Introduzione all'uso dei modelli basati su agenti in Sociologia

MODELLI AD AGENTI IN SOCIOLOGIA

Simone GabbrielliniPostDoc @ DISI - Università di Bologna

1venerdì 19 luglio 13

OUTLINE DEL CORSO

• Primo e secondo giorno:

• Introduzione teorica alla modellazione ad agenti

• Hands-on NetLogo

• Terzo giorno:

• Primo modello di opinion dynamics

• Quarto giorno:

• Secondo modello di opinion dynamics

• Quinto giorno:

• Terzo modello di opinion dynamics


SIMULAZIONI NELLE SCIENZE SOCIALI

Scienze cognitive SociologiaEconomia


SOCIOLOGIA COMPUTAZIONALE

• Fararo and Hummon sostengono la necessità dell’emergenza di una sociologia “computazionale” in grado di utilizzare le idee e le moderne tecnologie informatiche per produrre, attraverso modelli di simulazione, avanzamenti nella teoria sociologia

• Macy and Willer identificano negli ABM lo strumento adatto per avanzare lo stato dell’arte nella teoria sociologica: “human group processes are highly complex, non- linear, path dependent, and self-organizing”: potrebbe essere dunque più facile capirli partendo non dal livello globale, ma bottom-up, modellando le interazioni locali di agenti adattivi che si influenzano a vicenda.


SOCIOLOGIA GENERATIVA

• Gli ABM sono usati all’interno del framework concettuale di quella che Epstein (2006) ha definito generative social science.

• In questo contesto, la domanda che si pone un ricercatore assume la forma seguente:“how could the decentralized local interactions of heterogeneous autonomous agents generate the given regularity?” (Epstein, 2006, p. 5)

• Nella formalizzazione di Epstein: ¬S ⇐ ¬G


SOCIOLOGIA ANALITICA

• DEFINIZIONE MODELLO

• Stile di scrittura chiaro e concetti ben definiti (I)

• Spiegazione di un fenomeno è obiettivo principale (II)

• Spiegare tale fenomeno implica capire la concatenazione di meccanismi che generano il fenomeno (III)

• Un meccanismo sociale è una catena di eventi microfondati e situati in un determinato contesto sociale (IV)

• TEST DEL MODELLO

• i macro-patterns da spiegare devono essere delimitati e descritti da dati empirici (V)

• il modello teorico deve essere tradotto in un modello formale (VI)

• tale modello formale dovrebbe assumere la veste di modello computazionale (ABM) ed essere esplorato per via simulativa (VII)

• dato che la semplice sufficienza generativa non basta a provare che il meccanismo ipotizzato sia effettivamente all’opera nella realtà, le ipotesi a livello micro e di network vengono fondate empiricamente con l’uso di survey, dati qualitativi e interviste


COLEMAN’S BOAT

Macro level

Micro leveltype 1

type 2 type 3


COMPLICATO VS. COMPLESSO


EMERGENZA

•una definizione formale di emergenza: fenomeno è emergente se, per essere descritto, necessita dell’uso di nuove categorie non necessarie per descrivere il comportamento dei componenti ad un livello di complessità inferiore.


EMERGENZA

• I sistemi complessi sono caratterizzati da proprietà emergenti che compaiono grazie all’interazione, tra loro e con l’ambiente in cui si trovano, degli elementi che costituiscono il sistema.

• Il concetto di emergenza ha una lunga storia in sociologia (Sawyer, 2005) ed in filosofia (Epstein, 2006). La concezione “classica” di emergenza come di fenomeno per principio inesplicabile, a cui doversi semplicemente rassegnare, non è compatibile con la modellazione ad agenti.


EMERGENZA

• L’individualismo metodologico vede nell’emergenza un fenomeno che attualmente non è in grado di spiegare e che dunque diviene l’obiettivo della spiegazione: “it is precisely the adequate description of the individual bee that explains the hive” Epstein (2006, p. 37);

• Ma ciò che emerge può essere capace di esercitare un potere causale sul livello micro, dato che nel mondo sociale gli individui possono riconoscere, valutare e reagire alle strutture che essi stessi hanno creato.


EMERGENZA

• L’avvicinamento tra queste due prospettive in simulazione sociale passa dall’adozione di un approccio «strutturale» all’individualismo metodologico che ci porta a distinguere due tipi fondamentali di emergenza, quella di primo e quella di secondo livello.


