Tři stupně vlivu - Three degrees of influence

Tři stupně vlivu je teorie v oblasti sociální sítě,[1] navrhl Nicholas A. Christakis a James H. Fowler v roce 2007. Od té doby ji prozkoumali vědci v mnoha oborech využívajících různé statistické, psychologické, sociologické a biologické přístupy.

Christakis a Fowler prozkoumali vliv sociálních vazeb na chování. Popsali, jak sociální vliv nekončí u lidí, s nimiž je člověk přímo spojen. Lidé ovlivňují své přátele, kteří zase ovlivňují své přátele atd.; víra a jednání člověka tedy mohou ovlivňovat lidi, s nimiž se nikdy nesetkal, s nimiž je spojen pouze nepřímo. Christakis a Fowler předpokládali, že rozmanité jevy „se šíří naší sítí a mají dopad na naše přátele (jeden stupeň), přátele našich přátel (dva stupně) a dokonce i přátele přátel našich přátel (tři stupně). Náš vliv se postupně rozplývá a přestává mít znatelný účinek na lidi za sociální hranicí, která leží na třech stupních odloučení. “ Předložili řadu důvodů pro tento úpadek a nabídli informační, psychologické a biologické důvody.

Tento argument je v zásadě takový, že vzájemné efekty se nemusí zastavit na jednom stupni oddělení. Avšak napříč širokým souborem empirických nastavení, využívajících jak observační, tak experimentální metody, zjistili, že účinek se zdá být v mnoha případech v sociálním horizontu tří stupňů již smysluplný.

Pomocí pozorovacích i experimentálních metod Christakis a Fowler zkoumali jevy z různých oblastí, jako je obezita, štěstí, spolupráce, hlasování a různé přesvědčení a chování v oblasti veřejného zdraví. Vyšetřování jinými skupinami následně tímto způsobem prozkoumala mnoho dalších jevů (včetně kriminality, sociálního učení atd.).

Odůvodnění

Vliv se rozptýlí po třech stupních (do a od přátel přátel přátel) ze tří důvodů, Christakis a Fowler navrhují:[2]

  1. Vnitřní rozpad - poškození informací nebo jakési „sociální tření“ (jako hra telefon ).
  2. Nestabilita sítě - sociální vazby se stávají nestabilními (a nejsou konstantní v čase) na horizontu více než tří stupňů oddělení.
  3. Evoluční účel - my vyvinul v malých skupinách, kde byli všichni spojeni o tři stupně nebo méně (nápad získal následnou podporu [3]).

Vědecká literatura

Počáteční studie využívající pozorovací údaje od roku 2006 Christakis a Fowler navrhl, že různé atributy (jako je obezita,[4] kouření,[5] a štěstí[6]), spíše než aby byly individualistické, jsou nedbale korelovány nákazovými mechanismy, které přenášejí takové jevy na velké vzdálenosti v sociálních sítích.[7] Některé následné analýzy prozkoumaly omezení těchto analýz (s výhradou různých statistických předpokladů);[8] nebo vyjádřili znepokojení nad tím, že statistické metody použité v těchto analýzách nemohou plně ovládat jiné faktory prostředí;[9] nebo si všimli, že statistické odhady vyplývající z některých přístupů nemusí vždy mít přímou interpretaci;[10] nebo tvrdili, že statistické metody nemusí vždy odpovídat homofilně procesy při vytváření a udržování vztahů v čase.[11][12]

