A estas alturas casi nadie duda de que la crisis climática exige transformaciones profundas con inversiones iniciales importantes. Dos artículos recientes en la revista Annual Review of Political Science recuerdan que la transición ecológica es, sobre todo, un problema político: No faltan ideas ni tecnología para llevarla a cabo, sino instituciones capaces de sostener compromisos, repartir costes y beneficios, y resistir la presión de quienes tienen mucho que perder con el cambio.

El primer artículo, de Kathryn Baragwanath y Saad Gulzar, revisa la evidencia comparada sobre la hipótesis que las democracias deberían producir también mejores políticas medioambientales. Aunque existe cierta relación entre democracia y protección ambiental, esta es débil e irregular. Los autores encuentran que más que la democracia en sí, lo que propicia buenas políticas medioambientales es la existencia de algún tipo de control sobre los gobernantes (que también puede darse en sistemas autocráticos), los incentivos de las burocracias para desarrollar estas políticas, el margen de maniobra de las autoridades locales, y hasta qué punto la ciudadanía puede vigilar y sancionar. Visto así, la política ambiental se parece mucho a otros problemas clásicos de gobierno: hay fallos de información, intereses cruzados, tentaciones de corto plazo y riesgos de captura. Las elecciones pueden mejorar la rendición de cuentas, sí, pero también empujar a decisiones populares a corto plazo y dañinas a largo plazo. La descentralización puede acercar la gestión a la ciudadanía, aunque también abra la puerta a la captura por parte de élites locales. La conclusión es menos rotunda de lo que quizá querríamos, pero también más útil: no hay un efecto automático de la democracia; pero sí diseños institucionales que funcionan mejor que otros.

El segundo artículo, de Alexander Gazmararian y Dustin Tingley, se mueve en una dirección parecida. Durante mucho tiempo, la literatura sobre cambio climático se centró en el dilema de cooperación internacional: aunque todos los países se beneficiarían de reducir emisiones, nadie quiere asumir solo los costes. Ese enfoque sigue siendo importante, pero los autores sostienen que para entender por qué unos países avanzan en políticas ambientales y otros no, también hay que mirar dentro de cada Estado: qué actores ganan, cuáles pierden y, sobre todo, si las promesas de la transición resultan creíbles. Ahí entra el concepto central del artículo: la credibilidad. Una transición energética no sale adelante solo porque exista una mayoría abstracta a favor del clima. Sale adelante cuando empresas, trabajadores, inversores y territorios creen que las reglas serán estables, que las compensaciones llegarán de verdad y que los costes no recaerán siempre sobre los mismos. Si nadie confía en que el Estado cumplirá, la resistencia aumenta y la inversión se frena. Y si los beneficios potenciales de la transición tardan demasiado en llegar o aparecen de forma muy desigual, las coaliciones favorables al cambio se debilitan.

Leídos juntos, los dos textos sugieren que la democracia garantiza por sí sola no genera una buena gobernanza ambiental, y que la urgencia climática tampoco crea automáticamente las condiciones para una transición energética justa y eficaz. Entre los objetivos y los resultados se interponen instituciones imperfectas, intereses organizados y problemas de credibilidad. Hacen falta estados capaces de implementar políticas, coordinar actores, garantizar cierta estabilidad regulatoria y generar beneficios visibles. Estas capacidades pueden darse tanto en entornos democráticos como autocráticos. 

En los últimos años, las universidades españolas han sido escenario de numerosos casos de abusos laborales y sexuales que apenas han tenido consecuencias para los responsables. Estas situaciones no son exclusivas del ámbito académico, pero son especialmente grave en instituciones que se presentan como clave para que la movilidad social esté basada en el mérito. Se puede hacer un paralelismo con la Iglesia, donde la persistencia de abusos también ha convivido con mecanismos institucionales de autoprotección.

Para entender la gravedad del problema, puede ser útil pensar en el punto de vista de las familias. Muchas de ellas dedican años de esfuerzo económico y emocional a que sus hijos puedan estudiar en la universidad, confiando en que se trata de un entorno seguro y orientado al aprendizaje. Cuando una estudiante es acosada por un profesor, denuncia, atraviesa un protocolo largo y opaco, y aun así ve cómo el caso se archiva sin consecuencias, la confianza se quiebra. Para la estudiante, el resultado suele ser devastador. También existen situaciones en las que un profesor acumula múltiples denuncias y, aun así, continúa plenamente integrado en la institución.

A partir de estos hechos, surgen dos preguntas centrales: ¿por qué existe esta impunidad? y ¿qué reformas institucionales podrían reducirla?

Un primer motivo es que reconocer públicamente un caso de acoso supone un coste reputacional inmediato que muchos rectorados tratan activamente de evitar. Por ello, los procedimientos suelen diseñarse para “gestionar el problema” de puertas adentro más que para resolverlo, priorizando la calma interna sobre la reparación. La larga duración de los protocolos, el elevado estándar probatorio y la falta de transparencia responden a incentivos institucionales claros.

Un segundo motivo es que muchos departamentos presentan niveles muy altos de endogamia: buena parte de su plantilla ha sido formada, contratada y promocionada en la misma institución. Este fenómeno tiene varias consecuencias. Por un lado, crea grupos pequeños durante muchos años en los que se difuminan las fronteras entre lo profesional y lo personal. También genera deudas implícitas con quienes facilitaron las carreras académicas de las nuevas generaciones. En este entorno, resulta difícil que se cuestione a las personas más seniors que fueron mentores o influyeron en la contratación de muchos otros. La dependencia de favores de superiores jerárquicos limitan la independencia necesaria para supervisar, evaluar o sancionar comportamientos abusivos.

En tercer lugar, en muchas universidades, las personas encargadas de investigar las denuncias son las que están en posiciones jerárquicas más altas (léase otros catedráticos), y tienen muchos incentivos a proteger la reputación institucional. Esta mezcla de funciones —proteger la imagen y juzgar el comportamiento interno— impide una gestión imparcial.

Dado que las raíces de la impunidad son profundas, transformar esta situación requiere cambios que alteren los incentivos y la composición del profesorado.

Una reforma que ha sido discutida desde hace décadas es la adopción de la norma según la cual los doctores deben buscar su primera plaza en otra universidad distinta a aquella donde se doctoraron. Esta práctica tiene dos efectos relevantes. Primero, mejora la calidad del profesorado al motivar que las contrataciones se basen en la calidad de las contribuciones académicas y no en vínculos personales. Segundo, debilita las dependencias jerárquicas informales: cuando un académico no debe su puesto a su director de tesis o a un catedrático de su departamento, se reduce el poder que estos pueden ejercer sobre él, lo que también limita los motivos para encubrir comportamientos abusivos.

En países como Reino Unido, Canadá o Estados Unidos, la movilidad externa es la norma y esta práctica no solo se justifica por razones de calidad académica; también se entiende como un mecanismo para reducir abusos de poder. La mayor diversidad de procedencias de los profesores genera entornos menos jerárquicos y más profesionalizados. Al romper la dependencia de los doctorandos de sus tutores, se dispersa a la larga el poder y se refuerza la accountability interna.

Otras reformas necesarias, largamente reivindicadas por especialistas en prevención y gestión de abusos son unidades de integridad y comisiones de investigación independientes y con autonomía real respecto al rectorado; protocolos con plazos máximos que impidan procesos indefinidamente prolongados; transparencia agregada obligatoria sobre el número de denuncias, tiempos de resolución y sanciones, preservando el anonimato, como ya se hace en otros organismos públicos; formación obligatoria y periódica de los responsables académicos en gestión de conflictos, prevención del acoso y riesgos psicosociales; y límites temporales en cargos de poder, para evitar la consolidación de redes de favores duraderas.

Las universidades son instituciones clave para la movilidad social y la producción de conocimiento. Reconocer los fallos estructurales y reformarlos no es un gesto contra la universidad, sino una forma de fortalecerla. La confianza social, que cuesta décadas construir pero puede perderse rápidamente, depende de ello.

Los cambios tecnológicos generan transformaciones del mercado laboral, pero no de manera uniforme: Hay grupos más beneficiados o perjudicados que otros. La inteligencia artificial (IA) generativa, que está transformando ya muchas profesiones cognitivas, no es una excepción. Dos estudios recientes analizan en qué medida las ocupaciones actuales están expuestas a la IA y concluyen que las mujeres están simultáneamente más expuestas a los riesgos de la automatización y mejor posicionadas para beneficiarse de la IA, según el contexto en el que se encuentren.

El primer estudio, de Cazzaniga et al. (2025), analiza seis países, desde economías avanzadas como Reino Unido y Estados Unidos hasta mercados emergentes como Brasil, India y Sudáfrica. Definen la exposición ocupacional a la IA como la coincidencia entre las capacidades de la IA y las tareas que actualmente se realizan en distintos empleos. También consideran si la IA es probable que complemente el trabajo humano o que lo sustituya, como en tareas rutinarias o administrativas.

Los resultados muestran una paradoja. Las mujeres están sobrerrepresentadas en ocupaciones con alta exposición a la IA como tareas administrativas, telemarqueting, o edición y traducción. En Reino Unido, por ejemplo, el 74 % de las mujeres trabaja en estos empleos, frente al 61 % de los hombres. Estos roles incluyen trabajos profesionales y administrativos, sectores donde la IA está avanzando rápidamente. Pero, al mismo tiempo, ellas también están más presentes en empleos donde la IA podría mejorar la productividad y los salarios como en sanidad o educación o tareas de coordinación de equipos.

Sin embargo, estos beneficios no están garantizados. La capacidad para transitar desde empleos de alto riesgo hacia otros de mayor oportunidad varía mucho. A las personas más educadas les resultará más fácil hacer esta transición, pero las mujeres con bajos salarios, en países como Brasil, tienden más a salir del mercado laboral cuando son desplazadas. En este contexto, la IA podría agravar las desigualdades existentes si no se acompaña de políticas que faciliten estos cambios.

El segundo estudio, de Albanesi et al. (2025), se centra en Europa y ofrece una visión algo más optimista. Utilizando datos de 16 países europeos entre 2011 y 2019, encuentran que las ocupaciones más expuestas a la IA han visto aumentar la proporción de mujeres empleadas. El efecto es más fuerte en países donde las mujeres han logrado mayores avances educativos y donde ya existía una alta participación femenina en el mercado laboral.

Ambos estudios comparten una misma conclusión: las políticas públicas son clave. La inversión en educación, capacitación y programas activos de empleo puede ayudar a las mujeres a acceder a trabajos donde la IA complemente, en lugar de reemplazar, al trabajo humano. De lo contrario, corremos el riesgo de que el progreso tecnológico agrave las desigualdades, especialmente entre las mujeres con menos recursos o en países con redes de protección más débiles. El debate sobre la IA y el futuro del trabajo suele centrarse en la pérdida de empleos o en el aumento de la productividad. Estos estudios nos recuerdan que también es una cuestión de género. Y que, como en otras olas de innovación, los ganadores y perdedores no los decidirán solo los algoritmos, sino también las instituciones, los sistemas educativos y las normas sociales.

Entre las muchas causas que podrían explicar por qué Kamala Harris perdió las elecciones en EEUU, se ha señalado el excesivo énfasis de su campaña en el tema del aborto, en detrimento de otros temas que quizás eran más importantes para muchos votantes. Es un motivo plausible. ¿Pero por qué se equivocó ella o su equipo de campaña? ¿Fue un error de cálculo? Un artículo publicado este año en el American Journal of Political Science junto a mis coautores Nikolas Schöll y Gaël le Mens (titulado “How Politicians Learn from Citizens’ Feedback: The Case of Gender on Twitter”) sugiere que la razón puede ser una mezcla del funcionamiento normal de las campañas junto al trato diferencial que reciben hombres y mujeres en política.