EMERGENZA

• Emergenza di primo ordine: il livello macro è comprensibile dal punto di vista dell’osservatore solamente con l’introduzione di concetti macro qualitativamente differenti rispetto a quelli usati per descrivere il livello micro


EMERGENZA

• Emergenza di secondo ordine: il modello riproduce meccanismi di causazione retroattiva macro-micro

• ...seppur in maniera imperfetta e limitata, le proprietà dell’emergenza macro vengono internalizzate da agenti cognitivi in grado di usarne l’evidenza per orientare la propria azione


MODELLI FISICI16venerdì 19 luglio 13

MODELLI NARRATIVI• Tocqueville - “La Democrazia in

America”

• accadimenti di un periodo

• legami di causa effetto individuati dall’autore

• gli approfondimenti scelti e così via…

• flessibile ma non computabile

• rischio di ambiguità


MODELLI MATEMATICI

• Unisce rigore e computabilità

• ma necessariamente stilizza le situazioni rappresentate…


MODELLI COMPUTAZIONALI

• cosa sono?

• che vantaggi hanno?

• come si studiano?


SIMULAZIONIper osservare l’emergenza prodotta da un modello computazionale, abbiamo bisogno delle simulazioni: ma di quale tipo di simulazioni stiamo

parlando?


QUALE SIMULAZIONE?

• Una simulazione può consistere in un esperimento mentale!


QUALE SIMULAZIONE?

• Una simulazione può consistere in una modalità di calcolo dei modelli matematici


QUALE SIMULAZIONE?

• Né la prima accezione di simulazione, né la seconda ci consentono di rappresentare un problema complesso congiuntamente nelle sue parti e nel tutto.

• A noi servono modelli di simulazione basati su agenti (ABM).

• Le simulazioni ad agenti sono traduzioni informatiche di modelli di meccanismi sociali.


AGENT-BASED MODEL

• Le simulazioni ad agenti sono programmi per computer

• alle simulazioni si chiede di riprodurre il comportamento di individui stilizzati che popolano un ambiente altrettanto stilizzato


AGENT-BASED MODEL

• Grazie alla capacità descrittiva flessibile di un codice informatico scritto ad agenti

• Realizziamo esperimenti mentali assistiti dal computer : sarebbero troppo complessi per essere risolti senza il calcolo automatico.


AGENT-BASED MODEL

•Un ABM è un particolare tipo di modello

•Un modello scritto sotto forma di codice informatico

• Il computer diventa così il nostro laboratorio artificiale


PERCHÉ USARE ABM

• Rappresentare la realtà in modo flessibile e approfondito e verificabile con il calcolo

• Esplorare mondi che esistono, potrebbero esistere, sono esistiti

• No “scatole nere”

• Rappresentano un cambiamento fondamentale nel metodo


AGENT-BASED MODEL

• SE LE SIMULAZIONI AD AGENTI SONO COSÌ PROMETTENTI, PERCHÉ LE USANO IN COSÌ POCHI?


POCHI UTILIZZATORI,POCHI RISULTATI...

• I risultati sono al momento ancora insufficienti a costituire massa critica per il riconoscimento della validità del metodo al di fuori della schiera degli specialisti.

• Inoltre, le simulazioni sono metodologicamente interdisciplinari


SEMBRA UNA CONTRADDIZIONE...

• Da una parte, le simulazioni ad agenti si rivelano particolarmente efficaci nel modellare la complessità, l’eterogeneità degli attori e i pattern di interazione tra questi

• Dall’altra, come metodologia rimangono pressoché inutilizzati quando si studiano fenomeni sociali (complessi per definizione)


ABM COME TEORIA

• È possibile fare teoria con delle simulazioni al computer?


ABM COME TEORIA

• È possibile fare teoria con delle simulazioni al computer?

• Se la nostra teoria prevede che una qualche causa C spiega l’evento E, è sufficiente mostrare che la presenza della causa C – sotto condizioni controllabili, replicabili e plausibili – porta al manifestarsi l’evento E


ABM SONO MATEMATICA

• Ostrom: “le simulazioni non sono né buona né cattiva matematica, semplicemente non sono matematica” (Computer simulation: the third symbol system. In “Journal of Experimental Social Psychology”, vol 24, 1988)

• È davvero così?


ABM SONO MATEMATICA

• In particolare, se le equazioni che descrivono un processo sociale :

• possono essere scritte ex-ante e risolte analiticamente, la simulazione ad agenti è meramente uno strumento alternativo di presentazione dei risultati;

• possono essere scritte ex-ante e risolte numericamente, la simulazione ad agenti è un’analisi alternativa alle simulazioni basate sul metodo Monte Carlo;

• possono essere scritte ex-ante ma non possono essere completamente risolte, allora la simulazione ad agenti risulta essere uno strumento essenziale per far luce sulle dinamiche del sistema;

• non possono essere scritte ex-ante, allora la simulazione ad agenti risulta essere l’unico modo di trattare il sistema


ABM CONDUCONO A RISULTATI GENERALI

• Uno studio di funzione ci darebbe la possibilità di trarre proposizioni di validità GENERALE sul comportamento del sistema

• In una simulazione, le proposizioni sul comportamento del sistema sono sempre estrapolazioni da un’evidenza puntuale.