Ale jiné využití stipendia Analýza citlivosti zjistil, že například základní odhady týkající se přenosnosti obezity a odvykání kouření jsou poměrně silné,[13][14] nebo jinak replikoval nebo podpořil zjištění.[15][16] Další podrobná práce na modelování publikovaná v roce 2016 ukázala, že přístup modelování GEE používaný Christakisem a Fowlerem (a dalšími) byl docela efektivní pro odhad účinků sociální nákazy a pro jejich odlišení od homofilie.[17] Tento dokument dospěl k závěru: „Pro vliv na síť zjistíme, že se zdá, že přístup má vynikající citlivost a celkem dobrou specifičnost, pokud jde o rozlišení přítomnosti nebo nepřítomnosti takového„ síťového efektu “, bez ohledu na to, zda je v síti přítomna či nikoli homofilie. To platilo pro malé kohorty (n = 30) a větší kohorty (n = 1000) a pro kohorty, které vykazovaly stále menší realismus v distribuci přátelství. “ Další metodický dokument dospěl k závěru, že je skutečně možné svázat odhady vzájemných účinků i při modelových omezeních, kterým čelí Christakis a Fowler [16] - i když jsou k identifikaci těchto účinků pomocí pozorovacích údajů jinak požadovány parametrické předpoklady (pokud se předpokládá přítomnost podstatné nepozorované homofilie).[12]

Nadále se objevuje další podpora pro přístup k modelování používaný Christakisem a Fowlerem od jiných autorů [18]. Z teoretického hlediska to bylo ukázáno [19] že tato vlastnost se přirozeně objevuje jako výsledek souhry mezi sociálním vlivem nebo dynamikou učení a složitými sítěmi. Tyto studie využívají emblematické modely používané ke studiu šíření informací, názorů, myšlenek a chování na širokou škálu topologií sítě, které také ukazují, za jakých podmínek lze očekávat porušení „tří stupňů vlivu“, včetně třístupňového Vlastnost vlivu. Podpůrné byly také další analytické přístupy k pozorovacím údajům, včetně odhad shodného vzorku,[20] a přeskupení techniky.[21] Technika přeskupení potvrdila „test směrovosti hran“ jako identifikační strategii pro kauzální vzájemné účinky; tato technika byla poprvé navržena Christakisem a Fowlerem jako nástroj pro odhadování těchto účinků v síťové analýze v jejich dokumentu o obezitě z roku 2007.

Christakis a Fowler přezkoumali kritická a podpůrná zjištění týkající se fenoménu tří stupňů vlivu a analytických přístupů použitých k jeho rozlišení pomocí pozorovacích údajů v roce 2013.[14]

Kromě toho následné experimentální studie (prováděné mnoha výzkumnými skupinami, včetně Christakise a Fowlera) nalezly silné kauzální důkazy o procesech nákazy chování, které se šíří za hranice dyád (včetně dvou, tří nebo čtyř stupňů oddělení) pomocí randomizované kontrolované experimenty,[22][23][24][25][26] včetně jednoho experimentu zahrnujícího 61 000 000 lidí, který ukázal šíření volebního chování na dva stupně oddělení.[27] Dokument z roku 2014 také potvrdil šíření emocí za hranice dyád, jak navrhli v roce 2008 Christakis a Fowler pomocí dalšího masivního online experimentu.[28] Vlastnost „tří stupňů vlivu“ zaznamenali také jiné skupiny, které využívaly pozorovacích údajů týkajících se zločineckých sítí.[29]

Různorodé směry práce rovněž prozkoumaly specifické biopsychosociální mechanismy ohraničenosti účinků nákazy, z nichž některé byly teoretizovány Christakisem a Fowlerem. Pokusy Moussaida a spol. Hodnotily šíření vnímání rizika a dokumentovaly skloňování přibližně na třech stupních.[30] Další soubor experimentů dokumentoval dopad zkreslení informací a poznamenal, že „navzdory silnému sociálnímu vlivu u párů jednotlivců dosah šíření úsudku napříč řetězcem zřídka překračoval sociální vzdálenost tří až čtyř stupňů oddělení… Ukazujeme, že zkreslení informací a nadváha chyb jiných lidí jsou dva mechanismy na úrovni jednotlivců, které brání šíření úsudku v rozsahu řetězce. “[31] A experimenty se skenováním fMRI v sociocentricky mapované síti postgraduálních studentů, publikované v roce 2018, ukázaly, že nervové reakce na koncepční podněty byly podobné mezi přáteli, s minimem tří stupňů separace, což poskytuje další biologický důkaz pro tuto teorii.[32]

