رفتن به نوشته‌ها

برچسب: شبکه

به‌کارگیری ریاضیات برای بررسی تاثیر انسان‌ها بر عقاید یکدیگر 

این مطلب نخستین بار در نشانی زیر منتشر شده و متن پیش رو ترجمه‌ای از آن است.
(CC BY)
Using Mathematics to Study How People Influence Each Other’s Opinions

انسان‌ها گاهی عقاید خود را در حین بحث با یکدیگر تغییر می‌دهند. محققان می‌توانند با استفاده از ریاضیات این تغییر نظرات را در رویدادهای ساده شده زندگی روزمره بررسی کنند. این سناریوهای ساده شده که در واقع مدل‌های ریاضی هستند به دانشمندان کمک می‌کنند تا تاثیر انسان‌ها بر یکدیگر را از طریق ارتباطات اجتماعی بررسی کنند. در دنیای دیجیتال امروز این مدل‌ها می‌توانند به ما کمک کنند تا یاد بگیریم چگونه اطلاعات درست را ترویج و پخش کنیم و جلوی پخش اطلاعات نادرست را بگیریم. در این مقاله ما یک مدل ساده ریاضی برای تغییرات ایده‌ها، که برخاسته از بر همکنش‌های اجتماعی است را بررسی می‌کنیم. ما به طور خلاصه شرح می‌دهیم که مدل‌های تغییر نظرات چه به ما می‌گویند و چگونه دانشمندان سعی می‌کنند آنها را واقعی‌تر کنند.
Front. Young Minds. 12:1253153. doi: 10.3389/frym.2024.1253153

دانشمندان چگونه تغییر نظرات را بررسی می‌کنند؟

در داستان کوتاه «به سوی ابدیت» نوشته الیزابت بر یکی از شخصیت‌های داستان می‌گوید: عقاید همانند بچه گربه‌ها هستند، مردم همیشه آنها را به دیگران می‌بخشند، همه نظراتی دارند نظرات ما در طول زمان تغییر می‌کنند و اکثر مواقع نظرات ما تاثیر گرفته از نظرات دیگران هستند. بسیاری از دانشمندان تغییر عقاید در طول زمان و اثر انسان‌ها روی آنها را بررسی می‌کنند​. آنها اغلب از ریاضیات برای بررسی این ایده‌ها و پیش‌بینی در مورد چگونگی تغییر دیدگاه‌ها و شکل‌گیری دیدگاه‌های مشترک مردم استفاده می‌کنند.

تصور کنید که مدرسه شما در حال طراحی دوباره لوگوی مدرسه و رنگ آن باشد. مدیر مدرسه اعلام کرده است که هیئت امنای مدرسه دو رنگ ممکنه یعنی آبی و قرمز را انتخاب کرده‌اند و دانش آموزان می‌توانند با رای گیری انتخاب کنند کدام یک از این دو رنگ اصلی مدرسه باشد. در طول ناهار شما و دوستانتان به دور یک میز نشسته‌اید و در حال بحث در مورد رنگ جدید هستید. فرض کنید که در هر زمان تنها دو نفر از شما در حال بحث در مورد رنگ باشند. همینطور فرض کنید که شما رنگ قرمز را ترجیح می‌دهید. شما  به سمت یکی از دوستانتان برمی‌گردید تا در مورد رنگ بحث کنید. دوستتان به شما می‌گوید که رنگ آبی روی تیشرت‌های مدرسه بهتر به نظر می‌رسد و شما را متقاعد می‌کند که آبی را ترجیح دهید. بعد از آن دوست دیگری به سمت شما برمی‌گردد تا در مورد رنگ با شما صحبت کند و شما این دوستتان را متقاعد می‌کنید که او هم آبی را ترجیح دهد. تصور کنید که این صحبت‌های دوتایی تا زمانی که در نهایت همه سر میز ناهار متقاعد شوند که یک رنگ را انتخاب کنند ادامه داشته باشد.

ما می‌توانیم فرآیند مباحثه‌ای که گفته شد را با یک مدل ریاضی بررسی کنیم​. محققان از مدل‌های ریاضی استفاده می‌کنند تا تغییر نظرات به خاطر برهم کنش‌های اجتماعی را بررسی کنند، همانند آنچه که در صحبت‌های میز غذا رخ داد. محققان اغلب مدل‌های ساده را که به راحتی قابل فهم هستند را بررسی می‌کنند. یکی از مدل‌هایی که محققان برای بررسی آنچه مثل شرایطی که در بالا گفته شد استفاده می‌کنند مدل «رای دهنده» نام دارد که برخلاف نامش هیچ ربطی به رای دادن ندارد. مدل‌های رای دهنده دو جز کلیدی دارند اول: نظر ابتدایی مردم یعنی چیزی که  مردم قبل از بحث کردن با دیگران فکر می‌کنند و دوم یک قانون به روز رسانی: که چگونگی تغییر عقاید مردم را توصیف می‌کند. در مثال ما عقاید اولیه رنگ‌های آبی و قرمزی هستند که دانش‌آموزان در ابتدا ترجیح می‌دهند. برای قانون به روز رسانی در مدل رای دهنده ما به طور تصادفی دو نفر را انتخاب می‌کنیم و سپس به طور تصادفی عقیده یکی از آنها را برای جمعشان بعد از بحث انتخاب می‌کنیم. هر کدام از دو عقیده به طور برابر محتمل هستند. فرض کنید برای انتخاب یکی از عقاید به طور تصادفی یک سکه پرتاب می‌کنیم. اگر دو نفر قبل از بحث عقیده یکسانی داشته باشند همچنان می‌توانیم آنها را انتخاب کنیم که  با یکدیگر در مورد عقیده‌شان صحبت کنند. با این حال در این مورد عقیده‌شان یکسان باقی می‌ماند. این قانون به روز رسانی بحثی را که در آن یک نفر می‌تواند عقیده دیگری را در مورد رنگ مورد علاقه‌اش تغییر دهد شبیه‌سازی می‌کند. این قانون به روز رسانی ساده جزئیات زیادی در مورد کنش روزمره انسان‌ها با یکدیگر به ما نمی‌دهد. به طور مثال این قانون به روز رسانی شامل هیچ خاطره‌ای از بحث‌های گذشته نیست. با این حال با وجود ماهیت ساده لوحانه این قانون همچنان به محققان برای بررسی تغییرات عقاید در طول زمان کمک می‌کند.