Los políticos se mueven en un entorno con mucha incertidumbre sobre qué temas preocupan a los ciudadanos. Aunque intenten usar encuestas u otras herramientas, los volúmenes de información que manejan son enormes, y una heurística (un atajo cognitivo para tomar decisiones) frecuente es el feedback que reciben por parte de los ciudadanos. El “aprendizaje por refuerzo” es útil porque nos permite tomar decisiones de manera rápida, en este caso sobre qué temas priorizar en una campaña.

Sin embargo, este mecanismo también puede introducir sesgos. En el artículo argumentamos y mostramos que las mujeres políticas reciben respuestas positivas desproporcionadamente más altas cuando discuten temas relacionados con el género en comparación con sus homólogos masculinos. Nuestros datos son sobre España, pero el argumento es general. Para Harris, una agenda de campaña inicialmente amplia probablemente incluyó temas atractivos para varios segmentos de votantes. Sin embargo, a medida que su campaña evolucionó, es posible que haya observado respuestas más fuertes a temas como el aborto.

En el artículo exploramos los mecanismos que explican por qué las mujeres políticas podrían gravitar más hacia “cuestiones femeninas”. El primero es la motivación intrínseca, es decir que quizás a las mujeres en política les interesan más los temas de género. El segundo es la autoselección de la audiencia, si las personas a quienes más les interesa el género siguen más a políticas mujeres. Y el tercer mecanismo es el trato diferencial basado en el género del candidato, quizás tratamos diferente a hombres y mujeres. Encontramos sólo evidencia sobre el tercer mecanismo de trato diferenciado.

Aunque necesitaríamos datos más detallados para ver si esta conjetura es cierta, en su discurso de concesión, la referencia inmediata de Harris al aborto como un tema clave fue recibida con un gran aplauso. En cambio, habló poco de otros temas.

Enfatizar demasiado el aborto podría parecer un paso en falso, y quizás lo fue. En todo caso, el análisis del artículo sugiere que esta decisión puede reflejar las dinámicas normales de una campaña electoral junto a sesgos subyacentes en cómo los ciudadanos interactúan con las políticas mujeres, en lugar de un error consciente de estrategia de campaña.

Se está hablando mucho sobre Ciencia para las Políticas Públicas (Science for Policy). Pedro Sánchez ha anunciado la creación de una nueva Oficina Nacional de Asesoramiento Científico, la ministra Morant ha impulsado una convocatoria I+P para proyectos de asesoramiento científico a instituciones, la ministra Saiz presentaba el informe sobre Políticas de Inclusión y el ex-ministro Subirats escribía esta semana sobre el tema.

Es una muy buena noticia que muestra un compromiso creciente con el movimiento por las políticas públicas basadas en la evidencia impulsado por organizaciones como el Poverty Action Lab y por cuyo trabajo recibieron el Nobel de Economía Esther Duflo, Abhijit Banerjee y Michael Kremer en 2019. Ahora bien, ¿en qué casos podemos usar la ciencia para la formulación de políticas públicas?, ¿qué evidencia priorizamos? y ¿qué limitaciones tiene esta aproximación?

En primer lugar parece necesario tener clara la distinción entre fijar objetivos políticos y debatir medios técnicos para su logro. La política se encarga de debatir qué objetivos son deseables como sociedad. En relación a juicios de valor no suele existir una verdad, se trata de preferencias, creencias y cuestiones distributivas sobre las que hay ganadores y perdedores: ¿Es preferible más o menos redistribución? ¿Debemos permitir más o menos immigración? Este tipo de preguntas se dirimen en las elecciones y no es tarea de la ciencia establecer qué objetivos debe perseguir una democracia.

Una vez se ha establecido un objetivo político, la evidencia nos puede guiar en cómo alcanzar el objetivo de forma eficaz y eficiente. Esto es importante porque a menudo medidas bienintencionadas no funcionan o incluso tienen un efecto contrario al deseado. Por ejemplo, una política de la India colonial para reducir las cobras acabó aumentando su número. El motivo es que las recompensas por matar cobras motivaron a mucha gente a criarlas y cuando el gobierno retiró la recompensa los criadores las liberaron, agravando el problema original. Críticas parecidas se dan en el debate sobre si limitar el precio del alquiler o prohibir algunas drogas.

Los métodos científicos (caracterizados por la formulación de hipótesis, diseño de investigación, recogida de datos y contrastación) son de gran utilidad para medir los efectos reales de una política. Ahora bien, ¿qué métodos escogemos?, y ¿cómo sabemos qué evidencia es relevante? Es fácil encontrar algún estudio que apoye tu punto de vista así que cualquiera puede decir que su solución está “apoyada por la evidencia”. Pero estaremos en una situación muy diferente si los estudios existentes están divididos al 95/5 o al 50/50. En un momento de gran explosión del conocimiento, una de las funciones más importantes de los expertos en un área de estudio será evaluar el grado de acuerdo científico sobre un tema.

Otra complicación es que la calidad científica de los estudios varía mucho y condiciona los resultados. Por ejemplo, un estudio puede no encontrar un efecto que realmente existe porque a) mide mal las variables principales (tienen mucho error de medida); b) tiene muestras demasiados pequeñas (poder estadístico); c) la población del estudio no es representativa (problemas de auto-selección). Y también pasa lo contrario. Por ejemplo, si queremos evaluar una política de formación a desempleados pero no tenemos en cuenta que la gente que se apunta voluntariamente es más motivada, el efecto estimado será excesivo porque a esa gente le hubiera ido bien incluso sin participar en el programa.

Por estos motivos, hacer políticas públicas basadas en la evidencia requiere mucha cultura científica para distinguir la “buena” de la “mala” ciencia. Este es el propósito de asociaciones como Evidence Based Governance and Politics, que comparten recursos sobre cómo realizar evaluaciones de políticas públicas de calidad, por ejemplo realizando experimentos aleatorizados. Aunque estas metodologías no se enseñan todavía en todas las facultades de ciencias sociales en España, poco a poco van llegando.

Más allá del conocimiento técnico, un escollo importante al avance de las políticas públicas basadas en la evidencia son los sesgos ideológicos que tenemos todas. Los humanos tenemos tendencia a aceptar información que confirma nuestras creencias y rechazamos aquélla que las cuestiona. Un experimento reciente realizado por Pedro Rey Biel y su equipo con alcaldes en España mostraba que estos seguían recomendaciones respaldadas por evidencia en una política pública de bajo coste (poner información sobre su ciudad en wikipedia) – pero solo si quien enviaba información sobre dicha intervención era de su mismo color político. Las sugerencias hechas por actores de ideología diferente se desechaban completamente. Otra investigación en EEUU muestra que los políticos creen más una evidencia científica cuando ésta coincide con las políticas que ya defiende.

En resumen, las políticas públicas basadas en la evidencia son una gran noticia, pero requerirán separar juicios de fines y de medios, agregar de forma efectiva el conocimiento y consciencia de los propios sesgos.

La Unión Europea acordó el instrumento “Next Generation EU” en 2020 en respuesta a las consecuencias económicas y sociales de la pandemia de COVID-19 y lo empezó a desplegar en 2021. Este programa Next Generation representa un aumento de más del 60% del presupuesto de la UE para 2021-2027, que pasa de los 1216 billones de euros previstos a 2018 billones. El aumento en el presupuesto financia tomando préstamos en mercados de capitales y emitiendo bonos de la UE. Esta medida habría sido considerada impensable hace apenas cinco años por acercarse mucho al concepto de Eurobonos, que fuera una de las principales líneas rojas en el debate político sobre cómo resolver la crisis de la deuda de 2008 y las políticas de austeridad que siguieron.

Es de tal magnitud el cambio de orientación, que este programa ha sido descrito como un “momento hamiltoniano” (en referencia a la federalización de las deudas de los estados por parte del Congreso de los EEUU en 1790), un “cambio de paradigma” o un “proceso integrador sin precedentes”. Los países reciben subvenciones y préstamos de los fondos Next Generation después de presentar planes nacionales de recuperación y resiliencia en los que se describen las reformas e inversiones que se realizarán en el periodo. La mayoría de los programas deben destinarse a iniciativas de digitalización y adaptación al cambio climático y tienen por tanto una clara orientación programática y política.

Llama la atención porque a pesar de que las políticas de austeridad fueron durante años objeto de debate público intenso en países de toda Europa; del gran volumen presupuestario del que estamos hablando; y de la agenda política alrededor de la digitalización y el cambio climático que pretende reorientar las economías europeas, apenas ha habido debate profundo sobre este programa.

¿Qué piensan los ciudadanos al respecto? Empezamos a tener datos en este sentido acerca del conocimiento y la opinión de la opinión pública sobre los programas Next Generation. Lo que más llama la atención es el desconocimiento generalizado de los ciudadanos de a pie. En el siguiente gráfico, se muestran datos del Eurobarómetro 515, de finales de 2022, que preguntaba a ciudadanos de la UE si habían oído, leído o visto algo relacionado con el programa NextGenerationEU. España e Italia son dos de los países en que se conoce más el programa, pero en la mitad de los países europeos menos de un cuarto de la población ha oído a hablar de él. Es como si se hubiera realizado un Plan Marshall y casi nadie se hubiera enterado.

Gráfico 1

En una encuesta que realizamos el investigador Alex Kuo y yo a mediados de 2023, preguntamos sobre el conocimiento de este programa en cinco países europeos y los resultados fueron todavía más llamativos que en el caso de los datos del Eurobarómetro. Mientras que en Italia el 40% de los encuestados ha oído hablar del programa, en Francia este porcentaje es solo del 10%. Se trata de un nivel de desconocimiento sorprendente para tratarse de una política que pretende cambiar el curso de la economía europea.

Gráfico 2

Cabe preguntarse por las razones de este desconocimiento. Después de la experiencia durante la crisis de la austeridad, ¿prefieren las élites europeas que lo que deciden pase desapercibido para evitar otra oleada de descontento hacia la UE? ¿O bien vivimos en un entorno de medios tan fragmentado que la población recibe poca información política común incluso sobre políticas importantes? En ambos casos, las implicaciones sobre el buen funcionamiento de la democracia son preocupantes, puesto que no puede haber reflexión sobre alternativas, atribución correcta de responsabilidades, o rendición de cuentas si la población sabe tan poco sobre políticas importantes.

Las campañas electorales giran cada vez más en torno a los candidatos y candidatas y a algunos temas sobre los que las posiciones están muy polarizadas, como el género o la vivienda. Sin embargo, apenas se habla de los dos grandes temas que más marcarán nuestro futuro próximo: el cambio climático y el cambio tecnológico. Llama especialmente la atención que ningún partido político tenga propuestas claras y explícitas sobre cómo afrontar la llegada inminente de las tecnologías de inteligencia artificial dentro de la cuarta revolución industrial, ya en pleno curso. Cada vez existen más indicios de que esta nueva clase de tecnologías sustituirá a millones de trabajadores, y es poco claro en qué medida generará nuevos puestos de trabajo y en qué sectores serán.

