Introduzione all'uso dei modelli basati su agenti in Sociologia
-
Upload
simone-gabbriellini -
Category
Education
-
view
132 -
download
0
description
Transcript of 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
2venerdì 19 luglio 13
SIMULAZIONI NELLE SCIENZE SOCIALI
Scienze cognitive SociologiaEconomia
3venerdì 19 luglio 13
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.
4venerdì 19 luglio 13
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
5venerdì 19 luglio 13
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
6venerdì 19 luglio 13
COLEMAN’S BOAT
Macro level
Micro leveltype 1
type 2 type 3
7venerdì 19 luglio 13
COMPLICATO VS. COMPLESSO
8venerdì 19 luglio 13
COMPLICATO VS. COMPLESSO
9venerdì 19 luglio 13
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.
10venerdì 19 luglio 13
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.
11venerdì 19 luglio 13
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.
12venerdì 19 luglio 13
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.
13venerdì 19 luglio 13
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
14venerdì 19 luglio 13
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
15venerdì 19 luglio 13
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
17venerdì 19 luglio 13
MODELLI MATEMATICI
• Unisce rigore e computabilità
• ma necessariamente stilizza le situazioni rappresentate…
18venerdì 19 luglio 13
MODELLI COMPUTAZIONALI
• cosa sono?
• che vantaggi hanno?
• come si studiano?
19venerdì 19 luglio 13
SIMULAZIONIper osservare l’emergenza prodotta da un modello computazionale, abbiamo bisogno delle simulazioni: ma di quale tipo di simulazioni stiamo
parlando?
20venerdì 19 luglio 13
QUALE SIMULAZIONE?
• Una simulazione può consistere in un esperimento mentale!
21venerdì 19 luglio 13
QUALE SIMULAZIONE?
• Una simulazione può consistere in una modalità di calcolo dei modelli matematici
22venerdì 19 luglio 13
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.
23venerdì 19 luglio 13
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
24venerdì 19 luglio 13
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.
25venerdì 19 luglio 13
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
26venerdì 19 luglio 13
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
27venerdì 19 luglio 13
AGENT-BASED MODEL
• SE LE SIMULAZIONI AD AGENTI SONO COSÌ PROMETTENTI, PERCHÉ LE USANO IN COSÌ POCHI?
28venerdì 19 luglio 13
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
29venerdì 19 luglio 13
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)
30venerdì 19 luglio 13
ABM COME TEORIA
• È possibile fare teoria con delle simulazioni al computer?
31venerdì 19 luglio 13
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
32venerdì 19 luglio 13
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?
33venerdì 19 luglio 13
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
34venerdì 19 luglio 13
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.
35venerdì 19 luglio 13
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!
36venerdì 19 luglio 13
ABM E STANDARD
• Collegamento con la letteratura
• Struttura del modello
• Analisi del modello
• Replicabilità
37venerdì 19 luglio 13
GLI AGENTI, IL TEMPO E LA CASUALITÀ
1 - Proprietà e metodi2 - ticks
3 - numeri pseudo-casuali
38venerdì 19 luglio 13
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
39venerdì 19 luglio 13
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
40venerdì 19 luglio 13
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.
41venerdì 19 luglio 13
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
42venerdì 19 luglio 13
IL TEMPO
• Il tempo che avanza è legato allo scheduling
• Ma come fanno gli agenti ad operare contemporaneamente?
• Ask turtles [ do something]
43venerdì 19 luglio 13
IL CASO
• Come si simula la casualità?
44venerdì 19 luglio 13
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
45venerdì 19 luglio 13
PROGRAMMAZIONE ORIENTATA AGLI OGGETTI
Object-Oriented Programming (OOP)
46venerdì 19 luglio 13
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”
47venerdì 19 luglio 13
PROGRAMMAZIONE ORIENTATA AGLI 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
48venerdì 19 luglio 13
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
49venerdì 19 luglio 13
CLASSI E OGGETTI
50venerdì 19 luglio 13
PROGRAMMAZIONE ORIENTATA AGLI 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)
51venerdì 19 luglio 13
INCAPSULAMENTO
• Interfaccia
• Implementazione
• private e public
52venerdì 19 luglio 13
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
53venerdì 19 luglio 13
POLIMORFISMO
• Classe Animale:
• Proprietà private:
• versostringa, il verso che emette
• Metodo pubblic:
• fai-verso()restituisce il verso
54venerdì 19 luglio 13
• Classe Cane
• Proprietà private:
• verso = “BAU”
• Metodo pubblic:
• fai-verso()restituisce il verso “BAU”
POLIMORFISMO
55venerdì 19 luglio 13
• Classe Gatto
• Proprietà private:
• verso = “MIAO”stringa, il verso che emette
• Metodo pubblic:
• fai-verso()restituisce il verso “MIAO”
POLIMORFISMO
56venerdì 19 luglio 13
POLIMORFISMO
• Immaginiamo di avere una lista di animali:a = {c, g}
• e di voler sapere che verso fanno...
