Världen är en plats i nätverk, bokstavligen och bildligt. Området nätverksvetenskap används idag för att förstå fenomen som är så olika som spridningen av desinformation, västafrikansk handel och protein-protein-interaktioner i celler.

Nätverksvetenskap har avslöjat flera universella egenskaper hos komplexa sociala nätverk, vilket i sin tur har gjort det möjligt att lära sig detaljer om specifika nätverk. Till exempel har nätverket som består av det internationella finansiella korruptionssystemet som upptäckts av Panama Papers-utredningen en ovanlig brist på kopplingar mellan sina delar.

Men att förstå de dolda strukturerna för nyckelelement i sociala nätverk, såsom undergrupper, har förblivit svårfångad. Mina kollegor och jag har hittat två komplexa mönster i dessa nätverk som kan hjälpa forskare att bättre förstå hierarkierna och dynamiken i dessa element. Vi hittade ett sätt att upptäcka kraftfulla "inre cirklar" i stora organisationer helt enkelt genom att studera nätverk som kartlägger e-postmeddelanden som skickas mellan anställda.

Vi visade användbarheten av våra metoder genom att tillämpa dem på det berömda Enron-nätverket. Enron var ett energihandelsföretag som begick bedrägerier i stor skala. Vår studie visade vidare att metoden potentiellt kan användas för att upptäcka personer som utövar enorm mjuk makt i en organisation oavsett deras officiella titel eller position. Detta kan vara användbart för historisk, sociologisk och ekonomisk forskning, såväl som statliga, juridiska och medieutredningar.

Från penna och papper till artificiell intelligens

Sociologer har konstruerat och studerat mindre sociala nätverk i noggranna fältexperiment i minst 80 år, långt före tillkomsten av internet och sociala nätverk online. Konceptet är så enkelt att det kan ritas på papper:Entiteter av intresse – människor, företag, länder – är noder representerade som punkter, och relationer mellan nodpar är länkar representerade som linjer ritade mellan punkterna.

Att använda nätverksvetenskap för att studera mänskliga samhällen och andra komplexa system fick ny betydelse i slutet av 1990-talet när forskare upptäckte några universella egenskaper hos nätverk. Några av dessa universella egenskaper har sedan dess kommit in i den vanliga popkulturen. Ett koncept är Kevin Bacons sex grader, baserat på den berömda empiriska upptäckten att två personer på jorden är sex eller färre länkar från varandra. På samma sätt har versioner av uttalanden som "de rika blir rikare" och "vinnaren tar allt" också replikerats i vissa nätverk.

Dessa globala egenskaper, det vill säga de som gäller för hela nätverket, tycks uppstå från närsynta och lokala handlingar hos oberoende noder. När jag ansluter till någon på LinkedIn tänker jag verkligen inte på de globala konsekvenserna av min koppling på LinkedIn-nätverket. Ändå leder mina handlingar, tillsammans med många andras, till förutsägbara snarare än slumpmässiga resultat om hur nätverket kommer att utvecklas.

Mina kollegor och jag har använt nätverksvetenskap för att studera människohandel i Storbritannien, strukturen av buller i artificiella intelligenssystems utdata och finansiell korruption i Panama Papers.

Grupper har sin egen struktur

Tillsammans med att studera framväxande egenskaper som Kevin Bacons sex grader, har forskare också använt nätverksvetenskap för att fokusera på problem som gemenskapsdetektion. Enkelt uttryckt, kan en uppsättning regler, även känd som en algoritm, automatiskt upptäcka grupper eller gemenskaper inom en samling människor?

Idag finns det hundratals, om inte tusentals, algoritmer för gemenskapsdetektering, några förlitar sig på avancerade AI-metoder. De används för många syften, inklusive att hitta intressegemenskaper och avslöja skadliga grupper på sociala medier. Sådana algoritmer kodar för intuitiva antaganden, såsom förväntningen att noder som tillhör samma grupp är tätare kopplade till varandra än noder som tillhör olika grupper.

Även om det är en spännande arbetslinje, studerar inte gemenskapsdetektion den interna strukturen i samhällen. Bör gemenskaper endast ses som samlingar av noder i nätverk? Och hur är det med samhällen som är små men särskilt inflytelserika, som inre kretsar och folksamlingar?

Två hypotetiska strukturer för inflytelserika grupper

På ett sätt har du förmodligen redan en aning om strukturen hos mycket små grupper i sociala nätverk. Sanningen i ordspråket att "en vän till min vän är också min vän" kan testas statistiskt i vänskapsnätverk genom att räkna antalet trianglar i nätverket och avgöra om detta antal är högre än enbart slumpen skulle kunna förklara. Och faktiskt, många sociala nätverksstudier har använts för att verifiera påståendet.

Tyvärr börjar konceptet gå sönder när det utökas till grupper med fler än tre medlemmar. Även om motiv har studerats väl inom både algoritmisk datavetenskap och biologi, har de inte på ett tillförlitligt sätt kopplats till inflytelserika grupper i verkliga kommunikationsnätverk.

Med utgångspunkt i denna tradition hittade och presenterade min doktorand Ke Shen och jag två strukturer som verkar genomarbetade men som visar sig vara ganska vanliga i verkliga nätverk.

Den första strukturen förlänger triangeln, inte genom att lägga till fler noder, utan genom att direkt lägga till trianglar. Specifikt finns det en central triangel som flankeras av andra perifera trianglar. Viktigt är att den tredje personen i någon perifer triangel inte får kopplas till den tredje personen på den centrala triangeln, och därigenom utesluta dem från den verkliga inre cirkeln av inflytande.

Den andra strukturen är liknande men antar att det inte finns någon central triangel, och den inre cirkeln är bara ett par noder. Ett exempel i verkligheten kan vara två medgrundare av en startup som Sergey Brin och Larry Page från Google, eller ett maktpar med gemensamma intressen, vanliga i global politik, som Bill och Hillary Clinton.

Förstå inflytelserika grupper i ett ökänt nätverk

Vi testade vår hypotes om Enrons e-postnätverk, som är väl studerat inom nätverksvetenskap, med noder som representerar e-postadresser och länkar som representerar kommunikation mellan dessa adresser. Trots att de var utarbetade fanns inte bara våra föreslagna strukturer närvarande i nätverket i större antal än enbart slumpen skulle förutsäga, utan en kvalitativ analys visade att det finns merit i påståendet att de representerar inflytelserika grupper.

Huvudpersonerna i Enron-sagan är väldokumenterade vid det här laget. Spännande nog verkar några av dessa karaktärer inte ha haft mycket officiellt inflytande men kan ha haft betydande mjuk makt. Ett exempel är Sherri Reinartz-Sera, som länge var administrativ assistent för Jeffrey K. Skilling, Enrons tidigare vd. Till skillnad från Skilling nämndes Sera endast i en artikel i New York Times efter utredningsrapporter som ägde rum under skandalens gång. Men vår algoritm upptäckte en inflytelserik grupp med Sera som intar en central position.

Dissektion av kraftdynamik

Samhället har invecklade strukturer på individnivå, vänskaps- och gemenskapsnivå. In-crowds är inte bara trasiga grupper av karaktärer som pratar med varandra, eller en enda huvudledare som slår alla skott. Många in-crowds, eller inflytelserika grupper, har en sofistikerad struktur.

Även om mycket fortfarande återstår att upptäcka om sådana grupper och deras inflytande, kan nätverksvetenskap hjälpa till att avslöja deras komplexitet. + Utforska vidare

Oxytocin sprider samarbete i sociala nätverk

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.