در شکل اول ارتباط مدل رای دهنده با مثال ما از دوستانی که در مورد رنگ‌های مورد علاقه‌شان در هنگام ناهار بحث می‌کنند را می‌بینیم. وقتی همه با هم در مورد رنگ توافق می‌کنند به اجماع می‌رسند. وقتی انسان‌ها به اجماع نمی‌رسند ما می‌گوییم که آنها نظرات پراکنده دارند به این معنا که بیش از دو نظر متفاوت وجود دارد. در مدل رای دهنده محققان علاقمندند که بدانند آیا در نهایت مردم به اجماع می‌رسند یا نه و اگر به اجماع می‌رسند چه مدت زمانی طول می‌کشد تا به آن برسند. 

 شکل ۱ – مدل سازی انتخاب رنگ با استفاده از مدل رای دهنده. 

در ابتدا (در زمان t = 0)، هر حیوان آبی یا قرمز را برای رنگ  اصلی مدرسه ترجیح می دهد. در زمان t = 1، پرنده و گربه در مورد رنگ مدرسه بحث می کنند و تصمیم می گیرند که آبی را ترجیح دهند. در زمان t = 2، گربه و خوک در مورد رنگ مدرسه بحث می کنند. آنها یک رنگ را ترجیح می دهند، بنابراین نظرات آنها تغییر نمی کند. در زمان t = 3، سگ و گوسفند در مورد رنگ مدرسه بحث می کنند و تصمیم می گیرند که قرمز را ترجیح می دهند. به روز رسانی نظرات تا زمانی که حیوانات به اجماع برسند ادامه می یابد. در این مثال، در زمان t = 20، همه آبی را ترجیح می دهند. 

ادغام شبکه‌های اجتماعی در مدل‌های عقیده

در مثال رنگ مدرسه‌ای که زدیم گروه کوچکی از دوستان در مورد رنگ ترجیحیشان دو به دو بحث می‌کنند. فرض کنید که این بحث‌ها در مدرسه بزرگی که همه دانش آموزان یکدیگر را نمی‌شناسند رخ می‌دهند. محققان می‌توانند مجموعه روابط اجتماعی داخل مدرسه را با شبکه اجتماعی از  دانش آموزان نشان دهند. دانش آموزان راس‌های این شبکه اجتماعی هستند و روابط اجتماعی که دانش آموزان را به هم متصل می‌کنند را با یال‌ها نشان می‌دهیم. اگر دو نفر با هم رابطه اجتماعی داشته باشند در اصطلاح به آنها همسایه  در شبکه می‌گوییم. در مثال ما  اگر دو راس با هم دوست باشند بین آنها یال وجود دارد. وقتی محققان یک مدل رای دهنده را  روی یک شبکه اجتماعی بررسی می‌کنند تنها راس‌های همسایه می‌توانند روی عقیده یکدیگر تاثیر بگذارند. یعنی آنها فرض می‌کنند که فقط افراد دارای یک رابطه اجتماعی می‌توانند مستقیماً روی یکدیگر تاثیر بگذارند. به عنوان مثال دانش آموزان یک مدرسه تمایل دارند روی دوستان خود تاثیر بگذارد. استفاده از شبکه‌های اجتماعی به محققان امکان مطالعه تاثیر ساختار شبکه( یعنی چه کسی با چه کسی دوست است) بر روی تغییر عقاید را می‌دهد.

یک شبکه اجتماعی دوستی بین دانش آموزان یک مدرسه را در نظر بگیرید. اجازه دهید مدل رای دهنده را روی این شبکه اجتماعی بررسی کنیم. همانند قبل هر دانش آموز در ابتدا قرمز یا آبی را ترجیح می‌دهد با این حال برخلاف مثال اولیه ما که بدون شبکه اجتماعی بود برخی افراد با یکدیگر دوست نیستند. دو نفر تنها در صورتی با یکدیگر در مورد ترجیحات خود صحبت می‌کنند که با هم دوست باشند در هر به روز رسانی مدل ما به طور تصادفی یک جفت دوست را برای صحبت با یکدیگر انتخاب می‌کنیم. یعنی در شبکه اجتماعی دانش آموزان همسایگان را انتخاب می‌کنیم. سپس به طور تصادفی یکی از نظرات آنها را انتخاب می‌کنیم و فرض می‌کنیم که هر دو دانش آموز پس از بحث با این نظر موافق باشند. همانند قبل این به روز رسانی نشان دهنده آن است که یک نفر دوست خود را متقاعد می‌کند که همان رنگی را ترجیح دهد که او ترجیح می‌دهد. در شکل دو نمونه‌ای از نحوه به روز رسانی مدل رای دهنده را در یک شبکه اجتماعی بسیار کوچک مشاهده می‌کنید. نظرات با گذشت زمان تغییر می‌کنند و در نهایت هر دانش‌آموز موافقت می‌کند که به همان یک رنگ رای دهد. یعنی دانش آموزان در نهایت به اجماع می‌رسند. متاسفانه در زندگی واقعی ممکن است زمان زیادی طول بکشد تا به یک اجماع برسیم. یک مدرسه ممکن است برای تصمیم گیری در مورد رنگ انقدر صبر نکند. برای بررسی موقعیت‌های از این دست محققان بررسی می‌کنند که چگونه نظرات در یک مدل رای دهنده در طول زمان مشخصی مانند یک هفته تغییر می‌کنند تا ببینند که آیا اجماع حاصل می‌شود یا خیر. محققین همچنین بررسی می‌کنند که چه مدت زمانی طول می‌کشد تا یک اجماع در شبکه ظهور کند. 

