Ако сте отделили малко време да помислите за сложните системи, сигурно разбирате важността на мрежите. Мрежите управляват нашия свят. От химическите реакции в клетките до мрежите от взаимоотношения в екосистеми, търговски и политически мрежи, които оформят хода на историята.

Или нека разгледаме тази статия, която в момента четете. Вероятно я намерихте в социалната мрежа, изтеглихте я от компютърната мрежа и в момента разшифровате смисъла с помощта на своята невронна мрежа..

Но колкото и да съм мислил за мрежите през години, до скоро не разбирах важността на простата дифузия..

Това е нашата тема за днес: как, колко хаотично всичко се движи и разпространява. Някои примери, за да разгорим апетита:

• Инфекциозни заболявания, които преминават от носител на носител в рамките на популацията.
• Меми, разпространяващи се по графа на последователите в социалните мрежи.
• Лесен пожар.
• Идеи и практики, проникващи в културата.
• Каскада от неутрони в обогатен уран.

Кратка забележка относно формата.

В контекста на всичките ми предишни работи, това е есе – интерактивно [в оригиналната статия, представени интерактивни примери с плъзгачи и бутони, които управляват обектите на екрана – бел. ред.]

Така че да започнем. Първата задача е да разработим визуален речник за разпространение през мрежите.

Проста модел

Сигурен съм, че всички вие знаете основите на мрежите, т.е. възли + ребра. За да изследваме дифузията, трябва само да маркираме някои възли като активни.Или, както обичат да казват епидемиолозите, инфектирани.:

Тази активация или инфекция се разпространява по мрежата от възел до възел в съответствие с правилата, които ще разработим по-долу.

Реалните мрежи обикновено са много по-големи от тази проста мрежа от седем възела. Те са и много по-сложни. Но за простота тук ще изградим играчка модел, за да проучим решетка, т.е. решетъчна мрежа (lattice network).

(Липсата на реализъм на мрежата се компенсира от факта, че е лесно да се рисува 😉.

Освен ако не е посочено друго, в мрежовите възли има по четири съседи, например:

И трябва да си представим, че тези решетки се простират безкрайно във всички посоки. С други думи, не ни интересува поведението, което се случва само на краищата на мрежата или в малки популации.

Като се има предвид, че решетките са толкова подредени, можем да ги опростим до пиксели. Например, тези два изображения представят една и съща мрежа:

В един от вариантите на поведението активният възел винаги предава инфекцията на своите (незаразени) съседи. Но това е скучно. Много по-интересни неща се случват, когато предаването е вероятностно.

SIR и SIS

В модели SIR (Податлив-Заразен-Отстранен) възел може да бъде в три състояния:

• Податлив (Susceptible)
• Заразен (Infected)
• Отстранен (Removed)

Ето как работи интерактивната симулация [в оригиналната статия, можете да изберете скорост на предаване на инфекцията от 0 до 1, да наблюдавате процеса стъпка по стъпка или в цялост — бел. ред.]:

• Възлите започват като податливи, с изключение на няколко възела, които започват като заразени.
• На всяка времева стъпка заразените възли имат шанс да предадат инфекцията на всеки от своите податливи съседи с вероятност, равна на скоростта на предаване.
• Заразените възли след това преминават в състояние "отстранен", тоест не са в състояние да заразят други или да се заразят отново.

В контекста на болестта, отстраняването може да означава, че човекът е починал или че е развил имунитет към патогена. Казваме, че те са "отстранени" от симулацията, защото с тях повече нищо не се случва.

В зависимост от това, което се опитваме да моделираме, може да е необходима друга модел, различен от SIR.

Ако симулираме разпространението на морбили или избухване на горски пожар, SIR е идеален. Но да предположим, че симулираме разпространението на нова културна практика, например медитация. Първоначално възелът (човекът) е податлив, тъй като никога не е правил това преди. След това, ако започне да медитира (възможно е да е чул за това от приятел), ще моделираме го като заразен. Но ако спре практиката, той няма да умре и няма да изпадне от симулацията, защото в бъдеще лесно може отново да приеме тази обичая. Така той преминава обратно в податливото състояние.

Това модел SIS (Уязвимый–Заражённый–Уязвимый). В классической модели два параметра: скорость передачи и скорость восстановления. Однако в симуляциях для этой статьи я решил упростить, опустив параметр скорости восстановления. Вместо этого заражённый узел автоматически возвращается в восприимчивое состояние на следующем шаге времени, если только он не заражён одним из своих соседей. Кроме того, мы позволяем узлу, заражённому на шаге n, заразить себя на шаге n+1 с вероятностью, равной скорости передачи.