¿Por qué no se habla de las implicaciones de la implantación de la inteligencia artificial en empresas o en la administración pública ni en los telediarios, ni en los mítines, ni en los debates electorales? El motivo principal es que existe un fuerte consenso sobre este tema: tanto para los partidos de izquierdas como para los de derechas, la digitalización es el principal motor del desarrollo económico y la modernización. Las nuevas tecnologías generan crecimiento económico y ese crecimiento nos beneficiará a todas. Ese es el discurso que hace décadas repiten hasta la extenuación las élites tecnológicas y muchos expertos. 

La intuición de que la tecnología ha permitido a lo largo de la historia mejorar los estándares de vida, ¿es cierta? En un libro reciente, titulado Power and Progress, los prestigiosos economistas Daron Acemoglu y Simon Johnson recopilan numerosas dudas que ya hace tiempo se están acumulando sobre esta cuestión. El libro ataca la creencia de que la tecnología siempre mejora la calidad de vida de la población, y lo hacen además a través de un amplio recorrido histórico.

Empecemos por las tecnologías agrarias que marcaron la transición desde sociedades de cazadores recolectores a sociedades agrarias: se trató de una revolución de primer nivel que trajo los sistemas de riego, los arados, la preservación de semillas, la rotación de sembrados o la alfarería. Está abundantemente documentado que la agricultura llevó a un empeoramiento claro del nivel de vida para la gran mayoría de la población, que vio reducida su estatura, salud y esperanza de vida. Solo una pequeña minoría de gobernantes, administradores y sacerdotes vivía mejor que en el sistema anterior.

El patrón se repite una y otra vez. El gran crecimiento de la productividad agrícola en Europa durante los siglos X a XIII se explica por cambios en los molinos de agua y viento, las herraduras, las fuentes de agua o los arados. Trabajos recientes sobre Inglaterra muestran que las ganancias en productividad agrícola se destinaron íntegramente a la construcción de catedrales, iglesias y otras formas de honrar a Dios. Pero el nivel de vida de la gente común se redujo: a medida que la tierra rendía más, quien tenía poder sobre los campesinos y campesinas les obligó a trabajar más por menos.

Otro caso muy conocido es la revolución industrial, que generó inicialmente un deterioro del nivel de vida para una gran parte de la población. Hay muchos otros ejemplos históricos menos conocidos. Durante el siglo XVIII y XIX, las mejoras en las tecnologías agrarias mejoraron la productividad de la tierra en los estados del sur de Estados Unidos, motivando un gran auge en la esclavitud y, otra vez, una fuerte polarización entre ganadores y perdedores. La privatización de tierras comunitarias en Inglaterra o “enclosures” generó una mejora muy pequeña en la productividad de la tierra, pero un empeoramiento claro para la población afectada. La revolución bolchevique, por su parte, mecanizó la producción agrícola a costa de hambrunas y millones de muertos.

Esto no significa que todos los cambios tecnológicos sean siempre perjudiciales para la población. Pero pone énfasis en que el cambio en las maneras de producir no genera bienestar de manera automática. Que mejoren o empeoren los estándares de vida depende de si las instituciones políticas reparten los beneficios de forma amplia entre la población, a través de políticas variadas impositivas y de inversión y gasto social.

Los avances de los últimos meses en modelos de lenguaje natural auguran reestructuraciones profundas. Los algoritmos ya pueden realizar mejor que los humanos tareas como escribir, crear material audiovisual, o programar, para las que se necesitaban años de formación. Las ganancias en bolsa derivadas del optimismo de los mercados sobre el potencial de estas tecnologías se han concentrado en unas pocas grandes empresas como Microsoft, Alphabet (Google), Apple, Amazon o Meta (Facebook). Los algoritmos que permiten realizar tareas que antes realizaban humanos han sido entrenados por enormes cantidades de datos, generados por humanos a quienes no se ha retribuido por esa aportación.

El debate sobre qué políticas son adecuadas está sobre la mesa en otros países. Sam Altman de Open AI acaba de lanzar una empresa experimental en que se retribuye a personas que dan sus datos biométricos con bitcoins, como forma de compensarles y experimentar cómo repartir las ganancias de la inteligencia artificial. Harán falta muchas políticas radicales e imaginativas en las próximas décadas, y algunas clásicas como las redistributivas, siguen siendo válidas, pero deberían surgir del debate democrático articulado por los representantes políticos y no de la buena voluntad de unos pocos privilegiados. Esperemos que en la próxima campaña se empiece a hablar sobre cómo repartir las ganancias de la inteligencia artificial.

En las escuelas de mi entorno se está produciendo un fenómeno curioso: muchas están abandonando los métodos tradicionales de enseñar a leer (los llamados “fonológicos” -el pa-pe-pi-po-pu de toda la vida-), por aproximaciones menos estructuradas y que enfatizan que el aprendizaje sea significativo para los niños y niñas. Por ejemplo, en muchas escuelas ya no se encuentran los tradicionales pósters del abecedario en las paredes sino que ahora se trabajan las grafías a través de los nombres de los niños (algo que para ellos es muy significativo); ya no se encuentran libros adaptados con frases cortitas y de sílabas simples sino libros preciosos gráficamente con frases normales; y ya no se lleva la lectura coral pero sí que el maestro lea mucho en voz alta a los alumnos para fomentar el gusto por la lectura. 

La innovación en la docencia suena muy bien. Pero esta transformación en concreto resulta curiosa (por no decir sorprendente o preocupante) porque la evidencia científica más actual apoya las metodologías tradicionales basadas en enseñar de forma explícita la mecánica de la lectura y en cambio no apoya las aproximaciones más modernas que enfatizan el significado. En este artículo explico los dos tipos de métodos principales para enseñar a leer, mi lectura de la evidencia científica sobre este tema y por qué creo que es una cuestión muy importante desde una perspectiva de formación de capital humano y de equidad.

Las dos aproximaciones principales: más énfasis en la mecánica o en el significado

Existen dos grandes metodologías para enseñar a leer:

El debate entre las dos aproximaciones duró décadas y se conoce como las “reading wars”. Es quizás el tema más estudiado en ciencia de la educación y las conclusiones de la investigación al respecto iniciaron un movimiento más amplio para incorporar prácticas basadas en la evidencia en la educación.

Los argumentos a favor de ambos métodos tienen mucho sentido, pero a nivel empírico el debate está resuelto: los métodos que enfatizan la mecánica, conocidos como métodos fonológicos o “phonics” en inglés, son superiores a otros métodos en todas las dimensiones analizadas, como velocidad de lectura, motivación hacia la lectura, rendimiento escolar futuro y equidad.

¿Cómo aprendemos a leer?

Para todas las personas, lo que ocurre en el cerebro cuando aprendemos a leer es lo mismo: desarrollamos conexiones neuronales entre dos partes del cerebro relacionadas con el procesamiento de las imágenes y el habla. Cuando practicamos, consolidamos estas conexiones, de modo que cuando los lectores experimentados ven una grafía, su mente “escucha” un sonido de forma similar a cómo escuchamos cuando se nos habla.

Aprender a leer no es un proceso madurativo: si no se enseña, la persona puede ser analfabeta toda su vida. Sí que hay un pequeño porcentaje de niños y niñas (15-20%) que parecen aprender a leer prácticamente “solos”. Estos niños y niñas deducen la conexión entre letras y sonidos sin instrucción explícita. Para aprender así, es necesario ser inteligente y tener ocasión para aprender, normalmente porque los padres y madres leen a menudo en voz alta en casa (que correlaciona con el nivel cultural de las familias).

Para el 80-85% restante, es necesaria una instrucción explícita. Los métodos fonológicos realizan ejercicios para automatizar el reconocimiento de letras y sílabas. Que este conocimiento esté “guardado” en el cerebro permite liberar memoria de trabajo y focalizarse en su contenido. Las aproximaciones basadas en el significado, en cambio, no ponen tanto énfasis en repetir y automatizar. La investigación muestra que los niños y niñas aprenden a leer antes con métodos fonológicos (phonics). Cuando un niño o niña con problemas de lectura va al logopeda, lo que suele hacerse es usar estos métodos fonológicos hasta automatizar (por ejemplo el método Orton-Gillingham).

Motivación por la lectura

Una de las grandes objeciones es: quizás enseñar “pa-pe-pi-po-pu” es muy aburrido y por tanto desmotiva la lectura. Intuitivamente tiene sentido, pero no hay soporte empírico para esta idea. Es más, a los niños y niñas que han aprendido con métodos fonológicos les gusta más leer años más tarde que a los que han aprendido con otros métodos. El motivo es sencillo: lo más motivador a la hora de leer es entender lo que leemos. Por ejemplo, cuando leemos en una lengua extranjera, nos cuesta más y nos desmotivamos. Si la mecánica se automatiza rápidamente, podemos leer por placer antes, desarrollamos una identidad como lectores, leemos más a menudo y por tanto aún con mayor facilidad, etc. 

Además, es un mito de que los métodos fonológicos sean aburridos. También se enseña con textos significativos y con ambos métodos se puede enseñar de forma aburrida o de forma entretenida y jugando, dependiendo de los materiales que se utilicen y las ganas que pongan los maestros - que sea divertido o aburrido no depende del método en sí.

Pero todos llegan al mismo sitio, ¿no?

En las escuelas que enfatizan las situaciones significativas se defiende la idea de que aunque unos niños o niñas empiecen a leer más tarde, porque “se respeta su ritmo”, esto no debe preocuparnos porque después “hacen click” y todos acaban llegando al mismo sitio. Es decir, que se produce convergencia. Son argumentos razonables si hablamos de niños y niñas de 3-4 años. Pero una vez que tienen un mínimo desarrollo madurativo, estas ideas no tienen apoyo empírico.

En primer lugar, el que todos los niños y niñas a quienes les cuesta leer vayan a hacer un “click” de un momento a otro es pensamiento mágico. Una analogía útil es tocar el violín o el piano. Puede haber momentos en los que parece que se produce un salto porque la persona ya ha automatizado un proceso y se relaja, pero esencialmente la progresión es proporcional a la práctica.

Lo más preocupante es que dos hechos apuntan a que es importante enseñar a leer con fluidez en primero o segundo de primaria. Los niños y niñas aprenden más rápido y con mayor facilidad entre 1º y 2º y les cuesta mucho más si aprenden más tarde. Además, existe mucha evidencia de que las diferencias iniciales en la velocidad de lectura en primero y segundo se van amplificando. Los niños y niñas que comienzan a leer más lentamente y más tarde adquieren nuevo vocabulario y conocimientos a menor velocidad y como no lo pasan bien leyendo practican menos que los que automatizan antes. En tercero o cuarto, cuando los contenidos tienen más peso, comienzan a tener dificultades para seguir, menor autoestima, etc. Lo contrario ocurre por los niños y niñas que aprenden a leer a inicios de primaria.

Equidad

Este tema conecta con la cuestión de la relación entre metodología y equidad. Lo que nos dice la investigación es que los métodos fonológicos son mejores para todos los niños y niñas, pero esta diferencia es mayor en dos subgrupos muy importantes: a) los que tienen dificultades en el aprendizaje como dislexia o dificultades con la atención; b) los de familias con menor nivel cultural. Los motivos son los mismos que ya se han contado. 

Quizás esto no es tan importante si la magnitud de los impactos es pequeña, ¿no? Ojalá, pero la diferencia es grande. Entre los niños y niñas con dificultades con la lectura importa si se interviene pronto y se evita la espiral descendente. El uso de metodologías para enseñar a leer basadas en la evidencia puede cerrar casi todo el gap en resultados entre alumnos y alumnas de familias con bajo nivel sociocultural y de entornos más favorecidos.