شکل ۲ – نمونه ای از نحوه به روز رسانی نظرات در مدل رأی دهنده در یک شبکه اجتماعی. 

افراد (راس‌ها) دایره های توپر و دوستی‌ها (یال‌ها) خطوط سیاهی است که راس‌ها را به هم متصل می کند. راس‌ها را با نظر آنها (آبی یا قرمز) رنگ می کنیم. در زمان t = 0، ما شبکه اجتماعی و نظرات اولیه همه را نشان می دهیم. برخلاف شکل‌ ۱، فقط دوستان (یعنی راس‌های همسایه) می توانند تعامل داشته باشند. برخی از مردم با یکدیگر دوست هستند، اما برخی دیگر دوست نیستند. در هر زمان، ما به صورت تصادفی دو دوست را برای تعامل و به روز رسانی نظرات آنها انتخاب می‌کنیم. 

 هنگام مطالعه یک مدل رای دهنده یک انتخاب ممکن آن است که به طور تصادفی نظرات اولیه گروه را تعیین کنیم با این حال در مثال ما ترجیحات اولیه رنگ احتمالاً از یک فرایند تصادفی مانند پرتاب سکه ناشی نمی‌شوند. بسیاری از مردم رنگ خاصی را ترجیح می‌دهند و رنگ‌های دیگر را دوست ندارد. این ترجیحات ممکن است به دلایل زیادی ایجاد شود. شاید کسی اغلب یک لباس آبی می‌پوشد و یا شاید تیم  مورد علاقه‌ای به رنگ آبی دارد. همچنین ممکن است فردی بخواهد از رنگی که با رنگ تیم ورزشی رقیب همخوانی دارد اجتناب کند در یک شبکه اجتماعی مدرسه جوامعی از افراد با دوستی‌های زیادی در داخل جامعه وجود دارد. به عنوان مثال جوامع دوستی می‌توانند از کلاس‌ها باشگاه‌های مدرسه یا تیم‌های ورزشی ایجاد شوند. احتمال دوستی افرادی که در یک جمع مشخص قرار دارند بیشتر از احتمال دوستی افراد از جمع های مختلف است. همانطور که در شکل سوم مشاهده می‌کنید محققان می‌توانند نظرات اولیه را بر اساس چنین جوامعی انتخاب کنند. به طور مثال فرض کنید رنگ تیم فوتبال محلی آبی است. شاید دانش آموزان کلاس هفتم بیشتر از دانش آموزان کلاس هشتم طرفدار این تیم باشند بنابراین شاید دانش آموزان کلاس هفتم بیشتر از کلاس هشتم آبی را به عنوان رنگ اصلی مدرسه ترجیح دهند. محققان بررسی می‌کنند که چگونه جوامع شبکه‌های اجتماعی بر نتایج مدل‌های رای دهنده و به طور کلی‌تر چگونه بر نظرات مردم تاثیر می‌گذارند. 

شکل ۳ – تعیین تصادفی راس‌هایی که با هم تعامل دارند می تواند به نتایج متفاوتی منجر شود. 

یک شبکه اجتماعی با دو جامعه – دانش آموزان کلاس هفتم و کلاس هشتم – را در نظر بگیرید که به ترتیب آبی و قرمز را ترجیح می دهند. (الف) در زمان t = 0، ما انتخاب می کنیم که هر دانش آموز کدام رنگ را ترجیح می دهد. با استفاده از همین اولویت‌های اولیه، مدل رأی‌دهنده را بارها در کامپیوتر شبیه‌سازی می‌کنیم. (ب) در یک شبیه سازی، دانش آموزان در نهایت رنگ آبی را ترجیح می دهند. (ث) در شبیه سازی دیگری، دانش آموزان در نهایت رنگ قرمز را ترجیح می دهند. (د) در شبیه‌سازی دیگر، دو جامعه هنوز ترجیحات متفاوتی در زمان t = 15 دارند. ما این شبیه‌سازی را تا زمانی ادامه می‌دهیم که همه دانش‌آموزان به یک اجماع برسند. 

 مدل‌های عقیده اغلب شامل تصادفی بودن هستند. در مدل رای دهنده این تصادفی بودن در انتخاب نظرات اولیه، تعیین اینکه کدام جفت از افراد برای مکالمه با یکدیگر انتخاب شوند و تعیین اینکه نظر کدام یک از دو نفر به عنوان نظر جمعشان انتخاب می‌شود ظاهر می‌شود. در شکل سه می‌بینید که تصادفی بودن می‌تواند باعث شود که از یک مدل ریاضی نتایج کاملا متفاوتی حاصل شود. محققان باید هنگام تعیین اینکه آیا تفاوت در نتایج مدل ناشی از ویژگی‌های شبکه اجتماعی است مانند جوامع داخل شبکه یا از تصادفی بودن حاصل شده است دقت به خرج دهند. آنها اغلب از شبیه سازی‌های کامپیوتری برای مطالعه مدل‌های عقیده استفاده می‌کنند و مهم است که یک مدل مانند مدل رای دهنده را بارها شبیه سازی کنیم تا نتایج احتمالی آن را به دقت بررسی کنیم. 

