Arméforskare har för första gången utvecklat en analytisk modell för att visa hur grupper av människor påverkar individuellt beteende.

Tekniskt talat, detta hade aldrig gjorts tidigare:Ingen hade tagit beräkningsinformationen från en kollektiv modell (numeriska lösningar av, säga, tusentals ekvationer) och använde den för att exakt bestämma en individs beteende (reducerad till en ekvation). Forskare från US Army Research Laboratory rapporterar sina resultat ("Fractional Dynamics of Individuals in Complex Networks") i oktoberutgåvan av Gränser i fysik .

Denna upptäckt var en produkt av pågående forskning för att modellera hur en individ anpassar sig till gruppbeteende. ARL:s program inom nätverksvetenskap försöker bestämma kollektivt gruppbeteende som kommer från individers dynamiska beteende. Förr, samarbetet med Drs. Bruce West, senior forskare vid Army Research Office, och Malgorzata Turalska, postdoktor vid ARL, fokuserat på att konstruera och tolka produktionen av storskaliga datormodeller av komplexa dynamiska nätverk från vilka kollektiva egenskaper som svärmning, kollektiv intelligens och beslutsfattande kunde bestämmas.

"Dr Turalska och jag hade utvecklat och utforskat en nätverksmodell för beslutsfattande under ett antal år, "West sa." Men nyligen kom det oss att ändra frågan från "Hur förändrar individen gruppbeteende?" till 'Hur förändrar gruppen individuellt beteende?' Att vända frågan på huvudet gjorde det möjligt för oss att driva samhällsvetenskapens heliga gral för armén, vilket har varit att hitta ett sätt att förutsäga individers känslighet för övertalning, propaganda och direkt bedrägeri. Modeller som utvecklats för detta ändamål har utvecklats till den grad att de kräver storskaliga beräkningar som är lika komplexa och lika svåra att tolka som resultaten av psykologiska experiment med människor. Följaktligen, föreliggande studie föreslår ett sätt att kringgå dessa tidskrävande beräkningar och representera den eftersträvade känsligheten i en enda parameter. "

Psykologer och sociologer har intensivt studerat och diskuterat hur individers värderingar och attityder förändras när de går med i en organisation, Sade West. Likaså, armén är intresserad av denna dynamik hur det kan vara i spel i terroristorganisationer, och omvänt hur individer förändras under Army Basic Training. Ju djupare ledare förstår processen för lärande och anpassning inom en grupp, desto effektivare kommer de att vara i träningsprocessen, därigenom öka rekryterns ägande av hennes/hans nyutvecklade förmågor, vilket är det sanna måttet på utbildningens framgång.

I deras artikel, Turalska och West härleder och testar framgångsrikt en ny typ av dynamisk modell för individuellt beteende som kvantitativt införlivar gruppens dynamiska beteende. Testet visar att den analytiska lösningen på denna nya typ av ekvation sammanfaller med förutsägelserna för storskalig datasimulering av gruppdynamiken.

Modellen består av många interagerande individer som har ett ja/nej -beslut att fatta t.ex. det är valdag, och de måste rösta antingen R eller D. Antag att när ensamma individerna inte kan bestämma sig, de växlar snabbt fram och tillbaka mellan de två alternativen, så de börjar prata med sina grannar. På grund av detta informationsutbyte, den numeriska beräkningen med hjälp av datormodellen finner att människor nu håller sina åsikter betydligt längre tid.

För att modellera gruppdynamiken, testet använde en ny typ av ekvation, med ett icke-heltal (fraktionerat), snarare än ett heltal, derivat, att representera skiftande åsikter. I en grupp på 10, 000 personer, påverkan av 9, 999 personer för att störa en individ kondenseras till en enda parameter, vilket är indexet för fraktionsderivatet. West sa att oavsett individens beteende innan han gick med i gruppen, förändringen av beteende är dramatisk efter anslutning. Styrkan i gruppens inflytande på en individs beteende komprimeras till ett enda tal, icke-heltal-derivatet.

Följaktligen, en individs enkla slumpmässiga beteende för att bestämma hur man röstar, eller vid något annat beslut, när den är isolerad, ersätts med beteende som kan tjäna en mer anpassningsbar roll i sociala nätverk. Författarna antar att detta beteende kan vara generiskt, men det återstår att avgöra hur robust individens beteende är i förhållande till styrsignaler som kan driva nätverket.

Fraktionsberäkningen har, bara under det senaste decenniet, har tillämpats på komplexa fysiska problem som turbulens, beteendet hos icke-newtonska vätskor, och avslappning av störningar i viskoelastiska material; dock, ingen hade tidigare tillämpat fraktionsoperatorer på beskrivningen och tolkningen av sociala/psykologiska dynamiska fenomen. Tanken att kollapsa effekten av interaktionerna mellan medlemmar i en social grupp till en enda parameter som bestämmer kollektivets inflytande på individen har aldrig tidigare uppnåtts matematiskt.

West sa att denna forskning öppnar dörren till ett nytt område av studier som sammanfaller med nätverksvetenskap och fraktionsberäkning, där de storskaliga numeriska beräkningarna av dynamiken i komplexa nätverk kan representeras genom icke-heltalsindex för derivat. Detta kan till och med föreslå ett nytt tillvägagångssätt för artificiell intelligens där minnet införlivas i den dynamiska strukturen hos neurala nätverk.