Tato teorie byla také použita k vývoji ověřených algoritmů pro efektivní maximalizaci vlivu.[33]

Morální důsledky

Myšlenka vlivu sítě vyvolává otázku svobodná vůle, protože to naznačuje, že lidé jsou ovlivňováni faktory, které nemohou ovládat a které si neuvědomují. Christakis a Fowler tvrdí ve své knize, Připojeno, že tvůrci politik by měli využívat znalosti o účincích sociálních sítí, aby vytvořili lepší společnost s efektivnějším veřejná politika. To platí pro mnoho aspektů života, od veřejné zdraví na ekonomika. Například, když jsou zdroje vzácné, berou na vědomí, že by mohlo být lepší imunizovat jednotlivce umístěné ve středu sítě před strukturálně periferními jedinci. Nebo by mohlo být mnohem efektivnější motivovat skupiny lidí, aby se vyhýbaly kriminálnímu chování, než jednat proti jednotlivcům nebo potrestat každého zločince zvlášť. Jejich následná práce zkoumala, jak pomocí sociální nákazy podpořit šíření žádoucích inovací ve venkovských vesnicích.[26][34]

Viz také

Reference

  1. ^ „Skrytý vliv sociálních sítí Nicholas Christakis na TED.com“.
  2. ^ Propojená předmluva + kapitola 1
  3. ^ Morgan, TJH; et al. (2015). „Experimentální důkazy pro společnou evoluci výuky a jazyka výroby nástrojů pro homininy“. Příroda komunikace. 6: 6029. Bibcode:2015NatCo ... 6,6029 mil. doi:10.1038 / ncomms7029. PMC  4338549. PMID  25585382.
  4. ^ Christakis, Nicholas A .; Fowler, James H. (2007). „Šíření obezity ve velké sociální síti v průběhu 32 let“. The New England Journal of Medicine. 357 (4): 370–379. CiteSeerX  10.1.1.581.4893. doi:10.1056 / NEJMsa066082. PMID  17652652.
  5. ^ Christakis, Nicholas A .; Fowler, James H. (2008). „Kolektivní dynamika kouření ve velké sociální síti“. The New England Journal of Medicine. 358 (21): 2249–2258. doi:10.1056 / NEJMsa0706154. PMC  2822344. PMID  18499567.
  6. ^ Christakis, Nicholas A .; Fowler, James H. (2008). „Dynamické šíření štěstí ve velké sociální síti: podélná analýza po dobu 20 let ve Framingham Heart Study“. British Medical Journal. 337 (337): a2338. doi:10.1136 / bmj.a2338. PMC  2600606. PMID  19056788.
  7. ^ Christakis, Nicholas A .; Fowler, James H. (2009). Propojeno: Překvapivá síla našich sociálních sítí a jak ovlivňují náš život. Little, Brown and Co. ISBN  978-0316036146.
  8. ^ Cohen-Cole, Ethan; Fletcher, Jason M. (2008). „Detekce nepravděpodobných účinků sociálních sítí na akné, výšku a bolesti hlavy: podélná analýza“. British Medical Journal. 337: a2533. doi:10.1136 / bmj.a2533. PMC  2600605. PMID  19056789.
  9. ^ Cohen-Cole, Ethan; Fletcher, Jason M. (2008). „Je obezita nakažlivá? Sociální sítě vs. environmentální faktory v epidemii obezity“ (PDF). Journal of Health Economics. 27 (5): 1382–1387. doi:10.1016 / j.jhealeco.2008.04.005. PMID  18571258.
  10. ^ Lyons, Russell (2011). „Šíření špatně dostupné medicíny prostřednictvím chybné analýzy sociální sítě“. Statistika, politika a politika. 2 (1). arXiv:1007.2876. doi:10.2202/2151-7509.1024.