En resumen, una lectura de la literatura científica sobre este tema sugiere que los métodos fonológicos son superiores a los métodos que enfatizan el significado en resultados como la velocidad de lectura, el rendimiento académico, la motivación o la equidad. A esta conclusión se ha llegado replicando investigaciones en muchos contextos e idiomas diferentes, estudiando a cientos de miles de maestros y a millones de estudiantes, en miles de artículos resumidos en meta-análisis y también en estudios longitudinales. La diferencia crece en niños con dificultades de aprendizaje o familias con menor nivel cultural.

Y a pesar de ello, en Cataluña al menos, parece que lo innovador es descartar métodos de “toda la vida” que funcionan y usar métodos que objetivamente son peores.

Me gustaría acabar con una anécdota personal. Mi hija de casi ocho años lee muy lenta para su edad. Cuando nos dimos cuenta, la llevamos corriendo a una oculista por si había problemas de visión. Descubrimos que leía bien muchas letras, pero en algunas como la “d”, “h”, “p”, “v” o “y” se equivocaba aunque estuvieran en tamaño gigante. Dándole vueltas, caímos en que en su escuela han trabajado las grafías en base a los nombres, pero en su clase no hay ningún Daniel, Hugo, Paula, Valeria o Yolanda. Por tanto, no ha habido ningún cartel en su clase donde consultar estas grafías. Intentar leer sin conocer todas las letras es como intentar volar con un avión al que le faltan trozos de las alas… va a ser complicado despegar.

El pasado 30 de noviembre la empresa OpenAI hizo el lanzamiento público de ChatGPT, un chatbot que puede usarse desde un navegador y que ha sido entrenado para contestar muchos tipos de preguntas, incluyendo preguntas técnicas y abstractas. Por ejemplo, se le puede pedir que escriba código en diferentes lenguajes de programación, que corrija código, que escriba informes o que conteste preguntas de examen. Es todavía un lanzamiento en pruebas, pero en general las opiniones sobre su rendimiento son muy buenas.

La tecnología en que se basa, el procesamiento de lenguaje natural, ya se usa habitualmente en aplicaciones como los chatbots de atención al cliente. Partiendo de una gran cantidad de textos escritos, se entrena a un modelo para que aprenda los patrones y estructuras del lenguaje natural y produzca respuestas parecidas a las que daría un humano en un contexto parecido. Luego, se va ajustando el modelo con el feedback de humanos. Progresivamente, se va incrementando la precisión de las respuestas, así como otras dimensiones como su sensibilidad social, por ejemplo, evitando respuestas racistas o sexistas.

El buen funcionamiento de esta inteligencia artificial (IA) hace preguntarse si IAs parecidas sustituirán a trabajadores humanos y, en tal caso, qué trabajadores se verán más afectados.

Para predecir el cambio potencial en el mundo del trabajo, en los últimos años se han propuesto distintas maneras de estimar el riesgo de sustitución. En general, se intenta estimar qué porcentaje de tareas concretas que se realizan dentro de una ocupación son sustituibles por algoritmos. Si este porcentaje es cercano al cien por cien, y automatizar es barato, es probable que a medio plazo la ocupación desaparezca o se transforme radicalmente.

Un primer intento de predecir qué profesiones se verán más afectadas por la IA es el índice de “Suitability for Machine Learning” estimado por Brynjolfsson, Mitchell and Rock en 2018. Estos autores codificaron qué tareas pueden ser realizadas por algoritmos de aprendizaje automático y luego el porcentaje que estas tareas suponen dentro del total. La conclusión es que el perfil de ocupaciones en riesgo es distinto al de previas oleadas de cambio tecnológico e incluiría tanto a personas con poca cualificación, por ejemplo conserjes, como a personas con alto nivel de formación, como especialistas en crédito o inversores. En el rango bajo de riesgo encontramos profesiones muy diversas como arqueólogos, masajistas o estucadores.

Otra aproximación relevante se presenta en un artículo publicado por Felten, Raj and Seamans en 2021. En este caso, con ayuda de estudiantes de ingeniería informática intentan identificar tipos de IA en desarrollo y los asocian a habilidades que se requieren dentro de ocupaciones. También en este caso encontramos a profesionales muy formados entre los que están en mayor riesgo como analistas de riesgos o de presupuestos, auditores, matemáticos y hasta jueces. Entre las profesiones de bajo riesgo están los bailarines, profesores de aeróbic, paletas o pintores (de casas).

Una tercera aproximación es la que propone Webb. En este caso, se basa en la coincidencia entre las descripciones de las tareas que se realizan en un trabajo y el texto de patentes de IA (por ejemplo patentes que contienen términos como “reinforcement learning”, “neural network”, etc.) en que se describe para qué han sido desarrollados los modelos. En este caso, entre las ocupaciones más expuestas encontramos los técnicos de laboratorios clínicos, los ingenieros químicos, los optometristas o los operadores de centrales eléctricas. Entre los menos expuestos están los cuidadores de animales, los profesores, o los cocineros.

A pesar de que las maneras de estimar los riesgos son diferentes, los resultados de los diferentes estudios son bastante similares. Mientras que la oleada de automatización previa afectó sobre todo a personas en trabajos rutinarios con una cualificación media baja (por ejemplo los trabajadores de cadenas de montaje), es previsible que las aplicaciones de IA se usen en tareas que actualmente realizan trabajadores cualificados en sectores como las finanzas, sectores técnicos o la abogacía. Algunos de estos trabajadores cualificados serán sustituidos y otros tendrán que aprender a realizar nuevas tareas.

El hecho de que el riesgo afecte esta vez a trabajadores más cualificados abre preguntas interesantes. En primer lugar, es posible que las personas que han invertido en su formación (tanto en términos de años de estudio como de dinero pagado por estos estudios) quieran defender esta inversión bloqueando algunos cambios. En segundo lugar, sabemos que uno de los efectos políticos de la anterior oleada de cambio tecnológico fue el aumento del voto a partidos populistas (muchos trabajadores rutinarios han cambiado su voto hacia estos partidos), pero no está claro si este viraje político se producirá también en el caso de los más educados. En tercer lugar, la aplicación de IA a profesiones cualificadas podría llevar a una compresión de salarios, aunque también a un aumento de las rentas de los propietarios de los algoritmos (típicamente personas de rentas muy altas). Finalmente, y en una nota más optimista, quizás a las personas desplazadas con alto nivel educativo les resulta relativamente más sencillo volver a formarse y aprender nuevas habilidades para adaptarse a los cambios que se avecinan.

Las políticas de apoyo a la digitalización vinculadas al programa Next Generation de la Unión Europea se están implementando a buen ritmo. Medidas como el bono digital a empresas se presentan como ejemplo de políticas innovadoras y exitosas, con objetivos claros y gestión sencilla semi-automatizada. Muchos de los proyectos relacionados con la “transición digital” pretenden acelerar la implantación de sistemas de inteligencia artificial en empresas y administraciones con la promesa de que estos proyectos serán catalizadores de la transición a una Europa más tecnológica, con más crecimiento económico y más justicia social.

Sin embargo, no existen todavía evaluaciones rigurosas que nos permitan saber cuáles serán las implicaciones de las políticas públicas para acelerar la implantación de la inteligencia artificial en empresas. Sí existen ya estudios empíricos cómo la implantación de estos sistemas en industrias concretas afecta el empleo o la desigualdad salarial - pero las conclusiones de dichos estudios no llevan precisamente a anticipar escenarios optimistas. Los economistas que estudian este tema son cada vez más pesimistas, como resumen en trabajos recientes Daron Acemoglu y David Autor. La inteligencia artificial es un conjunto de tecnologías con un enorme potencial, pero la manera en que se está implantando en la actualidad parece estar llevando a una excesiva automatización del trabajo, aumenta la desigualdad social y no mejora de forma significativa la productividad. Aunque la Unión Europea está tratando de regular la implantación de la inteligencia artificial, elaborar regulación efectiva es muy complejo como muestra el desarrollo en curso de la “AI Act”.

Una primera preocupación está relacionada con el uso de datos e inteligencia artificial para fines que no son socialmente óptimos. En principio, la capacidad de hacer predicciones sobre el comportamiento de las personas podría usarse para fines como mejorar la salud de la población, pero en la práctica quienes tienen la capacidad de usar datos e implementar sistemas de forma efectiva suelen ser empresas que acaban usando el enorme potencial de estas tecnologías para hacer gastar más a las personas en bienes de consumo. La naturaleza social de los datos implica que los datos de un usuario se usan para predecir el comportamiento de otros usuarios (hayan firmado acuerdos de privacidad o no). La manipulación del comportamiento para la que se usan en la actualidad muchos sistemas de la inteligencia artificial crea ineficiencias: el consumidor acaba gastando más en ámbitos en que hay empresas con mucha capacidad técnica y menos en ámbitos quizás más necesarios, pero en los que no hay incentivos para usar estas tecnologías. Esto siempre ha sido así, pero la asimetría de poder entre empresas y consumidores se está incrementando y la regulación no está logrando incidir.

Un segundo motivo de preocupación es el impacto sobre el mercado de trabajo. La inteligencia artificial supone usar modelos predictivos para realizar tareas de forma similar a como las haría un humano. Ejemplos clásicos son reconocer imágenes, traducir o producir textos, o realizar procesos administrativos. En muchos casos, la implantación de estos sistemas en empresas se usa para sustituir a trabajadores, a quienes se les asigna a otras tareas o se les despide.

En otras transiciones tecnológicas pasadas, los trabajadores desplazados eran absorbidos por otros sectores ya sea porque el aumento de la productividad aumentaba la demanda o porque se creaban nuevas tareas. Sin embargo, los (pocos) estudios empíricos actuales en casos como Holanda o EEUU parecen indicar que las empresas que contratan a más trabajadores para implementar sistemas de inteligencia artificial contratan a menos trabajadores en general, y que esta reducción de empleo se extiende a otras empresas del mismo sector. En estas industrias, se produce también una polarización del salario entre unos pocos trabajadores con sueldos altos y una mayoría cuyos sueldos se reducen – generando más desigualdad. Y a pesar de ello, los incrementos en la productividad en los sectores en los que se implementa la inteligencia artificial son muy pequeños y no basta para compensar por los empleos perdidos o las reducciones de salario.

Otro de los principales propósitos para los que se está implementando la inteligencia artificial en las empresas es para vigilar lo que hacen los trabajadores. La capacidad de monitorizar mejor reduce los salarios, además de generar burn-out.

Las instituciones europeas y muchos gobiernos, incluido el español, llevan años intentando producir normativas que regulen el uso de la inteligencia artificial, pero se trata de una tarea complicada en un sector muy dinámico y con fuertes asimetrías entre el conocimiento técnico de los reguladores y las empresas a las que se destina la regulación. Sin embargo, la preocupación principal de esta legislación son aspectos como la protección de la privacidad, la discriminación algorítmica o el desarrollo de tecnologías dañinas - como armas autónomas, bots maliciosos, o software usado por pedófilos. Sin menospreciar la importancia de estos usos dañinos, la introducción de la inteligencia artificial en las empresas tiene riesgos más mundanos sobre consumidores y trabajadores que no se han calibrado suficientemente antes de realizar políticas públicas de digitalización ambiciosas como las vinculadas al programa Next Generation. 

En los últimos años, estamos encadenando varias crisis históricas, desde la declaración de independencia en Cataluña a la pandemia, el asalto al Capitolio o la guerra en Ucrania. No resulta sorprendente que un cierto pesimismo existencial esté a la orden del día. El gran número de series distópicas y apocalípticas disponibles en las plataformas de streaming podría ser un indicador cualitativo de este Zeitgeist sombrío.