ABM SONO STIMABILI

• Come confrontare i dati simulati con quelli reali in modo da stimare i parametri del modello di simulazione?

• Stiamo calibrando il modello!


ABM E STANDARD

• Collegamento con la letteratura

• Struttura del modello

• Analisi del modello

• Replicabilità


GLI AGENTI, IL TEMPO E LA CASUALITÀ

1 - Proprietà e metodi2 - ticks

3 - numeri pseudo-casuali


COSTRUZIONE DEGLI AGENTI

• In ogni ABM vengono modellati processi cognitivi

•tali processi cognitivi insistono sulle capacità di decision making degli agenti

• la capacità di decision making può essere implementata in forma elaborata o semplice


COSTRUZIONE DEGLI AGENTI

Ambiente non strutturato

Ambiente strutturato

Agenti “senza mente”

Agenti “con mente”

Possono determinare risultati aggregati complessi e plausibili, con l’eventualità di risultati di rilievo a

livello micro-individuale

Possono determinare risultati aggregati complessi e plausibili

Possono determinare risultati aggregati complessi e plausibili

Possono determinare risultati aggregati complessi e plausibili, con l’eventualità di risultati di

rilievo a livello micro-individuale


GLI AGENTI...

• Un agente è un oggetto software che possiede le seguenti caratteristiche (Gilbert and Troitzsch, 1999):

• Autonomia: opera senza l’intervento umano, e ha un qualche controllo sulle proprie azioni e stati interni;

• Abilità sociali: interagisce con gli altri agenti attraverso una qualche tipologia di comunicazione;

• Reattività: percepisce l’ambiente e risponde ai cambiamenti che esso subisce;

• Pro-attività: è capace di esibire un comportamento orientato verso obiettivi.


IL TEMPO E IL CASO

• Nel mondo reale il tempo avanza (da solo) ed esistono eventi “casuali”

• Nel mondo artificiale, questi elementi devono essere riprodotti con artifici computazionali


IL TEMPO

• Il tempo che avanza è legato allo scheduling

• Ma come fanno gli agenti ad operare contemporaneamente?

• Ask turtles [ do something]


IL CASO

• Come si simula la casualità?


IL CASO

• Come si simula la casualità? In NetLogo:

ask turtles [ if random-float 1.0 < 0.5 [ do-something…]

• seed 12344: 0.1, 0. 3, 0. 79, 0. 412, 0. 435

• seed 1345677: 0. 432, 0. 546, 0. 32, 0. 56, 0. 2, 0. 1234

• seed 12344: 0. 1, 0. 3, 0. 79, 0. 412, 0. 435


PROGRAMMAZIONE ORIENTATA AGLI OGGETTI

Object-Oriented Programming (OOP)


PENSARE OOP

• L’idea principale che sta dietro la Programmazione ad Oggetti risiede, in buona parte, nel mondo reale.

• Le azioni altro non sono che le cose che un oggetto è in grado di fare, mentre le sue caratteristiche rappresentano i dati che le azioni stesse possono utilizzare per eseguire le operazioni che da esse ci si aspetta.

• In OOP, le caratteristiche di un oggetto vengono denominate proprietà e le azioni sono dette metodi.

• Pensare “ad oggetti”



• La programmazione orientata agli oggetti ( Object Oriented Programming, OOP) è un paradigma di programmazione, in cui un programma viene visto come un insieme di oggetti che interagiscono tra di loro.

• Nei linguaggi OOP esiste un nuovo tipo di dato, la classe. Questo tipo di dato serve appunto a modellare un insieme di oggetti dello stesso tipo.

• In generale, un oggetto è caratterizzato da un insieme di attributi e da un insieme di funzionalità


OGGETTI: UN ESEMPIO

• Un automobile può essere caratterizzata in questo modo:

• È possibile interagire con l'automobile, per determinarne il suo comportamento attraverso il suo interfaccia che permette di effettuarele operazioni consentite:

• Pedale del freno

• Pedale dell’acceleratore

• Leva del cambio

• volante

attributi funzionalità

potenza frena

marce accelera

peso cambia marcia

cilindrata cambia direzione


CLASSI E OGGETTI



• I concetti chiave della programmazione orientata agli oggetti sono tre:

• incapsulamento (dati privati/dati pubblici)

• ereditarietà (metodi “a cascata”).

