Content-dependent biases in social learning strategies : a multiscale approach

Abstract

In this thesis, we have quantified the influence of content-dependent biases in social learning strategies. Our theoretical framework combines agent-based models and Bayesian inference to measure content-dependent biases in large-scale social learning strategies. Our first empirical study measures the impact of social transmission biases in Twitter. The novelty of the second study is two-fold: ours is one of the rare uses of computational modelling in historical Roman Studies and one of the first tests of the impact of success bias across large spatial and temporal scales.

El contenido de lo que aprendemos socialmente moldea la evolución de la cultura humana. En esta tesis hemos cuantificado la influencia de diferentes estrategias de aprendizaje social analizando procesos culturales en diferentes escalas. Se propone un marco teórico que combina los modelos basados en agentes y la inferencia bayesiana para detectar sesgos dependientes de contenido en la evolución cultural. El análisis se realizará sobre tres escenarios diferentes: un escenario teórico, que revela el potencial del sesgo de éxito, y dos casos de estudio empirico que representan distintas escalas espacio-temporales. En el primer caso, se estudia la influencia de transmisión social dependiendo del contenido de diferentes clases de noticias online, mientras que en el segundo se analiza la influencia de los sesgos de éxito en los cambios de distribución de vajillas en el este del Imperio Romano.

The content of what we learn shapes the evolution of human culture and society. In this thesis, we have quantified the influence of content-dependent biases in social learning strategies. Our theoretical framework combines agent-based models and Bayesian inference to measure content-dependent biases in large-scale social learning strategies. Our first empirical study measures the impact of social transmission biases in Twitter. The novelty of the second study is two-fold: ours is one of the rare uses of computational modelling in historical Roman Studies and one of the first tests of the impact of success bias across large spatial and temporal scales.