonas con una alta densidad de puntos de venta de alcohol? Por supuesto, este tipo de datos por sí sola no puede responder a esta.
Sin embargo, el gran poder de esta técnica es que es barato y rápido. Por el contrario, para conseguir una visión similares en los patrones de consumo por otros medios es muy costoso y consume mucho tiempo.
Sería por lo general requiere de personas que ser cuidadosamente seleccionados, para rellenar cuestionarios ya predispuestas y que estos se analizan en detalle. El enfoque de aprendizaje por máquina podría incluso controlar esta actividad en tiempo real. "Nuestros resultados demuestran que los tweets pueden proporcionar señales potentes y de grano fino de actividades ocurriendo en las ciudades", dicen.
Hay advertencias de golf. Hay un claro sesgo en los datos recogidos de Twitter ya que los jóvenes y ciertas minorías están sobre representadas. Pero sesgos similares están presentes en otros métodos de recogida de datos, por ejemplo, las encuestas tienden a subrepresentar personas que no quieren llenar encuestas, como algunos inmigrantes. Identificar y hacer frente a los sesgos es una parte importante de todos los métodos de recogida de datos.
Hossain y coautores tienen grandes planes para su técnica. En el futuro, quieren estudiar cómo el consumo de alcohol varía con la edad, sexo, origen étnico, y así sucesivamente; cómo las diferentes configuraciones de influir beber-y-piar, tales como casas de sus amigos, el estadio, el parque, y así sucesivamente; y comparar la velocidad a la que los bebedores fluyen dentro y fuera de los barrios adyacentes.
El aspecto social de Twitter será útil, también. "Podemos explorar la red social de los bebedores de averiguar cómo las interacciones sociales y la presión de grupo en los medios sociales influyen en la tendencia a hacer referencia a la bebida" decir Hossain y colegas.
Todo lo que podría ayudar a informar el debate sobre los aspectos relacionados con la salud del alcohol, que es la tercera causa de muerte evitable en los EE.UU. Eso es 75.000 muertes que el alcohol causa cada año un número que pone la importancia de este trabajo en perspectiva comparada a las pruebas y tribulaciones de la vida del amor.
Ref: arxiv.org/abs/1603.03181 : Inferring Fine-grained Details on User Activities and Home Location from Social Media: Detecting Drinking-While-Tweeting Patterns in Communities
Un análisis de piar mientras está bebiendo revela patrones de comportamiento relacionados con el alcohol en un detalle sin precedentes.
por Emerging Technology from the arXiv
El envío de su ex pareja un tweet con los ojos llorosos al 1 a.m. después de una botella de chardonnay no es necesariamente la mejor de manera de lograr la reconciliación. Todos sabemos que el alcohol y los tweets no siempre son una buena combinación.
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgb-1Ku6DMd_5dyq9C0FvNxAXgn99JBoiH_-eH0xsqv5AZDZc42qB5HbrJpbSxrbyAa5XH-MboEU_rICT9oC_mnjnPl2rmeoaC54Oo7E2CDgCiRwLQXCLPI-spdnq-aBC-0DbtBzPjibpqN/s640/15360-8xpmu1.png)
Sin embargo, un número sorprendente de nosotros se entregan a esta peculiar forma de indiscreción. Y esta práctica ha dado Nabil Hossain y sus amigos de la Universidad de Rochester una idea interesante.
Hoy en día, estos chicos muestran la forma en que han entrenado una máquina de detectar los tweets relacionados con el alcohol. Y también muestran cómo utilizar estos datos para monitorear la actividad relacionada con el alcohol y la forma en que se distribuye en toda la sociedad. Dicen que el método podría tener un impacto significativo en la forma de entender y responder a las cuestiones de salud pública que el alcohol y otras actividades plantean.
Hossain y compañeros de trabajo se basa en dos descubrimientos. La primera es una manera de entrenar a un algoritmo de aprendizaje automático para detectar los tweets que se relacionan con el alcohol y los enviados por la gente que bebe alcohol en el momento. La segunda es una manera de encontrar la ubicación de inicio de un usuario de Twitter con una precisión mucho mayor de lo que ha sido nunca posible y, por tanto, para determinar si están bebiendo en casa o no.