• il risultato sarà:“bau”, “miao”
57venerdì 19 luglio 13
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.
58venerdì 19 luglio 13
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?
59venerdì 19 luglio 13
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
60venerdì 19 luglio 13
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
61venerdì 19 luglio 13
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)
62venerdì 19 luglio 13
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
63venerdì 19 luglio 13
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”
64venerdì 19 luglio 13
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
65venerdì 19 luglio 13
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?
66venerdì 19 luglio 13
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
67venerdì 19 luglio 13
LE REGOLE DEL MODELLO
• Persuasività:
• Supportività:
68venerdì 19 luglio 13
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
69venerdì 19 luglio 13
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 •
70venerdì 19 luglio 13
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)
71venerdì 19 luglio 13
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
72venerdì 19 luglio 13
ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
73venerdì 19 luglio 13
THE DISSEMINATION OF CULTURE: A MODEL WITH LOCAL CONVERGENCE
AND GLOBAL POLARIZATIONAuthor: Axelrod
Published in: Journal of Conflict Resolution, 1997, 41: 2, 203-226
74venerdì 19 luglio 13
COSA VOGLIAMO SIMULARE?
• 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
75venerdì 19 luglio 13
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
76venerdì 19 luglio 13
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
77venerdì 19 luglio 13
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
78venerdì 19 luglio 13
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
79venerdì 19 luglio 13
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
80venerdì 19 luglio 13
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
81venerdì 19 luglio 13
IL MODELLO
82venerdì 19 luglio 13
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?
83venerdì 19 luglio 13
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
84venerdì 19 luglio 13
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
85venerdì 19 luglio 13
RISULTATI (PARZIALI)
86venerdì 19 luglio 13
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
87venerdì 19 luglio 13
ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
88venerdì 19 luglio 13
SMALL WORLDS AND CULTURAL POLARIZATION
Authors: Flache and MacyPublished in: Journal of Mathematical Sociology, 2011, 5: 1-3, 146-176
89venerdì 19 luglio 13
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?
90venerdì 19 luglio 13
RANDOM NETWORKS
• Prima tentativo di modellare reti sociali (Erdos e Renyi).
• Pseudocodice:
for each pair [ if random 1 < prob [ create-a-link ]]
91venerdì 19 luglio 13
PENSATE AI VOSTRI AMICI
92venerdì 19 luglio 13
PONTI E LEGAMI DEBOLI
93venerdì 19 luglio 13
LA FORZA DEI LEGAMI DEBOLI
94venerdì 19 luglio 13
SMALL WORLD
95venerdì 19 luglio 13
COSA VOGLIAMO SIMULARE?
• 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
96venerdì 19 luglio 13
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
97venerdì 19 luglio 13
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
98venerdì 19 luglio 13
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*
99venerdì 19 luglio 13
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
100venerdì 19 luglio 13
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
101venerdì 19 luglio 13
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
102venerdì 19 luglio 13
-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
103venerdì 19 luglio 13
AGGIORNARE I PESI
i
-1≤wij≤1
s1 = 0.23232
s2 = 0.32323
s1 = 0.89898
s2 = -0.3456
0≤wij≤1wij=0.33225j
104venerdì 19 luglio 13
AGGIORNARE LE OPINIONI
105venerdì 19 luglio 13
DISCONNECTED CAVEMAN GRAPH
Cave 1 Cave 2
106venerdì 19 luglio 13
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
107venerdì 19 luglio 13
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:
•
108venerdì 19 luglio 13
RISULTATI
109venerdì 19 luglio 13
RISULTATI
110venerdì 19 luglio 13
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
111venerdì 19 luglio 13
ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
112venerdì 19 luglio 13
TWO APPLICATIONS
113venerdì 19 luglio 13
NetArg
114venerdì 19 luglio 13
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:
115venerdì 19 luglio 13
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
116venerdì 19 luglio 13
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
117venerdì 19 luglio 13
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)
118venerdì 19 luglio 13