Обсуждение

Как можете да видите, това е много различно от модела SIR.

Тъй като узлите никога не се изтриват, дори много малка и ограничена решетка може да поддържа инфекция SIS за дълъг период от време. Инфекцията просто скача от възел на възел и се връща обратно.

Въпреки различията, SIR и SIS се оказват удивително взаимозаменяеми за нашите цели. Следователно, за останалата част от статията, ще спрем на SIS - основно защото е по-жизнеспособна и следователно с нея е по-интересно да се работи.

Критичен ниво

Играейки с моделите SIR и SIS, може да сте забелязали нещо относно дълготрайността на инфекцията. При много ниски скорости на предаване като 10%, инфекцията има тенденция да измира. Докато при по-високи стойности, като 50%, инфекцията остава жива и завладява по-голямата част от мрежата. Ако мрежата беше безкрайна, можехме да си представим, че тя продължава и се разпространява вечно.

Такава безгранична дифузия има много имена: 'вирусна', 'ядрена' или (в заглавието на тази статия) критична.

Оказва се, че има конкретна точка на разпад, която отделя докритичните мрежи (обречени на изчезване) от надкритичните мрежи (възможни за безкраен растеж). Тази критична точка се нарича критичен праг, и това е доста общ признак на дифузионните процеси в обикновените мрежи.

Точната стойност на критичния праг варира между мрежите. Общото е наличие такова значение.

[В интерактивната демонстрация от оригиналната статия можете да опитате ръчно да установите критичния праг на мрежата, променяйки стойността на скоростта на предаване. Тя е между 22% и 23% - бел. ред.]

При 22% (и по-ниже) инфекцията в крайна сметка измира. При 23% (и по-високо) първоначалната инфекция понякога измира, но в повечето случаи успява да оцелее и да се разпространи достатъчно дълго, за да си осигури вечен живот.

(Между другото, съществува цяла научна област, посветена на търсенето на тези критични прагове за различни мрежови топологии. За бързо запознаване препоръчвам да прегледате статията в Уикипедия за праг на протичане).

В общи линии, ето как работи: под критичния праг всяка крайна инфекция в мрежата гарантирано (с вероятност 1) измира в крайна сметка. Но над критичния праг съществува вероятност (p > 0), че инфекцията ще продължи вечно и ще се разпространи произволно далеч от изходната точка.

Но имайте предвид, че свръхкритичната мрежа не гарантира, че инфекцията ще продължи вечно. Всъщност, тя често загасва, особено в най-ранните етапи на моделирането. Нека видим как става това.

Да предположим, че започваме с един заразен възел и четирима съседи. На първата стъпка на моделирането инфекцията има 5 независими шанса за разпространение (включително шанса да "се разпространи" сама на следващата стъпка):

Сега нека предположим, че скоростта на предаване е 50%. В този случай на първата стъпка хвърляме монета пет пъти. И ако излязат пет орли, инфекцията ще бъде унищожена. Това се случва приблизително в 3% от случаите — и то само на първата стъпка. Инфекцията, която е оцеляла на първата стъпка, има някаква (обикновено по-малка) вероятност да загасне на втората стъпка, някаква (още по-малка) вероятност да загасне на третата стъпка и т.н.

Така че дори когато мрежата е свръхкритична — ако скоростта на предаване е 99% — съществува вероятност инфекцията да изчезне.

Но важното е, че тя не винаги ще угасва. Ако се съберат вероятностите за загасване на всички стъпки до безкрайност, резултатът е по-малък от 1. С други думи, с ненулева вероятност инфекцията ще продължи вечно. Ето какво означава мрежата да бъде свръхкритична.

SISa: спонтанна активация

До този момент всички наши симулации започваха с малка част от предварително заразени възли в центъра.

Но какво, ако започнем от нулата? Нека моделираме спонтанна активация - процес, при който уязвимия възел се заразява случайно (не от един от съседите).

Това нарича се модел SISa. Буквата “a” означава „автоматичен“.

В симулацията SISa се появява нов параметър - скорост на спонтанна активация, която променя честотата на възникване на спонтанна инфекция (параметърът на скоростта на предаване, който видяхме по-рано, също присъства).

Какво е нужно, за да се разпространи инфекцията в цялата мрежа?

