Las simulaciones computacionales en las ciencias socialesFranck VarenneUniversidad de Rouen y GEMAS/CNRS/Sorbonne – Francia (19/12/2011)

Presentación

Con resolución, aunque parcialmente, las ciencias sociales entran en la era computacional. Esta constatación no tiene todavía sentido preciso si no se la acompaña de un análisis que distinga las funciones epistémicas de lacomputation en los diferentes modos de utilización de los ordenadores para la modelización y la simulación en ciencias sociales. Mediante la introducción de estas nuevas maneras de formalizar (seductoras, ya que aparecen como más directas y más ergonómicas), se vuelve a plantear la doble cuestión del realismo de los formalismos y del valor de la prueba de los tratamientos computacionales. Esta expansión en todas direcciones de las simulaciones computacionales conduce a ciertos observadores entusiastas a pensar que estamos frente a un nuevo fundamento común para todas las ciencias sociales. Clarificando y distinguiendo algunos de los usos epistémicos, en las ciencias sociales, de diferentes simulaciones computacionales, este artículo sin embargo muestra que es mejor atenerse a una posición media  y sostener que el aporte es principalmente metodológico.

Palabras clave: computacional, ciencias sociales, ciencias computacionales, modelo, simulación, epistemología, realismo, iconicidad, función epistémica de los modelos

Introducción: computación y ciencias computacionales

A partir de los años 1980 para las ciencias físicas, la química y las ciencias de ingeniería (1), y a partir de los años 1990 para la biología (2), hemos asistido a una serie de giros computacionales, es decir una serie de extensiones considerables del recurso al computer en las prácticas de modelización. 

Se podría objetar que la física y la química ya apelaban al ordenador desde su misma concepción y difusión, es decir los años 1940-1950. Sin embargo no se debería confundir lo que mayoritaria e inmediatamente fue un uso matemático del ordenador con lo que más tardíamente se convirtió en un uso computacional del ordenador. Un uso matemático del ordenador es un uso que lo instituye como máquina de cálculo y de resolución numérica aproximada (matemática en sentido estricto) de un modelo matemático formulado previamente y analíticamente no soluble. En esta perspectiva el físico numérico puede escribir:

Un modelo matemático es una representación o una interpretación abstracta de la realidad física que es accesible al análisis y al cálculo. La simulación numérica permite calcular en el ordenador las soluciones de esos modelos, y por consiguiente simular la realidad física (Allaire, 2007: 2) (3, cc1).

    

Por contraste se puede definir el uso computacional como lo que convierte al ordenador en  una máquina para modelizar por medio de computaciones. Una computación es una operación paso a paso sobre símbolos. Ella misma puede ser interpretada como un cálculo de modelo o como la simulación directa del comportamiento de un sistema-blanco (real o ficticio). Pero esto no le es en absoluto necesario. En un sentido más general, una ciencia computacional es una ciencia que utiliza el ordenador como una máquina para modelizar y simular por medio de computaciones. Volveré sobre la polisemia del término “simulación” tal como aparece, entonces, en esta caracterización.

Recordemos que desde finales de los años 1990, los modelos computacionales también se difundieron ampliamente en las ciencias sociales: sobre esto remito a las contribuciones importantes de Epstein, Axtell, Gilbert, Troitzsch o Conte,

1

citadas en bibliografías, así como al panorama de (Heath y otros, 2009) (4). Ahora bien, acerca de la interpretación epistemológica que hay que darle a este giro computacional actualmente negociado por una franja creciente de especialistas en ciencias sociales, grosso modo encontramos tres tesis que se enfrentan en las publicaciones especializadas, de la más débil a la más fuerte:

1- Tesis débil: la adopción de simulaciones computacionales se interpreta como la mera difusión de un nuevo tipo de formalismo inspirado en la física computacional y en la inteligencia artificial distribuída.

2- Tesis media: las simulaciones computacionales les proponen una nueva metodología a las ciencias sociales, permitiendo extender el campo de la explicación sociológica y preparar el «individualismo metodológico complejo» anhelada  por Manzo (2007) (5) y ya anunciada, en un sentido, por Dupuy (1992) (6).

3- Tesis fuerte: más allá de una nueva metodología, se trata nada menos que de una manera inédita de fundar una nueva unidad de las ciencias sociales sobrepasando los límites de los métodos de modelización anteriores. Así piensan por ejemplo Epstein y Axtell (1996, p. 2) (7).

En este artículo, no zanjaré la cuestión completamente. Sin embargo, sostendré una serie de argumentos que justifican una tesis cercana a la tesis media. Pero antes de entrar en ello, partiré de la hipótesis según la cual para darse una idea del carácter innovador de las simulaciones computacionales en ciencias sociales, primero es bueno tomar la medida de su variedad (secciones 3 a 6) y para ello, en un primer momento proponer definiciones y distinciones conceptuales que permitan darle sentido a esta variedad (sección 1) y luego comprender precisamente en qué sentido un modelo formal tratado por ordenador no es sistemáticamente un modelo de simulación computacional (sección 2).

Sólo entonces se podrá abordar la cuestión del nivel epistémico de los diversos tipos de simulaciones computacionales en ciencias sociales (sección 7) y, finalmente, se podrá plantear con mayor claridad la cuestión, más general y correlativa, de la naturaleza del aporte de los métodos computacionales a las ciencias sociales (conclusión).

1. Modelos y simulaciones: distinciones conceptuales

En el contexto de una investigación científica, un modelo se presenta como un objeto, de naturaleza simbólica o material, que, en el marco de un cuestionamiento, tiene como función mínima  facilitar un acceso cognitivo a un objeto-blanco via una mediación de un tipo dado.

Para esta definición, utilizo una caracterización ya antigua de Minsky (8), que enriquezco por medio de la constatación empírica que encontramos en la obra dirigida por Morgan y Morrison (9). Sobre la base de esta definición y considerando enseguida el espacio de variación de los tipos de mediación que el modelo puede facilitar, es posible distinguir veinte diferentes funciones epistémicas para los modelos en las ciencias contemporáneas (10).

Sin entrar aquí en el detalle de todas esas funciones, voy a recordar que se pueden distinguir cinco grandes categorías. Esas categorías están ordenadas según los tipos de tareas cognitivas que el modelo facilita:

1- Puede facilitar una experiencia: un modelo puede servir para facilitar nuestro acceso a lo que se da de manera sensible, medible o detectable. Así facilita una observación, una visualización, así como la representación de una experiencia o de una experimentación;

2- Puede facilitar una presentación o una formulación  inteligible: un modelo puede facilitar nuestro acceso inteligible a un objeto-meta gracias a una representación mental o gracias a una conceptualización de su estructura o de su dinámica. Esta conceptualización puede tomar formas variadas, hasta opuestas: puede tomar la forma de modelos fenomenológicos puramente predictivos o la de modelos con objetivo explicativo, por consiguiente  con escenario explicativo.

2

3- Puede facilitar una teorización: el modelo puede servir para elaborar progresivamente una teoría todavía no madura (ensayo localizado de una estructura de inferencia). Puede servir también para ilustrar una teoría, para interpretar una teoría, para examinar la coherencia de una teoría o incluso para permitir su aplicabilidad. En ese contexto, una teoría se distingue de un modelo en que ésta se presenta como un conjunto de enunciados –eventualmente formalizados y axiomatizados- formando sistema y dando lugar a inferencias susceptibles de valer para todo un tipo de fenómenos dado, mientras que un modelo se limita a menudo a poner en orden un conjunto de “limitaciones particulares sobre interacciones” (11).

4- Puede facilitar una mediación entre discursos: un modelo puede ser un instrumento mediador entre diferentes disciplinas, diferentes campos del saber, o diferentes grupos humanos que tienen representaciones colectivas o intereses divergentes. En ese marco, un modelo facilita una mediación no entre un objeto y una aprehensión directamente sensible, instrumentada, conceptual o teórica de este objeto, sino que facilita una mediación entre discursos y representaciones de actores alrededor de un problema o un fenómeno representado de manera múltiple pero reconocido por todas las partes presentes como si debiera ser abordado con interrogantes comunes. En ese sentido, el modelo sirve incluso para un cuestionamiento: pero se queda en la primera etapa del cuestionamiento. Sólo sirve para elaborar una formulación común del cuestionamiento más que permitir una respuesta a interrogantes que ya estarían formulados de manera consensuada.

5- Puede facilitar una decisión para la acción (cognición práctica). De este modo, existen  modelos que no sirven tanto para producir una representación válida ni para formular un cuestionamiento como para facilitar la determinación de un tipo de respuesta esperado en términos de acción. Esta acción es urgente y puede prescindir de la etapa intermedia de representación o conceptualización en el hecho de que apunta a resolver inmediatamente un problema, por ejemplo disminuir daños inminentes o incluso a optimizar ganancias.