  11. ^ Noel, Hans; Nyhan, Brendan (2011). „„ Nepřátelský problém “: Důsledky homofilie při zachování přátelství pro kauzální odhady sociálního vlivu“. Sociální sítě. 33 (3): 211–218. arXiv:1009.3243. doi:10.1016 / j.socnet.2011.05.003.
  12. ^ A b Shalizi, Cosma R .; Thomas, Andrew C. (2011). „Homfilie a nákaza jsou obecně zmateny ve studiích pozorovacích sociálních sítí“. Sociologické metody a výzkum. 40 (2): 211–239. arXiv:1004.4704. doi:10.1177/0049124111404820. PMC  3328971. PMID  22523436.
  13. ^ VanderWeele, Tyler J. (2011). „Analýza citlivosti na účinky nákazy v sociálních sítích“. Sociologické metody a výzkum. 40 (2): 240–255. doi:10.1177/0049124111404821. PMC  4288024. PMID  25580037.
  14. ^ A b Christakis, NA; Fowler, JH (2013). „Teorie sociální nákazy: Zkoumání dynamických sociálních sítí a lidského chování“. Statistika v medicíně. 32 (4): 556–577. doi:10.1002 / sim.5408. PMC  3830455. PMID  22711416.
  15. ^ Ali, MM; Amialchuk, A; Gao, S; Heiland, F (2012). „Dospívající nárůst hmotnosti a sociální sítě: Existuje nákazlivý efekt?“. Aplikovaná ekonomie. 44 (23): 2969–2983. doi:10.1080/00036846.2011.568408.
  16. ^ A b Steeg, A. Galstyan (2012). "Statistické testy na nákazu ve studiích pozorovací sociální sítě". Journal of Machine Learning Research: 563–571.
  17. ^ Zachrison, Kori (2016). „Může podélný generalizovaný odhad modelů rovnic rozlišit síťový vliv a homofilii? Přístup modelování založený na agentech k charakteristikám měření“. Metodika lékařského výzkumu BMC. 16 (1): 174. doi:10.1186 / s12874-016-0274-4. PMC  5192582. PMID  28031023.
  18. ^ Gonzalez-Pardo, A .; Cajias, R .; Camacho, D. (2014). „Agentová simulace sociálního modelu Christakis-Fowlera“. Poslední vývoj ve výpočetní kolektivní inteligenci. Studie v oblasti výpočetní inteligence. 513: 69–77. doi:10.1007/978-3-319-01787-7_7. ISBN  978-3-319-01786-0.
  19. ^ Pinheiro, Flávio L .; Santos, Marta D .; Santos, Francisco C .; Pacheco, Jorge M. (2014). „Původ vzájemného ovlivňování v sociálních sítích“ (PDF). Dopisy o fyzické kontrole. 112 (9): 098702. doi:10.1103 / physrevlett.112.098702. hdl:1822/64002. PMID  24655286.
  20. ^ Aral, Sinan; Muchnik, Lev; Sunararajan, Arun (2009). „Rozlišování nákazy založené na vlivu od homofilně řízené difúze v dynamických sítích“. Sborník Národní akademie věd. 106 (51): 21544–21549. Bibcode:2009PNAS..10621544A. doi:10.1073 / pnas.0908800106. PMC  2799846. PMID  20007780.
  21. ^ Anagnostopoulos, Aris; Kumar, Ravi; Mahdian, Mohammad (2008). Vliv a korelace v sociálních sítích. Sborník příspěvků ze 14. konference ACM SIGKDD o získávání znalostí a dolování dat. s. 7–15. CiteSeerX  10.1.1.227.5676. doi:10.1145/1401890.1401897. ISBN  9781605581934.
  22. ^ Centola, Damon (2010). "Šíření chování v experimentu se sociální sítí online". Věda. 329 (5995): 1194–1197. Bibcode:2010Sci ... 329.1194C. CiteSeerX  10.1.1.701.3842. doi:10.1126 / science.1185231. PMID  20813952.
  23. ^ Fowler, James H .; Christakis, Nicholas A. (2010). „Kooperativní chování v lidských sociálních sítích“. Sborník Národní akademie věd. 107 (12): 5334–5338. arXiv:0908.3497. Bibcode:2010PNAS..107.5334F. doi:10.1073 / pnas.0913149107. PMC  2851803. PMID  20212120.