از مدل رای دهنده چه می‌توانیم بیاموزیم؟

چرا محققان به مدل‌های رای دهنده و سایر مدل‌های نظری علاقمند هستند؟ تصمیم گیری در مورد رنگ جدید مدرسه ممکن است چندان مهم به نظر نرسد با این حال مطالعه مدل‌های عقیده می‌تواند به محققان کمک کند تا تغییرات در افکار عمومی در مورد موضوعات مهمی مانند انتخابات ریاست جمهوری و سیاست‌های واکسیناسیون را بررسی کنند. مدل‌های عقیده می‌توانند بینش‌هایی در مورد چگونگی اشاعه اطلاعات دقیق و اینکه چگونه استفاده از رسانه‌های اجتماعی می‌تواند بر دیدگاه‌های ما تاثیر بگذارد ارائه دهد. رسانه‌های اجتماعی نحوه تعامل مردم و نحوه انتشار نظرات را تغییر داده‌اند​​. به طور مثال رسانه‌های اجتماعی بر دیدگاه مردم در مورد کووید ۱۹ تاثیر گذاشتند. رسانه‌های اجتماعی می‌توانند به  مقامات بهداشتی کمک کنند تا راهنمایی‌های مهمی مانند اطلاعات در مورد واکسن‌ها را به اشتراک بگذارند. از طرف دیگر متاسفانه رسانه‌های اجتماعی می‌توانند به انتشار اطلاعات نادرست و گمراه کننده کمک کنند که می‌تواند به سلامت روحی و جسمی بسیاری از افراد آسیب برساند.

محققان در بسیاری از موضوعات از جمله ریاضیات، روانشناسی، جامعه شناسی، زیست شناسی، فیزیک، اقتصاد، علوم کامپیوتر و غیره به دلایل مختلف مدل‌های عقیده را مطالعه می‌کنند​. ریاضیدانان و فیزیکدانان اغلب این مدل‌ها را به دلیل جالب بودن مطالعه می‌کنند. دانشمندان علوم سیاسی از مدل‌های عقیده برای مطالعه قطبی شدن نتایج رای گیری در انتخابات استفاده می‌کنند. در تجارت مدل‌های  عقیده برای مطالعه تصمیم‌های قیمت گذاری در بازارهای مالی، بررسی محصول در فروش آنلاین و اثرات کمپین‌های تبلیغاتی مورد استفاده قرار گرفته‌اند​. محققان همچنین چگونگی اثر متقابل تغییر عقاید و پخش بیماری‌ها را با مدل‌های ترکیبی بررسی کرده‌اند.

مدل‌های رای دهنده کاربردهای زیادی دارند و ما می‌توانیم با واقع بینانه‌تر کردن آنها بهره بیشتری از آنها ببریم. چگونه می‌توانیم مدل‌های رای دهنده را واقع بینانه‌تر کنیم؟ در یک مدل رای دهنده ما به طور تصادفی تعیین می‌کنیم که پس از تعامل دو نفر کدام نظر را به عنوان نظر مشترکشان انتخاب کنند. با این حال در واقعیت دقیقاً مشخص نیست که مردم چگونه نظرات خود را شکل می‌دهند و چگونه آنها را تغییر می‌دهند. همچنین نظرات مردم با فاکتورهای دیگری به غیر از تاثیر مستقیم افراد شکل می‌گیرند. تشکیل و تغییر عقاید  فرایند پیچیده‌ای است بنابراین مدل سازی ریاضی در مورد آن دشوار است. قانون به روز رسانی مدل رای دهنده واقعیت را بیش از حد ساده می‌کند بنابراین محققان سعی کرده‌اند که این به روز رسانی را به واقعیت نزدیک‌تر کنند. همچنین محققان انواع دیگری از مدل‌های عقیده را توسعه داده‌اند مانند مدل‌هایی که شامل افراد سرسختی می‌شوند که بعید است نظرات خود را تغییر دهند، تا ایده‌های مختلفی را در مورد چگونگی تغییر نظرات افراد در خود بگنجانند. آنها همچنین مدل‌های عقیده‌ای را توسعه داده‌اند که مفاهیمی همچون فشار همگروهیان را در بر می‌گیرد. به عنوان مثال شاید برخی از افراد فقط نظر خود را به نظری تغییر دهند که به اندازه کافی در بین دوستانشان محبوب باشد مثلاً زمانی که حداقل ۵ نفر از دوستانشان این نظر را داشته باشند. محققان همچنین مدل‌های عقیده‌ای را بررسی می‌کنند که در آنها ساختار شبکه‌ی اجتماعی و تغییر نظرات به یکدیگر وابسته هستند​ . به عنوان مثال اگر شما با کسی در مورد موضوع مهمی تفاوت شدید عقیده دارید ممکن است او را در اینستاگرام یا تیک تاک دنبال نکنید. 

