Democracia Mexicana VS Cambridge Analytica

¿Qué pretendía hacer Cambridge Analytica en México?

Como lo explicamos en nuestro blog post, la metodología de Cambridge Analytica implica crear cámaras de eco para dividir al electorado en grupos, y transmitir mensajes específicos para estos grupos para moverlos a una acción determinada.

Por ejemplo, si queremos empujar una estrategia en la que un grupo 1 deba salir a las urnas a votar, y un grupo 2 deba quedarse en sus casas, confiados en que el partido político que apoyan resultará ganador, solo tenemos que mostrar mensajes de voto útil a dicho grupo 1, y mensajes de dominio de preferencia electoral en sondeos y encuestas para el grupo 2.

¿Por qué esto es factible?

La clave de su efectividad está en aislar ambos grupos para que los mensajes no se crucen entre ellos. Para esto, Cambridge Analytica y otras empresas de marketing político buscan crear cámaras de eco mediante técnicas avanzadas de segmentación de mercados, pero potenciadas en su efectividad por las grandes cantidades de observaciones y datos que dichas agencias podían (ya no, pero mañana quién sabe) obtener de redes sociales.

En este ejercicio vamos a mostrar cómo CA forma cámaras de eco, y cómo podemos romperlas.

Disclaimer: este trabajo es enteramente apartidista, y más bien pretende mostrar como se arman las cámaras de eco, y como podemos romperlas, para que nuestro ejercicio democrático sea lo más objetivo posible.

Metodología

CA tuvo acceso al trabajo del Dr. Michal Kosinski, en el cual se basó CA para construir su negocio.

Aunque el paper de Kosinski es libre, no tenemos el dataset que lo soporta, pero dado que conocemos que el flujo de trabajo, podemos reproducir la sección marcada con naranja, y éste será el enfoque de este trabajo.

Datos utilizados

El dataset de personality inventory que usaremos es el de 16 Personality Factors (16PF) del psicólogo británico Raymond Cattell, disponible en el sitio openpsychometrics.org (el test también está libre para tomarlo aquí).

El dataset incluye 49,159 respuestas a 163 reactivos, rankeadas en escala de Likert. El dataset puede descargarse aquí, junto con otros inventarios y encuestas de personalidad.

A continuación mostramos los primeros 10 de los 163 reactivos:

library(readr)
library(tidyverse)
library(cluster)
library(flexclust)
library(factoextra)  # clustering algorithms & visualization

# Cargar el dataset que contiene los 163 reactivos. Reactivos y respuestas
# están por separado.
pf16_questions <- read_delim("./data/16PF/codebook.csv", delim = ",")
# Seleccionar primeros 10
pf16_10_questions <- pf16_questions %>% filter(row_number() <= 10) %>% select(1, 
    3)
# Imprimirlos
kable(pf16_10_questions)

Como reactivos y respuestas se encuentran separados, debemos cargar los datos en otro archivo. Entre los reactivos se encuentran al final 6 que levantan algunos demográficos de los encuestados, como país de orígen, tiempo que se llevó contestar la encuesta, y otros, la cuales vamos a eliminar por no formar parte de la encuesta original y no contener información sobre la personalidad de los encuestados. Aquí las variables:

# Cargar datos de las 49K respuestas al 16PF
pf16 <- read_delim("./data/16PF/data.csv", delim = "\t")
# Nombres de las columnas que vamos a eliminar
cols_to_drop <- names(pf16)[164:169]
# Imprimir columnas
cols_to_drop

[1] "age"      "gender"   "accuracy" "country"  "source"   "elapsed" 

Finalmente, mostraremos los primeros 10 registros del archivo de datos con las respuestas, aunque en el ejercicio utilizaremos todos.

# Eliminar columnas
pf16_clean <- pf16 %>% dplyr::select(-one_of(cols_to_drop))
kable(filter(pf16_clean, row_number() <= 10))

Como ven, las columnas están nombradas a como está identificada cada pregunta en el el dataset de reactivos.