Para entender de forma más sistemática la prevalencia de este pesimismo social, uso datos de un estudio realizado en julio de 2021 junto con Alex Kuo (Oxford University) y Nicolas Bicchi (Universitat Pompeu Fabra) en el que preguntábamos a los encuestados si piensan que hace 30 años España era un lugar mejor o peor que ahora. Los años 90 son improbables como época dorada, pero aun así encontramos que un alto número de entrevistados piensan que España era un lugar mejor en esa época que en la actualidad: en concreto, un 43%, mientras que solo el 22% contesta que era un lugar peor.

La nostalgia por el pasado es similar entre hombres y mujeres y sorprendentemente también entre todos los grupos de edad, con la excepción de los menores de 24 años, quienes son significativamente menos proclives a estar de acuerdo que el mundo era un lugar mejor antes de que nacieran ellos.

Sí existe correlación entre la situación económica individual y la añoranza por el pasado. Las personas desempleadas y con menores ingresos y nivel educativo están más de acuerdo en que España era un lugar mejor en el pasado, aunque no hay grandes diferencias entre ocupaciones o sector de actividad económico.

La investigación en otras países (ver aquí, aquí y aquí) ha encontrado que la nostalgia hacia tiempos pasados está correlacionada con el apoyo a partidos populistas. Para examinar si también encontramos este patrón en el caso español, miro la respuesta media a la pregunta sobre nostalgia para votantes de los diferentes partidos.

Vemos que las personas que más de acuerdo están en que España era un lugar mejor hace 30 años declaran en mayor medida que votarían por Vox si hubiera elecciones mañana. Por tanto, como en otros países, existe una relación entre apoyo a un partido populista de derechas y la nostalgia hacia el pasado. Sin embargo, los votantes del otro partido a menudo considerado populista, Unidas Podemos, muestran menor grado de nostalgia que otros. Parece por tanto, que la nostalgia está más vinculada a la ideología (ser de derechas) que al populismo en sí. Esta conclusión se confirma examinando los niveles de nostalgia según la ideología. Aunque los votantes de extrema izquierda (quienes escogen un valor 0 en una escala de 0 a 10) muestran niveles de nostalgia algo mayores que los de izquierda menos extremos (valores 1-3), las diferencias son muy pequeñas. En cambio, la nostalgia está claramente más extendida entre quienes se identifican de derechas.

La nostalgia está también relacionada con actitudes más restrictivas hacia la migración. En el último gráfico, vemos que los valores medios de actitudes nostálgicas son significativamente mayores entre quienes piensan que no se debería permitir a ninguna persona de otro país viniera a vivir a España que entre quienes se muestran dispuestos a que muchas o unas cuantas personas nacidas en otros países venga a vivir a España.

En resumen, vemos que la nostalgia hacia el pasado está muy extendida entre la población y que esta actitud es más frecuente entre los ciudadanos de menor nivel socio-económico y entre los ciudadanos de derechas y contrarios a la migración. Cabría buscar preguntas similares hechas en otros estudios más antiguos para ver si, como parece por impresiones cualitativas, se trata de una actitud en aumento o si siempre ha habido una parte de la población que añora el contexto en que creció y cree que la sociedad ha ido a peor.

Hace unos años la palabra inteligencia artificial sonaba a ciencia ficción, pero hoy interactuamos con ella de forma cotidiana. Algunos ejemplos son comprar por internet, traducir un texto automáticamente, o usar una plataforma de streaming, un robot aspiradora, o un asistente de voz. La inteligencia artificial se suele definir como una tecnología general que utiliza datos para realizar predicciones. Aunque los algoritmos que realizan predicciones basadas en patrones son ya ubicuos, seguir expandiendo su uso es clave en la llamada “transición digital”, tanto para empresas como para gobiernos. 

En el discurso político el uso de la inteligencia artificial se presenta de forma muy optimista. Los estudios sobre el tema muestran que los partidos políticos cada vez hablan más sobre la digitalización y que lo hacen refiriéndose a oportunidades, competitividad o modernización, sin mencionar apenas los costes del proceso. Sin embargo, como en cualquier proceso de cambio estructural, el uso de nuevas tecnologías genera perdedores y ganadores. Por ejemplo, el uso de traductores de texto automáticos hace muy sencillo traducir textos pero reduce la necesidad de traductores humanos. 

¿Coincide la ciudadanía con la evaluación optimista que hacen los partidos políticos? ¿O genera esta tecnología suspicacias y miedo? Para analizar esta cuestión, preguntamos sobre la inteligencia artificial en una encuesta a 1400 ciudadanos realizada en España en julio de 2021 diseñada conjuntamente con Alex Kuo (Oxford University), Nicolas Bicchi (Universitat Pompeu Fabra) y Shir Raviv (Tel Aviv University). 

En primer lugar, preguntamos sobre qué asociaciones les venía a la mente a los encuestados cuando oían la palabra inteligencia artificial. La nube de palabras muestra el resultado. La asociación más frecuente es con términos muy estrechamente ligados con la tecnología como “robots”, “ordenadores” o “algoritmos”. También destacan connotaciones optimistas como las palabras “futuro”, “progreso” o “avance”. Encontramos un número significativo de palabras relacionadas con la ficción como “ciencia ficción”, “Terminator”, “Spielberg”, “Matrix”, o “Isaac Asimov”. Y también detectamos temores y aspectos negativos como los relacionados con “empleo”, “miedo”, “peligro” o “sustituir”. 

Preguntamos también si los encuestados estarían dispuestos a usar dos aplicaciones emblemáticas de la inteligencia artificial, los taxis autoconducidos y los diagnósticos médicos. El 28% probablemente o seguro que usaría taxis autoconducidos mientras el 41% se muestra dispuesto a usar inteligencia artificial para sus diagnósticos médicos. Estos datos indican cierta desconfianza hacia estas tecnologías. 

En cuanto a los usos de la inteligencia artificial por parte del gobierno, el 78% da apoyo a patrullar áreas de la ciudad en base a la probabilidad de que en un área haya robos; el 68% apoya instalar iluminación en base a la probabilidad de que ocurran crímenes en las calles; el 47% se muestra favorable a implementar órdenes de alejamiento en base a la probabilidad de sufrir violencia de género; y el 37% apoya que se distribuyan los subsidios al desempleo en base a estimaciones de si el desempleo será de larga duración. Parece por tanto que el uso de aplicaciones de inteligencia artificial en ámbitos relacionados con la seguridad es más popular que su uso en temas relacionados con los derechos sociales. 

Finalmente, preguntamos sobre tecno-estrés. Para un 38% de los encuestado aprender a usar nuevas tecnologías es muy importante en su puesto de trabajo y para otro 44% es bastante importante. Sin embargo, cuando preguntamos si les preocupa no ser capaces de aprender a usar nuevas tecnologías en el lugar de trabajo, solo un 30% de los ciudadanos marca 5 o más en una escala de 0 a 10. Los impactos negativos del cambio tecnológico no preocupan a la mayoría, aunque existe preocupación entre una minoría. 

En los últimos años, los estudios sobre los efectos perjudiciales de la contaminación ambiental en el desarrollo de los niños y niñas se han acumulado y la evidencia es muy concluyente. La exposición a niveles elevados de micropartículas y gases como el dióxido de nitrógeno tiene impactos negativos sobre el desarrollo cerebral (aquí, aquí, aquí, aquí, aquí), la atención y la memoria (aquí, aquí, aquí), la salud respiratoria (aquí, aquí) y mental (aquí) y el comportamiento (aquí) de los menores. Incluso aumenta la probabilidad de llevar gafas (aquí) y desarrollar obesidad (aquí). Las metodologías de muchos de estos estudios son impecables. Por ejemplo, el estudio BREATHE en Barcelona seleccionó 20 pares de escuelas muy parecidas en cuanto a la renta y el nivel educativo de las familias, pero unas ubicadas cerca de vías básicas de tráfico y otras en lugares con menos contaminación y siguió las trayectorias de desarrollo de los niños y niñas durante varios años. Los efectos de pasar de niveles bajos a altos de contaminación son de magnitud alarmante. En muchos casos equivalen a haber nacido en una familia de alto o bajo nivel socio-económico, uno de los principales predictores del desarrollo infantil.

La contaminación ambiental es una causa evitable de problemas significativos de desarrollo en la infancia. ¿Qué podemos hacer? Mejorar la calidad del aire en las escuelas es una prioridad razonable porque los niños y niñas pasan muchas horas ahí. Una cuestión importante es de dónde provienen las partículas y gases más nocivos que encontramos en los entornos escolares. Existen diferentes fuentes, incluyendo la tiza, los arenales o los productos de limpieza, que sería muy fácil abordar. Pero seguramente la intervención más significativa consiste en reducir el tráfico rodado cerca de las escuelas y los caminos escolares (aquí, aquí, aquí).

Reducir el tráfico cerca de las escuelas es una medida polémica porque implica reducir el tráfico en general. Para que se tomen medidas en este sentido debe existir no sólo evidencia científica de sus beneficios sino también una fuerte demanda social. Uno de los colectivos que puede presionar a las administraciones para cambiar los entornos escolares son los propios padres y madres. De hecho, en el último año muchas asociaciones de familias articuladas entorno al movimiento de la Revolta Escolar han cortado el tráfico a la salida de la escuela para reclamar entornos escolares más seguros, silenciosos y limpios, pero es difícil saber si existe una preocupación real entre las familias por esta cuestión. No son pocos los niños y niñas que llegan en coche a la escuela y por tanto quizás hay una mayoría silenciosa de familias que se opone a la pacificación porque dificultaría el acceso a los colegios por transporte privado.

¿En qué medida preocupa la contaminación en los entornos escolares a las familias? ¿Qué medidas son más o menos populares? Para aportar datos sobre esta cuestión, hemos realizado una encuesta entre las escuelas que participan en las protestas de la Revolta Escolar, a la que contestaron 4.450 familias de 70 escuelas en Barcelona y otras ciudades de alrededor. La limitación principal de estos datos es que provienen de una muestra urbana y autoseleccionada en el sentido de que se distribuyó en escuelas donde hay activismo medio-ambiental. Pero la muestra tiene dos fortalezas: su tamaño y que se trata de escuelas en las que se ha producido este debate a raíz de los cortes de tráfico. Es un tipo de acción que en ocasiones provoca una reacción contraria y por tanto son entornos en que las opiniones sobre este tema están cristalizadas.

Encontramos en primer lugar que el 86% de las personas encuestadas piensan que la contaminación ambiental alrededor de su escuela es excesiva y el 79% considera excesivo también el ruido que viene del tráfico rodado. El 80% piensa que los coches y motos van muy rápidos alrededor de la escuela.

No parece que llegar en coche a la escuela sea una necesidad acuciante en estos entornos urbanos: el 74% vive a menos de 15 minutos caminando de la escuela y sólo el 11% de los padres y el 7% de las madres lleva a los niños o niñas en transporte privado al menos una vez por semana. De lejos, la forma de transporte más frecuente es ir andando. A pesar de eso, la mayoría no se plantea que los niños o niñas vayan solos a la escuela. El 80% considera que el camino a la escuela no es suficientemente seguro para que un niño o niña de 8 años lo haga solo o en grupo de menores no acompañado. Ello es significativo, porque desde un punto de vista evolutivo los menores tienen suficiente autonomía para realizar trayectos conocidos y cortos a esa edad.