 خلاصه و از اینجا به کجا می‌رویم؟

 مطالعه اینکه چگونه تعاملات اجتماعی بین افراد بر نظرات آنها تاثیر می‌گذارد روشی جذاب برای استفاده از ریاضیات است. محققان مدل‌های نظری جدیدی را برای توسعه بینش در مورد تعاملات انسانی و تاثیرات آن بر پدیده‌های اجتماعی ایجاد می‌کنند. این مدل‌ها بسیار ساده‌تر از تغییر عقاید در واقعیت هستند.  چالش اصلی در مدل سازی عقاید ارزیابی مدل‌ها از طریق مقایسه آنها با نظرات موجود در داده‌های دنیای واقعی است. محققان فعالانه در تلاشند تا راه‌های مناسبی برای انجام این کار پیدا کنند. با این حال و با وجود چالش‌ها مدل‌های عقیده همچنان به محققان کمک می‌کنند تا بیاموزند که چگونه تعاملات اجتماعی بر نظرات ما تاثیر می‌گذارند. همانگونه که محققان مدل‌های عقاید بیشتری را توسعه می‌دهند ما در مورد چگونگی تغییر عقاید و تاثیر این تغییرات بر رفتار انسان بیشتر می‌آموزیم. 

برای دیدن منابع و جزئیات بیشتر به اصل نوشته حتما نگاه کنید.

مدل باراباشی-آلبرت و تولید شبکه‌های بی‌مقیاس

در پست قبل در مورد بالانس تئوری یا نظریه توازن صحبت کردیم و نشون دادیم که به کمک یک مدل ساده و ابتدایی می‌تونیم به جوامع، متناسب با نوع رابطه‌ی اعضا با همدیگه، انرژی نسبت بدیم و مقدار این انرژی به ما میگه که جامعه مد نظر در چه وضعیتی از توازن قرار داره.

بنابر بهنجارش، اگر انرژی جامعه‌ ۱- به‌دست بیاد، جامعه کاملا متوازن یا بالانس هست که این در صورتی رخ میده که همه اعضای جامعه دوست همدیگه باشند و یا اینکه جامعه دو قطبی بشه، یعنی جامعه به دو زیر مجموعه تقسیم بشه به نحوی که درون زیرمجوعه‌ها اعضا دوست باشند اما هر عضوی از این زیرمجوعه با اعضای زیرمجوعه‌ی مقابل دشمن باشه. همین‌طور اگر انرژی جامعه بیشتر از ۱- به‌دست بیاد یعنی جامعه نامتوازن‌ هست و هر چقدر که انرژی به ۱+ (کران بالای انرژی بنابر بهنجارش) نزدیک‌تر باشه جامعه نامتوازن‌تر هست که به معنی وجود امکان نزاع و درگیری در بین اعضاست.

طی این پست‌ می‌خوایم ببینیم اگر به یک جامعه با شرایط اولیه مشخص (جمعیت و انرژی اولیه)، عضو جدیدی وارد بشه چه اتفاقی می‌افته. اما قبل از اون اجازه بدید که مدل باراباشی-آلبرت رو معرفی کنیم.

همه‌ی ما گزاره‌های این شکلی رو زیاد شنیدم: «پول، پول میاره» یا «ثروتنمندان، ثروتمندتر میشند و فقرا فقیرتر».  بد نیست بدونید که جامعه‌شناسان به این پدیده می‌گند اثر متیو (Matthew Effect). ماجرا از اینجا شروع میشه که درون شبکه‌هایی مثل وب(www)، اینترنت، شبکه استناد (citation networks) و شبکه‌های اجتماعی  اعضایی وجود دارند که علی‌رغم تعداد کمشون، توجه زیادی از شبکه رو به خودشون معطوف می‌کنند.

توزیع قاون‌توانی، قسمت سبز رنگ ۸۰٪ از شبکه را شامل می‌شود و دم‌دراز زرد رنگ ۲۰٪ باقی‌مونده را.
توزیع قانون‌توانی، قسمت سبز رنگ ۸۰٪ از شبکه را شامل می‌شود و دم‌دراز زرد رنگ ۲۰٪ باقی‌مانده را.

به عنوان مثال در بین تمام سایت‌ها گوگل، ویکی‌پدیا و فیس‌بوک بیشترین بازدیدکننده‌ها و پیوندها رو دارند یا مثلا در جامعه‌ی ما، محمدرضا شجریان، حسین علیزاده و کیهان کلهر  جزو برجسته‌ترین هنرمندان موسیقی سنتی هستند، در مقایسه با جمعیت هنرمندان موسیقی، این افراد تعدادشون کمه. با این‌وجود شهرت و محبوبیشون از همه هنرمندان بیشتره. این شبکه‌ها، شبکه‌های بی‌مقیاس (scale-free) هستند به این معنی که توزیع درجه در این شبکه‌ها با تقریب خوبی از یک الگوی قانون‌توانی(power law) پیروی می‌کنه. این چندتا جمله‌ی سخت که گفتم یعنی اینکه وقتی ما این شبکه‌ها رو با یک گراف نمایش می‌دیم، درجه ‌رئوس متناسب با وارون فراوانی(تعداد) اون رئوس هست . یعنی هرچی راسی درجه‌ش بیشتر باشه (تعداد یال‌های بیشتری بهش متصل بشند) فراوانیش کمتره و هر چقدر درجه راسی کم‌تر باشه فراوانیش بیشتره! همون‌جوری که تعداد سایت‌هایی مثل گوگل تعدادشون خیلی کمه، چون درجه‌شون زیاده.

رشد یک شبکه مطابق با مدل باراباشی-آلبرت که در هر مرحله راس جدید به ۲ راس قبلی وصل می‌شود.

کار آلبرت باراباشی و رکا آلبرت معرفی الگوریتمی بود که قادره چنین شبکه‌هایی رو مدل‌سازی کنه. این الگوریتم صرف‌نظر از تصادفی بودن باید گرافی رو تولید کنه که توزیع درجه‌ رئوسش قانون‌توانی باشه. برای همین اساس این مدل دو چیزه:

۱) رشد: در طی زمان رئوس جدیدی به شبکه اضافه می‌شند.