La escala de Likert que mencionamos arriba es como sigue:

0. Sin respuesta
1. Totalmente en desacuerdo
2. En desacuerdo
3. Ni de acuerdo ni en desacuerdo
4. De acuerdo
5. Totalmente de acuerdo

Con esto estamos simulando como CA pasó de mensajes, posts y likes en FB, a inventarios de personalidad para cada uno de los millones de registros individuales de usuarios que tuvieron en su poder, para después tratar de formar grupos con estos 49,000 registros de 163 respuestas.

Suposiciones

Haremos las siguientes suposiciones. Favor de considerarlas en todo momento al leer este trabajo:

1. Usaremos distancia euclidiana: aunque son respuestas de tipo categórico, existe una graduación de menor a mayor del 0 al 5. Probamos la métrica de disimilitud de Gower como alternativa para variables categóricas, pero aunque este algoritmo nos permite dar pesos a cada variable, el grado de separación no difiere mucho de métricas más simples.

2. Agruparemos con el algoritmo de K-means para buscar 4 grupos, correspondientes a 4 candidatos de la elección presidencial mexicana de 2018.

3. Cada grupo identificado por K-means representa el electorado que apoya a uno de los 4 candidatos; una vez identificadas las características de cada grupo, se podrían crear briefs de marketing político para ajustar mensajes, pautas, anuncios, memes, robo-llamadas, etc.

¿Qué segmentos/grupos vamos a buscar?

Para poder visualizar los clusters en 2 dimensiones o variables (y no en 163 del dataset original) proyectaremos el conjunto de datos en un plano de 2 dimensiones, que son los 2 componentes principales de explicación de varianza, obtenidos con PCA.

A continuación mostramos los grupos encontrados por el algoritmo:

# Establecer hiperparams del algopritmo con el objeto flexclustControl
fc_cont <- new("flexclustControl")
fc_cont@tolerance <- 0.1
fc_cont@iter.max <- 30
fc_cont@verbose <- 0
fc_family <- "kmeans"  # aquí pueden ir otras alternativas, como gower, jaccard, etc.
# Asignando la semilla
fc_seed <- 12345
# Suponemos 4 grupos, 1 por cada candidato presidencial
num_clusters <- 4
# Establecemos la semilla
set.seed(fc_seed)
# Creamos los clusters
kcca_clust <- kcca(pf16_clean, k = num_clusters, save.data = T, control = fc_cont, 
    family = kccaFamily(fc_family))
# Para poder visualizar los clusters, dado que tenemos 163 variables,
# proyectaremos el conjunto de datos en un plano de 2 dimensiones, que son
# los 2 componentes principales de explicación de varianza, obtenidos con
# PCA.
kcca_pca <- prcomp(pf16_clean)
# Create plot
clusters_plot <- flexclust::plot(kcca_clust, data = pf16_clean, project = kcca_pca)

Si observamos las conexiones entre los 4 grupos, vemos que hay uno que es más distante que el resto, mientras que los otros se encuentran más cercanos entre ellos. Este grupo es candidato perfecto para ser bombardeado con mensajes que lo aislen aún más, y aprovecharlo para que estos encuestados nunca puedan ver los mensajes de otros grupos.

¿Cómo logra CA hacer cámaras de eco con estos grupos?

Después de obtener los grupos, CA bautiza los grupos con algún nombre representativo (por ejemplo, ‘personas de clase media-baja con pretensiones derechistas’) y pone a trabajar a su equipo de sociólogos y comunicólogos para descubrir sus características, para luego probar algunos mensajes y verificar su efectividad.

Finalmente se formulan marketing briefs que decantan en memes y fake news hiperpersonalizados y dirigidos a mover a dicho grupo a una acción de acuerdo a la estrategia.

Cabe mencionar que este proceso de bautizo de grupos implica numerosas interaciones entre politólogos, sociólogos y analistas de datos antes de que se definan bien los grupos, sus características y los mensajes con los cuales abordarlos.

