El Feed que nos Aprende: Sesgos Humanos, Sesgos de IA, Razonamiento en las Generaciones (3a parte)

 Finalmente, en este apartado centramos el análisis reflexivo hacia lo que sucede cuando el usuario de redes sociales, realiza el llamado "scroll", que se manifiesta cuando se desliza con el dedo índice en la pantalla del dispositivo electrónico digital (celular/móvil, tablet): lo que alcanzamos a recordar , lo que corregimos y el agnosticismo como virtud.

Pero, cuando cerramos la aplicación el proceso no termina: comienza el trabajo de la memoria y de la justificación. Es cuando se podría reconocer y denominar como postsesgos, considerado en este ensayo como propuesta y no como categoría consolidada, a los que operan después del evento o de la propia decisión del usuario. La psicología nos ofrece ejemplos clásicos: el sesgo retrospectivo, por el cual una vez conocido un resultado nos parece que ya lo veníamos venir (Fitschoff, 1975), y la disonancia cognitiva, que nos lleva a justificar lo que hicimos para sostener una imagen coherente de nosotros mismos (Festinger, 1957). Por eso, cuando decimos "fueron tan solo unos minutos", ¿estamos describiendo el tiempo de uso o estamos intentando defendernos de ese evento?

También la memoria se construye con lo que más se repite. El efecto de verdad ilusoria muestra que las afirmaciones escuchadas varias veces tienden juzgarse más verdaderas, aunque no lo sean (Hasher et al., 1977). En el cuadrante del Codex dedicado a qué debemos recordar se reúnen justamente sesgos de este tipo: reducimos los eventos a sus elementos clave, descartamos los detalles y reforzamos algunos recuerdos después del hecho (Benson y Manogian s.f.). Así, un feed que repite sin cesar ciertos mensajes e imágenes, es una máquina de repetición. Lo que aparece muchas veces solo nos parece frecuente: puede terminar parecernos cierto.

Las máquinas también tienen su versión de los postsesgos. En el aprendizaje automático, las decisiones de un sistema modifican los datos con los que luego se reentrena, de modo que una distorsión inicial puede reforzarse así misma. Se ha mostrado en modelos de policía predictiva. Donde el hecho de enviar patrullas a ciertos barrios genera más registros en esos barrios y, con ellos, más patrullas (Lum e Isaac, 2016; Ensign et al., 2018). En las redes ocurre algo análogo, aunque con otro material: cada clic nuestro, o el de un niño, se convierte en un dato de entrenamiento para decidir qué se le mostrará después. ¿De quién es, en realidad, el gusto que un algoritmo cree conocer (o identificar)?

Existe otro paralelismo que merece poner atención: la explicación posterior. Turpin et al. (2023) encontraron que las explicaciones paso a paso de los modelos de lenguaje pueden ser plausibles y, sin embargo, no reflejan el factor que realmente inclinó la respuesta; es decir, el modelo puede justificar a posteriori una conclusión influida por algo que no menciona. Mercier y Sperber (2011) han argumentado que el razonamiento humano cumple en buena medida una función argumentativa de justificación. Aunque se trate de procesos de naturaleza muy distinta y la analogía tenga límites, ambos casos nos recuerdan que una explicación coherente no es necesariamente una explicación verdadera.

En la escuela, los postsesgos se ven en la forma en que los estudiantes interpretan su propio desempeño y buscan información. Tepe (2026) describe cómo la caída de calificaciones, el aplazamiento de tareas y la etiqueta antes mencionada "no tengo atención" debilitan la autoeficacia y alimentan la evasión digital. A ello se suma un cambio en los hábitos de consulta: cuando la primera respuesta llega de un asistente o de un video, el estudiante puede quedarse con ella sin contrastarla. Es una hipótesis a investigar más que un hallazgo, pero coherente con lo que sabemos sobre fluidez y confianza. ¿Cómo enseñar a verificar sin convertir cada tarea en una sospecha?