 ۲) اتصال ترجیحی: رئوس جدید ترجیح می‌دند به رئوسی وصل بشند که درجه‌ی بالاتری دارند.

برای همین این الگوریتم ابتدا یک شبکه متصل (همبند) با m_0 راس ایجاد می‌کنه. بعد از اون، در هر مرحله، راسی اضافه می‌شه و به m \le m_0 راس قبلی وصل میشه. این راس بر اساس درجه‌شون انتخاب می‌شند: یعنی احتمال اینکه راس جدید به iامین راس موجود درگراف وصل بشه برابره با نسبت درجه راس iام به مجموع درجات کل رئوس. این سبب میشه که «هاب» در شبکه به‌وجود بیاد. هاب‌ها رئوسی هستند که درجه‌ شون از بقیه رئوس شبکه بیشتره. (صفحه شجریان در اینستاگرام یک هاب به حساب میاد در بین خواننده‌ها همون‌جوری که گوگل یک هابه در بین سایت‌ها!). يادتون باشه که در مدل باراباشی-آلبرت وزن هر یال ۱ است!

 

بالانس تئوری چی میگه؟! (مقدمه)

این اولین پستیه که قراره در مورد چیزایی حرف بزنم که کسی در موردش زیاد نشنیده و نخونده. یک موضوع جدید و در حال توسعه که به نظرم به شدت جذابه. خب یک سری مشکلات هست توی این پست از جمله اینکه خیلی از عبارت‌ها رو «من» ترجمه کردم و هنوز ترجمه‌ی رسمی براشون ارائه نشده و یا اینکه لااقل هنوز عرف نشدند. ممکنه یک سری ایراد علمی هم وارد بشه که در آینده تصحیحشون می‌کنم. موضوع این پست Balance Theory هست، اما از اونجایی که اگر «نظریه تعادل» ترجمه بشه خیلی‌ها ممکنه در نگاه اول یاد تعادل نش یا نظریه تعادل عمومی بیفتند من به جای واژه‌ی «تعادل» از واژه‌ی «توازن» استفاده می‌کنم تا اطلاع ثانوی! درضمن مدلی که در ادامه مطرح میشه یک مدل ساده و ابتدایی هست، بنابراین احتمالا بعضی از سوال‌های شما رو در حوزه‌ی علوم اجتماعی و/یا علوم سیاسی بی‌جواب میذاره!

خیلی خب، سه‌ نفر رو فرض کنید که می‌تونند دوست یا دشمن همدیگه باشند. همین‌طور دوستی و دشمنی رو متقابل فرض کنید، یعنی اگر کسی رو دوست دارید، اونم شما رو دوست داره. حالا اگر این سه نفر دوست هم باشند، اون موقع همه چیز خوبه و تنشی پیش نمیاد؛ دوست دوست شما، دوست شماست! اصطلاحا میگیم این مجموعه‌ سه نفری در توازن قرار داره و یا اینکه متوازن -balanced- هست. اما اگر از بین این سه نفر دو نفر رابطه‌ی خوبی با همدیگه نداشته باشند اون‌موقع ممکنه تنش پیش بیاد. به عنوان مثال فرض کنید که شما، همسرتون و مادرتون رو دوست دارید با این وجود، متاسفانه، مادرتون و همسرتون رابطه‌ی خوبی با همدیگه ندارند.

 یک شبکه نامتوازن بین آلیس، باب و کرول.دوستی با خط و دشمنی با خط‌چین مشخص شده است.
یک شبکه نامتوازن بین آلیس، باب و کرول.دوستی با خط و دشمنی با خط‌چین مشخص شده است.

اجازه بدید ،از این به بعد، به خاطر راحتی بیشتر از واژه‌های دقیق «دوست» و «دشمن» برای نوع روابط استفاده کنیم و دوستی رو کاملا ۱+ و یا ۱- فرض کنیم. بنابراین شما و همسرتون دوست، شما و مادرتون دوست ولی همسر شما و مادر شما دشمن همدیگه هستند. اینجا توازن از بین میره، به عنوان مثال کافیه شما هدیه‌ای برای مادرتون بخرید، در این صورت همسرتون شاکی میشه و مجبورید شب رو توی کوچه بخوابید! حالا فرض کنید که شما و آرش، هم‌زمان از یکی از همکار/هم‌کلاسی‌هاتون به اسم احسان متنفرید. خب طبق یه قاعده‌ی قدیمی، داشتن دشمن مشترک دوستی میاره و یا اینکه دشمن دشمن شما، دوست شماست. آرش دشمن احسان و احسان دشمن شماست پس طبق این قاعده شما و آرش دوست هستید. این مجموعه هم متوازنه. حالت دیگه که ممکنه پیش بیاد این هست که شما، میثم و سهیل هر سه دشمن همدیگه باشید، خب به وضوح مشخصه که این مجموعه نامتوازن هست؛ هر لحظه ممکنه کسی علیه کسی شورش کنه!

تا اینجا چارچوب بحث ما در مورد توازن مشخص شد. جذابیت این موضوع برای ما دانشمندان (!) زمانی شروع میشه که به فکر مدل‌سازی این چارچوب باشیم. ایده‌ی اصلی این کار توسط هایدر (۱۹۵۸) مطرح شد. مثلثی فرض کنید که هر راسش یکی از سه نفر بالا باشه و ضلعی که هر دو راس رو بهم متصل میکنه رو به عنوان رابطه اون دو راس(نفر) در نظر بگیرید. اگر دو نفر دوست هم باشند، به ضلعی که دو راس متناظر با اون دو نفر رو  متصل میکنه، ۱+ نسبت میدیم و اگر دو نفر دشمن هم باشند به ضلع متصل کننده  ۱-.