¿Cómo combatimos las cámaras de eco?

Tomemos ahora a una muestra al azar del dataset original. Lo haremos con índices, obteniendo 49,000 muestras de una distribución uniforme, marcando con TRUE aquellas muestras mayores a 0.998, y finalmente relacionando estos índices a la muestra.

Marcaremos las observaciones seleccionadas en negro.

# Crear plot
clusters_plot <- flexclust::plot(kcca_clust, data = pf16_clean, project = kcca_pca)
# Crear índices de manera aleatoria, con una distribución uniforme, probando
# que cada indicencia sea mayor a .995, y marcando cada ocurrencia como TRUE
indices <- runif(nrow(pf16_clean)) > 0.998
# Mostrar en negro las observaciones seleccionadas por los índices
points(kcca_pca$x[indices, 1], kcca_pca$x[indices, 2], pch = 5)

Ahora tomaremos estas observaciones, y modificaremos sus respuestas registradas originalmente en el cuestionario 16 Personality Factors.

# Crear nuevamente el plot
clusters_plot <- flexclust::plot(kcca_clust, data = pf16_clean, project = kcca_pca)
# Copiar del dataset original solamente las observaciones marcadas por los
# índices ficticios
new_obs <- pf16_clean[indices, ]
# Crear también un vector de índices aleatorios representando las columnas
cols_to_change <- runif(ncol(new_obs)) > 0.5
# De las columnas que representan reactivos del 16PF que fueron
# seleccionadas por los índices aleatorios de arriba, llevarlas todas a 1,
# simulando que todas esas columnas tuvieron una respuesta de 'totalmente en
# desacuerdo'
new_obs[, cols_to_change] <- 1
# Obtener las nuevas posiciones de la muestra modificada por la línea
# anterior.  Aquí la cuestión técnica más importante es que el objeto PCA es
# también un objeto de tipo fit/model, justo como un objeto kmeans, o un
# objeto randomforest, etc.  y como tal, está sujeto a ser enviado como
# argumento al método predict. Nice!
pca_new_obs <- predict(kcca_pca, new_obs)
# Desplegar los puntos con sus nuevas posiciones, dado el cambio a 1, en el
# plano.
points(pca_new_obs[, 1], pca_new_obs[, 2], pch = 5)

# Obtenemos el nuevo grupo al que pertenecen las observaciones a las que le
# hemos modificado su 'personalidad'
new_clust <- predict(kcca_clust, new_obs)
# Obtenemos las observaciones en su estado original, a como fueron obtenidas
# de todo el universo de 49K observaciones
old_clust <- kcca_clust@cluster[indices]
# formamos el dataframe para desplegar esta info
summary_diff_clust <- tibble(antes_de_cambiar_personalidad = old_clust, despues_de_cambiar_personalidad = new_clust)
# desplegamos las primeras 10 observaciones
kable(head(filter(summary_diff_clust, antes_de_cambiar_personalidad != despues_de_cambiar_personalidad), 
    10))

# Crear nuevamente el plot
clusters_plot <- flexclust::plot(kcca_clust, data = pf16_clean, project = kcca_pca)
# De las columnas que representan reactivos del 16PF que fueron
# seleccionadas por los índices aleatorios de arriba, llevarlas todas a 1,
# simulando que todas esas columnas tuvieron una respuesta de 'totalmente en
# desacuerdo'
new_obs[, cols_to_change] <- 5
# Obtener las nuevas posiciones de la muestra modificada por la línea
# anterior.  Aquí la cuestión técnica más importante es que el objeto PCA es
# también un objeto de tipo fit/model, justo como un objeto kmeans, o un
# objeto randomforest, etc.  y como tal, está sujeto a ser enviado como
# argumento al método predict. Nice!
pca_new_obs <- predict(kcca_pca, new_obs)
# Desplegar los puntos con sus nuevas posiciones, dado el cambio a 1, en el
# plano.
points(pca_new_obs[, 1], pca_new_obs[, 2], pch = 5)

¿Cómo interpreto este efecto en mis redes sociales?