¿En qué están hoy las simulaciones? Por su lado, durante largo tiempo fueron consideradas como si fueran sólo un cierto tipo de modelos: modelos fenomenológicos que no reproducen más que las performances, pero no el mecanismo subyacente del sistema-blanco. Aún hoy, se considera que las simulaciones imitan un comportamiento visible o medible, pero no los procesos ni los mecanismos que están en el origen de ese comportamiento. Así, se los sitúa a menudo entre los modelos que pertenecen a la primera categoría: la que facilita un acceso empírico o cuasi-empírico (por indirección y delegación) al objeto-meta.

Sin embargo, sabemos por lo demás que con el florecimiento del ordenador y los tratamientos formales asociados, el término “simulación” terminó por designar también al cálculo de un modelo. ¿Es por accidente? Por cierto que hay razones históricas para ello (cc2). Pero estas dos significaciones actualmente parecen muy alejadas una de otra. ¿Continúan manteniendo una relación? 

Ören (12) y Yilmaz (13), por ejemplo, las presentan como dos significaciones yuxtapuestas del mismo término y por tanto como no manteniendo más relación  esencial, ni siquiera indirecta. Sin embargo, en publicaciones precedentes (2007, 2008) (14), mostré que si bien se daba una definición más genérica del concepto de simulación, las dos significaciones usuales de este término podían derivar naturalmente y de ello resultaba una mejor comprensión de su relación, y luego una mejor comprensión de la relación entre simulación y modelo.

De manera general, una simulación puede caracterizarse como una estrategia de simbolización que toma la forma de al menos un tratamiento de símbolos paso a paso, ya que ese tratamiento paso a paso presenta dos fases distintas:

1era. fase (llamada operatoria) durante la cual una cierta cantidad de operaciones se efectúa sobre entidades simbólicas numéricamente distintas. Se considera que estas entidades son simbólicas en tanto se supone que denotan entidades-meta (por consiguiente externas) reales o ficticias. Las entidades denotadas por esos símbolos pueden ser objetos (reales o ficticios), partes o aspectos de objetos o de substratos, individuos, actores, agentes, representaciones, colectivos cosificados, instituciones...

2da. Fase (llamada observacional) durante la cual se produce una observación, una medida, una evaluación o incluso todo tipo de análisis (por ejemplo estadístico) o de re-empleo computacional o matemático del resultado de la cantidad de

3

operaciones efectuada en la primera fase. En esta segunda fase, se considera a los resultados de computación como datos que hay que analizar y observar.

Cuando finaliza la simulación, el resultado de la primera fase simboliza también el sistema-meta, pero a otra escala, o según otro punto de vista. Por este tratamiento en dos fases, y por analogía con la relación que existe entre el nivel de los parámetros de una red de neuronas y el nivel del pensamiento simbólico –relación a la que Smolensky (15) llama de sub-simbolización-, a los símbolos elementales que operan en la primera fase de una simulación se los puede llamar sub-símbolos con respecto al símbolo final. 

Una simulación implica la constitución de un símbolo que resulta de operaciones efectuadas por símbolos elementales, no necesariamente realistas, pero que denotan en otro nivel o según otro punto de vista que el de ese símbolo resultante. Estos símbolos que operan en la primera fase pueden incluso adoptar el punto de vista de la ficción. Por ejemplo es el caso para los símbolos que intervienen en la primera fase de una simulación llamada “por elementos finitos”, como ocurre a menudo en la mecánica de los fluidos: son símbolos denotantes sin denotación, puesto que, en este caso, los símbolos de elementos finitos son sistemas de cálculo y no símbolos que denotarían realmente entidades reconocidas como existentes y teorizadas como tales en el campo de estimación considerado (aquí, la física de los fluidos).

2. ¿Por qué pasar del modelo a la simulación en ciencias sociales?

Aún cuando las ciencias sociales hayan desarrollado una variedad bastante grande de prácticas de modelización, las más difundidas en el siglo XX son principalmente de tres tipos:

1- Primero están los modelos para el análisis de datos. Pertenecen a la primera gran categoría, la de los modelos que apuntan a facilitar una experiencia o la presentación de datos de la experiencia. Por medio de técnicas como la reducción de variancia, este tipo de modelos apunta a identificar las correlaciones, a resumir y a cribar la información empírica. También sirve para sugerir inductivamente lazos causales entre diversos factores. Apenas iniciada, la informática jugó un rol mayor en el tratamiento numérico masivo de datos que implicaba ese tipo de modelo: pero precisamente, eso no comprometía aún un uso computacional del ordenador.

2- Luego vienen los modelos puramente fenomenológicos y predictivos, modelos que con frecuencia fueron preconizados por los economistas sostenedores de un instrumentalismo positivista a la Friedman (1953). Para esta concepción de la modelización matemática, un modelo sirve para organizar de manera práctica y económica (según el principio de la navaja de Occam) el material empírico permitiendo al mismo tiempo hacer predicciones útiles.

3- Por último están los modelos explicativos (o modelos de mecanismo) que se fundan en hipótesis teóricas, con validez más o menos local, pero que pretenden ser explicativas: gramáticas generativas, modelos del actor racional, modelos de preferencias para explicar los fenómenos de segregación, estructuras de interacción que explican las estrategias escolares... Este tipo de modelo permite testear hipótesis de mecanismos que operan a nivel del individuo.

Observemos que los dos últimos tipos de modelo pertenecen a la segunda de las categorías que distinguí más arriba, es decir la de los modelos que facilitan la formulación inteligible de un fenómeno, tanto para la predicción, como para la explicación.

Desde los años 1960, Raymond Boudon (16) fue uno de los promotores de los modelos explicativos en sociología. Para él, se trataba de ir más allá de los modelos estadísticos o de los modelos fenomenológicos predictivos y de hacer obra científica yendo hasta el estadio de la explicación. Ahora bien, en la perspectiva del individualismo metodológico, que era –y sigue siendo- la suya, explicar un fenómeno social significa ponerlo en relación con los comportamientos de los actores individuales. Por consiguiente esto impone buscar operacionalizar, a nivel del individuo, las hipótesis que sugiere tal enfoque; y esta operacionalización puede quedar a cargo de modelos de comportamientos de los actores. 

Por lo demás, en ciencias sociales, el análisis de datos a menudo tropieza con el fenómeno de interacción entre variables: la intensidad del efecto que tiene una variable sobre otra depende de la intensidad de una tercera variable. Las variables no solamente están yuxtapuestas, se controlan unas a otras. En ese caso, los efectos no son aditivos. El efecto

4

global no es igual a la suma de los efectos individuales. Y los modelos que se deben introducir por consiguiente no son lineales: su resolución matemática (por ejemplo la técnica de reducción de variancia) se hace muy pesada, incluso imposible. A veces se puede proponer testear modelos aun aproximadamente multilineales. Pero terminan por perder en significación: entonces se vuelve preferible construir directamente un modelo complejo, esta vez no lineal, hacerlo simular por el ordenador y observar el resultado de sus simulaciones en diversas condiciones de parámetros (17).

Esencialmente es a causa de este problema que la simulación en ordenador se desarrolló, a partir de los años 1970, en las ciencias con fenómenos multifactoriales y en interacción (ciencias de la vida, del medio ambiente, ciencias sociales). Boudon había predicho este pasaje para las ciencias sociales en 1967 (cc3). En 1968, Jay Forrester escribía asimismo en Principios de los sistemas (18): 

   

La mayoría de los comportamientos dinámicos de los sistemas sociales solamente pueden ser representados por modelos que son no lineales y tan complejos que son imposibles soluciones matemáticas analíticas. Para tales sistemas sólo es utilizable un proceso de simulación que utiliza una resolución numérica paso a paso (19).

Sin embargo, mientras que para Forrester se trata de invocar la simulación simplemente a fin de resolver numéricamente sistemas de ecuaciones de flujo no analíticamente solubles (por consiguiente, por sub-simbolización de modelos analíticos previos), para Bourdon –e incluso sostenedores de las ciencias sociales computacionales como Nigel Gilbert et Klaus Troitzsch (1996), por ejemplo, hoy  invocan el mismo argumento-, esa necesidad se adscribe a otra demanda, desde su punto de vista oportuna: el modelo que se hizo necesario por ese pasaje a la simulación se distingue del modelo estadístico de análisis precisamente porque es un modelo de simulación que se revela también como un modelo causal. Es un modelo que puede explicar, en términos explícitamente causales, y no simplemente reproducir o analizar las correlaciones que existen entre las variables. En efecto, tal modelo formal (más tarde llamado “estructura causal” por Boudon) pone en marcha relaciones entre símbolos que se supone que reflejan también los lazos causales y las interacciones que subsisten en la realidad social. Por consiguiente, tal modelo vale en gran parte por su poder de denotar de manera al menos parcialmente icónica algunas relaciones elegidas y de las que realmente se supone que están en práctica en el mundo causal.