  24. ^ Aral, Sinan; Walker, Dylan (2011). „Vytváření sociální nákazy prostřednictvím designu virových produktů: randomizovaná studie vlivu vrstevníků na sítě“. Věda o řízení. 57 (9): 1623–1639. doi:10,1287 / mnsc.1110.1421.
  25. ^ Rand D, Arbesman S a Christakis NA, „Dynamické sociální sítě podporují spolupráci při experimentech s lidmi“, PNAS: Sborník Národní akademie věd 2011; 108: 19193-19198
  26. ^ A b Kim, David A; Hwong, Alison R; Stafford, Derek; Hughes, D Alex; O'Malley, James; Fowler, James H; Christakis, Nicholas A (2015-07-11). „Cílení na sociální sítě pro maximalizaci změny chování populace: klastrová randomizovaná kontrolovaná studie (PDF). Lancet. 386 (9989): 145–153. doi:10.1016 / S0140-6736 (15) 60095-2. ISSN  0140-6736. PMC  4638320. PMID  25952354.
  27. ^ Bond, RM; Fariss, CJ; Jones, JJ; Kramer, ADI; Marlow, C; Settle, JE; Fowler, JH (2012). „Experiment 61 milionů lidí v oblasti sociálního vlivu a politické mobilizace“. Příroda. 489 (7415): 295–298. Bibcode:2012Natur.489..295B. doi:10.1038 / příroda11421. PMC  3834737. PMID  22972300.
  28. ^ Kramer, ADI; Giloše, JE; Hancock, JT (2014). „Experimentální důkazy masové emoční nákazy prostřednictvím sociálních sítí“ (PDF). Sborník Národní akademie věd. 111 (24): 8788–8790. Bibcode:2014PNAS..111.8788K. doi:10.1073 / pnas.1320040111. PMC  4066473. PMID  24889601.
  29. ^ Wildeman, Christopher; Papachristos, Andrew V. (2014). „Síťová expozice a oběť zabití v afroamerickém společenství“. American Journal of Public Health. 104 (1): 143–150. doi:10.2105 / ajph.2013.301441. PMC  3910040. PMID  24228655.
  30. ^ Moussaid, M; Brighton, H; Gaissmaier, W (2015). „Zesílení rizika v experimentálních difúzních řetězcích“ (PDF). Sborník Národní akademie věd. 112 (18): 5631–5636. arXiv:1504.05331. Bibcode:2015PNAS..112,5631M. doi:10.1073 / pnas.1421883112. PMC  4426405. PMID  25902519.
  31. ^ Moussaid, M (2017-04-18). „Dosah a rychlost šíření soudu v laboratoři“ (PDF). Sborník Národní akademie věd. 114 (16): 4117–4122. doi:10.1073 / pnas.1611998114. PMC  5402452. PMID  28373540.
  32. ^ Parkinson, Carolyn; Kleinbaum, Adam M .; Wheatley, Thalia (30.01.2018). „Podobné neurální reakce předpovídají přátelství“. Příroda komunikace. 9 (1): 332. Bibcode:2018NatCo ... 9..332P. doi:10.1038 / s41467-017-02722-7. ISSN  2041-1723. PMC  5790806. PMID  29382820.
  33. ^ Qin, Yadong; Ma, červen; Gao, Shuai (08.06.2015). Efektivní maximalizace vlivu na základě tří stupňů teorie vlivu. Správa informací o věku na webu. Přednášky z informatiky. 9098. str. 465–468. doi:10.1007/978-3-319-21042-1_42. ISBN  978-3-319-21041-4.
  34. ^ Shakya, Holly (2017). „Využití sociálního vlivu ke zvětšení změny chování na úrovni populace ve zdraví matek a dětí: protokol studie pro randomizovanou kontrolovanou studii algoritmů zaměřených na síť ve venkovských Hondurasu“. BMJ Otevřeno. 7 (3): e012996. doi:10.1136 / bmjopen-2016-012996. ISSN  2044-6055. PMC  5353315. PMID  28289044.

externí odkazy