Ny undersøgelse er den første til at bruge statistisk fysik til at bekræfte 1940'ernes teori om social balance

De fleste mennesker har hørt den berømte sætning "min fjendes fjende er min ven." Nu har forskere fra Northwestern University brugt statistisk fysik til at bekræfte teorien, der ligger til grund for dette berømte aksiom. Undersøgelsen, "korrekt netværksrandomisering er nøglen til at vurdere social balance," er offentliggjort i tidsskriftet Science Advances .

I 1940'erne introducerede den østrigske psykolog Fritz Heider teori om social balance, som forklarer, hvordan mennesker medfødt stræber efter at finde harmoni i deres sociale cirkler. Ifølge teorien fører fire regler - en fjendes fjende er en ven, en vens ven er en ven, en fjendes ven er en fjende og endelig en vens fjende er en fjende - fører til afbalanceret relationer.

Selvom utallige undersøgelser har forsøgt at bekræfte denne teori ved hjælp af netværksvidenskab og matematik, er deres indsats kommet til kort, da netværk afviger fra perfekt afbalancerede forhold. Derfor er det egentlige spørgsmål, om sociale netværk er mere afbalancerede end forventet i henhold til en passende netværksmodel.

De fleste netværksmodeller var for forenklede til fuldt ud at fange kompleksiteten i menneskelige relationer, der påvirker social balance, hvilket giver inkonsistente resultater med hensyn til, om afvigelser observeret fra netværksmodellens forventninger er i overensstemmelse med teorien om social balance.

Northwestern-teamet har dog med succes integreret de to nøgleelementer, der får Heiders sociale rammer til at fungere. I det virkelige liv kender ikke alle hinanden, og nogle mennesker er mere positive end andre. Forskere har længe vidst, at hver faktor påvirker sociale bånd, men eksisterende modeller kunne kun tage højde for én faktor ad gangen.

Ved samtidig at inkorporere begge begrænsninger bekræftede forskernes resulterende netværksmodel endelig den berømte teori omkring 80 år efter, at Heider først foreslog den.

Den nyttige nye ramme kunne hjælpe forskere med bedre at forstå social dynamik, herunder politisk polarisering og internationale relationer, såvel som ethvert system, der omfatter en blanding af positive og negative interaktioner, såsom neurale netværk eller lægemiddelkombinationer.

"Vi har altid troet, at denne sociale intuition virker, men vi vidste ikke, hvorfor den virkede," sagde Northwesterns István Kovács, undersøgelsens seniorforfatter.

"Alt, hvad vi havde brug for, var at finde ud af matematikken. Hvis du ser gennem litteraturen, er der mange undersøgelser om teorien, men der er ingen enighed blandt dem. I årtier blev vi ved med at tage fejl. Årsagen er, at det virkelige liv er kompliceret . Vi indså, at vi var nødt til at tage hensyn til begge begrænsninger samtidigt:hvem ved hvem, og at nogle mennesker bare er venligere end andre."

"Vi kan endelig konkludere, at sociale netværk stemmer overens med forventninger, der blev dannet for 80 år siden," tilføjede Bingjie Hao, undersøgelsens første forfatter. "Vores resultater har også brede anvendelser til fremtidig brug. Vores matematik giver os mulighed for at inkorporere begrænsninger på forbindelserne og præferencen for forskellige enheder i systemet. Det vil være nyttigt til modellering af andre systemer ud over sociale netværk."

Kovács er assisterende professor i fysik og astronomi ved Northwesterns Weinberg College of Arts and Sciences. Hao er postdoc-forsker i sit laboratorium.

Hvad er social balanceteori?

Ved at bruge grupper på tre personer fastholder Heiders teori om social balance antagelsen om, at mennesker stræber efter komfortable, harmoniske forhold.

I afbalancerede forhold kan alle mennesker lide hinanden. Eller, hvis én person ikke kan lide to mennesker, er de to venner. Ubalancerede forhold eksisterer, når alle tre mennesker ikke kan lide hinanden, eller én person kan lide to mennesker, der ikke kan lide hinanden, hvilket fører til angst og spændinger.

At studere sådanne frustrerede systemer førte til Nobelprisen i fysik i 2021 til den italienske teoretiske fysiker Giorgio Parisi, som delte prisen med klimamodellerne Syukuro Manabe og Klaus Hasselmann.