De allí proviene la diferencia -que aun hoy permanece- entre lo que la literatura llama un «modelo de simulación» (que Boudon llamaba « modelo simulado » en 1967) y una «simulación de modelo». Si la operación cognitiva hace que el énfasis recaiga sobre el modelo, la simulación sigue siendo un simple instrumento de tratamiento, es decir de cálculo, al servicio de un modelo. El rol de la simulación sigue estando subordinado con relación al modelo. Entonces estamos frente a una “simulación de modelo”. Pero si llevamos el énfasis a la simulación directa del fenómeno-meta, el que juega ese rol subordinado frente a la simulación es el modelo: los roles se invierten. Entonces se produce un “modelo de simulación” que estará determinado para seguir las obligaciones prioritarias de lo que se desea obtener: la simulación del sistema-meta. Como consecuencia de ello, ese tipo de modelo se llamará a menudo “computacional” ya que no posee (a primera vista) equivalente matemático inmediato, es decir una formulación formal a la vez deductiva y abreviativa (cc4). 

3. La micro-simulación

En los años sesenta, con la técnica de micro-simulación introducida por Guy Orcutt (20) y su equipo, asistimos a una de las primeras verdaderas ocurrencias de la práctica de la simulación computacional para las ciencias sociales. 

En lo que respecta a Forrester, no funda el enfoque computacional. Ya que, por su parte, sólo transfiere a las ciencias sociales una técnica de cálculo que ya estaba bien desarrollada en las ciencias naturales: pone en marcha simulaciones numéricas de modelos matemáticos continuos (modelo de flujo y de retroacciones continuos con ecuaciones diferenciales análogas a redes tróficas o a modelos ambientales con compartimientos). Su propuesta tiene más que ver

5

con el modelo que con la simulación: por consiguiente es más especulativa y conceptual que propiamente técnica y metodológica.

La problemática socio-económica particular de Orcutt es muy diferente y menos especulativa. En ese sentido, será más fecunda desde el punto de vista metodológico. Consiste en intentar predecir cuáles serían los efectos colectivos de tal o cual política fiscal o social a partir de una agregación computacional de los comportamientos individuales (comportamientos individuales de individuos -en sentido propio- o incluso de hogares o de firmas). El principio de la micro-simulación es el siguiente:

- Utilizar el ordenador para modelizar simultáneamente los dos niveles, el nivel del individuo y el nivel agregado (variables macro-económicas...)- Los individuos son agrupados en una muestra representativa de la población.- En la estructura informática, los individuos son representados por atributos como el sexo, la edad, el estado civil, el nivel de educación, el tipo de empleo ocupado, el nivel de ingresos...- A cada paso de tiempo, a los individuos de esa muestra se les aplica un modelo probabilista de transición.

Los parámetros de ese modelo probabilista en un primer tiempo se infieren a partir del modelo fenomenológico con valor a escala macro. Entonces es matemáticamente normal que la fase operatoria (de computación probabilista a nivel de los individuos) a continuación dé lugar, en la segunda fase de la simulación, a la observación de los mismos valores de variables agregadas que el modelo macro-económico o demográfico global, modelo fenomenológico por otra parte calibrado en el campo. En efecto, de esta manera la computación de nuevo hace (aproximadamente) continuo lo que antes se había convertido en discreto: con excepción de las operaciones de redondeo, la información prácticamente no ha cambiado.

¿En qué sentido es una simulación? Es una simulación por sub-simbolización de un modelo agregado previo. Los parámetros de los comportamientos de los individuos se calculan a partir de los parámetros disponibles del modelo agregado. Por consiguiente no se los evalúa a partir de una encuesta de campo a nivel de los individuos: por lo tanto no pretenden realismo. La acción de los individuos no está representada icónicamente: sólo lo está su probable cambio de estado. Por consiguiente lo único que tienen de icónico estos individuos es su individualidad; en lo demás (sus atributos) son abstractos ya que no son objeto de una investigación empírica o comprensiva previa. Sin embargo esta simulación es realmente una; ya que practica como mínimo una sub-simbolización. Pero esta sub-simbolización no pone en juego agentes informáticos cuya iconicidad en el comportamiento (el realismo) también se buscaría.

Así, la micro-simulación puede llamarse una simulación numérica social: se numeriza, se discretiza, pero se discretiza de modo ficticio, esto de manera de poder calcular paso a paso un comportamiento global de la sociedad. Allí el individuo está a mitad de camino entre un símbolo que denota expresamente una realidad social y un simple asunto de cálculo.

¿Cuál es la función epistémica de la micro-simulación? ¿Cuál es su aporte? Permite una exploración de escenarios hipotéticos a partir de un modelo de transición primero calibrado  y parametrado a nivel de individuos ficticios. A esta exploración se la llama también un análisis en “what ... if ...”.Por ejemplo, se puede testear por simulación el efecto probable de un aumento de la tasa sobre los ingresos. Para ello, se modifica directamente el modelo probabilista (entretiempo calibrado) de las transiciones de individuos agregando esta tasación a cada paso de tiempo. El interés consiste entonces en la segunda fase, la fase de observación de la simulación: en el ordenador, se medirán u observarán fenómenos de distorsión con relación al comportamiento del modelo agregado observado en la realidad.  La justificación epistemológica de este trabajo es la siguiente: se supone que todas las cosas permanecieron iguales por otro lado y que esta distorsión de los valores  agregados (que esta vez sólo se pueden observar en el ordenador -de allí la simulación-  y ya no calcular en el modelo agregado) es realmente un efecto de este único aumento de la tasación del ingreso. Así se practica una extrapolación a partir de un modelo descriptivo.

La secuencia total de los actos cognitivos realizados por el de modalizador o delegados a la máquina en el curso de una práctica de micro-simulación por lo tanto es la siguiente: 1 – modelo agregado – 2- sub-simbolización del modelo por construcción de individuos ficticios – 3- distorsión de la matriz causal ficticia – 4- computación (i.e. re-simbolización, por computación) – 5- observación – 6- conclusión. En sentido estricto, las únicas etapas que conciernen a la simulación son la 4 y la 5.

Como se observa el resultado en el ordenador, se puede decir que ese tipo de investigación en simulación posee una dimensión cuasi-experimental (21). Pero, como su base teórica es débil, ya que no se describe de manera realista ni

6

comprensiva el comportamiento de los agentes), hay pocos medios de verificar la validez de la extrapolación y sobre todo la hipótesis según la cual la distorsión introducida mantiene “todas cosas iguales por otra parte”.

4. Los enfoques por autómatas celulares

La micro-simulación presenta varios otros límites. No solamente los individuos son ficticios, sino que no interactúan de ninguna manera: tienen que seguir las probabilidades de transición individual que están determinadas según  sus atributos individuales. Por consiguiente no tienen vida social: aun llevando adelante un cálculo paso a paso, la computación imita un poco el sistema-blanco, y esto a diferencia de la pura simulación numérica del modelo a la Forrester, pero todavía no imita una vida social, si se habla con propiedad. Solamente imita el cambio de estados de individuos ficticios que se encuentran viviendo en una misma sociedad. Por lo tanto tal simulación no permite testear hipótesis acerca de la constitución misma de las sociedades, sobre el fenómeno mismo de la construcción de la socialidad. Es por este motivo, como lo indican oportunamente Rosaria Conte (22) y Nigel Gilbert (23), que parecería que se debe franquear una etapa suplementaria en materia de simulación computacional: parece necesario pasar a los autómatas celulares. 

Recordemos que un autómata celular (AC) es una red de células situada sobre una malla (cuadrangular, triangular u otra...). Cada una de estas células está caracterizada por:

- un estado interno (una lista de atributos)- una regla de transición de ese estado. En un AC elemental, esta regla sólo es función del estado de las células vecinas en la malla. Los AC provienen de las consideraciones sobre los autómatas de cálculo tal como fueron introducidos por Turing, von Neumann, Ulam, y luego Burks. Primero fueron utilizados en física y en biología computacionales. El interés de este modo de formalización para las ciencias sociales es doble: 1 – formalizando las reglas de cambio de estado, permite imitar de manera más realista el comportamiento de decisión y de acción de cada agente social; 2 – contrariamente a las micro-simulaciones, toma en cuenta una verdadera interacción entre las células que representan a los agentes (interacciones, con efectos de vecindad, etc.). Por consiguiente se pueden simular fenómenos de influencia o de imitación de modo gradual.