El equipo comenzó mediante la recopilación de los tweets etiqueta geográfica enviados durante el año hasta julio de 2014, frente la ciudad de Nueva York y del condado de Monroe, en la frontera norte del estado, que incluye la ciudad de Rochester. De este conjunto, que filtran todos los tweets que mencionan el alcohol o las palabras relacionadas con el alcohol, como borracho, cerveza, fiesta, y así sucesivamente.
A continuación, utilizaron los trabajadores en el servicio Bing para Mechanical Turk de Amazon para analizar los tweets con más detalle. Para cada tweet, pidieron tres Turkers para decidir si el mensaje se refiere al alcohol y si es así si se refería al alcohol potable altavoz de agudos. Por último, se les preguntó si el tweet fue enviado al mismo tiempo, el altavoz de agudos se embeben.
Este proceso implicó algunos de tweets geolocalizados 11.000 asociados con el alcohol (aunque los detalles sobre el tamaño de este estudio, y por lo tanto su importancia, son tristemente deficientes en el trabajo). Eso es un gran conjunto de datos suficientes para entrenar a un algoritmo de aprendizaje automático para detectar los tweets relacionados con el alcohol en sí.
Eso los llevó a la siguiente pregunta ¿dónde están estas personas cuando están twitteando acerca de la bebida? Y en particular, ¿están en casa o en otro lugar?
Los investigadores han ideado varios métodos para la elaboración de la ubicación de inicio de la gente usando sólo sus tweets geolocalizados. Estos incluyen la elección del lugar en el que tweet de la mayoría, la elección del lugar en el que envían el último tweet del día de, o el lugar que tweet de entre y 01 a.m. y las 6 am Sin embargo, todos estos métodos tienen puntos débiles que los hacen difícil confiar en.
Hossain y coautores desarrollado otro enfoque. Elaboraron una lista de palabras y frases que los usuarios puedan utilizar en los tweets enviados desde sus hogares, tales como "Finalmente a casa!" O bañera, sofá, televisión, y así sucesivamente. Se filtran los tweets geolocalizados que contengan esas palabras y se les pidió tres Turkers si pensaban que cada tweet fue enviado desde casa o no, manteniendo sólo aquellos para los que los tres Turkers todos respondieron que sí.
Hossain y colegas designaron a estos tuits como un conjunto de datos terrestres de referencia para la ubicación de inicio y lo usaron para entrenar a un algoritmo de aprendizaje para identificar otros patrones asociados con los tweets en el hogar. El algoritmo para ver cómo se veía ubicación de inicio se correlaciona con otros indicadores tales como la ubicación del último tweet del día, el lugar más popular de un tweet, el porcentaje de tweets desde un lugar determinado, y así sucesivamente.
Basándose en varios indicadores para determinar la ubicación de inicio mejora significativamente la exactitud de la aproximación, en comparación con las que utilizan un único indicador. De hecho, Hossain y sus colegas dicen que pueden hacer ejercicio posición de casa hasta un radio de 100 metros con una precisión de hasta un 80 por ciento. Eso es significativamente mejor que el trabajo anterior.
En conjunto, estas dos técnicas permitieron al equipo para trabajar cuando y donde la gente está bebiendo. Y utilizaron esto para comparar los patrones de consumo en la ciudad de Nueva York y en la zona suburbana del condado de Monroe.
Hacen esto dividiendo cada área en 100 x 100 rejillas y marcado aquellas áreas en las que hay los tweets relacionados con el alcohol. Eso les permite elaborar y comparar "mapas de calor" del consumo de alcohol por cada área.
También se distinguen los tweets acerca de la bebida hecha de una ubicación de inicio de las realizadas en otros lugares. Y trazar los puntos de venta de alcohol en cada área. Eso permite a los investigadores para investigar la relación entre la densidad de tweets enviados desde diferentes regiones en estado de ebriedad y la densidad de puntos de venta de alcohol.