Обсуждение

Може би в симулацията забелязахте, че увеличаването на скоростта на спонтанна активация не променя дали инфекцията обхваща цялата мрежа или не. Само скоростта на предаване определя дали мрежата е под- или надкритична. И когато мрежата е подкритична (скоростта на предаване е по-малка или равна на 22%), нито една инфекция не може да се разпространи в цялата решетка, независимо от това колко често започва.

Това е все едно да запалите огън на мокро поле. Можете да подпалите няколко сухи листа, но огънят бързо ще угасне, защото останалата част от ландшафта не може да се запали достатъчно лесно (подкритична). Докато на много сухо поле (надкритично) понякога е достатъчна само една искра, за да започне бушуващ пожар.

Подобни неща се наблюдават в сферата на идеите и изобретенията. Често светът не е готов за идеята, и в този случай тя може да се изобретява отново и отново, но не достига до масите. От друга страна, светът може да бъде напълно готов за изобретение (голямо скрито търсене), и веднъж създадена, тя се приема от всички. Посредата са идеите, които се изобретяват на няколко места и се разпространяват локално, но не достатъчно, за да обхване някоя отделна версия веднага цялата мрежа. В тази последна категория намираме, например, селското стопанство и писмеността, които са били независимо изобретени от различни човешки цивилизации около десет и три пъти, съответно.

Имунитет

Да предположим, че правим някои възли напълно неуязвими, тоест неуязвими за активация. Това е все едно те първоначално да са в отдалечено състояние, а модел SIS(a) да се стартира на останалите възли.

Плъзгачът „имунитет“ управлява процента на отстранените възли. Опитайте да промените неговата стойност (по време на работа на модела!) и да видите как това влияе на състоянието на мрежата, дали тя ще е свръхкритична или не.

Обсуждение

Промяната в броя на нечувствителните възли напълно променя картината, ще бъде ли мрежата до- или свръхкритична. И не е трудно да се разбере защо. При голямо количество нечувствителни възли инфекцията има по-малко възможности да се разпространи към нови хостове.

Оказва се, че това води до редица много важни практически последици.

Една от тях е предотвратяването на разпространението на горски пожари. На местно ниво всеки човек трябва да предприема свои мерки за безопасност (например, никога не оставяйте открит огън без надзор). Но на по-голям мащаб отделни избухвания са неизбежни. Така че, друг метод за защита е да се осигури достатъчно количество „разриви“ (в мрежата на лесно запалими материали), за да не обхване избухването цялата мрежа. Тази функция изпълняват просеките:

Още едно избухване, което е важно да се спре, е инфекциозно заболяване. Тук се въвежда концепцията за популационен имунитет. Това е идеята, че някои хора не могат да бъдат ваксинирани (например, имат нарушена имунна система), но ако достатъчно хора са нечувствителни към инфекцията, болестта не може да се разпространява безкрайно. С други думи, трябва да се ваксинират достатъчно част от населението, за да се премине населението от свръхкритично в докритично състояние. Когато това се случи, един пациент все още може да се зарази (например, след пътуване в друг регион), но без свръхкритична мрежа, в която да расте, болестта ще зарази само малка шепа хора.

Накрая, концепцията за нечувствителни възли обяснява какво се случва в ядрения реактор. В цепната реакция разпадащият се атом уран-235 освобождава около три неутрона, които предизвикват (в средно) разпад на повече от един атом U-235. Новите неутрони след това предизвикват допълнителен разпад на атоми и така нататък експоненциално:

При създаването на бомба целта е да се осигури безпрепятствено продължение на експоненциалния растеж. Но в електрическата станция целта е да се произведе енергия, без да се убиват всички наоколо. За това се използват регулиращи пръти, изработени от материал, способен да абсорбира неутрони (например, сребро или бор). Тъй като те абсорбират, а не освобождават неутрони, в нашата симулация действат като нечувствителни възли, предотвратявайки излизането на радиоактивното ядро в свръхкритично състояние.

Така хитростта на ядрения реактор е да поддържа реакцията близо до критичния праг, като премества регулиращите пръти напред-назад, и да гарантира, че всеки път, когато нещо се обърка, прътите са потопени в ядрото и го спират.

Степента

Степента на възела е броят на неговите съседи. До този момент разглеждахме мрежи от 4-та степен. Но какво се случва, ако променим този параметър?

Например, можем да свържем всеки възел не само с четирите непосредствени съседи, но и с още четирима по диагонал. В такава мрежа степента ще бъде 8.