Se ha preguntado también en la encuesta por el apoyo a diferentes medidas concretas. Existe mucho apoyo (más del 90%) a controlar los niveles de contaminación y ruido y reducir el tráfico en calles adyacentes a la escuela. La medida concreta que menos apoyo suscita, previsiblemente, es eliminar plazas de aparcamiento en los accesos a los centros escolares, pero aún así el 77% la apoya. A pesar de los posibles sesgos, los datos sugieren que existe una preocupación significativa entre las familias por la contaminación y que el apoyo a medidas que las administraciones intervengan es muy mayoritario. En todo caso, el estudio no está cerrado, y escuelas interesadas pueden participar escribiendo a enquestarevolta@gmail.com.  

Recientemente, hemos conocido las listas completas de las candidaturas a las elecciones a la Asamblea de Madrid del próximo 4 de mayo. Los partidos deben cumplir con la ley orgánica para la igualdad efectiva de mujeres y hombres de 2007 que dispone que todas las listas deben contar con un 40% de mujeres candidatas y tiene que haber como mínimo dos mujeres en cada tramo de cinco candidatos. Dentro de estos principios generales, los partidos tienen cierto margen para incluir más o menos mujeres y situarlas en mejores o peores puestos.

Por el contrario, no existe ninguna regulación para fomentar la diversidad en dimensiones como la raza, el origen, o la diversidad funcional, con lo que confeccionar listas más o menos diversas es completamente opcional. Esto es relevante si tenemos en cuenta que más de 1.150.000 de personas residentes en Madrid nacieron en el extranjero, más del 18% de la población, y muchas tienen derecho al voto.

En este artículo, analizo la composición de las candidaturas a las elecciones a la Asamblea de Madrid codificando a los candidatos en función de su nombre. Un primer indicador de igualdad de género es el porcentaje de mujeres sobre el total de 136 candidatos, que puede oscilar entre el mínimo del 40% marcado por la ley, superar el umbral del 50%, o incluso acercarse a un 60%. Un indicador quizás más significativo es el porcentaje de mujeres en los primeros puestos de las listas. Aunque según el partido, el número de puestos que podemos considerar “de salida” varía mucho, he calculado el porcentaje sobre los 10 primeros puestos. El primer gráfico muestra ambos indicadores.

Figura 1: Porcentaje de mujeres en las listas electorales a la Asamblea de Madrid

Los partidos de izquierda llevan un porcentaje algo de mayor de mujeres en sus listas sobre el total de 136 candidatos, y las diferencias entre izquierda y derecha se acrecientan si nos fijamos solo en los diez primeros puestos. Mientras que Vox, PP y Ciudadanos solo llevan el mínimo requerido de 4 mujeres en estos 10 puestos, PSOE, Más Madrid y Podemos presentan a 5 y hasta el máximo de 6.

Otro indicador relevante que nos da pistas sobre si los partidos solo cumplen con la ley o interiorizan la paridad es mirar qué ocurre dentro de cada tramo de cinco candidatos que por ley debe incluir al menos a dos mujeres. En la distribución menos paritaria posible, los partidos situarían a hombres en los tres primero puestos de cada tramo y a mujeres en los puestos 4 y 5. En el segundo gráfico se muestran el porcentaje de mujeres en los tres primeros puestos de cada tramo, tanto en los 10 primeros tramos como en el total de la lista.

Figura 2: Porcentaje de mujeres en los tres primeros puestos de cada tramo de cinco

Llama la atención que cuando nos fijamos en esta métrica, aumentan las diferencias entre izquierda y derecha. Solo el 34% de los primeros tres puestos en cada tramo de cinco está ocupado por mujeres en el caso de Vox y ese porcentaje baja al 27% si nos fijamos en los 10 primeros tramos. También el caso del PP es significativo, con solo un 30% de mujeres en los tres primeros puestos de los 10 primeros tramos. Por el contrario, los partidos de derecha respetan el principio de paridad en las posiciones más favorables dentro de cada tramo, y en el caso de Podemos este indicador incluso llega al 60%, una cifra muy elevada.

Es mucho más difícil estudiar la representación política de personas de diferentes orígenes raciales, étnicos y nacionales a partir de los nombres de las personas incluidas en las listas de las candidatura y resulta imposible evaluar el grado de inclusión por diversidad funcional y otras dimensiones. Aunque podemos distinguir claramente a algunas (muy pocas) personas de origen africano o rumano, es mucho más difícil en el caso de las personas de origen latinoamericano. Aun así, un ejercicio muy aproximado en base a los nombres de las candidaturas sugiere que Unidas Podemos es el partido que más esfuerzo ha hecho por incluir a personas de diferentes orígenes en sus listas. A pesar de las limitaciones, cabe poca duda que el porcentaje de candidatos y candidatas de origen no español es muy inferior al porcentaje en la población en general y en la población con derecho a voto.

Para concluir, este análisis sugiere que aunque todos los partidos cumplen formalmente con la ley de igualdad existen diferencias importantes en el grado de compromiso de los partidos políticos con la igualdad efectiva. Los partidos de izquierdas presentan a más mujeres y en mejores puestos. La representación de personas de origen extranjero, en cambio, es claramente una asignatura pendiente.

Finales de año es siempre época de debate sobre los Presupuestos generales, autonómicos y municipales. Este año, además, habrá decisiones trascendentes que tomar sobre a qué dedicar los fondos europeos para la reactivación económica que empezarán a llegar en 2021. A qué se dedique este considerable gasto público dependerá de lo que logren acordar los partidos políticos. Pero, ¿importa realmente qué partido esté en el poder? ¿Existen diferencias sustanciales en las prioridades de gasto entre políticos de diferentes ideologías?

Aunque no podemos saber qué ocurriría si gobernaran partidos diferentes, sí podemos analizar si los políticos de izquierda y de derecha tienen preferencias distintas sobre a qué dedicar un dinero “extra”. Para estudiar esta cuestión, usamos datos de una gran encuesta realizada a más de 1.000 alcaldes y alcaldesas de municipios españoles de más de 2.000 habitantes en 2018 y 2019 donde se les pedía que imaginasen la hipotética situación de que llegase una partida presupuestaria no esperada a su municipio. Preguntamos a qué cuatro áreas entre las 10 más significativas en los presupuestos municipales destinarían estos fondos extraordinarios. El gráfico a continuación muestra los porcentajes de políticos que escogieron cada una de las áreas.

Parece claro que la prioridad de los alcaldes que respondieron a nuestra encuesta es la protección social, siendo escogida como una de las cuatro prioridades por el 77% de los encuestados. A esta le siguen educación, servicios municipales e infraestructuras y transportes, escogidas por el 60%, el 53% y el 50% de los entrevistados respectivamente. Muy por detrás quedan otras áreas como igualdad de género (21%), seguridad y protección civil (21%), deportes (12%) y cultura y fiestas (10%), siendo estas las menos escogidas por los políticos.

Estos datos sirven también para estudiar si políticos de diferentes tendencias ideológicas tienen preferencias distintas. En la misma encuesta se añadió una pregunta de auto-ubicación ideológica, con la clásica escala de 0 al 10. El siguiente gráfico muestra los resultados entre los políticos que se autodefinen como de izquierda (escogen una posición entre 0 y 4 en la escala) y los que se autodefinen como de derecha (entre 6 y 10).

Los políticos de izquierdas dan más prioridad que la media a áreas sociales tales como protección social (85%), educación (64%) o igualdad de género (28%). Para los políticos de derechas el orden de estas preferencias cambia y dan una clara prioridad a las infraestructuras y transportes, siendo esta el área más priorizada entre los alcaldes de derechas (69%). En cambio, los alcaldes de derechas escogen la igualdad de género entre las cuatro principales prioridades de gasto extra en mucha menor medida que la media (10%). Infraestructuras y transportes presenta diferencias entre izquierdas y derechas de unos 20 puntos porcentuales. Encontramos también que los alcaldes de derechas priorizan mucho más la seguridad ciudadana que el resto de grupos, con diferencias de unos 10 puntos porcentuales. El área de igualdad de género es una de las que muestra mayores diferencias, con 17 puntos porcentuales de distancia entre políticos de izquierdas y derechas. 

Otro dato curioso es que los políticos de diferentes ideologías parecen estar de acuerdo en algunas prioridades. El porcentaje que escoge educación, sanidad, o deportes como prioridad es muy similar en ambos grupos.

Llama la atención que la sanidad no era antes de la pandemia un área al que ni izquierdas ni derechas dieran una gran prioridad. Tan solo el 30% de los políticos escogieron sanidad como área de preferencia para destinar los recursos, en una sexta posición. Sería muy interesante poder observar si las prioridades de los alcaldes han cambiado en la actualidad a consecuencia de la pandemia.

¿Son estas diferencias en preferencias importantes o pequeñas? ¿Acaban reflejándose en presupuestos muy distintos según la ideología de los partidos que gobiernen? Aunque quedan muchas preguntas abiertas, lo que parecen mostrar estos datos es que izquierdas y derechas están básicamente de acuerdo sobre la prioridad relativa de varias áreas de gasto, incluidas sanidad y educación, mientras que sobre otras áreas como infraestructuras, seguridad o género existen discrepancias ideológicas más intensas. Seguramente es en estas áreas dónde más cambien los presupuestos según quién gobierna.

Los años entre 2016 y 2019 fueron de un gran auge del movimiento feminista. En este post analizamos con qué frecuencia escribieron sobre temas relacionados con el género los parlamentarios electos de diferentes partidos políticos en Twitter y el éxito de estos mensajes entre sus seguidores. Para ello creamos una base de datos de más de un millón de tuits escritos por parlamentarios y entrenamos un algoritmo en base a clasificaciones hechas por humanos para detectar de forma automática si cada tuit trata sobre temas de género o no en función de las palabras que usa. El algoritmo consiguió clasificar correctamente más del 90% de tuits; una proporción muy alta.  

La atención a temas de género aumentó mucho en este periodo, doblándose del 4% al 8% de tuits y, como es de esperar, observamos un pico cada año en el mes de marzo, coincidiendo con las conmemoraciones del día internacional de la mujer. Las mujeres en política hablan mucho más sobre este tema que los hombres, con un 10% de los tuits dedicados a temas de género, frente a sólo un 3% de los tuits de hombres. 

Los partidos de izquierda dedican más atención a temas de género, siendo Unidas Podemos el partido que más escribe sobre este tema con un 10% de los tuits comparado con sólo un 4% del PP. Vox se sitúa en niveles intermedios.

El contenido de los tuits de género es, por supuesto, muy variado, desde convocatorias del 8 de marzo, a denuncias de casos de acoso y tuits en contra del movimiento feminista. Usando un análisis de sentimiento podemos clasificar los tuits según si usan un lenguaje más positivo o negativo. Aunque se trata de una aproximación, algunos tuits feministas usan también un lenguaje negativo, por ejemplo si critican comportamientos sexistas. El análisis del sentimiento de los tuits revela que Vox escribe en un tono mucho más negativo sobre este tema que el resto de partidos, confirmando la percepción de que toma una posición más agresiva y cargada emocionalmente que otros partidos de derecha como el PP o Ciudadanos.

¿Cómo responden los seguidores a los tuits sobre género? Para medir el éxito de los mensajes, examinamos si los políticos reciben más retuits cuando escriben sobre género que cuando escriben sobre otros temas. En promedio, los tuits sobre género son más retuiteados. En el caso de los políticos de Podemos la diferencia es pequeña, quizás reflejando un cierto cansancio entre los seguidores por la abundancia relativa de mensajes sobre género. Por otro lado, cuando los políticos de Vox escriben sobre género consiguen un impacto mucho mayor del habitual, hasta el doble de reacciones cuando los tuits son sobre género. Si el éxito de Vox se debiera solamente a que los partidos que escriben poco sobre género logran más impacto relativo cuando lo hacen porque no generan cansancio, observaríamos que los tuits del PP, el partido que menos atención presta al tema, también logran mucho impacto. Y sin embargo, los datos muestran que esto no es así.