Los resultados son una lectura interesante. En primer lugar, Hossain y coautores señalan que una mayor proporción de tweets en la ciudad de Nueva York están asociados con el alcohol que en el condado de Monroe. "Una posible explicación es que es probable que tenga una mayor tasa de beber una ciudad mucha gente, como Nueva York con puntos de venta de alcohol y muchas personas socialización de alta densidad", dicen.
Lo que es más, los datos de geolocalización revela que una mayor proporción de gente bebe en casa (o dentro de los 100 metros de la casa) en la ciudad de Nueva York que en el condado de Monroe, donde un alto porcentaje de personas que beben más de un kilómetro de la casa.
Los mapas de calor también revelan patrones interesantes. Permite que el equipo de casa en el 100 x 100 metros cuadrados de rejilla donde se han producido al menos cinco tweets sobre el alcohol. "Creemos que este tipo de redes son regiones de actividades inusuales para beber," decir Hossain y colegas.
También encontraron una correlación entre la densidad de puntos de venta de alcohol en una región y el número de tweets que indican que alguien está bebiendo ahora. Esto plantea una pregunta interesante acerca de cómo correlación y causalidad están ligados en este caso. ¿Tiene una alta densidad de puntos de venta de alcohol hacen que las personas beben más? ¿O es que los bebedores acuden a las zonas con una alta densidad de puntos de venta de alcohol? Por supuesto, este tipo de datos por sí sola no puede responder a esta.
Sin embargo, el gran poder de esta técnica es que es barato y rápido. Por el contrario, para conseguir una visión similares en los patrones de consumo por otros medios es muy costoso y consume mucho tiempo.
Sería por lo general requiere de personas que ser cuidadosamente seleccionados, para rellenar cuestionarios ya predispuestas y que estos se analizan en detalle. El enfoque de aprendizaje por máquina podría incluso controlar esta actividad en tiempo real. "Nuestros resultados demuestran que los tweets pueden proporcionar señales potentes y de grano fino de actividades ocurriendo en las ciudades", dicen.
Hay advertencias de golf. Hay un claro sesgo en los datos recogidos de Twitter ya que los jóvenes y ciertas minorías están sobre representadas. Pero sesgos similares están presentes en otros métodos de recogida de datos, por ejemplo, las encuestas tienden a subrepresentar personas que no quieren llenar encuestas, como algunos inmigrantes. Identificar y hacer frente a los sesgos es una parte importante de todos los métodos de recogida de datos.
Hossain y coautores tienen grandes planes para su técnica. En el futuro, quieren estudiar cómo el consumo de alcohol varía con la edad, sexo, origen étnico, y así sucesivamente; cómo las diferentes configuraciones de influir beber-y-piar, tales como casas de sus amigos, el estadio, el parque, y así sucesivamente; y comparar la velocidad a la que los bebedores fluyen dentro y fuera de los barrios adyacentes.
El aspecto social de Twitter será útil, también. "Podemos explorar la red social de los bebedores de averiguar cómo las interacciones sociales y la presión de grupo en los medios sociales influyen en la tendencia a hacer referencia a la bebida" decir Hossain y colegas.
Todo lo que podría ayudar a informar el debate sobre los aspectos relacionados con la salud del alcohol, que es la tercera causa de muerte evitable en los EE.UU. Eso es 75.000 muertes que el alcohol causa cada año un número que pone la importancia de este trabajo en perspectiva comparada a las pruebas y tribulaciones de la vida del amor.
Ref: arxiv.org/abs/1603.03181 : Inferring Fine-grained Details on User Activities and Home Location from Social Media: Detecting Drinking-While-Tweeting Patterns in Communities
domingo, 10 de mayo de 2015
Un simulación para encontrar una pareja sin ninguna capacidad de sociabilidad
Un simulador de evolución revela el secreto de apareamiento sin habilidades sociales
Sin las habilidades sociales, la única manera de conocer a un compañero es por casualidad completa. ¿Verdad? No, de acuerdo a un nuevo modelo que simula la forma en genes de un individuo pueden interactuar con el medio ambiente.
Encontrar una pareja sexual es un asunto complejo para los seres humanos. En su forma más simple, requiere dos participantes dispuestos a estar presentes en el mismo lugar al mismo tiempo. Y como era de esperar, los humanos han desarrollado sofisticadas habilidades sociales para coordinar sus movimientos para este propósito (como lo han hecho muchos organismos).