اجازه بدید از نظریه‌ی گراف کمک بگیریم. مطابق شکل ما یک گراف کامل با ۳ راس و ۳ یال داریم که رئوس، نماینده‌ی اعضای مجموعه و یال‌ها تعیین کننده نوع رابطه (دوستی یا دشمنی) بین رئوس هستند. با توجه به چارچوب بالا اگر تعداد یال‌های منفی که با خط چین توی شکل زیر مشخص شده‌ند فرد باشند (یکی یا سه‌تا) اون‌موقع گراف ما و یا شبکه ما نامتوازن -unbalanced- خواهد شد.

Screenshot from 2015-08-04 20:26:34
شبکه‌های متوازن و نامتوازن و نوع آرایش آن‌ها

بنابراین مدلی که به عنوان یک «شبکه‌ اجتماعی» برای توصیف روابط بین انسان‌ها و متوازن بودنشون مطرح می‌کنیم این جوری ساخته میشه:

    1. با توجه به افراد،‌سازمان‌ها، کشورها و هرچیزی که روابط دوستی یا دشمنی دارند ما یک گراف کامل از مرتبه تعداد اعضا مشخص می‌کنیم. گراف کامل هست چون که فرض بر اینه که همه‌ی اعضا همدیگه رو می‌شناسند و رابطه دارند. به عنوان مثال به کشورهای عضو سازمان ملل فکر کنید که یا از هم خوششون میاد یا از هم بدشون میاد!
    2. هر یال یا مثبته و یا منفی. هیچ حالت بینابینی وجود نداره.
    3. یک مثلث متوازن (balanced) است اگر و تنها اگر حاصل‌ضرب علامت یال‌های آن مثبت باشه. (اگر تعداد یال‌های منفی فرد باشه: (-,-,- یا -,+,+) اون‌موقع گراف ما و یا شبکه ما نامتوازن خواهد شد.)
      شیوه‌ی قطبیده شدن جهان به دو بلوک شرق و غرب قبل از جنگ‌جهانی اول
      شیوه‌ی قطبیده شدن جهان به دو بلوک شرق و غرب قبل از جنگ‌جهانی اول

خب حالا فرض کنید که ما یک شبکه‌ی مشخص از اعضا و روابطشون داریم:

    • آیا می‌تونیم بگیم که اوضاع این شبکه چقدر متوزانه؟
    • آیا می‌تونیم با در نظر گرفتن شبکه‌ی کشورهای دنیا و روابطشون بگیم آیا ممکنه بین دو کشور صلح برقرار بشه؟ یا اگه بین دو کشور صلح برقرار شد، اون موقع این صلح موضعی (منطقه‌ای) چه اثراتی روی صلح جهانی داره؟ به عبارت دیگه اگه علامت یالی رو در یک شبکه عوض کنیم (رابطه‌ی دو نفر رو از دوستی به دشمنی و یا عکس تبدیل کنیم) اون موقع میشه فهمید برای کل شبکه چه اتفاقی می‌افته؟
  • آیا می‌تونیم پیش‌بینی کنیم در چه شرایطی ممکنه بین هوادارهای دو تیم ورزشی توی ورزشگاه آزادی درگیری و نزاع پیش میاد؟

بله، با تقریب خوبی می‌تونیم همه این‌کارها رو به لطف نظریه‌ی توازن و یا بالانس تئوری انجام بدیم.

اجازه بدید کمی عمیق‌تر بشیم. خیلی راحت اثبات میشه که فقط دو راه برای یک شبکه بزرگ وجود داره که متوازن بشه، یا همه دوست هم بشند (جامعه بهشت بشه!) و یا اینکه شبکه قطبیده بشه، به این معنی که شبکه به دو بلوک تقسیم بشه جوری که داخل هر بلوک اعضا، دوست همدیگه حساب میشند و اعضای بلوک مقابل دشمن! درست مثل زمانی که دنیا به دو بلوک شرق و غرب تقسیم شده بود؛ یه سری این ور دوست هم بودند، یه سری هم اون‌ور، بعد این‌وری‌ها نمی‌خواستند سر به تن اون‌وری‌ها باشه!

خب پس وقتی ما یک شبکه داریم که در یکی از این دو حالت نیست یعنی متوازن یا بالانس نیست. سوال مهم اینه که خب اگر بخواهیم که شبکه رو بالانس یا متوازن کنیم چه کار باید انجام بدیم؟ یک راه پیشنهادی این هست که یک یال رو به صورت تصادفی انتخاب کنیم و علامتش رو عوض کنیم و بعدش ببینیم برای سیستم چه اتفاقی می‌افته. به عبارت دیگه اگر بعد از عوض کردن اون یال، تعداد مثلث‌های متوازن در کل شبکه زیاد بشه یعنی اینکه ما تونستیم شبکه رو به یک حالت متوازن‌تر هدایت کنیم، ولی اگر با عوض کردن علامت یالی تعداد مثلث‌های متوازن شبکه کم بشه یعنی عدم‌توازن رو توی شبکه بالا بردیم.