Otro interés, teórico, eventualmente «ideológico», de los AC es que pueden prescindir de un control por un modelo que vale a nivel macro. Todo puede producirse de manera bottom-up. No hay necesidad de una regulación top-downdel todo sobre sus partes. Como lo dicen Epstein y Axtell, ya en el título de su libro en común, de 1996, («Growing artificial societies from the bottom up»), parece concebible “hacer crecer sociedades artificiales desde abajo hacia arriba”, es decir, según ellos, como se puede suponer que las sociedades reales efectivamente se han desarrollado.

Entre los enfoques por autómatas celulares (o emparentados) se puede situar el modelo de Schelling (24), cuyo espíritu resumo aquí (25). La pregunta que se plantea Schelling es la siguiente: la aparición de guetos en las ciudades norteamericanas ¿se debió a un fuerte racismo de los norteamericanos? Construye la hipótesis según la cual  el racismo actúa sobre las relaciones de vecindad e incita más o menos a mudarse. En su modelo, se limita a esta interacción social, suponiendo, además, que sólo hay dos tipos de individuos (dos colores). Entonces Schelling considera un damero en el que cada célula puede estar, ya sea desocupada, ya sea ocupada por un individuo de un color, u ocupada por un individuo del otro color. Este esquema es equivalente a un AC. Schelling evalúa varias reglas de tolerancia: el individuo tolera esta o aquella proporción de vecinos de colores diferentes del suyo. Si se sobrepasa el umbral de tolerancia, el individuo se desplaza. Técnicamente, su célula se vuelve desocupada y una célula vecina que le resulta “más tolerable” se ocupa. A cada paso de tiempo, cada célula aplica entonces tests de tolerancia y el individuo que se encuentra en ella se desplaza o no.

7

La simulación muestra (es decir, «hace ver», «permite observar y medir») que al cabo de un gran número de iteraciones, las células forman agregados monocolores. Se vuelven visibles a nivel macro, aún cuando el nivel de tolerancia es elevado, umbral elevado que sin embargo suponemos como la marca de un racismo “débil”. Ahora bien, esos agregados observados en la simulación, tienen un aspecto general parecido a las segregaciones espaciales observadas en  campo: por lo tanto hay iconicidad a ese nivel también y no solamente a nivel de los individuos estilizados presentes en el tablero. El nivel epistémico de la simulación es entonces diferente de la micro-simulación: no sólo se tiene una iconicidad para la individualidad de los agentes sociales (un individuo es denotado por un individuo en el programa), sino que las reglas de acción de los agentes se eligen para ser realistas (y por lo tanto icónicamente denotadas en el programa) aunque fuertemente simplificadas. Si además, el aspecto del resultado de computación es él también realista (tercer nivel de iconicidad), pareciera que podemos concluir que la computación efectivamente testeó un mecanismo social. A partir de esos tres niveles de iconicidad, parece que una simulación en AC es una formalización que conserva más constante y solidamente su paralelismo con la realidad social, que un modelo matemático: se cree posible decir “de la simulación a la realidad, la consecuencias es buena”.

Como mínimo, una simulación así muestra que un mecanismo de ese tipo es al menos suficiente para llevar a tales emergencias. Por lo tanto el argumento en realidad es teórico. No prueba directamente una hipótesis mecanicista pero muestra su plausibilidad de principio. En este caso, muestra que no es imposible que la segregación sólo se deba a ese factor único  del umbral de tolerancia.

5. Los enfoques por agentes

Sin embargo, los autómatas celulares también tienen límites en su capacidad de representación. De hecho las ciencias sociales recurren cada vez más a los agentes y a los sistemas multi-agentes más que a los AC. El concepto informático de agente en gran parte viene de la IA distribuida. Para este tema remito al estudio de referencia de Ferber (26). Gilbert (2008) (27) resume en 4 puntos lo que caracteriza a un agente (28):

- Autonomía. No hay controlador global que dicte lo que debe hacer un agente; hace aquello para lo que fue programado considerando la situación en la que se encuentra.- Capacidad social. Es capaz de interactuar con los otros agentes- Reactividad. Es capaz de reaccionar de manera apropiada a estímulos que vienen de su medio ambiente- Proactividad. Tiene un objetivo u objetivos que persigue por  propia iniciativa.

En este tipo de simulación computacional, la iconicidad de las dimensiones psicológicas pero también físicas del agente está considerablemente acrecentada con relación a lo que lo está en los autómatas celulares. Como lo subraya Conte (29), los AC son unidades homogéneas que interactúan siguiendo reglas muy simples y poco realistas. Los agentes, al contrario, pueden ser muy heterogéneos, es decir diferentes unos de otros. Y pueden evolucionar en el curso de la simulación. Por último, al no tener capacidad de representación y de deliberación, los AC no son para nada proactivos. 

Tomemos como ejemplo el que nos sugiere Gilbert: la simulación de la emergencia de la sociedad («Emergence of Society» o EOS) por Jim Doran y su equipo (30). El objetivo de este equipo es simular el crecimiento de la complejidad de las instituciones sociales en el Paleolítico superior. En ese período, hay una transición de una sociedad de cazadores-recolectores relativamente igualitaria a una sociedad más compleja, con la aparición de tomas de decisión centralizadas y una diferenciación de los roles sociales. El equipo de Doran utilizó una simulación con agentes en la que cada uno disponía de lo que llama un “modelo social”: ese modelo contiene creencias acerca del mismo agente y de los otros agentes.

Se concibe el modelo social para registrar las creencias de los agentes a propósito de la existencia de grupos de agentes y de la identidad de sus líderes. Hay otras informaciones que están asociadas a la creencia acerca de los líderes, por ejemplo el tamaño [del grupo] de sus seguidores inmediatos. Un agente muy bien puede aparecer en su propio modelo como un líder o un seguidor. En ese modelo social, también hay creencias a propósito de los territorios. No se pide que la información contenida en el modelo social de un agente sea completa ni precisa (31).

8

El modelo social tiene un efecto sobre el modo como un agente se comporta con los otros agentes. Por ejemplo, si cree que debe seguir a otro agente, no va a comportarse de la misma manera. El hecho de que termine por creer esto en sí mismo está determinado por una regla que opera a partir de un cierto número de observaciones de su ambiente: por lo tanto el modelo social de cada agente es evolutivo.

6. Evolución de los agentes: evolutivos y más inteligentes

Gilbert (32) critica estos trabajos, en los que sin embargo participó. En efecto, en EOS, el grupo emerge realmente de las acciones de los agentes. Pero, en tanto tal, queda una propiedad implícita del modelo social de agentes: sólo aparece como resultado de un recuento de agentes seguidores del punto de vista de un agente que los observa. Ahora bien, Gilbert recuerda que una sociedad humana también es una sociedad en la cual los individuos reflexionan directamente acerca de las instituciones como tales, acerca de los grupos que emergen y subsisten en ella, y no solamente acerca de sus propias maneras de actuar o de modificar sus acciones con respecto a un agente u otro, aún cuando éste fuera un líder. En una sociedad humana, los elementos del nivel micro deben entonces poder representarse directamente ciertas propiedades surgidas a nivel macro. Y esas mismas representaciones, via las interpretaciones de los agentes, deben examinar retrospectivamente la acción individual: son propiedades que dan lugar a estructuraciones que como contrapartida estructuran retrospectivamente la acción individual. Al respecto, Gilbert invoca la teoría de la estructuración de Giddens (33). Pero, acerca de este acomodamiento de lo macro en lo micro, también podríamos invocar las concepciones de Coleman (34), o aun las de Dupuy (35), así como lo hace Manzo (36). Incluso saliendo del marco del individualismo metodológico, también podríamos evocar las estructuras estructuradas estructurantes de la teoría de la práctica de Bourdieu (37).

La crítica de Gilbert vuelve a incitar por una parte una complejización del modelo social puesto en marcha por los agentes computacionales y por otra a modelizar más correctamente (es decir, de manera más directamente icónica) la sedimentación de las prácticas en propiedades estructurantes. Ser miembro de un grupo supone en efecto también un tipo de institucionalización de las acciones individuales en prácticas reconocidas (38). En una dirección diferente de la de Gilbert, pero del mismo tipo, Conte llama a una complejización (medida) de los agentes (39). Según ella, hay que ir hacia agentes aún más inteligentes, que permitan sobre todo simular la inteligencia social así como el rol de las emociones, emociones que han sido recientemente puestas en primer plano por en psicología cognitiva. 