• polimorfismo (una interfaccia, molti metodi)


INCAPSULAMENTO

• Interfaccia

• Implementazione

• private e public


EREDITARIETÀ

• L’ereditarietà consente di realizzare relazioni tra classi di tipo generalizzazione-specializzazione

• una classe realizza un comportamento generale comune ad un insieme di entità,

• le classi derivate (sottoclassi) realizzano comportamenti specializzati rispetto a quelli della classe base

• EsempioClasse base: Animale

• Sottoclassi: Cane, Gatto


POLIMORFISMO

• Classe Animale:

• Proprietà private:

• versostringa, il verso che emette

• Metodo pubblic:

• fai-verso()restituisce il verso


• Classe Cane


• verso = “BAU”

• Metodo pubblic:

• fai-verso()restituisce il verso “BAU”

POLIMORFISMO


• Classe Gatto


• verso = “MIAO”stringa, il verso che emette

• Metodo pubblic:

• fai-verso()restituisce il verso “MIAO”

POLIMORFISMO


POLIMORFISMO

• Immaginiamo di avere una lista di animali:a = {c, g}

• e di voler sapere che verso fanno...

• il risultato sarà:“bau”, “miao”


ANCORA SUGLI OGGETTI

• Un oggetto è una istanza di una classe

• Quando si istanzia una classe, il computer alloca uno spazio in memoria per quell’oggetto, che avrà le proprietà stabilite dalla classe, cioé dalla struttura dati di cui è una realizzazione

• Come comunicano gli oggetti tra loro:

• quando l’oggetto cane vuole che l’oggetto gatto faccia qualcosa, l’oggetto cane “invoca” un metodo dell’oggetto gatto.


LOGO

• NetLogo non è un linguaggio ad oggetti, usa infatti un linguaggio procedurale, il Logo

• Un linguaggio procedurale definisce un modello tramite procedure

• Perché usarlo allora?


PERCHÉ NETLOGO

• Perché fa il “lavoro sporco” al posto nostro

• Ci permette di usare un linguaggio “facile”

• Traduce lui in OOP le nostre istruzioni (Java e Scala)

• Offre quattro ottimi strumenti per gestire i modelli:

• una interfaccia semplice

• un modo semplice per documentare il modello

• uno strumento per gestire gli esperimenti

• un ambiente di sviluppo con debugger integrato


FROM PRIVATE ATTITUDE TO PUBLIC OPINION: A DYNAMIC THEORY OF SOCIAL IMPACT

Authors: Nowak, Szamrej and LatanéPublished in: Psychological review, 1990, 97: 3, 362-376


COSA VOGLIAMO SIMULARE?

• Simulare in modo interattivo la teoria dell’impatto sociale di Latané, la quale specifica alcuni principi che descrivono come gli individui sono influenzati dal proprio contesto sociale;

• Nel farlo, osserveremo come alcuni fenomeni a livello macro possono emergere da questa semplice microfondazione teorica, in particolare:

• la polarizzazione incompleta delle opinioni che raggiunge un equilibrio stabile

• la formazione di minoranze ai margini della popolazione

• Le simulazioni possano aiutare a capire come dei processi a livello individuale possano produrre fenomeni a livello di gruppo (micro-macro link)


INTRODUZIONE

• Gli autori riprendono il concetto del Coleman’s Boat:

• “The functioning of higher level units (e.g., social groups) may be partly or completely determined and therefore explained by mechanisms known from theories describing phenomena at lower levels (e.g., human individuals). Alternatively,the functioning of lower level units (e.g., individuals) may be affected by the higher level units to which they belong. In other words, individuals in a given social context behave differently than they would outside that context”.

• E riprendono il concetto dell’uso delle simulazioni per sviluppare la teoria:

• “we examine some possible consequences of simulating on a computer a theory describing the functioning of individuals in the presence of others...

• we simulate Latané's (1981) theory of social impact as applied to attitudes and explore the consequences for public opinion of the operation of social processes affecting individual attitude change


INFLUENZA PERSONALE E OPINIONE PUBBLICA

• molti studi indicano che le persone tendono a cambiare opinione se confrontati con argomentazioni persuasive*

• se ne deduce che, predominando il consenso, se il processo durasse abbastanza a lungo, dovremmo osservare l’emergere di un consenso generalizzato, dove tutti convergono sul punto di vista maggioritario

• ma sappiamo che ciò non accade:

• “Social influence processes do not by themselves create uniformity of opinion”

• “Social influence processes do not lead to the convergence of public opinion on the mean of the initial distribution of private attitudes”