¿Entonces cuál es la particularidad de Vox? Parece que este partido destaca por el tono extremadamente negativo y emocional en los tuits sobre este tema. Sabemos que, en general, en el entorno de Twitter los mensajes cortos, contundentes y emocionales tienen más éxito que mensajes más ambiguos y complejos. Parece, por tanto, que la retórica extremadamente negativa sobre temas de género que emplea Vox les sirve para atraer interés de los usuarios de redes sociales. Una vez más, y tristemente, comprobamos que polarizar y tensar es una estrategia que resulta exitosa en este entorno, lo cuál puede ayudar a explicar las dinámicas polarizadoras en muchos más temas (pensemos en la independencia de Cataluña o en la COVID-19) en política en los últimos años.

Para finalizar, examinamos si quienes hacen retuits a tuits sobre género son seguidores o seguidoras. Es notable que la gran mayoría de los retuits a Vox son hechos por hombres, con sólo un cuarto de los retuits hechos por mujeres. Twitter es un entorno bastante masculino, pero en el caso de Podemos o el PSOE, más de la mitad de los retuits vienen de mujeres, así pues se trata de una diferencia importante.

Y además, son las políticas de Vox las que consiguen más retuits de hombres, quizás por la legitimidad extra que da que sea una mujer quien lance consignas antifeministas. Por ejemplo, el tuit sobre temas de género de Vox que consiguió más atención fue de Carla Toscano, portavoz de Vox de violencia de género escribiendo “El #8MNoMeRepresenta. La mayoría de las mujeres no tenemos nada que ver con esta panda de mamarrachas resentidas, anticlericales y llenas de odio que sólo consiguen denigrar a la mujer, no dignificarla ”.

El análisis parece confirmar la impresión de que Vox ha encontrado un nicho por explotar, los hombres descontentos con el avance del feminismo, y que las mujeres antifeministas son las portavoces más populares de este mensaje.

La crisis de la COVID-19 está empujando a las empresas a adaptarse a ritmos forzados a la nueva realidad. En muchas industrias será el catalítico que acelere procesos de cambio tecnológico que ya estaban en marcha. Este artículo discute tres tendencias relacionadas con la tecnología en el trabajo y sus consecuencias para el empleo.

Sustitución por automatización

La primera tendencia es la aceleración de la automatización, es decir, la sustitución de trabajadores humanos o parte de las tareas realizadas por estos por capital tecnológico, como robots físicos, asistentes virtuales o software. Las ventajas son evidentes. Las máquinas no enferman, ni contagian, ni tienen dependientes a cargo, por no hablar de que no hacen huelga. La pandemia acelerará la adopción de tecnologías ya existentes en ámbitos variados como la industria, logística y cadenas de distribución, el comercio, transporte o quizás robots limpiadores y cuidadores que no contagien a los mayores.

Ante la necesidad de cumplir con las nuevas normativas sobre espaciación y el deseo de reducir la vulnerabilidad a la disrupción, tiene sentido para las empresas automatizar. Es cierto que puede resultar caro invertir en la tecnología necesaria, pero en algunos casos no habrá otra opción y la investigación apunta a que dichas inversiones en tecnología se realizan especialmente en momentos de crisis. Según la consultora EY, el 41% de los directivos encuestados dijeron que estaban acelerando los procesos de automatización a raíz de la pandemia. Una vez realizadas las inversiones necesarias, es previsible que los puestos de trabajo sustituidos no retornen.

Este tipo de automatización debería producirse, en primera instancia, en ocupaciones rutinarias con tareas más sencillas de programar y para las que las tecnologías adecuadas ya existen.

Teletrabajo y deslocalización

El teletrabajo es uno de los grandes protagonistas de la pandemia. Las empresas y otras instituciones se adaptaron con una rapidez pasmosa. Transiciones que en otras circunstancias hubieran requerido largos debates y formación se llevaron a cabo en días. Por ejemplo, la institución en la que trabajo desarrolló la capacidad de mover toda la docencia online de forma exitosa en un fin de semana.

Una vez puesta en pie la infraestructura requerida para el teletrabajo, es cuestión de tiempo que esta se use para reducir costes laborales contratando a trabajadores cualificados en otros países, pagándoles menores salarios. Si una empresa de ingeniería tiene los sistemas internos para teletrabajar, ¿por qué no despedir a ingenieros autóctonos con salarios altos y contratar a ingenieros indios o chinos?

La madurez de la tecnología para la traducción simultánea automática de textos contribuirá a esta tendencia. Comentaba un amigo hace poco cuánto han mejorado las apps que permiten utilizar los auriculares del teléfono como traductor simultáneo. Seguro que ayuda al clima laboral poder hacer bromas en lengua materna, que los equipos de trabajadores tengan fluidez en la misma lengua será menos imprescindible y, en algunos casos, la ventaja de contratar a trabajadores con salarios bajos se impondrá. Los tipos de trabajadores afectados en este ámbito tocan de lleno a las clases medias como informáticos, técnicos y creativos.

Datos y futuros usos de inteligencia artificial

Hace años que muchos analistas señalan la inteligencia artificial como la tecnología con más capacidad disruptiva en los próximos años. Aunque la palabra evoque imágenes de ciencia ficción, cualquier aplicación útil se basa en el uso de datos para reconocer patrones, poder hacer predicciones y mejorarlas a medida que se obtienen más datos. Y aunque parezca que hay ya muchos datos, a menudo estos son difíciles de usar porque están en distintos formatos, o existen regulaciones que no los permiten, o las cantidades para una tarea en concreto son demasiado pequeñas.

Si China es pionera en inteligencia artificial se debe en buena parte a que el gobierno recopila datos de forma sistemática, como por ejemplo imágenes registradas por cámaras, y los facilita a través de contratos a empresas, con objetivos como el reconocimiento facial de clientes en tiempo real.

La gestión de la pandemia acelerará la creación de enormes bases de datos en formatos útiles, que permitan recopilar y relacionar información personal, por ejemplo para rastrear contactos. Las empresas dispondrán de un rastro mayor de datos generados por los empleados que teletrabajan. Además, es previsible una reducción de los estándares de protección de datos a favor de la efectividad y la urgencia. A medida que haya más bases de datos en formatos tratables y útiles para entrenar modelos, las máquinas imitarán mejor a los humanos, los irán desplazándolos, también en tareas cognitivas.

¿Un aumento masivo del paro tecnológico?

Todo esto no implica un futuro catastrófico con masas de desempleados o pobres. En paralelo a estos procesos, habrá también sectores en crecimiento o totalmente nuevos y muchos trabajadores desplazados podrán reciclarse. Quizás habrá menos comercio internacional, incrementando la producción local de cosas que ahora se importaban. Las incógnitas principales son tres: si el número de nuevos empleos compensará o no los que se pierdan; si estos nuevos empleos serán precarizados (como los repartidores de paquetes a domicilio) o de calidad; y si la velocidad y escala a la que se producen los cambios dará tiempo a los trabajadores para formarse y reciclarse.

La intervención de los poderes públicos será clave. Podemos imaginar políticas de repartición del empleo, jubilaciones anticipadas, empleo público, o una red de seguridad que mitigue el impacto social. Como siempre, que se adopten políticas adecuadas dependerá del apoyo ciudadano, la capacidad del sistema político, y del dinero disponible. Mientras tanto, vayámonos preparando porque el futuro del trabajo ya está aquí.

Casi uno de cada cuatro comentarios que reciben los políticos en Twitter es hostil

Un 2% de los comentarios dirigidos a mujeres políticas es sexista

Los insultos y apelativos que se dirigen de forma diferenciada a políticos y políticas reproducen estereotipos de género

Los políticos españoles son activos en las redes sociales. Más del 85% de los diputados estatales y autonómicos tienen cuentas de Twitter y el número de seguidores es considerable, con unos 17.000 de media en 2018. ¿Cómo es su experiencia en este medio? Este post reflexiona y aporta datos sobre un aspecto concreto de la actividad de los políticos en las redes: La hostilidad que sufren en el día a día. Además de examinar el volumen de comentarios insultantes que reciben los políticos, analizamos si el contenido varía en función de su sexo.

Para analizar la cantidad de comentarios hostiles que reciben los políticos en su cotidianidad, con Javier Beltrán, Alba Huidobro y Yeimy Ospina codificamos a mano 8.767 respuesta de ciudadanos a tweets escritos por políticos entre enero y junio de 2018. En esta muestra, 1.961 mensajes o un 23% del total eran hostiles, aunque el grado de agresividad varía desde el desacuerdo a los mensajes amenazantes o insultantes. Por tanto, la mayoría de tweets que reciben los políticos no son hostiles, pero hay una minoría muy importante que sí lo son.

Algunos ejemplos de comentarios hostiles (recortados para no facilitar su identificación) son: “cobráis sin dar golpe”, “iros a la mierda”, “tú no creas empleo ni en sueños”, “eres la peor socialista de la historia”, “jajajajjajajjja”, “que poca vergüenza tenéis”, “ni proponéis ni solucionáis”, “cada día se os ve más el plumero”, “hijos de puta”, “y una mierda”, “ni una verdad, sigue en tu mundo”, “no se puede ser más demagogo, falso y sinvergüenza”, “ignorante”,  “qué tonterías dices”,“de qué estercolero fascista te han sacado a ti?”, “eres un plasta de cojones”, “lo que nadie entiende es que tú seas diputada”, “qué cara más dura tienes”, “no te has enterado”, “qué asco das”, y así cientos y cientos de comentarios. Nos hemos acostumbrado a leer comentarios hirientes, pero vale la pena parar un minuto para pensar sobre cómo nos sentiríamos al recibir un mensaje así.

Tres factores se conjugan para explicar tanta hostilidad.  Una característica bien conocida de la interacción no presencial es que es mucho menos costoso psicológicamente ser hostil con alguien a quien no miramos a los ojos. Seguramente pocas profesiones están tan desprestigiadas y sufren tantos estereotipos negativos como la de políticos. El tercer factor es la polarización política actual, como se ve en la muestra en los muchos comentarios agresivos hacia políticos independentistas.

¿Reciben hombres y mujeres en política diferentes tipos de comentarios hostiles? Para examinar esta cuestión, codificamos manualmente los tweets de la muestra como sexistas o no sexistas. En este caso, encontramos que los tweets claramente sexistas son pocos: menos de un 1% del total y entre un 2% y 3% de los que reciben las mujeres, aunque algunos de estos mensajes pueden ser profundamente ofensivos. 

Para mirar si un tipo de insultos se dirige particularmente contra hombres o contra mujeres hemos usado métodos de machine learning para analizar más de 200.000 respuestas dirigidas a políticos. Con una regresión Lasso predecimos el sexo del receptor con todas las palabras usadas en los mensajes. Los resultados muestran qué palabras se usan más a menudo para dirigirse o bien a hombres o bien a mujeres. De éstas, seleccionamos los posibles insultos y los apelativos familiares, que dan información valiosa sobre cómo tratamos a las personas.