Pero ¿y si los participantes no tienen las habilidades sociales y por lo tanto son incapaces de coordinar de esta manera? ¿Cómo participantes que carecen de habilidades sociales se aparean alguna vez? Esa es una pregunta importante, y no sólo para los seres humanos con habilidades sociales pobres. De hecho, muchos organismos simples se reproducen sexualmente, pero no parecen tener las habilidades sociales para coordinar sus movimientos.
Este enigma se llama el problema de la coordinación social y sociólogos han desconcertado de largo sobre cómo las especies socialmente cuestionadas de sobrevivir.
Hoy tenemos una respuesta gracias a la obra de Chris Marriott de la Universidad de Washington en Seattle y Jobran Chebib en la Universidad de Zúrich, en Suiza. Estos chicos han creado un modelo informático que simula la interacción entre los organismos, sus genes y el medio ambiente en el que existen.
Este modelo muestra cómo las personas sin habilidades sociales todavía pueden aparearse con éxito y ofrece una visión única de la forma en habilidades sociales con el tiempo pueden evolucionar en este tipo de poblaciones.
Una parte clave del nuevo modelo es su capacidad para simular la interacción entre la composición genética de una población de individuos y su entorno. Y lo hace de una manera inteligente.
En el nuevo modelo, el "medio ambiente" consiste en una red de nodos conectados al azar. Un individuo puede explorar este mundo al saltar de un nodo a otro utilizando los enlaces entre ellos.
Las personas que aumentan la energía en cada nodo, pero lo utilizan a medida que se mueven. La ganancia o pérdida de energía neta cada día determina si la criatura vive o muere.
Al mismo tiempo, una persona con suficiente energía puede disfrutar de relaciones sexuales con otra criatura que pasa a estar en el mismo lugar, siempre que éste también tenga la energía suficiente. Esto da como resultado el nacimiento de una nueva criatura con características de ambos padres. Las personas que no tienen relaciones sexuales también pueden reproducirse asexualmente.
La forma en que más individuos eligen sus rutas es importante. Cada criatura hace esto usando la información codificada en su "genoma": una larga secuencia de rutas posibles a través del entorno de un lugar a otro.
En una ubicación específica, el individuo busca en su genoma para las rutas asociadas con esa posición. A continuación, elige la ruta que maximice sus futuros recursos, y esto determina dónde se mueve al lado.
Esto tiene consecuencias importantes para una población emergente. Marriott y Chebib empiezan por la liberación de un solo individuo en este entorno. Es obvio que no puede tener relaciones sexuales y así se reproduce asexualmente, produciendo otra persona con el mismo genoma.
Dado que ambos individuos tienen el mismo genoma, se mueven a través del entorno de la misma manera, la producción de otros individuos con el mismo genoma o tener relaciones sexuales para producir individuos con genomas similares.
Después de muchas generaciones, el resultado es un grupo de individuos con genomas similares que se mueven a través del entorno de la misma manera. En otras palabras, una manada.
Esto lleva a un patrón de cría llamado cruzamiento, donde los individuos se aparean con otros similares en lugar de socios aleatorios. Eso es una simple consecuencia de ser parte de una manada con patrones de comportamiento similares.
Las personas también tienden a regresar a sus lugares de nacimiento, ya que esta información se codifica automáticamente en sus genomas. Así es como surge filopatría natal.
Todo esto está en marcado contraste con las poblaciones de individuos con diferentes genomas que se dejan caer en el medio ambiente de forma aleatoria. Estos individuos tienden a morir, ya que sólo se reúnen otros individuos por completo oportunidad. Así que la reproducción sexual es rara.
Y cuando ocurre, tiende a crear individuos con genomas similares que terminan produciendo rebaños y disfrutando de apareamiento selectivo y filopatría natal exactamente de la misma manera que las menos diversas poblaciones.
Lo extraordinario es que todos estos comportamientos emergen de la interacción entre la genética de los individuos y su entorno. No hay habilidades sociales involucrados en absoluto.
