De flesta har hört den berömda frasen "min fiendes fiende är min vän." Nu har Northwestern University-forskare använt statistisk fysik för att bekräfta teorin som ligger till grund för detta berömda axiom. Studien, "Riktig nätverksrandomisering är nyckeln till att bedöma social balans", publiceras i tidskriften Science Advances .
På 1940-talet introducerade den österrikiska psykologen Fritz Heider teori om social balans, som förklarar hur människor strävar efter att finna harmoni i sina sociala kretsar. Enligt teorin leder fyra regler – en fiende till en fiende är en vän, en vän till en vän är en vän, en vän till en fiende är en fiende och slutligen, en fiende till en vän är en fiende – leder till balanserad relationer.
Även om otaliga studier har försökt bekräfta denna teori med hjälp av nätverksvetenskap och matematik, har deras ansträngningar misslyckats, eftersom nätverk avviker från perfekt balanserade relationer. Därför är den verkliga frågan om sociala nätverk är mer balanserade än förväntat enligt en adekvat nätverksmodell.
De flesta nätverksmodeller var för förenklade för att helt fånga komplexiteten i mänskliga relationer som påverkar social balans, vilket ger inkonsekventa resultat om huruvida avvikelser som observerats från nätverksmodellens förväntningar är i linje med teorin om social balans.
Northwestern-teamet lyckades dock integrera de två nyckeldelarna som gör att Heiders sociala ram fungerar. I verkliga livet känner inte alla varandra, och vissa människor är mer positiva än andra. Forskare har länge vetat att varje faktor påverkar sociala band, men befintliga modeller kan bara ta hänsyn till en faktor i taget.
Genom att samtidigt införliva båda begränsningarna bekräftade forskarnas resulterande nätverksmodell slutligen den berömda teorin cirka 80 år efter att Heider först föreslog den.
Det användbara nya ramverket skulle kunna hjälpa forskare att bättre förstå social dynamik, inklusive politisk polarisering och internationella relationer, såväl som alla system som består av en blandning av positiva och negativa interaktioner, såsom neurala nätverk eller drogkombinationer.
"Vi har alltid trott att den här sociala intuitionen fungerar, men vi visste inte varför den fungerade", säger Northwesterns István Kovács, studiens seniorförfattare.
"Allt vi behövde var att ta reda på matematiken. Om du tittar igenom litteraturen finns det många studier om teorin, men det finns ingen enighet mellan dem. I decennier har vi hållit fel. Anledningen är att det verkliga livet är komplicerat . Vi insåg att vi behövde ta hänsyn till båda begränsningarna samtidigt:vem vet vem och att vissa människor bara är vänligare än andra."
"Vi kan äntligen dra slutsatsen att sociala nätverk överensstämmer med förväntningar som bildades för 80 år sedan", tillade Bingjie Hao, studiens första författare. "Våra resultat har också breda tillämpningar för framtida användning. Vår matematik gör det möjligt för oss att införliva begränsningar för kopplingar och preferenser för olika enheter i systemet. Det kommer att vara användbart för att modellera andra system bortom sociala nätverk."
Kovács är biträdande professor i fysik och astronomi vid Northwesterns Weinberg College of Arts and Sciences. Hao är postdoktor i sitt laboratorium.
Med hjälp av grupper om tre personer upprätthåller Heiders teori om social balans antagandet att människor strävar efter bekväma, harmoniska relationer.
I balanserade relationer gillar alla människor varandra. Eller, om en person ogillar två personer, är de två vänner. Obalanserade relationer finns när alla tre personerna ogillar varandra, eller en person gillar två personer som ogillar varandra, vilket leder till ångest och spänningar.
Att studera sådana frustrerade system ledde till 2021 års Nobelpris i fysik till den italienske teoretiska fysikern Giorgio Parisi, som delade priset med klimatmodellerna Syukuro Manabe och Klaus Hasselmann.
"Det verkar vara väldigt i linje med social intuition," sa Kovács. "Du kan se hur detta skulle leda till extrem polarisering, vilket vi ser idag när det gäller politisk polarisering. Om alla du gillar också ogillar alla människor du inte gillar, då resulterar det i två partier som hatar varandra."