Salidos de problemáticas inicialmente diferentes, los recientes trabajos de Mantzavinos (40) también tienen tendencia a introducir modelos mentales complejos en los agentes formales. Sus modelos se inspiran en trabajos de psicología cognitiva evolucionista. A fin de explicar la emergencia de instituciones y normas, los modelos de individuos que propone no son tanto representaciones como “resoluciones de problemas nuevos”. Así el individuo puede crear nuevas reglas o imaginarse que están operando nuevas reglas en los grupos que aparecen de hecho ante sus ojos, y que él observa. Y el hecho de que comparta el mismo modelo mental creativo que los demás agentes, siendo al mismo tiempo diferente de ellos en otros aspectos, tiene como consecuencia que el agente individual va a ponerse de acuerdo con los otros agentes para esta creación de reglas. Ahora bien, estas reglas creadas/imaginadas internamente (in petto) por el individuo se revelarán a posteriori igualmente similares entre ellas por el hecho de que los procedimientos de aprendizaje (como la analogía, por ejemplo) seguidos por cada individuo habrán sido los mismos -o parecidos- que los que paralelamente han seguido los otros. A imagen de la solución epistemológica propuesta por el sujeto trascendental kantiano, el problema de la explicación de la emergencia espontánea (no deseada por los agentes) de ciertas instituciones, así como la del mantenimiento de esas instituciones, parece entonces poder ser resuelto por esta teoría de la invención cognitiva, invención primero solitaria, que opera en cada uno, pero finalmente siempre compartida. 

Sin embargo, en un trabajo como ése, lo que hay que llamar realmente una teoría de la “invención simultánea”, sigue siendo aun un argumento esencialmente general y especulativo. Algunos dirán que le falta todavía verse confrontado con los datos de campo. Y allí, las simulaciones computacionales podrían encargarse del asunto, ya que ofrecen las mediaciones con el campo actualmente más livianas (si no más potentes), y esto por el mismo hecho de la multiplicidad de los niveles de iconicidad que pueden movilizar simultáneamente. Los marcos formales que imponen, en efecto

9

son menos limitantes que los que imponen los tradicionales modelos matemáticos o aún que los de la teoría de los juegos. Un cierto número de sostenedores de los enfoques computacionales precisamemente sacan provecho de esto y es por esta razón que actualmente piden todavía más realismo  en los agentes.

7. Realismo de los formalismos y valor de prueba de las simulaciones

Contra ese tipo de demandas y contra lo que puede parecer una derivación ilusoria hacia una simulación «fac-simile» (cc5), numerosos autores se levantan para recordar que es metodológicamente correcto atenerse al enfoque KISS caracterizado por Axelrod desde 1997: Keep It Simple Stupid (41). En el caso contrario, estamos efectivamente frente a parámetros que no siempre son identificables o a fenómenos que no son genéricos.

       

Sin embargo, esta crítica es válida en los casos en los que preferentemente se da como función epistémica a la simulación computacional la de una exploración teórica o conceptual. Por consiguiente, vale sobre todo si se buscan plausibilidades de principio, mecanismos generales, o incluso si se busca poner en evidencia un resultado contra-intuitivo (complejo en ese sentido) que se manifiesta a partir de un modelo relativamente simple. La simulación del modelo de dinámica de las opiniones, de Deffuant (42) y su equipo ilustra este último caso. El mismo Gilbert admite que este empleo teórico es el de la mayoría (43), pero la tendencia hacia un detalle y un realismo siempre mayores parece desmentir esta prudencia exhibida. 

En realidad, con el giro computacional, hay espacio para todos estos enfoques. Está claro que entregarse a una exploración conceptual por ordenador o testear la plausibilidad de un mecanismo general no es lo mismo que constituir un laboratorio social virtual. ¿De qué depende la diferencia? Esencialmente del tipo simbólico que se le atribuyen a los símbolos que hacemos tratar por el ordenador: se encuentran los detalles técnicos de esas diferencias en el artículo de  Denis Phan y Franck Varenne (2010, op.cit.).

Brevemente, podemos decir aquí que en una simulación computacional, cada nivel de sistema de símbolo por una parte mantiene relaciones con los otros niveles de símbolos que son internos a la simulación (por ejemplo relaciones de sub-simbolización o de ejemplificación) y por otra parte con cosas u otros tipos de símbolos que una teoría, un saber científico o incluso un sentido común reconoce como parte de un mundo exterior a la simulación. Si atañe únicamente a relaciones internas entre los niveles de símbolos, una relación de iconicidad es puramente relativa a un cambio de niveles. Por ejemplo, los símbolos elementales que intervienen en la simulación numérica de un fluido (en física de los fluidos), o en la simulación numérica de un modelo cibernético de Forrester (en ciencias sociales) manifiestan una iconicidad interna relativa. Son icónicos relativamente a las variables agregadas que sub-simbolizan. Pero no son icónicos con relación al mundo exterior: es lo que se quiere expresar cuando se dice que no son realistas. Su poder denotacional (que aquí es el de no denotar “nada”) necesita el paso por el lenguaje convencional para ser efectivo: por cierto se dice que son elementos finitos “ficticios” o símbolos denotantes “sin denotación”. Este hecho de no denotar “nada”, no puede mostrarse, pero eso se dice entonces, por el paso al lenguaje, de otro nivel simbólico. Ahora bien, no hay que confundir esta iconicidad relativa e interna con la iconicidad externa.

El giro computacional tiene como principal efecto el hecho de hacer difusas las fronteras conceptuales, fronteras que primero se debe haber percibido para comprender y aprehender los límites mismos de ese giro. Ya que da prueba, justamente, de la ambición de hacer de manera que ciertos símbolos operatorios, que ya manifiestan una iconicidad relativa interna, al mismo tiempo estén dotados de una cierta iconicidad externa. Así, la micro-simulación dota a los símbolos de los individuos del doble estatuto de « sistema de cálculo », por una parte, y de símbolos denotantes más o menos biyectivamente de los agentes sociales, por otra parte. El hecho de que cada uno denote, por una relación uno a uno, un individuo real (por cierto muy estilizado), es realmente lo que constituye la novedad del método de micro-simulación. Aquí entra en juego otra iconicidad, y luego parece poder confundirse de modo fraudulento con la primera. Ahora bien, las dos siguen siendo diferentes en naturaleza: se puede discutir lo bien fundado de una iconicidad externa, pero no el de una iconicidad interna. La autoridad de una no puede, sin validación nivel por nivel, heredar la autoridad de la otra. En efecto, podemos dudar del realismo de un formalismo puesto que incluso se puede dudar de la realidad y de

10

la consistencia de tal o cual entidad externa postulada por un saber más o menos inmediato. Pero el hecho de que un sistema de símbolo sub-simbolice otro es algo que se debe a que se recurra al ordenador y a su funcionamiento computacional.

Como hemos visto, el paso a los autómatas celulares permite acrecentar el número de dimensiones de iconicidad externa: al lado de la iconicidad individuo/individuo, la vecindad real de los agentes se traduce en una vecindad en la grilla. Como en ese caso tenemos los resultados de una interacción más que los de una deducción formal o de un cálculo analítico aproximado, lo que entonces se vuelve importante testear es la robustez de los resultados de simulaciones: ¿se tiene un resultado con el mismo aspecto para parámetros ligeramente diferentes? Luego, ¿se parece este aspecto a lo que se observa en el terreno?

Por último, el pasaje de los AC a las simulaciones con agentes permite « humanizar” aun un poco más las estructuras informáticas y aumentar el número de las dimensiones de iconicidad externa. Actualmente es una demanda fuerte, ya que, por otra parte, cuanto más rica, formalmente ligera y virtualmente detallada es una simulación, más fácilmente se la puede asociar con otros modelos o con bases de datos como sistemas de información geográfica: la actual arqueología virtual de Kohler y su equipo (44) permite conducir experiencias que prolongan las técnicas de la arqueología experimental clásica. Estas simulaciones detalladas pero validadas en cada agregado de sub-modelos (validadas en sus dimensiones de iconicidad externa) tienen también un aspecto incremental innegable como Kohler mismo lo precisa: cada investigador puede proponer enriquecer la simulación con su sub-modelo o su propuesta descriptiva o explicativa (i.e. de mecanismo)  (45). Aquí agregaría que el diálogo entre diferentes especialidades no confina inmediatamente a una dialéctica de conflicto en la que tal o cual reduccionismo estaría en juego. Al respecto, los enfoques dialécticos, en ciencias sociales, retrospectivamente pueden ser vistos como el efecto de una racionalización de los límites técnicos de ciertos formalismos hegemónicos que reinaron en la era pre-computacional así como conceptualizaciones que estaban asociadas con ellos.

Conclusión

Retrospectivamente, los principales aportes de los métodos de simulación computacional pueden resumirse como sigue (46):

1- Permiten formalizar el carácter dinámico de los fenómenos sociales, su historicidad (Gilbert, 1996, 2008)

2- Permiten modelizar los efectos retrospectivos de las instituciones emergentes y de las estructuraciones sociales sobre la acción individual.