از اون‌جایی که ما فیزیک‌پیشه هستیم، اجازه بدید با رویکرد انرژی به قضیه نگاه کنیم؛ با توجه‌ به پیش‌فرض‌های ما، انرژی شبکه باید متناسب باشه با تعداد مثلث‌های نامتوازن منهای تعداد مثلث‌های متوازن موجود درشبکه:

CodeCogsEqn_001
معادله انرژی برای یک شبکه اجتماعی

 

CodeCogsEqn
اگر دو راس دوست باشند به یال بین آن دو ۱+ نسبت می‌دهیم و اگر دشمن باشند ۱-

 

نمودار انرژی برای شبکه‌هایی با (A) سه راس و (B) چهار راس
نمودار انرژی برای شبکه‌هایی با (A) سه راس و (B) چهار راس

n تعداد کل رئوس است و به خاطر بهنجارش (Normalization) تفاضل انرژی‌ها رو بر تعداد کل مثلث‌های شبکه تقسیم کردیم تا انرژی هنجار به واحد بشه! بنابراین بیشترین مقدار انرژی ۱ و کم‌ترین مقدار ۱- خواهد شد. وجود منفی هم به این خاطر هست که هرچی انرژی کم‌تر باشه (منفی‌تر) سیستم متوازن‌تره. خب بیاید با استفاده از این رابطه نمودار انرژی رو برای دو تا شبکه‌ی کوچیک، یکی با ۳ راس و دیگری با ۴ راس بکشیم:

نمودار A انرژی یک شبکه یا ۳ راس رو نشون میده که ساده‌ترین شبکه برای بررسی هست. بنابراین انرژی شبکه یا ۱ (نامتوزان) و یا ۱- (متوازن) هست. عددی که بالای هر مثلث نوشته شده فراوانی هر کدوم هست (مثلا اینکه یک یال خط‌چین باشه سه حالت داره، بدیهیه!)

نمودار B انرژی یک شبکه‌ی با ۴ راس رو نشون میده. خب توی این شبکه علاوه بر حالات قبل، انرژی صفر هم مشاهده میشه. طبیعیه که ما توی این شبکه می‌تونیم از بالا به پایین بیایم و شبکه رو متوازن کنیم. برای این کار کافیه علامت یکی از یال‌ها رو عوض کنیم و به وضعیت پایدارتر برسیم. خب این سوال مطرح میشه که:

  • آیا توی هر شبکه‌ای ممکنه با عوض کردن علامت یک یال، به یک شبکه‌ی متوازن‌تر رسید؟
Screenshot from 2015-08-04 22:06:50
وجود حالت‌های مسدود (jammed state)

متاسفانه در مورد شبکه‌های بزرگ(تعداد راس بیشتر) حالت‌هایی در سیستم وجود داره که به Jammed States و یا به قول استیون استروگاتز Strict Jammed States معروف هستند. این حالت‌ها چیزی نیستند جزو کمینه‌های نسبی انرژی. به این معنی که انرژی این‌حالت‌ها از تمام حالت‌های ممکن که با تغییر علامت یک یال در دسترس هستند، کمتر هست. بنابراین در حالت‌های jammed یا مسدود، امکان این‌که تنها با تعویض علامت یک یال به یک حالت متوازن‌تر رفت، وجود نداره. به عبارت دیگه انرژی حالت‌های مسدود کوچکتر یا مساوی انرژی حالت‌های مجاور هست.

نکته‌ای که وجود داره اینه که حالت‌های مسدود نمی‌تونند هر مقدار انرژی اختیار کنند. در حقیقت این‌حالت‌ها حداکثر می‌تونند انرژی صفر داشته باشند (کران بالای انرژی حالت‌های مسدود صفر است). اثبات این موضوع خیلی سرراسته: هر یالی در یک حالت مسدود متعلق به مثلث‌های متوازنی هست که تعدادشون برابر با تعداد مثلث‌های نامتوازنه، چون در غیر این صورت علامت اون یال باید عوض بشه که این در تناقض با تعریف حالت مسدوده! بنابراین در شبکه‌های نسبتا بزرگ حالت‌های مسدودی وجود که انرژی این‌ حالت‌ها حداکثر صفر هست.

یک گراف Paley با ۱۳ راس،‌ به شیوه‌ی اتصال رئوس دقت کنید.
یک گراف Paley با ۱۳ راس،‌ به شیوه‌ی اتصال رئوس دقت کنید.

ویژگی جالبی در مورد حالت‌های مسدود با انرژی صفر وجود داره؛ یال‌های مثبت در این حالت‌ها عضو یال‌های گراف Paley هستند. گراف Paley گرافی هست که تعداد رئوسش (q) یک عدد اول به شکل q=4k+1 هست. هر دو راس در این گراف درصورتی وصل هستند که تفاضل شماره اون دو راس یک عدد مربع کامل باشه به پیمانه‌ی q. این گراف‌ها خیلی خوشگل‌ هستند و قیافه‌ی متقارنی دارند. می‌تونید تعدادی از این گراف‌ها رو این‌جا ببینید.

 اگر دوست دارید به یک حالت مسدود با انرژی U=0 برسید:

    1. به یال‌هایی از شبکه که عضو گراف Paley هستند «+» نسبت دهید.به سایر یال‌ها (یال‌هایی که عضو شبکه (گراف کامل) هستند ولی عضو گراف Paley نیستند) «-» نسبت دهید.
    2. یک راس جدید به شبکه اضافه کنید (وسط شبکه!). هم اکنون شبکه شما q+1 راس دارد.
    3. راس جدید را به q راس قبلی وصل کنید و به یال‌های بین این راس و سایر رئوس «-» نسبت دهید.

با این روش شما می‌تونید یک حالت مسدود با انرژی صفر بسازید که q+1 راس داره.

فکر کنم برای مقدمه کافی باشه!

  1. The Energy Landscape of Social Balance
  2. Dynamics of Social Balance on Networks
  3. STRUCTURAL BALANCE: A GENERALIZATION OF HEIDER’S THEORY’
  4. Social Balance on Networks: The Dynamics of Friendship and Enmity
  5. Statistical physics of balance theory
سخنرانی استیون استروگتز در مورد نظریه توازن