Vemos que los insultos que sobre todo se usan en contra de políticos hombres se refieren a su capacidad (gilipollas, imbécil, payaso) y su lealtad (chaquetero, traidor). Entre los insultos que se dirigen más frecuentemente contra políticas que contra políticos encontramos los clásicos (fea, zorra, estúpida), así como insultos relacionados con la corrupción (choriza, cleptómana) y con el fascismo (hitleriana, fascista).

Por último, vemos claras diferencias en cómo nos dirigimos con apelativos familiares a hombres y mujeres. Mientras que a los políticos se les llama con términos como majete, tío o chaval, entre los apelativos que se usan más a menudo para dirigirse a políticas encontramos numerosas referencias al aspecto físico como guapi, guapa, rubia, hermosa o bonita.

Cabe especular sobre qué consecuencias tiene esta agresividad sobre los políticos. Una es replegarse y enviar mensajes unidireccionales interactuando poco con los ciudadanos. La dureza de las redes seguramente también afecta a quién decide entrar en política y cómo cambian aquellos que entran. Quizás hoy menos que nunca, es muy difícil que las personas sensibles se sientan cómodas en política. Finalmente, es alarmante que como sociedad normalicemos esta humillación constante.

Los ciudadanos creen que el impacto de las nuevas tecnologías en el trabajo es en general positivo

Hay grandes diferencias en actitudes según el nivel educativo

Los más educados ven el cambio tecnológico como una oportunidad, mientras que a los menos educados les preocupa la destrucción de empleo

Las nuevas tecnologías digitales están transformando muchos puestos de trabajo y seguirán haciéndolo en el futuro. En algunos aspectos los trabajadores claramente salimos ganando. Las nuevas tecnologías permiten dejar de hacer algunos de los aspectos más rutinarios, pesados o incluso peligrosos de un trabajo, y las tareas se pueden volver más interesantes. Pero para muchos trabajadores las nuevas tecnologías suponen una amenaza ya que podríamos ser sustituidos por máquinas que hacen la misma tarea que trabajadores humanos pero sin pausas para el café, de forma más barata y pudiendo trabajar 24 horas sin reclamar aumentos de sueldo. La introducción continua de nuevas tecnologías supone también para el trabajador una presión constante para reciclarse profesionalmente.

La visión de los trabajadores sobre el cambio tecnológico en el trabajo es relevante para la economía y la política. Para las empresas, que los trabajadores vean las nuevas tecnologías como una oportunidad y no como una amenaza supone un incentivo a invertir en capital tecnológico puesto que se encontrarán con menos resistencia. En el sistema político, el impacto traumático de la sustitución de trabajadores por robots y otras tecnologías podría estar alimentando los discursos populistas o a Donald Trump, que prometen el retorno a tiempos mejores. 

A pesar de la importancia de este tema, sabemos muy poco sobre las opiniones de los trabajadores sobre el cambio tecnológico. En general, ¿lo ven con miedo o con esperanza? ¿Qué tipo de trabajadores se sienten más amenazados por la introducción de nuevas tecnologías? Y finalmente ¿qué aspectos en concreto preocupan a los trabajadores? Este artículos presenta datos muy recientes (de noviembre de 2018) de una encuesta online realizada con Alex Kuo (Oxford University), Pepe Fernández Albertos (CSIC) y Dulce Manzano (Universidad Complutense de Madrid). 

En primer lugar, hicimos a los más de 4000 encuestados la siguiente pregunta (el enunciado intenta ser equilibrado, puesto que sería muy fácil empujar a los encuestados a contestar de manera negativa mencionando sólo los riesgos): “Las nuevas tecnologías en el trabajo pueden destruir empleo y reducir salarios si los ordenadores o máquinas realizan trabajos previamente realizados por personas. También pueden crear empleo y aumentar salarios si dan lugar a nuevos productos y hacen a los trabajadores más productivos. En conjunto, ¿crees que los cambios tecnológicos en el trabajo tienen consecuencias negativas o positivas para los trabajadores?” Luego preguntábamos también sobre el impacto en el caso del propio entrevistado. En el gráfico se muestran las respuestas:

La mayoría de ciudadanos piensa que el cambio tecnológico tiene consecuencias positivas sobre el trabajo en general y sobre su empleo en particular. La gran mayoría piensa que el impacto será positivo o muy positivo. Este resultado parece sorprendente dado el énfasis en los medios de comunicación sobre el riesgo de que los robots desplacen a trabajadores y generen desempleo, pero seguramente cuadra bien con la experiencia de muchos trabajadores que han notado cambios, ya sea en términos de seguridad, interés, salario o incluso prestigio, cuando sus empleos se han digitalizado. 

Aunque la percepción del impacto de las nuevas tecnologías sea en general positiva, es posible que algunos grupos sufran más las consecuencias negativas. Seguramente las personas con menos nivel educativo tienen mayor riesgo de ser sustituidas por máquinas y más dificultades para adaptarse que las que tienen más estudios. El siguiente gráfico muestra que la percepción del impacto de la introducción de nuevas tecnologías en el trabajo varía muchísimo según el nivel educativo. Mientras que el 31% de los que tienen estudios de EGB, ESO, FP básico o similares piensan que las consecuencias serán negativas, este porcentaje es mucho más reducido entre los universitarios (entre un 12 y un 14%).

Finalmente, para entender mejor la visión de los ciudadanos, les preguntamos directamente qué pensamientos o emociones les surgen al pensar sobre el cambio tecnológico en el entorno laboral. Los resultados se presentan en una nube de palabras, separadamente para las personas con un bajo nivel educativo (EGB, ESO, FP1 o similar) y los que tienen estudios universitarios.

Para crear las nubes de palabras primero se han agrupado palabras muy similares que aparecían en diferentes versiones (por ejemplo destruir, destrucción, destruye) y luego se han borrado manualmente las palabras comunes que no aportan información (verbos, preposiciones, etc.). El tamaño con el que se representan las palabras indica si aparecen éstas son mencionadas de forma frecuente en las preguntas abiertas.

Vemos que las personas menos educadas mencionan algunas palabras positivas como mejora, positivas o facilitar, pero encontramos también una gran abundancia de términos negativos relacionados con el desempleo (empleos, desempleo, paro, destruir, sustituir), así como sentimientos negativos (incertidumbre, necesidad, inseguridad, tristeza). En el caso de los universitarios, destacan las palabras positivas como oportunidades, mejora, avance, facilitar), algunas de carácter más técnico como productividad, eficiencia, eficacia y muchas relacionadas con la necesidad de adaptarse como reciclarse, actualizarse, formación, estudiar. En términos negativos destaca además del concepto destrucción el de incertidumbre.

Así pues, el cambio tecnológico en el trabajo en general es percibido como positivo, pero el miedo está mucho más presente entre los trabajadores con menor nivel educativo, a quienes preocupa en particular la destrucción de empleo.

Datos de encuesta sugieren que los votantes con estudios universitarios prefieren a políticos más educados pero no discriminan entre tener estudios de grado o posgrado

Que un político tenga estudios de posgrado

reduce

el apoyo a un candidato entre los votantes menos educados

Añadir un máster o doctorado al currículum para atraer votantes no sale a cuenta y puede ser contraproducente

Según estamos viendo este año, no es infrecuente que políticos inflen sus currículums añadiendo másteres y posgrados que no han cursado o que han cursado sin realizar todo el trabajo exigido. Cabe preguntarse por las motivaciones que impulsan esta práctica deshonesta. Quizás estas personas piensan que obtendrán más respeto de sus partidos si tienen titulación de posgrado, o bien se les considerará más expertos. Otra motivación es creer que tener un posgrado puede gustar a los votantes.

Este post usa datos de encuesta para examinar si los votantes prefieren a políticos con más formación usando una metodología científica rigurosa, un tipo de diseño experimental llamado “conjoint experiment”. Esta técnica proviene de estudios de márketing y es muy usada en Ciencia Política (Hainmueller, Hopkins y Yamamoto). La idea básica es que a la hora de escoger entre dos opciones se pueden tener en cuenta muchas consideraciones. Por ejemplo, al escoger un coche consideramos la potencia, el consumo, el precio, los acabados o la forma. Un tipo de personas puede darle mucha importancia a una dimensión, y a otras importales más otra. En un experimento de tipo conjoint, las personas tienen que escoger entre dos productos o perfiles hipotéticos que difieren en varias dimensiones con valores definidos de forma aleatoria. Luego, mediante un análisis de regresión, podemos examinar qué factores pesan en mayor medida en la elección, y si a distintos tipos de personas les importan factores distintos.

En una encuesta pedí a los 1424 participantes escoger entre dos personas hipotéticas interesadas en ser candidatos a las elecciones municipales de un mismo partido. A continuación se describía a dos personas que variaban en cuatro aspectos: su nivel educativo (que podía ser educación primaria, secundaria, universitaria o de posgrado ya fuera máster o doctorado), su género, su edad, el tipo de familia en que convivían. A los encuestados se les preguntaba a cuál de los dos candidatos hipotéticos preferirían. Por ejemplo, podían encontrar dos perfiles como los siguientes (el número real de combinaciones mostradas es muy elevado): 

En base a las respuestas podemos calcular si un atributo aumenta o reduce la probabilidad de que se seleccione a un candidato respecto a otro. Por ejemplo, si el coeficiente de ser mujer es -0.15, significa que el hecho de ser mujer reduce la probabilidad de que un candidato hipotético sea elegido en 15 puntos porcentuales, una diferencia importante.

Utilizo este procedimiento para examinar si tener estudios de posgrado aumenta el apoyo electoral a un candidato. Ello sugeriría que mentir respecto a este aspecto del currículum vitae es rentable electoralmente porque podría aumentar el apoyo de los ciudadanos a una persona que quiera presentarse a elecciones. Una posibilidad interesante es que no todos los votantes consideren igual de relevante la educación de los políticos. Quizás sólo los votantes más educados prefieren a políticos más educados mientras que a las personas les importe menos.

El siguiente gráfico muestra qué aspectos de la descripción de un candidato afectan la probabilidad de que un ciudadano lo elija. Los resultados se separan según el nivel educativo del propio encuestado para ver si los votantes con estudios universitarios valoran aspectos diferentes que los votantes con estudios secundarios o primarios.

Un primer resultado interesante es que ser mujer perjudica a los candidatos en este ejercicio hipotético, puesto que reduce su probabilidad de ser elegidos. Los votante parecen preferir a personas de mediana edad, en la treintena o cuarentena, por encima de los candidatos mayores. La situación familiar parece tener poco impacto sobre las preferencias. 

Respecto a la educación de los políticos, los votantes con educación universitaria (los coeficientes en forma de cuadrado) muestran una fuerte preferencia por los candidatos con formación universitaria frente a los que tienen educación primaria. Sin embargo, no distinguen entre tener un grado universitario o un máster o doctorado. Los coeficientes son de 0.4, un valor muy elevado, pero idéntico en ambos casos.

El resultado más interesante es el efecto de la educación de los candidatos sobre las preferencias de los votantes con menor nivel educativo. También en este caso vemos que los votante prefieren a candidatos con formación universitaria a aquellos que tienen estudios primarios. Sin embargo, tener un título de máster o doctorado no ayuda a estos candidatos hipotéticos respecto a tener “solo” un grado. De hecho, el coeficiente es menor. Parece que los candidatos con estudios de posgrado pueden incluso despertar cierta antipatía entre los ciudadanos con menor nivel de estudios, quizás por ser percibidos como más arrogantes o más lejanos. 

Las implicaciones son claras. Añadir un máster al currículum si ya se tiene un título de grado no hace ganar apoyos de los ciudadanos. Mentir, aparte de ser deshonesto, es contraproducente.