3- La espacialidad (o, más en general, el carácter reticular: i.e. el hecho de interactuar en redes) de los fenómenos sociales ya no se opone a su temporalidad: a causa de la posibilidad de tratar paralelamente procesos secuenciales e interactivos, no hay que elegir entre la representación de interacciones espaciales y la representación de evoluciones en el tiempo.

4- El enfoque por agentes permite acoplar diferentes tipos de modelos y diferentes tipos de formalización matemáticamente incompatibles (47). La simulación computacional favorece así la interdisciplinariedad entre ciencias sociales (psicología/sociología, psicología/economía, sociología/ economía arqueología/geografía, etc.) y entre ciencias sociales y ciencias naturales (sociología/ecología/geografía), y eso permitiendo al mismo tiempo evitar el reduccionismo, i.e. el hecho de reducir una disciplina científica a otra, o más precisamente reducir los objetos o las leyes reconocidos por una ciencia a aquellos que reconoce otra ciencia. Sin embargo, no siempre se evita este reduccionismo: alcanza con ver la tendencia monista de una cierta sociobiología computacional, o incluso el del darwinismo multiescala y transdisciplinar surgido de una generalización un poco apresurada de los enfoques de psicología cognitiva evolucionista.

Sin embargo, no por ello esto implica que los enfoques computacionales sean el fundamento de una unidad para las ciencias sociales. Ya que con una “ciencia social generativa” como esa (en el sentido de Epstein y Axtell), para la cual un fenómeno social se explica haciéndolo “crecer” en una simulación, a veces se puede explicar y predecir (o retrodecir) a la

11

vez. Y esto es bastante nuevo para las ciencias sociales. Sin embargo, lo hacemos sin comprender: con eso no se hace ver ninguna unidad conceptual o teórica. Por consiguiente, este enfoque sigue siendo solamente una metodología: por allí no se obtiene ninguna unidad nueva (que sería una unidad de los objetos, de las leyes, o incluso de los conceptos) de las ciencias sociales, aún cuando estas simulaciones a menudo son pluridisciplinares. Por lo tanto hay que rechazar la tesis fuerte y atenerse a la tesis media.

En realidad -y como mínimo- las simulaciones computacionales proponen una nueva metodología a las ciencias sociales. Esta metodología es inédita y potente, es cierto, ya que es diversamente adaptable a diferentes disciplinas de las ciencias sociales. Además, favorece dos desarrollos en apariencia contradictorios, pero de hecho complementarios: 1- un desarrollo de las ciencias sociales virtuales, fundadas en experimentaciones virtuales, de tipo “fac-simile”, experimentaciones creíbles sólo por el hecho de que los problemas difíciles de calibración y validación se traten con rigor, a menudo caso por caso; 2- una extensión simétrica del campo conceptual de la explicación social y la entrada de hecho en la era de un “individualismo metodológico complejo”. En esta última perspectiva, Manzo (2007) (48) desearía que lo que ya es posible en parte para la arqueología, también lo sea para la sociología: la asociación de la predicción (retrodicción) y de la explicación. Para él, la simulación por agentes informáticos de ahora en adelante es una herramienta innovadora indispensable en sociología desde el momento que permite sobre todo la explicación simultánea de las relaciones ascendentes micro   macro como la de las relaciones descendentes  macro   micro. Sin embargo, he aquí lo que Manzo desea más precisamente, que es objeto de sus trabajos actuales:

Con relación a una concepción de los “modelos informáticos” como “puros laboratorios virtuales” (cc6), una alianza, después, entre la técnica estadística descriptiva y “modelos generadores” con objetivo explicativo, animados por simulación podría así satisfacer, al menos en parte, la exigencia que se siente cada vez más fuertemente de una mejor “validación” de los “modelos simulados”(49). 

         

Los recientes trabajos de Manzo acerca de los mecanismos generadores de la estratificación educativa (50) son una primera tentativa rigurosa de aplicar una metodología mixta que podría convenir con bastante amplitud a las ciencias sociales cuantitativas, desde el momento que combina el enfoque estadístico de análisis de datos, cuya importancia hemos recordado, y el enfoque generativo y explicativo, por simulaciones computacionales. Sólo el futuro podrá decir si estamos frente a una pista fecunda o incluso frente a una nueva ortodoxia metodológica. Sin embargo, sería completamente prematuro concluir en la idea de que, sobre esta base, muy pronto podría constituirse una unidad de las ciencias sociales. 

ANEXO

Contenidos Complementarios

Contenido complementario 1

Mostraré luego que esta descripción rápida (sobre todo con la afirmación deductiva asociada “y por lo tanto de simular la realidad física”, que, en algunos aspectos, comete un error de categoría) no puede valer de modo absolutamente general

para todo tipo de simulación en ordenador. Este es a fortiori el caso para las simulaciones en ciencias sociales.

Contenido complementario 2

En el campo del cálculo científico, los calculadores digitales han sido precedidos por calculadores analógicos (como los analizadores diferenciales...) que ya se llamaban “simuladores” porque reproducían performances visibles (apoyándose

en analogías incluso en identidades entre sistemas de ecuaciones de diferentes campos de la física) sin reposar sin embargo sobre la misma tecnología que los sistemas-meta cuyo resultado calculaban de antemano.

12

Contenido complementario 3

Raymond Boudon, L’analyse mathématique des faits sociaux, Paris, Plon, 1967, 464. Boudon  formulaba allí esta precisión: «La ventaja de la simulación con relación a la deducción reside en el hecho de que lo axiomático de un modelo

simulado no está sometido al imperativo de parcimonia. Sin embargo, una experiencia de simulación siempre es particular, en la medida que depende de las especificaciones impuestas al modelo» ibid., p. 408.

Contenido complementario 4

En su obra Generative Social Science, Princeton University Press, 2006, Joshua Epstein recuerda sin embargo que un «modelo de simulación» en ordenador (incluido entonces un modelo de simulación con agentes), es, en principio,

siempre equivalente a un enfoque formal deductivo ya que siempre se puede reformularlo en ese sentido: la informática teórica está allí para mostrarlo. Pero Epstein agrega la idea esencial según la cual el modo de presentación (que llamaré por mi parte más “icónico”) de un modelo llamado computacional lo vuelve “más inmediatamente inteligible” y significante

para un práctico de las ciencias sociales (ibid., p. xiv).Y ese es su aporte epistémico esencial.

Contenido complementario 5

Gilbert (2008, op. cit.) Habla en efecto en ese caso de modelos «fac-simile». Cita el caso de la experimentación social virtual efectuada por Kohler y sus colegas, trabajo que puede pasar por arqueología experimental virtual.

Contenido complementario 6

Tales laboratorios de hecho no lo son, en su idea (y con justa razón: ver el punto de vista ya citado de Gilbert sobre ese tema), puesto que valen sobre todo para la exploración conceptual y no para una verdadera experimentación delegada a la máquina. Por lo tanto, para él este tipo de exploración conceptual sigue estando demasiado separado de los datos de

campo. Sin embargo, observemos que, en efecto, lo que es aun el caso en sociología computacional (en la que los enfoques computacionales siguen siendo de uso mayoritariamente teórico y de exploración conceptual) quizás lo sea

menos en geografía y arqueología computacionales.

BIBLIOGRAFÍA

Allaire, G. (2007). Analyse numérique et optimisation, Paris, Editions de l’Ecole Polytechnique, 480p.

Axelrod, R. (1997). « Advancing the Art of Simulation in the Social Sciences », dans Rosaria Conte, Rainer Hegselmann et Pietro Terna (dir.), Simulating Social Phenomena, Berlin, Springer-Verlag,  p. 21-40.

Axelrod, R. (2006). Comment réussir dans un monde d’égoïstes ?, Paris, Odile Jacob, 226p. ; traduction de : The Evolution of Cooperation, New York, Basic Books, 1ère édition: 1984.

Ballot, G. et  Weisbuch, G. (dir.) (2000). Application of Simulation to Social Sciences, London, Hermes, 461p.

Boudon, R. (1967). L’analyse mathématique des faits sociaux, Paris, Plon, 464p.

Boudon, R. (2007). Essais sur la théorie générale de la rationalité – Action sociale et sens commun, Paris, PUF, 333p.

Boudon, R. (2009). La rationalité, Paris, PUF, coll. « Que sais-je ? », 128p.

13

Boudon, R. et Fillieule, R. (2004). Les méthodes en sociologie. Version actualisée du livre, au même titre, de 1969, Paris, PUF, coll. « Que sais-je ? », 128p.

Bourdieu, P. (1980). Le sens pratique, Paris, Minuit, 477p.

Coleman, J. (1990). Foundations of Social Theory, Cambridge, Harvard University Press, 993p.

Conte, R. (2000). «The necessity of intelligent agents in social simulation», dans Gérard Ballot et Gérard Weisbuch (dir.), op. cit., p. 19-38.