SOCIAL IMPACT THEORY

• Latané definisce l’impatto sociale come: “any influence on individual feelings, thoughts, or behavior that is exerted by the real, implied, or imagined presence or actions of others”

• Obiettivo: definire l’impatto che un soggetto riceve da una sorgente esterna (un gruppo)

• L’impatto (î) è funzione moltiplicativa (f) della forza (S), distanza (I) e ampiezza (N) della sorgente esterna:

• î = f(SIN)

• î = sNt

• vari lavori empirici hanno stimato l’esponente t ~ 0.5

• La teoria dell’impatto sociale è una teoria statica


SOCIAL IMPACT THEORY

• Come cambiamo le nostre attitudini?

• L’applicazione della teoria dell’impatto sociale avviene senza problemi in contesti di persuasione periferica

• Dunque, se gli attori non sono molto coinvolti, vengono influenzati dalla forza (credibilità), vicinanza (prossimità relazionale) e numero di persone che invocano una posizione contraria

• Ma qual è il ruolo del supporto? per indagarlo, si introduce una distinzione riguardo alla forza:

• forza di supportare una opinione

• forza di contrastare una opinione

• Cosa succede quando individui con queste caratteristiche si incontrano e si influenzano in un processo dinamico?


SIMULARE L’IMPATTO SOCIALE

• Attitude: 1 o 0, è una variabile dicotomica, la cui interpretazione non incide sul risultato della simulazione;

• Persuasiveness: capacità di persuadere chi ha una opinione diversa dalla propria; è un numero random da 0 a 100;

• Supportiveness: speculare al precedente, è la capacità di supportare chi ha una opinione simile alla propria; anche in questo caso, è un numero random da 0 a 100;

• Immediacy: rappresenta la distanza tra coppie di agenti


LE REGOLE DEL MODELLO

• Persuasività:

• Supportività:


LE REGOLE DEL MODELLO

• Change rule: se un individuo subisce una pressione a cambiare maggiore rispetto al supporto offerto per restare della propria opinione, l’individuo cambia idea (if ip / is > 1 then new attitude = 1 - attitude)

• Frequency: lo stato iniziale della simulazione prevede che una percentuale scelta da noi abbia una certa attitudine. La distribuzione iniziale delle attitudini è random

• Tick: ad ogni tick, ogni agente osserva il proprio vicinato e decide cosa fare, se rimanere della propria idea oppure cambiarla

• World: matrice quadrata 40x40 = 1600 agenti, ogni agente “vede” solo gli agenti a distanza <= 10


RISULTATI / 1

• Condizione iniziale:• 1600 agenti, • 70% inizia con opinione: I• 30% inizia con opinione: -

• Distribuzione tipica finale:• 90% adotta posizione

dominante• 10% resiste e si organizza in

vicinati •


RISULTATI / 2

• All’inizio, i cambiamenti sono molto frequenti, poi tendono ad uno stato di equilibrio

• La maggioranza acquisisce molti membri mentre la minoranza ne perde molti

• Le attitudini cambiano in modo da creare aree coerenti*

• La frequenza di cambio delle attitudini decresce con l’andare della simulazione

• La simulazione raggiunge uno stato di equilibrio

• Il tempo necessario a raggiungere l’equilibrio dipende dalla distribuzione iniziale delle attitudini (tanto più egualitaria, tanto più lunga la simulazione)


DISCUSSIONE

• Il modello dimostra come sia possibile applicare la teoria dell’impatto sociale a gruppi dinamici producendo due fenomeni emergenti:

• incompleta polarizzazione all’equilibrio

• gruppi clusterizzati di opinioni omogenee

• Ancora sulla polarizzazione


ADESSO PROVIAMOCI NOI...

• Apriamo NetLogo... ;)


THE DISSEMINATION OF CULTURE: A MODEL WITH LOCAL CONVERGENCE

AND GLOBAL POLARIZATIONAuthor: Axelrod

Published in: Journal of Conflict Resolution, 1997, 41: 2, 203-226



• Nonostante tendenze verso la convergenza, le differenze tra individui (opinioni, comportamenti) persistono

• Modelliamo un meccanismo di influenza sociale che tende a far convergere:

• tanto più un agente è simile al vicino, tanto più sarà probabile che lo diventi ancora di più

• Cosa c’è di diverso: non un solo tratto culturale (belief), ma più tratti alla volta vengono fatti interagire

• Il modello illustra come la convergenza locale possa generare polarizzazione a livello globale


LE DIFFERENZE RIMANGONO

• Se le persone tendono a diventare più simili quando interagiscono, perché le differenze non scompaiono del tutto?

