“Los usuarios desarrollan 'teorías populares algorítmicas' — explicaciones informales de cómo funcionan los sistemas opacos que guían su comportamiento y estrategias de resistencia”

• Afirmación: Los usuarios desarrollan "teorías populares" de los algoritmos — explicaciones informales del funcionamiento de sistemas opacos que guían su comportamiento y estrategias de resistencia
• Veredicto: PARCIALMENTE VERDADERO
• Nivel de evidencia: L2 — múltiples estudios científicos confirman la existencia de teorías populares algorítmicas, pero su precisión e influencia en el comportamiento varían
• Anomalía clave: Las teorías populares son a menudo técnicamente inexactas, pero demuestran una comprensión sofisticada de los modelos de negocio de las plataformas y los incentivos estructurales, lo que cuestiona la división tradicional entre conocimiento "experto" y "de usuario"
• Verificación de 30 segundos: Estudios sobre TikTok, Tinder y otras plataformas documentan que los usuarios efectivamente crean teorías informales sobre el funcionamiento de los algoritmos (S004, S010), pero estas teorías existen en un espectro de precisas a erróneas, y su influencia en el comportamiento está mediada por múltiples factores

Steelman — qué afirman los defensores del concepto

El concepto de "teorías populares algorítmicas" (algorithmic folk theories) representa un intento académico de legitimar el conocimiento de los usuarios sobre sistemas tecnológicos opacos. Según este concepto, los usuarios de redes sociales, aplicaciones de citas y otras plataformas gestionadas algorítmicamente desarrollan explicaciones intuitivas e informales sobre cómo funcionan estos sistemas (S004, S007).

Un estudio clave de Karizat y colegas (2021) sobre TikTok demuestra que los usuarios no solo consumen contenido pasivamente, sino que forman activamente teorías sobre cómo el algoritmo determina la visibilidad, las recomendaciones y la identidad (S004, S009). Estas teorías influyen en el comportamiento de los creadores de contenido: experimentan con hashtags, horarios de publicación y formatos de video, intentando "engañar" u "optimizar" el algoritmo.

Los defensores del concepto sostienen que las teorías populares cumplen varias funciones (S001, S008):

• Función cognitiva: ayudan a los usuarios a dar sentido al comportamiento impredecible de los sistemas en condiciones de asimetría informativa
• Función práctica: guían estrategias de interacción con las plataformas, desde la optimización de contenido hasta la resistencia a efectos no deseados
• Función social: crean marcos compartidos de comprensión dentro de las comunidades de usuarios, formando conocimiento colectivo
• Función política: sirven como base para la crítica de las plataformas y las demandas de transparencia

Un argumento particularmente importante es que las teorías populares pueden revelar problemas reales de los sistemas algorítmicos que no son visibles para los desarrolladores o investigadores. El comentario de Are (2024) enfatiza que la comunidad académica corre el riesgo de reproducir la desigualdad de la moderación de contenido si rechaza los informes de usuarios sobre procesos algorítmicos ocultos (shadowban, etiquetado malicioso) como "mera percepción" (S001, S008).

Qué muestran realmente las evidencias

Los estudios empíricos confirman la existencia de teorías populares algorítmicas, pero con advertencias sustanciales respecto a su precisión, prevalencia e influencia.

Ejemplos documentados de teorías populares

La investigación sobre Tinder (S010) identificó una nueva teoría popular del "conflicto de intereses": los usuarios creen que la plataforma retiene intencionalmente las coincidencias óptimas para prolongar el uso de la aplicación. El análisis de 7,043 reseñas y 30 entrevistas mostró que los usuarios sospechan de tres mecanismos: (a) limitación de la visibilidad de perfiles, (b) manipulación de coincidencias, (c) recomendación de perfiles no coincidentes (S010).