Daudé, E. & Langlois, P. (2007). «Comparison of Three Implementations of Schelling’s Spatial Segregation model», en Denis Phan et Frédéric Amblard, op. cit., p. 295-326.

Deffuant, G., Amblard, F., Weisbuch, G. & Faure, T. (2002). « How can extremism prevail? A study based on the relative agreement interaction model », Journal of Artificial Societies and Social Simulation (JASSS), 5(4), http://jasss.soc.surrey.ac.uk/5/4/1.html

Doran, J., Palmer, M., Gilbert, N. & Mellars, P. (1994). “The EOS Project: modeling Upper Paleolithic change”, dans Nigel Gilbert et Jim Doran (dir.), Simulating societies: the computer simulation of social phenomena, London, UCL Press, p. 195-221.

Dupuy, J-P. (1992). Introduction aux sciences sociales. Paris, Ellipses, 297p.

Epstein, J. (2006). Generative Social Science – Studies in Agent-Based Computational Modeling, Princeton, Princeton University Press, 356p.

Epstein, J. and Axtell, R. (1996). Growing Artificial Societies – Social Science from the Bottom Up, Cambridge, MIT Press, 208p.

Ferber, J., Lana de Carvalho, L., Phan, D. et Varenne, F. (2009). « Qu’est-ce que suivre une règle ? Réflexion sur les normes et les usages », Journées de Rochebrune 2009, article à paraître, 2010.

Forrester, J. (1984). Principes des systèmes, Lyon, PUL, 1984, pagination multiple ; 1ère édition (américaine): 1968.

Friedman, M. (1953). Essays on Positive Economics, Chicago, University of Chicago Press, 336p.

Giddens, A. (2005). La constitution de la société. Paris, PUF, 474p.; 1ère édition (anglaise): 1984.

Gilbert, N. (1996). «Holism, individualism and emergent properties», dans Rainer Hegselmann et al., op. cit., p. 1-12.

Gilbert, N. (2007). «Computational Social Science – Agent-based Social simulation», dans Denis Phan et Frédéric Amblard, op. cit., p. 115-133.

Gilbert, N. (2008). Agent-based Models, Los Angeles, SAGE Publications, 97p.

Gilbert, N. and Troitzsch, K. (1999). Simulation for the Social Scientist. Philadelphia, Open University Press, 1999, 273p.

Heath, B., Hill, R. & Ciarallo, F. (2009). « A Survey of Agent-Based Modeling Practices (January 1998 to July 2008) », Journal of Artificial Societies and Social Simulation 12(4)9,  http://jasss.soc.surrey.ac.uk/12/4/9.html

Hegselmann, R., Mueller, U. & Troitzsch, K. (1996). Modelling and Simulation in the Social Sciences from the Philosophy of Science Point of View, Dordrecht, Kluwer, 318p.

14

Humphreys, P. (2004). Extending Ourselves: Computational Science, Empiricism, and Scientific Method, Oxford, Oxford University Press, 192p.

Kohler, T., Gumerman, G, & Reynolds, R. (2005). «Simulating Ancient Societies», Scientific American, July, p. 76-84.

Livet, P. (2007). «Towards an Epistemology of Multi-agent Simulations in social Sciences», dans Denis Phan et Frédéric Amblard (dir.), op. cit., p. 169-193.

Mäki, U. (dir.) (2002). Fact and Fiction in Economics: Models, Realism and social Construction, Cambridge Ma., Cambridge University Press, 400p.

Mantzavinos, C. (2008). Individus, institutions et marchés, Paris, PUF, 342p.

Manzo, G. (2007). « Progrès et ‘urgence’ de la modélisation en sociologie. Du concept de ‘modèle générateur’ et de sa mise en œuvre », Année sociologie, 57 (1), p. 13-61.

Manzo, G. (2009). La spirale des inégalités. Paris, Presses Universitaires de Paris-Sorbonne, 335p.

Michalewicz, M. (1997). Plants to ecosystems. Advances in Computational Life Sciences, Collingwood (Australia), CSIRO Publishing, 133p.

Miller, J. H. & Page, S. E. (2007). Complex Adaptive Systems - An Introduction to Computational Models of Social Life, Princeton University Press, 263p

Minsky, M. (1999). « Matter, Mind and Models », Proceedings of IFIP Congress, 1965, p. 45-49. Modélisation mathématique et simulation numérique, Les Ulis, EDP Sciences, 60p.

Morgan, M. & Morrison, M. (1999). Models as Mediators, Cambridge, Cambridge University Press, 401p.

Orcutt, G. (1957). « A New Type of Socio-Economic System », The Review of Economics and Statistics, 39(2), May, p. 116-123

Orcutt, G. (1960). « Simulation of Economic Systems », The American Economic Review, 50 (5), December, p. 893-907.

Ören, T. I. (2005). « Toward the Body of Knowledge of Modeling and Simulation », Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC), Orlando, Florida, p. 1-19.

Phan, D. & Amblard, F. (2007). (dir.), Agent-based Modelling and Simulation in the Social and Human Sciences, Oxford, The Bardwell Press, GEMAS Studies in Social Analysis Series, 448p.

Phan, D. & Varenne, F. (2010).“Agent-Based Models and Simulations in Economics and Social Sciences: from conceptual exploration to distinct ways of experimenting”, Journal of the Artificial Societies and Social Simulation(JASSS), 13(1), http://jasss.soc.surrey.ac.uk/13/1/5.html

Schelling, T. C. (1969). « Models of Segregation », The American Economic Review, 59 (2), p. 488-493.

Shah, J. A., Hillebrandt, F. et Schillo, M. (2005).“Sociological Implications of Gift Exchange in Multiagent Systems”, Journal of Artificial Societies and Social Simulation (JASSS), 8(3),  http://jasss.soc.surrey.ac.uk/8/3/5.html

Smolensky, P. (1988). «On the proper treatment of connectionism», The Behavioural and Brain Sciences, 11, p. 1-74.

Varenne, F. (2003). «La simulation informatique face à la méthode des modèles», Natures Sciences Sociétés, 11(1), p. 16-28.

15

Varenne, F. (2009). Qu’est-ce que l’informatique?, Paris, Vrin, 128p.

Varenne, F. (2010). "Framework for M&S with Agents in regard to Agent Simulations in Social Sciences: Emulation and Simulation", dans Alexandre Muzy, David R.C. Hill et Bernard P. Zeigler (dir.), Complex Systems: Activity-Based Modelling and Simulation, Corte, Corscica, p. 49-80.

Varenne, F. (2010). « Epistémologie des modèles et des simulations – Tour d’horizon et tendances », dans Jean-Michel Lévy (dir.), Les modèles, possibilités et limites : jusqu'où va le réel?, Paris, EDP Sciences, 30 pages.

Vessereau, A. (1988). Méthodes statistiques en biologie et agronomie, Paris, Lavoisier, 539p.

Walliser, B. (2008). « Les modèles de l’économie cognitive », dans Jean-Jacques Kupiec, Guillaume Lecointre, Marc Silberstein, et Franck Varenne (dir.), Modèles Simulations Systèmes, Paris, Syllepse, p. 183-199.

Yilmaz L., Ören, T. I. & Ghassem-Aghaee, N. (2006). «Intelligent agents, simulation, and gaming», Simulation & Gaming, 37(3), September, p. 339-349.

Referencias bibliográficas

1. Ver por ejemplo Modélisation mathématique et simulation numérique, Les Ulis, EDP Sciences, 1999, 60p. Ver igualmente una primera reflexión epistémológica (de inspiración clásica) de Paul Humphreys en Extending Ourselves: Computational Science, Empiricism, and Scientific Method, Oxford, Oxford University Press, 2004, 192p.

2. Ver Marek Michalewicz, Plants to ecosystems. Advances in Computational Life Sciences, Collingwood (Australia), CSIRO Publishing, 1997, 133 p. ; Franck Varenne, «La simulation informatique face à la méthode des modèles»,Natures Sciences Sociétés, 11(1), 2003, p. 16-28 ; Franck Varenne, Du modèle à la simulation informatique, Paris, Vrin, 2007, 249p.

3. Grégoire, Allaire, Analyse numérique et optimisation, Paris, Editions de l’Ecole Polytechnique, 2007, 480p.

4. Brian Heath, Hill, Raymond et Frank Ciarallo, « A Survey of Agent-Based Modeling Practices (January 1998 to July 2008) », Journal of Artificial Societies and Social Simulation 12(4)9, 2009,http://jasss.soc.surrey.ac.uk/12/4/9.html.

5. Gianluca Manzo, «Progrès et ‘urgence’ de la modélisation en sociologie. Du concept de ‘modèle générateur’ et de sa mise en œuvre», Année sociologie, 57 (1), 2007, p. 13-61.