Решетките със степени 4 и 8 са добре симетрични. Но при степен 5 (например) възниква проблем: кои петима съседи да изберем? В този случай избираме четиримата най-близки съседи (С, И, Ю, З), а след това случайно избираме един съсед от множеството {СИ, ЮИ, ЮЗ, СЗ}. Изборът се прави независимо за всеки възел на всяка времева стъпка.

Обсуждение

Отново, не е трудно да се разбере какво се случва. Когато всеки възел има повече съседи, шансовете за разпространение на инфекция нарастват — и, следователно, мрежата с по-голяма вероятност ще стане критична.

Въпреки това, последствията могат да бъдат неочаквани, както ще видим по-долу.

Градове и плътност на мрежата

Досега нашите мрежи бяха напълно хомогенни. Всеки възел изглежда като всеки друг. Но какво, ако променим условията и позволим различни състояния на възлите в цялата мрежа?

Например, да опитаме да моделираме градове. За това повишаваме плътността в някои участъци на мрежата (по-висока степен на възлите). Правим го на базата на данни, че жителите на градовете имат по-широк социален кръг и повече социални взаимодействия, отколкото хората извън градовете.

В нашата модел уязвимите възли са оцветени в зависимост от степента им. Възлите в "селянин" имат степен 4 (и са оцветени в светло-сив цвят), докато възлите в "градовете" имат по-високи степени (и са оцветени в по-тъмен цвят), започвайки от степен 5 на покрайнината и стигайки до 8 в централната част на града.

Опитайте да подберете такава скорост на разпространение, че активацията да обхване градовете, а след това да не излиза извън техните граници.

Намирам тази симулация едновременно очевидна и удивителна. Разбира се, градовете по-добре поддържат културния рівень, отколкото селските райони – всички го знаят. Това, което ме учудва, е, че част от това културно разнообразие възниква просто на основата на топологията на социалната мрежа.

Това е интересен момент, ще се опитам да обясня по-подробно.

Тук имаме работа с форми на култура, които се предават просто и директно от човек на човек. Например, маниери, салонни игри, модни тенденции, езикови тенденции, ритуали на малки групи и продукти, които се разпространяват от уста на уста, плюс цели пакети информация, които наричаме идеи.

(Забележка: разпространението на информация между хората е изключително усложнено от средствата за масова информация. По-лесно е да си представим някаква технологично примитивна среда, например Древна Гърция, където почти всяка искра от културата е била предавана чрез взаимодействие в физическото пространство).

От предоставената симулация научих, че има идеи и културни практики, които могат да се вкоренят и разпространят в града, но просто не могат да се разпространят в селото (математически не могат). Това са същите идеи и същите хора. Не става въпрос за това, че селските жители са някакви "недалечни": при взаимодействие с една и съща идея, те имат точно същите шансове да я прихванат, както и градските жители. Просто самата идея не може да стане вирусна в селското място, защото там няма достатъчно връзки, по които да се разпространи.

Това вероятно е най-лесно да се види в сферата на модата - дрехи, прически и т.н. В модната мрежа можем да фиксираме ръбовете на решетката, когато двама души забелязват облеклата един на друг. В градския център, всеки човек може ежедневно да види повече от 1000 други хора - на улицата, в метрото, в пренаселен ресторант и т.н. В селските райони, от друга страна, всеки човек може да види само няколко десетки други. Основавайки се само на тази разлика, градът е в състояние да поддържа повече модни тенденции. И само най-убедителните тенденции - с най-висока скорост на предаване - могат да се укрепят извън града.

Склонни сме да мислим, че ако идеята е добра, то в крайна сметка ще достигне до всички, а ако идеята е лоша, то ще изчезне. Безспорно, това е вярно в крайни случаи, но между тях има куп идеи и практики, които могат да станат вирусни само в определени мрежи. Това е наистина удивително.

Не само градовете

Тук разглеждаме влиянието на плътността на мрежата. Тя се определя за даден набор от възли като броя на фактическите ръбове, разделени на броя на потенциалните ръбове. Тоест процентът на възможните връзки, които наистина съществуват.

И така, видяхме, че плътността на мрежата в градските центрове е по-висока, отколкото в селските райони. Но градовете не са единственото място, където намираме плътни мрежи.

Интересен пример са средните училища. Например, за конкретен район спрямо мрежата, която съществува сред учениците, в сравнение с мрежата, която съществува сред техните родители. Същият географски район и същото население, но една мрежа е многократно по-плътна от друга. Затова е неучудващо, че модата и лингвистичните тенденции се разпространяват много по-бързо сред тийнейджърите.