Det har dock varit utmanande att samla in storskalig data där inte bara vänner utan även fiender listas. Med uppkomsten av Big Data i början av 2000-talet försökte forskare se om sådana signerade data från sociala nätverk kunde bekräfta Heiders teori. När man skapar nätverk för att testa Heiders regler fungerar enskilda personer som noder. Kanterna som förbinder noderna representerar relationerna mellan individer.
Om noderna inte är vänner, tilldelas kanten mellan dem ett negativt (eller fientligt) värde. Om noderna är vänner, markeras kanten med ett positivt (eller vänligt) värde. I tidigare modeller tilldelades kanter positiva eller negativa värden slumpmässigt, utan att respektera båda begränsningarna. Ingen av dessa studier fångade verkligheten i sociala nätverk korrekt.
För att utforska problemet vände Kovács och Hao sig till fyra storskaliga, allmänt tillgängliga signerade nätverksdataset som tidigare kurerats av samhällsvetare, inklusive data från 1) användarklassade kommentarer på den sociala nyhetssajten Slashdot; 2) utbyten mellan kongressledamöter på parlamentets våning; 3) interaktioner mellan Bitcoin-handlare; och 4) produktrecensioner från webbplatsen Epinions för konsumentrecensioner.
I sin nätverksmodell tilldelade Kovács och Hao inte riktigt slumpmässiga negativa eller positiva värden till kanterna. För att varje interaktion ska vara slumpmässig måste varje nod ha lika stor chans att möta varandra. I det verkliga livet känner dock inte alla alla andra inom ett socialt nätverk. Till exempel kanske en person aldrig möter sin väns vän, som bor på andra sidan jorden.
För att göra sin modell mer realistisk fördelade Kovács och Hao positiva eller negativa värden baserat på en statistisk modell som beskriver sannolikheten att tilldela positiva eller negativa tecken till de interaktioner som finns. Det höll värdena slumpmässiga - men slumpmässiga inom gränser som ges av begränsningar för nätverkstopologin. Förutom vem vet vem, tog teamet hänsyn till att vissa människor i livet bara är vänligare än andra. Vänliga människor är mer benägna att ha mer positiva – och färre fientliga – interaktioner.
Genom att introducera dessa två begränsningar visade den resulterande modellen att storskaliga sociala nätverk konsekvent överensstämmer med Heiders sociala balansteori. Modellen lyfte också fram mönster bortom tre noder. Den visar att teorin om social balans gäller för större grafletter, som involverar fyra och möjligen ännu fler noder.
"Vi vet nu att du måste ta hänsyn till dessa två begränsningar," sa Kovács. "Utan dessa kan du inte komma på de rätta mekanismerna. Det ser komplicerat ut, men det är faktiskt ganska enkel matematik."
Kovács och Hao undersöker för närvarande flera framtida riktningar för detta arbete. I en potentiell riktning skulle den nya modellen kunna användas för att utforska interventioner som syftar till att minska politisk polarisering. Men forskarna säger att modellen kan hjälpa till att bättre förstå system bortom sociala grupper och kontakter mellan vänner.
"Vi kan titta på excitatoriska och hämmande kopplingar mellan neuroner i hjärnan eller interaktioner som representerar olika kombinationer av läkemedel för att behandla sjukdomar," sa Kovács. "Studien på sociala nätverk var en idealisk lekplats att utforska, men vårt största intresse är att gå längre än att undersöka interaktioner mellan vänner och titta på andra komplexa nätverk."
Koden och data bakom uppsatsen, "Riktig nätverksrandomisering är nyckeln till att bedöma social balans," finns på GitHub.
Mer information: Bingjie Hao et al. Korrekt nätverksrandomisering är nyckeln för att bedöma social balans, vetenskapliga framsteg (2024). DOI:10.1126/sciadv.adj0104. www.science.org/doi/10.1126/sciadv.adj0104
Journalinformation: Vetenskapens framsteg
Tillhandahålls av Northwestern University