Esto no es simplemente una fantasía paranoica — la teoría refleja la comprensión de una contradicción fundamental entre el objetivo declarado de la plataforma (ayudar a encontrar pareja) y el modelo de negocio (maximizar el tiempo de uso y las suscripciones). Los usuarios desarrollaron contraestrategias: comportamiento contraintuitivo (violación intencional de las supuestas reglas del algoritmo) y filtrado por ubicación para diversidad y seguridad (S010).

La investigación sobre redes sociales chinas (S002) documenta teorías populares sobre el aumento de la popularidad del contenido. Los usuarios desarrollaron representaciones complejas sobre cómo los algoritmos evalúan el engagement y adaptaron estrategias de resistencia basadas en estas teorías (S002, S010).

El problema de la precisión

Es críticamente importante que las teorías populares sean a menudo técnicamente inexactas. Una revisión sistemática de la toma de decisiones algorítmica en organizaciones (90 artículos, metodología PRISMA) reveló que las representaciones de los usuarios sobre los algoritmos están mediadas por múltiples factores: equidad percibida, confianza, incertidumbre de roles, trabajo interpretativo y reduccionismo (S009).

La investigación sobre la percepción de la discriminación algorítmica en el contexto de recomendaciones personalizadas (S011, S012) mostró que diferentes usuarios desarrollan teorías populares contradictorias para explicar los mismos fenómenos. Esto indica que las teorías populares reflejan más los sesgos cognitivos y el contexto social de los usuarios que el funcionamiento real de los algoritmos.

Dinámicas de poder y resistencia

Una revisión sistemática de la creación de contenido en entornos algorítmicos (S007) identificó cuatro temas: (1) racionalidad de mercado subyacente a la visibilidad, (2) desplazamiento de poder a través de teorías populares, (3) control neo-normativo a través de algoritmos, (4) subversión de fantasías idealizadas sobre las plataformas.

Conclusión clave: los algoritmos mantienen el dominio sobre los creadores a través de relaciones de poder dinámicas, y las fantasías neoliberales justifican y sostienen el poder algorítmico (S007). Las teorías populares pueden desplazar el poder, pero también perpetúan malentendidos — los usuarios pueden gastar esfuerzos en estrategias que no funcionan o evitar acciones que serían efectivas.

Limitaciones metodológicas

La investigación de teorías populares enfrenta un problema fundamental: es imposible verificar la precisión de las teorías de los usuarios sin acceso a los algoritmos reales, que las plataformas mantienen en secreto. Esto crea un callejón sin salida epistemológico — podemos documentar que los usuarios creen X, pero no podemos determinar si X es verdadero (S001, S008).

El comentario de Are (2024) sostiene que la revisión por pares académica puede inadvertidamente reforzar esta desigualdad, exigiendo pruebas "rigurosas" para fenómenos que por definición están ocultos a los investigadores (S001). Esto es paralelo a culpar a las víctimas en casos de violencia — las plataformas se benefician de desacreditar los informes de los usuarios.

Conflictos e incertidumbres

Tensión entre transparencia y opacidad

El Marco Integrativo de Alineación de Tensiones (ITA Framework) de la revisión sistemática de 90 artículos identifica transparencia ↔ opacidad como una de las cuatro tensiones fundamentales en la toma de decisiones algorítmica (S009). La transparencia no es una solución simple al problema de las teorías populares:

• Transparencia excesiva puede sobrecargar a los usuarios o revelar ventajas competitivas de las plataformas
• Transparencia parcial puede crear una ilusión de comprensión, reforzando teorías populares erróneas
• Opacidad estratégica puede ser necesaria para prevenir manipulaciones (por ejemplo, filtros de spam)

La confianza surge de múltiples factores, incluyendo equidad percibida, autonomía y alineación de intereses, no solo de la transparencia (S009).

Autenticidad versus optimización

Una serie de cinco experimentos preregistrados (N=654, 555, 631, 177, 526) mostró que las personas prescriben intuición para decisiones críticas para la autenticidad, incluso cuando el enfoque algorítmico o deliberado produciría mejores resultados objetivos. Esto sugiere una tensión fundamental entre la optimización algorítmica y los valores humanos de autenticidad y autonomía.