• Molti meccanismi sono stati proposti (come quello del precedente modello)

• Questo nuovo modello ne propone uno alternativo, in cui si dimostra che le differenze permangono nonostante gli individui diventino più simili quando interagiscono


LE DIFFERENZE RIMANGONO

• Le persone si influenzano a vicenda sotto molti punti di vista

• Il termine più generico per indicare una cosa su cui gli individui si influenzano è la cultura

• La domanda di ricerca è:

• come gli individui si influenzano su un set finito di tratti culturali e perché questa influenza reciproca non porta ad uno stato di omogeneità

• La resistenza all’omologazione è spiegata in diversi modi

• Il modello non vuole riprodurre fatti storici, ma semplicemente indagare le conseguenze per gli individui di pochi semplici assunti riguardanti l’influenza sociale


INFLUENZA SOCIALE:APPROCCI

• Esistono molte definizione di cultura

• La definizione usata qui soddisfa due premesse

• Come cambia la cultura secondo gli scienziati sociali

• Novità di questo modello

• Principi metodologici del modello


IL MODELLO

• Nelle parole di Axelrod: “culture is what social influence influences”

• La cultura di un individuo viene rappresentata come un insieme di dimensioni diverse (lingua, religione, tecnologia, stile di vestiario). Ovviamente tali dimensioni sono astratte, e vengono rappresentate come un vettore:

1 7 2 9


IL MODELLO

• Gli agenti sono disposti in una griglia 10x10

• Ogni agente controlla il proprio vicinato:

• agenti centrali: Von Neuman - nord sud ovest est, 4 vicini

• agenti al bordo: nord sud est/ovest, 3 vicini

• agenti agli angoli: 2 vicini

• Gli agenti vengono inizializzati con una cultura random

• stesso numero di dimensioni per tutti

• tratti culturali estratti random


IL MODELLO

• L’idea è che più gli agenti sono simili più hanno probabilità di interagire e così diventare ancora più simili

• ciò è implementato assumendo che la chance di interagire sia proporzionale alla similarità culturale

• Scheduling:

• un agente viene estratto random

• uno dei suoi vicini viene estratto random

• con probabilità uguale alla loro similarità culturale, interagiscono

• se interagiscono, l’agente attivo estrae random una dimensione culturale in cui differisce dal vicino, e ne copia il tratto, diventando in questo modo più simile a lui


IL MODELLO


L’EMERGERE DI ZONE CULTURALI OMOGENEE

• come si sviluppano le zone culturali omogenee?

• il processo conduce all’omogeneità oppure si formano zone con culture minoritarie?

• il sistema raggiunge un equilibrio? in quanto tempo?


L’EMERGERE DI ZONE CULTURALI OMOGENEE

• una regione culturale è una zona contigua di agenti che condividono la stessa cultura

• al tempo 20.000 alcune regioni culturali si sono formate

• al tempo 40.000 le regioni culturali sono diventate più grandi

• al tempo 81.000 il sistema ha raggiunto l’equilibrio: rimangono 3 regioni culturali, di cui una maggioritaria e due minoritarie che, non avendo nessun tratto in comune, non avranno chance di interagire

cultural region

cultural region

cultural region


IL NUMERO DI REGIONI STABILI

• La complessità culturale dipende da due variabili:

• numero di dimensioni (features) culturali

• numero di tratti (traits) disponibili per ogni dimensione culturale

• Ipotesi: maggiore la variabilità tra le culture, maggiore il numero di regioni stabili che si formeranno


RISULTATI (PARZIALI)


DISCUSSIONE

• Abbiamo osservato due risultati:

• il numero di regioni stabili cresce al crescere del numero di tratti culturali possibili (intuitivo)

• il numero di regioni stabili decresce al crescere delle dimensioni culturali (controintuitivo)

• Che cosa abbiamo imparato?

• l’intuizione non è una buona guida per prevedere come si evolve un modello dinamico (aid intuition)

• il modello usato è molto semplice: “con probabilità uguale alla propria similarità culturale, un agente scelto casualmente copia una dimensione culturale da un vicino scelto casualmente”

• tuttavia è difficile prevedere quante regioni stabili si formeranno all’equilibrio

• le spiegazioni funzionaliste non sono necessariamente le più semplici...

• la polarizzazione non è necessariamente prodotta da meccanismi di selezione negativa


SMALL WORLDS AND CULTURAL POLARIZATION

Authors: Flache and MacyPublished in: Journal of Mathematical Sociology, 2011, 5: 1-3, 146-176


SOCIAL NETWORK ANALYSIS

• La SNA studia gli attori sociali utilizzando la teoria dei grafi

• Un grafo è un oggetto G =(V,E) dove i nodi sono rappresentati come un vettore:

• V ={v1,v2,v3,…,vn}

• e i link sono rappresentati da un secondo vettore:

• E ={e1,e2,e3,…,em}.