"Encontramos tres tipos de organización social que ayuda a resolver este problema social de coordinación (pastoreo, apareamiento selectivo y filopatría natal) emergen en poblaciones de agentes simulados sin mecanismos sociales disponibles para apoyar a estas organizaciones", dicen Marriott y Chebib.
Eso es fascinante trabajo y no sólo porque muestra cómo se puede producir el apareamiento entre individuos sin habilidades sociales. Marriott y Chebib especulan que la aparición de estas conductas de apareamiento proporciona un entorno en el que las habilidades de coordinación social, con el tiempo pueden evolucionar. "Llegamos a la conclusión de que los orígenes no sociales de estas organizaciones sociales en torno a la reproducción sexual pueden proporcionar el medio ambiente para el desarrollo de soluciones sociales a los mismos y diferentes problemas", dicen.
Muchas criaturas aprenden habilidades sociales de otros individuos o están bajo la presión social de un tipo u otro a comportarse de una manera específica. Pero nadie ha sido nunca seguro de cómo han surgido debido a la naturaleza de pollo y el huevo del problema de estas habilidades: no se puede aprender las habilidades sociales a menos que seas parte de un grupo, y no puede ser parte de un grupo a menos que tenga las habilidades sociales.
Marriott y Chebib han encontrado un camino a través de esta paradoja sobre la base de la relación entre los genes y el medio ambiente. ¿El siguiente paso? Ver si las habilidades de coordinación en redes sociales evolucionan en las poblaciones que reproducen. ¡Estaremos observando!
Ref: arxiv.org/abs/1504.06781 : Finding a Mate With No Social Skills
Sin las habilidades sociales, la única manera de conocer a un compañero es por casualidad completa. ¿Verdad? No, de acuerdo a un nuevo modelo que simula la forma en genes de un individuo pueden interactuar con el medio ambiente.
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjUIuVs2SacZaVuLUT_1Bop2McujDYvH674a6fLMy101LnD04H-aO3uXP-h1y9dhrHzzhqDBwbR8jNTAy-u6QL46qydDSE5RQNIq5xloj6mPnwc8PTwbrMBasPr0xlYajZpxm682ZFbPmF1/s1600/3f8545e0-85fb-4b22-9009-fdb90de79479-620x372.png)
Encontrar una pareja sexual es un asunto complejo para los seres humanos. En su forma más simple, requiere dos participantes dispuestos a estar presentes en el mismo lugar al mismo tiempo. Y como era de esperar, los humanos han desarrollado sofisticadas habilidades sociales para coordinar sus movimientos para este propósito (como lo han hecho muchos organismos).
Pero ¿y si los participantes no tienen las habilidades sociales y por lo tanto son incapaces de coordinar de esta manera? ¿Cómo participantes que carecen de habilidades sociales se aparean alguna vez? Esa es una pregunta importante, y no sólo para los seres humanos con habilidades sociales pobres. De hecho, muchos organismos simples se reproducen sexualmente, pero no parecen tener las habilidades sociales para coordinar sus movimientos.
Este enigma se llama el problema de la coordinación social y sociólogos han desconcertado de largo sobre cómo las especies socialmente cuestionadas de sobrevivir.
Hoy tenemos una respuesta gracias a la obra de Chris Marriott de la Universidad de Washington en Seattle y Jobran Chebib en la Universidad de Zúrich, en Suiza. Estos chicos han creado un modelo informático que simula la interacción entre los organismos, sus genes y el medio ambiente en el que existen.
Este modelo muestra cómo las personas sin habilidades sociales todavía pueden aparearse con éxito y ofrece una visión única de la forma en habilidades sociales con el tiempo pueden evolucionar en este tipo de poblaciones.
Una parte clave del nuevo modelo es su capacidad para simular la interacción entre la composición genética de una población de individuos y su entorno. Y lo hace de una manera inteligente.
En el nuevo modelo, el "medio ambiente" consiste en una red de nodos conectados al azar. Un individuo puede explorar este mundo al saltar de un nodo a otro utilizando los enlaces entre ellos.