Las teorías populares pueden reflejar esta tensión — los usuarios resisten la optimización algorítmica no solo porque malinterpretan cómo funcionan los algoritmos, sino porque rechazan fundamentalmente la lógica de la optimización en ciertos dominios de la vida (S009).

Homogeneidad de la información

La investigación sobre teorías populares de homogeneidad de la información (S006) muestra que los usuarios tienen concepciones variadas sobre cómo los algoritmos crean burbujas de filtro y cámaras de eco. Algunos usuarios creen que los algoritmos los exponen principalmente a contenido similar, mientras que otros creen que ven contenido diverso. Estas teorías populares contradictorias coexisten dentro de las mismas plataformas.

Riesgos de interpretación

Romantización del conocimiento de los usuarios

Existe el riesgo de romantizar las teorías populares como una forma de "conocimiento desde abajo" que desafía el poder corporativo. Si bien las teorías populares pueden revelar problemas reales, también pueden perpetuar desinformación, teorías conspirativas y comportamientos contraproducentes (S007, S009).

La investigación sobre acoso en línea (S007) muestra que las teorías populares sobre cómo funcionan los algoritmos de moderación pueden llevar a los usuarios a evitar reportar abusos o a desarrollar estrategias de evasión que en realidad no funcionan.

Falsa dicotomía entre conocimiento experto y popular

El marco conceptual de Are (2024) desafía la distinción entre conocimiento "experto" (académico/técnico) y "popular" (usuario), argumentando que los usuarios marginalizados a menudo tienen conocimiento experiencial sobre el funcionamiento de los algoritmos que los investigadores externos no pueden acceder (S001, S008).

Sin embargo, esto no significa que todas las teorías populares sean igualmente válidas. El desafío es desarrollar marcos epistemológicos que puedan valorar el conocimiento de los usuarios sin abandonar los estándares de evidencia empírica.

Instrumentalización por las plataformas

Las plataformas pueden explotar las teorías populares para su beneficio. Si los usuarios creen que ciertos comportamientos aumentan la visibilidad (publicar a ciertas horas, usar ciertos hashtags), pueden aumentar su actividad en la plataforma incluso si estas creencias son incorrectas. La opacidad algorítmica puede ser estratégica — mantiene a los usuarios adivinando y experimentando (S007, S010).

Daños sociotécnicos

La taxonomía de daños de sistemas algorítmicos (S013) identifica múltiples categorías de daño que pueden resultar tanto de los algoritmos mismos como de las teorías populares sobre ellos: daños de representación, daños de oportunidad, daños de autonomía y daños de calidad de información.

Las teorías populares inexactas pueden llevar a los usuarios a tomar decisiones que los perjudican — por ejemplo, autocensura basada en creencias incorrectas sobre shadowbanning, o inversión de tiempo y recursos en estrategias de optimización que no funcionan (S001, S007, S010).

Conclusión metodológica

La evidencia confirma que los usuarios desarrollan teorías populares sobre algoritmos y que estas teorías influyen en el comportamiento, pero con importantes calificaciones:

• Las teorías populares varían ampliamente en precisión, desde perspicaces hasta completamente erróneas
• Su influencia en el comportamiento está mediada por confianza, contexto social, alfabetización técnica y otros factores
• Pueden tanto empoderar a los usuarios (revelando problemas reales) como perjudicarlos (perpetuando malentendidos)
• La opacidad algorítmica hace imposible verificar definitivamente la mayoría de las teorías populares
• Existe una tensión fundamental entre valorar el conocimiento experiencial de los usuarios y mantener estándares de evidencia empírica

El veredicto PARCIALMENTE VERDADERO refleja esta complejidad: las teorías populares algorítmicas existen y son importantes, pero no de la manera simple y empoderadora que algunos defensores sugieren (S001-S013).