Corregir sesgos humanos es más difícil de lo que parece. Como ya vimos, informar rara vez basta (Lilienfield et al., 2009). Sin embargo, hay evidencia alentadora: el entrenamiento mediante juegos serios que dan retroalimentación inmediata logró reducir sesgos de forma duradera (Morewedge et al., 2015). La moraleja pedagógica es que se aprende a razonar mejor practicando, no escuchando advertencias. En ese sentido, Tepe (2026) coincide en el tono: las explicaciones sobre algoritmos, sobre vidas "ideales" que no reflejan la realidad y sobre la permanencia de la huella digital deben darse con un lenguaje de curiosidad propio del mundo adolescente, no con moralismo.

En la inteligencia artificial, la corrección tiene su propia taxonomía. Gallegos et al. (2024) clasifican las técnicas de mitigación según la etapa en que intervienen: antes del entrenamiento (preprocesamiento), durante él, durante la inferencia y después de obtener la salida, y proponen métricas que operan en los vectores internos, en las probabilidades y en texto generado. Pero corregir no es borrar. Kleinberg et al. (2017) y Chouldechova (2017) demostraron que varios criterios de equidad no pueden cumplirse a la vez cuando las tasas difieren, de modo que elegir uno implica renunciar a otro. Selbst et al.(2019) advierten, además, que tratar la equidad como un problema puramente técnico oculta decisiones sociales significativas.

De ahí que corregir un sesgo sea, inevitablemente, construir otro. Todo sistema necesita sesgos para aprender (Mitchell, 1980) y ninguno algoritmo supera a los demás en todos los problemas sin suposiciones previas (Wolpert, 1996). La cuestión deja de ser si habrá sesgos y pasa a ser cuáles elegimos conscientemente. Lo mismo vale para las personas. Tepe propone, en lugar de una "dieta digital", un diseño digital: ordenar las cuentas que se siguen, apagar notificaciones, acordar horarios, y herramientas como el mapa de uso, el contrato digital y los planes del tipo "si ocurre X, entonces hago Y". Son maneras de sembrar a propósitos hábitos protectores. ¿Qué sesgos querríamos cultivar a conciencia: la pausa, la duda, la curiosidad?

Es justo cuando entra la fase del agnosticismo algorítmico. Con la advertencia anteriormente señalada que no es un término establecido; se ofrece como propuesta conceptual inspirada en un determinado campo real, el aprendizaje agnóstico, que parte de renunciar a la creencia de que la naturaleza podría tener una explicación simple, y que casi no se asume nada sobre la función que se intenta aprender (Kearns et al., 1994). Trasladado a la vida cotidiana, ser agnóstico ante el algoritmo significa no dar por hecho que la pantalla refleja el mundo, ni que la recomendación expresa lo que somos, ni que la respuesta  fluida es verdadera. No es desconfianza total ni tampoco se intenta que sea neutralidad moral, que según lo visto es inalcanzable: es una postura de duda activa y revisable.

Esta postura se traduce de manera distinta en cada generación. Con los Beta, el trabajo recae en los adultos: cuidar la atención y la presencia, porque allí se forma el primer vínculo (Tepe, 2026). Con los Alfa, conviene una alfabetización lúdica y conversacional, anclada en límites de confianza dentro de la familia o en el espacio del aula escolar. Con los Zeta, funcionan mejor las herramientas de autonomía: que sean ellos mismos que examinen su propio feed, hacer visible el ciclo entre pensamiento, emoción y conducta, y fortalecer la pertenencia escolar. En los adultos, la respuesta es también de tipo organizacional: políticas corporativas frente a la hiperconectividad y protocolos institucionales para el uso de la IA, tal como lo plantea Tepe (2026) entiende como borrador y apoyo, nunca como decisor.

Nada de lo dicho hasta aquí, exige pánico ni ingenuidad. La evidencia a gran escala indica que la asociación promedio entre tecnología y bienestar adolescente es pequeña (Orben y Przybylski, 2019), por eso, esto insiste en que la responsabilidad es compartida entre vulnerabilidades individuales, estructuras de recompensa, decisiones de interfaz y expectativas institucionales (Tepe, 2026). Lo que este ensayo propone es un cambio de pregunta: de "¿cuánto usamos" a "qué nos está aprendiendo y qué estamos aprendiendo de eso?". Si la mente humana y la máquina comparten el vicio de los atajos, quizá la mejor educación sea la que nos enseñe a reconocerlos juntos. ¿Estamos educando para consumir respuestas o para formular mejores preguntas?



Comentarios

Entradas populares