"Det virker meget på linje med social intuition," sagde Kovács. "Du kan se, hvordan dette ville føre til ekstrem polarisering, som vi ser i dag med hensyn til politisk polarisering. Hvis alle, du kan lide, også ikke kan lide alle de mennesker, du ikke kan lide, så resulterer det i to partier, der hader hinanden."

Det har dog været udfordrende at indsamle data i stor skala, hvor ikke kun venner, men også fjender er opført. Med begyndelsen af ​​Big Data i begyndelsen af ​​2000'erne forsøgte forskere at se, om sådanne signerede data fra sociale netværk kunne bekræfte Heiders teori. Når der genereres netværk for at teste Heiders regler, fungerer individuelle personer som noder. Kanterne, der forbinder noderne, repræsenterer relationerne mellem individer.

Hvis noderne ikke er venner, tildeles kanten mellem dem en negativ (eller fjendtlig) værdi. Hvis noderne er venner, så er kanten markeret med en positiv (eller venlig) værdi. I tidligere modeller blev kanter tildelt positive eller negative værdier tilfældigt uden at respektere begge begrænsninger. Ingen af ​​disse undersøgelser fangede nøjagtigt de sociale netværks realiteter.

Find succes i begrænsninger

For at udforske problemet henvendte Kovács og Hao sig til fire store, offentligt tilgængelige signerede netværksdatasæt, som tidligere var kurateret af samfundsvidenskabsfolk, inklusive data fra 1) brugervurderede kommentarer på det sociale nyhedssite Slashdot; 2) udvekslinger mellem kongresmedlemmer på husets gulv; 3) interaktioner mellem Bitcoin-handlere; og 4) produktanmeldelser fra forbrugeranmeldelsessiden Epinions.

I deres netværksmodel tildelte Kovács og Hao ikke virkelig tilfældige negative eller positive værdier til kanterne. For at enhver interaktion skal være tilfældig, skal hver knude have en lige stor chance for at støde på hinanden. I det virkelige liv er det dog ikke alle, der rent faktisk kender alle andre inden for et socialt netværk. For eksempel kan en person aldrig støde på sin vens ven, som bor på den anden side af verden.

For at gøre deres model mere realistisk fordelte Kovács og Hao positive eller negative værdier baseret på en statistisk model, der beskriver sandsynligheden for at tildele positive eller negative fortegn til de interaktioner, der eksisterer. Det holdt værdierne tilfældige - men tilfældige inden for grænser givet af netværkstopologiens begrænsninger. Ud over hvem ved hvem, tog teamet højde for, at nogle mennesker i livet bare er venligere end andre. Venlige mennesker er mere tilbøjelige til at have mere positive – og færre fjendtlige – interaktioner.

Ved at introducere disse to begrænsninger viste den resulterende model, at store sociale netværk konsekvent stemmer overens med Heiders teori om social balance. Modellen fremhævede også mønstre ud over tre noder. Den viser, at teorien om social balance gælder for større grafletter, som involverer fire og muligvis endnu flere noder.

"Vi ved nu, at du skal tage højde for disse to begrænsninger," sagde Kovács. "Uden dem kan du ikke finde de rigtige mekanismer. Det ser kompliceret ud, men det er faktisk ret simpel matematik."

Indsigt i polarisering og videre

Kovács og Hao udforsker i øjeblikket flere fremtidige retninger for dette arbejde. I én potentiel retning kunne den nye model bruges til at udforske interventioner, der sigter mod at reducere politisk polarisering. Men forskerne siger, at modellen kunne hjælpe med bedre at forstå systemer ud over sociale grupper og forbindelser mellem venner.

"Vi kunne se på excitatoriske og hæmmende forbindelser mellem neuroner i hjernen eller interaktioner, der repræsenterer forskellige kombinationer af lægemidler til behandling af sygdom," sagde Kovács. "Det sociale netværksstudie var en ideel legeplads at udforske, men vores hovedinteresse er at gå ud over at undersøge interaktioner mellem venner og se på andre komplekse netværk."

Koden og dataene bag papiret, "Korrekt netværksrandomisering er nøglen til at vurdere social balance," er tilgængelige på GitHub.

Flere oplysninger: Bingjie Hao et al., Korrekt netværksrandomisering er nøglen til at vurdere social balance, videnskabelige fremskridt (2024). DOI:10.1126/sciadv.adj0104. www.science.org/doi/10.1126/sciadv.adj0104

Journaloplysninger: Videnskabelige fremskridt

Leveret af Northwestern University