El efecto, entonces, es en 2 partes:

1. Se reduce tu ‘grado de pertenencia’ a tu grupo original. Si imaginas que los grupos tienen un centro, y entre más cerca del centro, más perteneces a él, entonces alejarte del centro reduce este grado de pertenencia, y por tanto FB comenzará a mostrarte mensajes de otros grupos, para intentar ubicarte.
2. Cambias enteramente de grupo. Esto es lo que buscamos, y se da cuando estás tan alejado del centro de tu grupo, que te acercas al centro de otro grupo diferente, efectivamente cambiando tu pertenencia, con lo cual FB te mostrará contenido relacionado a ese nuevo grupo.

Aquí es importante mencionar que casi todos los algoritmos de agrupación/clustering intentan partir todo el espacio de datos, así que no habrá observaciones que pertenezcan a ningún cluster, porque entonces habría un grupo de esos que no pertenecen a ninguno.

Ambos efectos abonan al objetivo de romper las cámaras de eco. Ambas te ayudarán a abrir tus redes sociales (y tu persona) a nuevas ideas. No todas serán de calidad, y seguro no estarás de acuerdo con muchas, dado que vienes de otro grupo con el cual si concordabas, pero este es el espíritu de este ejercicio, y de poco a poco romper las barreras que han aprovechado las empresas de mkting político para aislarnos y polarizarnos.

Mi propia experiencia rompiendo cámaras de eco

Yo soy de Torreón, Coahuila, pero en 2002 me vine a la CDMX. Tengo mucha familia allá. Como egresado del ITESM, en ese tiempo mi alineación era de centro-derecha. Pero la CDMX me mostró varias caras de México que no conocía, y poco a poco fui cambiando mis preferencias políticas, pero algunos de mis familiares no las han cambiado del todo.

Mi TL de FB me muestra entonces que tengo un pié en un grupo, y otro pié en otro, con mis primas compartiendo memes, posts y contenido alineado a Ricardo Anaya por un lado, y por otro, mis amigos compartían contenido apoyando a AMLO. FB me mostraba ambos por considerarlos relevantes para mi, los mensajes de mis primas por las conexiones, y los mensajes de mis amigos por el perfil liberal que compartimos.

Involuntariamente, rompí mi cámara de eco al mantener mis conexiones en redes sociales con mis familiares, y pude enterarme de las posiciones y sentimientos de ambos lados. Si este contenido hubiera sido menos inocuo, más virulento o más dañino, hubiera perdido todo su efecto gracias a la probabilidad de que se muestren mensajes contradictorios, al pertenecer a grupos opuestos.

Conclusiones

Las 5 dimensiones culturales de Hofstede son métricas de aspectos de cultura organizacional. Una de sus métricas es la ‘distancia al poder’, que para México es alta (81/120). Las redes sociales nos permiten reducirla dramáticamente, además de darnos agencia, por primera vez en muchos años, sobre nuestra relación con procesos electorales y candidatos. No solo eso, sino que en el terreno de las redes sociales el poder queda desconcentrado, y podemos activamente contrarrestar iniciativas que deseen manipular nuestra opinión, como lo deseaba hacer CA en su momento.

Finalmente, las cámaras de eco buscan dividir y aislar, y este proceso erosiona las coincidencias y el common ground entre grupos políticos. Esto es peligroso porque las instituciones, y por tanto la democracia, funciona sobre coincidencias. El atentar contra ellas, sobre todo en una democracia con instituciones débiles como la nuestra, es moralmente cuestionable. Por tanto, abrir nuestras redes a otras ideas no solo es bueno para nosotros, sino para el país.

Créditos y agradecimientos

Agradecemos a:

• The Data Pub por el espacio para presentar este proyecto.
• AIXSW.mx por los recursos otorgados para su ejecución.
• SocialTIC, particularmente a Juan M. Casanueva, por la difusión, revisiones, comentarios, y constante recordatorio de que este trabajo se mantenga aterrizado.