6. Jean-Pierre Dupuy, Introduction aux sciences sociales. Paris, Ellipses, 1992, 297p.

7. Joshua Epstein et Robert Axtell, Growing Artificial Societies – Social Science from the Bottom Up, Cambridge, MIT Press, 1996, 208p.

8. Marvin, Minsky «Matter, Mind and Models», Proceedings of IFIP Congress, 1965, p. 45-49.

9. Morgan, Mary et Margaret Morrison, Models as Mediators, Cambridge, Cambridge University Press, 1999, 401p.

10. Ver Franck Varenne, « Epistémologie des modèles et des simulations – Tour d’horizon et tendances », en Jean-Michel Lévy (dir.), Les modèles, possibilités et limites : jusqu'où va le réel?, Paris, EDP Sciences, à paraître en 2010, 30 pages.

11. Según la expresión de Pierre Livet: «Towards an Epistemology of Multi-agent Simulations in social Sciences», en Denis Phan et Frédéric Amblard (dir.), Agent-based Modelling and Simulation in the Social and Human Sciences, Oxford, The Bardwell Press, GEMAS Studies in Social Analysis Series, 2007, p. 169-193.

16

12. Ören, Tüncer I., «Toward the Body of Knowledge of Modeling and Simulation», Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC), Orlando, Florida, 2005, p. 1-19.

13. Levent Yilmaz, Tüncer I. Ören et Nasser Ghassem-Aghaee, «Intelligent agents, simulation, and gaming», Simulation & Gaming, 37(3), September 2006, p. 339-349.

14. Franck Varenne, Du modèle à la simulation informatique, Paris, Vrin, 2007, 249p. ; Franck Varenne, «Modèles et simulations : pluriformaliser, simuler, remathématiser», dans Jean-Jacques Kupiec, Guillaume Lecointre, Marc Silberstein, et Franck Varenne (dir.), Modèles Simulations Systèmes, Paris, Syllepse, 2008, p. 153-180.

15. Paul Smolensky, «On the proper treatment of connectionism», The Behavioural and Brain Sciences, 11, 1988, p. 1-74.

16. Raymond Boudon, L’analyse mathématique des faits sociaux, Paris, Plon, 1967, 464p. ; Essais sur la théorie générale de la rationalité – Action sociale et sens commun, Paris, PUF, 2007, 333p. ; La rationalité, Paris, PUF, coll. «Que sais-je ?», 2009, 128p ; con Renaud Fillieule, Les méthodes en sociologie, Paris, PUF, coll. «Que sais-je ?», 2004, 128p.

17. Es la argumentación explícita de André Vessereau en Méthodes statistiques en biologie et agronomie, Paris, Lavoisier, 1988, p. 298. Una primera edición de esta obra se remonta a 1947. Antes de las más tardías de Jean-Pierre Benzécri y luego Marc Barbut, fue una obra fundamental en la formación en estadísticas de los investigadores franceses en ciencias sociales.

18. Jay Forrester, Principes des systèmes, Lyon, PUL, 1984, pagination multiple; 1ère édition (américaine) : 1968.

19. Ibid., p. 3.10.

20. Guy Orcutt, «A New Type of Socio-Economic System», The Review of Economics and Statistics, 39(2), May, 1957, p. 116-123 ; Guy Orcutt, «Simulation of Economic Systems», The American Economic Review, 50 (5), Dec. 1960, p. 893-907. Aún cuando Orcutt primero se inscribe en la continuación de los enfoques de simulación numéricas por técnicas de Monte-Carlo (técnicas que, según las escuelas, se pueden interpretar -o no- como si fueran individuos-centrados), a partir de 1960 enuncia que, de manera general, « las técnicas de simulación hacen posible el estudio efectivo de modelos que contienen un gran número de componentes,  de variables, y de relaciones con tantas formas como pudiera desearse” y sobre todo que “hacen que los investigadores sean completamente libres para que dejarse guiar por consideraciones relativas a la adecuación de la representación” , ibid., p. 900.

21. Sobre este carácter cuasi-experimental de las simulaciones, ver sobre todo Franck Varenne (2007), op.cit., et Denis Phan et Franck Varenne (2010), “Agent-Based Models and Simulations in Economics and Social Sciences: from conceptual exploration to distinct ways of experimenting”, Journal of the Artificial Societies and Social Simulation (JASSS), 13(1), 2010, http://jasss.soc.surrey.ac.uk/13/1/5.html.

22. Rosaria Conte, «The necessity of intelligent agents in social simulation», en Gérard Ballot et Gérard Weisbuch (dir.), Application of Simulation to Social Sciences, London, Hermes, 2000, p. 19-38.

23. Nigel Gilbert, «Computational Social Science – Agent-based Social simulation», en Denis Phan et Frédéric Amblard, 2007, op. cit., p. 115-133.

24. Thomas C. Schelling, «Models of Segregation», The American Economic Review, 59 (2), 1969, p. 488-493.

25. Asimismo remito a la presentación y análisis actualizados y crítica de Eric Daudé y Patrice Langlois «Comparison of Three Implementations of Schelling’s Spatial Segregation model», dans Denis Phan et Frédéric Amblard, 2007,op. cit., p. 295-326.

26. Jacques Ferber, Les systèmes multi-agents, Paris, Interéditions, 1995, 522p.

27. Nigel Gilbert, Agent-based Models, Los Angeles, SAGE Publications, 2008, 97p.

17

28. Ibid., p. 21.

29. Op. cit., p. 23.

30. Jim Doran, Palmer, Mike, Gilbert, Nigel et Paul Mellars, “The EOS Project: modelling Upper Paleolithic change”, dans Nigel Gilbert et Jim Doran (dir.), Simulating societies: the computer simulation of social phenomena, London, UCL Press, 1994, p. 195-221.

31. Jim Doran et al., 1994, op. cit., cité par Gilbert, 1996, op. cit., p. 9.

32. Nigel Gilbert, 1996, op. cit., p. 9-10.

33. Anthony Giddens, La constitution de la société. Paris, PUF, 2005, 474p.; 1ère édition (anglaise) : 1984.

34. James Coleman, Foundations of Social Theory, Cambridge, Harvard University Press, 1990, 993p.

35. Jean-Pierre Dupuy, 1992, op. cit.

36. Gianluca Manzo, 2007, op.cit.

37. Pierre Bourdieu, Le sens pratique, Paris, Minuit, 1980, 477p. Es interesante notar que las ideas de Bourdieu sobre el intercambio y la dominación pueden ser operacionalizadas por una simulación con agentes: ver Jamal Alam Shah, Frank Hillebrandt et Michael Schillo, “Sociological Implications of Gift Exchange in Multiagent Systems”, Journal of Artificial Societies and Social Simulation (JASSS), 8(3), 2005, http://jasss.soc.surrey.ac.uk/8/3/5.html

38. Es el sentido de la pista de investigación sugerida por Jacques Ferber, Lana de Carvalho, Leonardo Phan, Denis y Franck Varenne, «¿Qué es seguir una regla ? Reflexión sobre las normas y los usos”, Journées de Rochebrune 2009, de próxima publicación, 2010.

39. Rosaria Conte, 2000, op. cit.

40. Chrystomos Mantzavinos, Individus, institutions et marchés, Paris, PUF, 2008, 342 p.

41. Robert Axelrod, «Advancing the Art of Simulation in the Social Sciences», en Rosaria Conte, Rainer Hegselmann et Pietro Terna (dir.), Simulating Social Phenomena, Berlin, Springer-Verlag, 1997, p. 21-40.

42. Guillaume Deffuant, Amblard, Frédéric, Weisbuch, Gérard et Thierry Faure, «How can extremism prevail? A study based on the relative agreement interaction model», Journal of Artificial Societies and Social Simulation (JASSS), 5(4), 2002, http://jasss.soc.surrey.ac.uk/5/4/1.html

43. También es el punto de vista más representado en John H. Miller et Scott E. Page, Complex Adaptive Systems - An Introduction to Computational Models of Social Life, Princeton University Press, 2007, 263p. Ver sobre todo el capítulo 5, llamado “Computation as theory”.

44. Tim Kohler, Gumerman, George et Robert Reynolds, «Simulating Ancient Societies», Scientific American, 2005, July, p. 76-84.

45. Ibid., p. 82.

46. Ver asimismo una lista cercana en John H. Miller et Scott E. Page, 2007, op. cit., p. 78-89.

47. Ver un estudio de casos en biología computacional en Franck Varenne, 2007, op. cit.

48. Gianluca Manzo, 2007, op. cit.

18

49. Ibid., p. 23-24.

50. Gianluca Manzo, La spirale des inégalités. Paris, Presses Universitaires de Paris-Sorbonne, 2009, 335p.

19