• Che cosa rende speciali le reti sociali?


RANDOM NETWORKS

• Prima tentativo di modellare reti sociali (Erdos e Renyi).

• Pseudocodice:

for each pair [ if random 1 < prob [ create-a-link ]]


PENSATE AI VOSTRI AMICI


PONTI E LEGAMI DEBOLI


LA FORZA DEI LEGAMI DEBOLI


SMALL WORLD



• La ricerca sugli small worlds, basandosi sull’idea di weak ties di Granovetter, suggerisce che i ponti tra clusters nelle reti sociali promuovono integrazione, omogeneità e diffusione culturale

• Questo modello dimostra che tale risultato si basa su assunti impliciti a livello micro


INTRODUZIONE

• gli studi sulla segregazione sociale e sull’omofilia ci dicono che, nei social networks, la maggior parte dei legami rimane confinata dentro nicchie molto dense generate dalla prossimità geografica e sociale

• il modello di Watts e Strogatz mostra come sia possibile avere elevato clustering ma shortest path brevi solo aggiungendo qualche collegamento a lungo raggio

• i primi modelli di social infuence (Abelson, Harary) suggeriscono che i legami a lungo raggio hanno il potere di diffondere il consenso in una rete sociale

• successivi modelli (Friedkin, Johnsen) suggeriscono che, sebbene possa essere evitata la completa omologazione, comunque in reti completamente connesse la diversità tende a ridursi drasticamente

• la teoria dei legami deboli di Granovetter punta nella stessa direzione, suggerendo che i legami che connettono clusters diversi contribuiscono ad accrescere l’omogeneità e l’integrazione


INTRODUZIONE

• Altri studi puntano nella direzione opposta:

• Centola e Macy: a parità di densità, dimostrano come i legami a lungo raggio inibiscono la diffusione di contagio che richiede rinforzo da parte dei propri vicini

• Baldassarri e Bearman: evidenziano come la segregazione per reddito, classe sociale e razza (USA) tenda in realtà ad aumentare

• Mark: dimostra come sia possibile generare differenziazione da principi omogenei

• Adams e Roscigno: ricerca empirica sull’uso di internet da parte di minoranze, che trovano così altri individui che possono supportare le loro convinzioni minoritarie


INTRODUZIONE

• Open question: l’influenza sociale in reti small-world può (e se sì, in che modo) supportare la diversità e resistere alle pressioni verso l’assimilazione generate dalla presenza di legami a lungo raggio?

• Temi centrali:

• meccanismo di influenza: abilità di far cambiare opinione

• meccanismo di selezione: abilità di scegliere un partner

• spesso è implicitamente definita come omofilia*


INTRODUZIONE

• Quindi il problema è l’effetto dei legami a lungo raggio:

• favoriscono l’omologazione?

• favoriscono la diversità?

• terza possibilità: entrambe le cose!

• Dipende dagli assunti a livello micro riguardo alla valenza dell’interazione sociale: esploriamo questa possibilità con un modello ad agenti


INTRODUZIONE

• Interazione sociale, ovvero influenza sociale e selezione:

• può essere positiva o negativa:

• positiva: assimilazione dei e attrazione verso i simili

• negativa: differenziazione da e xenofobia verso i diversi

• Nelle ricerche su diffusione culturale, delle innovazioni, dell’evoluzione di norme la possibilità che l’interazione sociale possa avere una valenza negativa non viene considerata

• Proviamo quindi a simulare una rete e testare un meccanismo di interazione che preveda entrambe le possibilità, manipolando la struttura di rete per introdurre o meno legami a lungo raggio


INTRODUZIONE

• Perché ABM?

• le relazioni dinamiche che andiamo a modellare sono troppo complesse per indagarle in modo analitico

• inoltre, aggiungiamo la struttura di rete a complicare i calcoli

• Risultati (anteprima):

• l’impatto dei legami a lungo raggio dipende dalle ipotesi di interazione a livello micro (valenza positiva o negativa dell’interazione)