Las personas que aumentan la energía en cada nodo, pero lo utilizan a medida que se mueven. La ganancia o pérdida de energía neta cada día determina si la criatura vive o muere.
Al mismo tiempo, una persona con suficiente energía puede disfrutar de relaciones sexuales con otra criatura que pasa a estar en el mismo lugar, siempre que éste también tenga la energía suficiente. Esto da como resultado el nacimiento de una nueva criatura con características de ambos padres. Las personas que no tienen relaciones sexuales también pueden reproducirse asexualmente.
La forma en que más individuos eligen sus rutas es importante. Cada criatura hace esto usando la información codificada en su "genoma": una larga secuencia de rutas posibles a través del entorno de un lugar a otro.
En una ubicación específica, el individuo busca en su genoma para las rutas asociadas con esa posición. A continuación, elige la ruta que maximice sus futuros recursos, y esto determina dónde se mueve al lado.
Esto tiene consecuencias importantes para una población emergente. Marriott y Chebib empiezan por la liberación de un solo individuo en este entorno. Es obvio que no puede tener relaciones sexuales y así se reproduce asexualmente, produciendo otra persona con el mismo genoma.
Dado que ambos individuos tienen el mismo genoma, se mueven a través del entorno de la misma manera, la producción de otros individuos con el mismo genoma o tener relaciones sexuales para producir individuos con genomas similares.
Después de muchas generaciones, el resultado es un grupo de individuos con genomas similares que se mueven a través del entorno de la misma manera. En otras palabras, una manada.
Esto lleva a un patrón de cría llamado cruzamiento, donde los individuos se aparean con otros similares en lugar de socios aleatorios. Eso es una simple consecuencia de ser parte de una manada con patrones de comportamiento similares.
Las personas también tienden a regresar a sus lugares de nacimiento, ya que esta información se codifica automáticamente en sus genomas. Así es como surge filopatría natal.
Todo esto está en marcado contraste con las poblaciones de individuos con diferentes genomas que se dejan caer en el medio ambiente de forma aleatoria. Estos individuos tienden a morir, ya que sólo se reúnen otros individuos por completo oportunidad. Así que la reproducción sexual es rara.
Y cuando ocurre, tiende a crear individuos con genomas similares que terminan produciendo rebaños y disfrutando de apareamiento selectivo y filopatría natal exactamente de la misma manera que las menos diversas poblaciones.
Lo extraordinario es que todos estos comportamientos emergen de la interacción entre la genética de los individuos y su entorno. No hay habilidades sociales involucrados en absoluto.
"Encontramos tres tipos de organización social que ayuda a resolver este problema social de coordinación (pastoreo, apareamiento selectivo y filopatría natal) emergen en poblaciones de agentes simulados sin mecanismos sociales disponibles para apoyar a estas organizaciones", dicen Marriott y Chebib.
Eso es fascinante trabajo y no sólo porque muestra cómo se puede producir el apareamiento entre individuos sin habilidades sociales. Marriott y Chebib especulan que la aparición de estas conductas de apareamiento proporciona un entorno en el que las habilidades de coordinación social, con el tiempo pueden evolucionar. "Llegamos a la conclusión de que los orígenes no sociales de estas organizaciones sociales en torno a la reproducción sexual pueden proporcionar el medio ambiente para el desarrollo de soluciones sociales a los mismos y diferentes problemas", dicen.
Muchas criaturas aprenden habilidades sociales de otros individuos o están bajo la presión social de un tipo u otro a comportarse de una manera específica. Pero nadie ha sido nunca seguro de cómo han surgido debido a la naturaleza de pollo y el huevo del problema de estas habilidades: no se puede aprender las habilidades sociales a menos que seas parte de un grupo, y no puede ser parte de un grupo a menos que tenga las habilidades sociales.
Marriott y Chebib han encontrado un camino a través de esta paradoja sobre la base de la relación entre los genes y el medio ambiente. ¿El siguiente paso? Ver si las habilidades de coordinación en redes sociales evolucionan en las poblaciones que reproducen. ¡Estaremos observando!
Ref: arxiv.org/abs/1504.06781 : Finding a Mate With No Social Skills
Suscribirse a:
Entradas (Atom)