• se la valenza dell’interazione è positiva, emerge l’integrazione

• se la valenza dell’integrazione è negativa, la divisione è esacerbata


-0.9899 -0.4345

IL MODELLO

0.23232 0.32323

i j

K = 2 K = 2

-1≤s≤1 -0.3244 0.5416

K = 4

0.89898 -0.3456

K = 4

wij = wji

state 1 state 2 state 1 state 2


AGGIORNARE I PESI

i

-1≤wij≤1

s1 = 0.23232

s2 = 0.32323

s1 = 0.89898

s2 = -0.3456

0≤wij≤1wij=0.33225j


AGGIORNARE LE OPINIONI


DISCONNECTED CAVEMAN GRAPH

Cave 1 Cave 2


SCHEDULING

• Update asincrono di stati e pesi per evitare artefatti

• ad ogni passo, un agente è estratto casualmente

• l’agente scelto seleziona se aggiornare uno stato o i pesi

• gli agenti sono estratti con reimmissione

• un ciclo del modello è esresso nel numero di iterazioni

• una iterazione corrisponde a N ticks, con N = 100


POLARIZZAZIONE

• La polarizzazione misura quanto la popolazione sia equamente divisa in due fazioni massimamente diverse

• Distanza tra le opinioni di due agenti:

• Polarizzazione a livello di popolazione:

•


RISULTATI


DISCUSSIONE

• La ricerca sulle reti small world suggerisce che i legami a lungo raggio possano promuovere l’integrazione culturale

• questo modello dimostra come tale risultato dipenda da assunti a livello micro: l’interazione può avere anche valenza negativa?

• I legami a lungo raggio, in questo caso, contribuiscono a diffondere polarizzazione culturale invece di integrazione


TWO APPLICATIONS


NetArg


Agent reasoning and interaction

A B C

D E

A B C

D E

A1's)Argumenta2on)Framework A2's)Argumenta2on)Framework

DE

A1)says:

ED

A2)does)not)trust)A1)and)rebuts:

A B C

D E

A1)trusts)A2)and)revises)its)AF:


Experiments…

! No weak ties

0 50 100 150 200 250 300

0.00

0.02

0.04

0.06

0.08

0.10

(a)

ticks

polarization

ooooo

trust 0trust 0.2trust 0.5trust 0.8trust 1

! Weak ties

0 50 100 150 200 250 300

0.00

0.02

0.04

0.06

0.08

0.10

(b)

ticks

polarization

ooooo

trust 0trust 0.2trust 0.5trust 0.8trust 1


TwitterArg !  Microdebates = Debates on Twitter !  Can users argue better for their own reasons if they can

better the others’ reasons? !  Simple syntax that allows us to visualize contrasting

positions in a microdebate !  Re-tweet increases support to opinions


REFERENCES:

• Axelrod, R. M. (1997). The complexity of cooperation: agent-based models of competition and collaboration. Princeton, N.J.: Princeton University Press.

• Axelrod, (1997), The Dissemination of Culture: a Model with Local Convergence and Global Polarization, Journal of Conflict Resolution, 41: 2, 203-226

• Epstein, J. M. (2006). Generative Social Science: Studies in Agent-Based Computational Modeling. Princeton University Press.

• Erdős, P and Rényi, A: On Random Graph, Publ. Math. Debrecen, (1959)

• Falche, A and Macy, M, (2011) Small worlds and cultural polarization, Journal of Mathematical Sociology, 5: 1-3, 146-176

• Granovetter, M.: The strength of weak ties: a network theory revisited. Sociological Theory 1, 201–233 (1983)

• Gilbert, G. N. and K. G. Troitzsch (1999). Simulation for the social scientist. Buckingham: Open University Press.

• Hedström, P. (2006). Anatomia del sociale. Milano: Bruno Mondadori.

• Hummon, N.P. and Fararo, T. J., Actors and Networks as Object, Social Networks 17 (1995) 1-26

• Macy, M. W. and R. Willer (2002, August). From factors to actors: computational sociology and agent-based modeling. Annual Review of Sociology 28, 143–166.

• Manzo, G. (2007). Variables, mechanisms and simulations: can the three methods be syntesized. Revue Française de Sociologie 48(5), 35–71.

• Nowak, Szamrej and Latané (1990), From Private Attitude to Public Opinion: a Dynamic Theory of Social Impact, Psychological review, 97: 3, 362-376

• Squazzoni, F. (2013). Agent-based computational sociology. Springer.

• Terna, P. (1998). Simulation tools for social scientists: building agent based models with swarm. Journal of Artificial Societies and Social Simulations vol. 1, n. 2.

• Watts, D.J., Strogatz, S.H.: Collective dynamics of small-world networks. Nature, 393, 440–442 (1998)


GRAZIE PER LA VOSTRA ATTENZIONE!!!

mailto: [email protected]


mailto:[email protected]

mailto:[email protected]

Introduzione all'uso dei modelli basati su agenti in Sociologia

Education

Transcript of Introduzione all'uso dei modelli basati su agenti in Sociologia