По подобен начин, елитните мрежи обикновено са значително по-гъсти от неелитните мрежи — според мен, този факт е недооценен (хората, които са популярни или влиятелни, прекарват повече време в изграждане на мрежи и затова имат повече "съседи" от обикновените хора). На базата на изложените по-горе симулации, очакваме, че елитните мрежи ще поддържат някои културни форми, които мейнстриймът не може да поддържа, просто поради математическите закони, свързани със средната гъстота на мрежите. Оставям ви да помислите какви могат да бъдат тези културни форми.

Накрая можем да приложим тази идея към интернет, моделирайки го като огромен и много гъст град. Не е изненадващо, че в интернет процъфтяват много нови видове култура, които просто не могат да се поддържат в чисто пространствени мрежи: нишови хобита, по-добри стандарти за дизайн, по-голяма осведоменост за несправедливостта и т.н. И това не са единствено приятни неща. По същия начин, по който първите градове бяха развъдник на болести, които не можеха да се разпространяват при ниска гъстота на населението, интернетът е питателна среда за злокачествени културни форми, като кликбейт, фалшиви новини и предизвикване на изкуствено възмущение.

Знания

"Намирането на правилния експерт в подходящия момент често е най-ценният ресурс за креативното решаване на проблем." — Майкъл Нилсен, "Изобретявайки открития"

Често мислим за откритие или изобретение като за процес, който се случва в ума на единствения гений. Той е поразен от внезапно вдъхновение и — еврика! — изведнъж получаваме нов начин за измерване на обема. Или уравнението на гравитацията. Или крушка.

Но ако приемем точката на виждане на самотния изобретател в момента на откритие, ние разглеждаме явлението от гледна точка на възел. Докато е по-точно да тълкуваме изобретението като мрежово явление.

Мрежата е важна поне по две причини. Първо, вече съществуващите идеи трябва да проникнат в съзнанието на изобретателя. Това са цитати от нова статия, библиографска част от нова книга — гиганти, на раменете на които стои Нютон. На второ място, мрежата е от съществено значение за връщането на новата идея обратно в света; изобретение, което не се е разпространило, едва ли може да се нарече 'изобретение'. По тези две причини е разумно да моделираме изобретението – или, в по-широк смисъл, растежа на знанието – като процес на дифузия.

След миг ще представя груба симулация на това как знанията могат да се разпространяват и развиват в мрежата. Но първо трябва да обясня.

В началото на моделироването в четирите квадранта на мрежата се намират четирима експерти, разположени по следния начин:

Експерт 1 получава първата версия на идеята – нека я наречем Идея 1.0. Експерт 2 е човекът, който знае как да превърне Идея 1.0 в Идея 2.0. Експерт 3 знае как да преобразува Идея 2.0 в Идея 3.0. И накрая, четвъртият експерт знае как да направи последните корекции за създаването на Идея 4.0.

Това е подобно на техника като оригами, където методи се разработват и комбинират с други методи, за да се създадат по-интересни конструкции. Или може да бъде област на знание, подобна на физиката, в която по-късната работа се основава на фундаменталната работа на предшествениците.

Същността на тази симулация е, че всички четирима експерти трябва да допринесат за крайната версия на идеята. И на всеки етап идеята трябва да бъде предоставена на съответния експерт.

Няколко уговорки. В симулацията са закодирани множество нереалистични предположения. Ето някои от тях:

1. Предполага се, че идеите не могат да се съхраняват и предават освен от човек на човек (т.е. няма книги и медии).
2. Предполага се, че в популацията има постоянни експерти, способни да генерират идеи, макар в действителност много случайни фактори влияят на възникването на откритие или изобретение.
3. За всичките четири версии на идеята се използва един и същ набор от параметри SIS (скорост на предаване, процент на неприязън и т.н.), макар че по-реалистично вероятно е да се използват различни параметри за всяка версия (1.0, 2.0 и т.н.)
4. Предполага се, че идея N+1 винаги напълно изтласква идея N, макар в практиката често старата и новата версии циркулират едновременно, без категоричен победител.

… и много други.

Обсуждение

Това е смехотворно опростен модел на начина, по който знанията наистина растат. Извън рамките на модела остават много важни детайли (вижте по-горе). Въпреки това, той отразява важната същност на процеса. И затова можем, с уговорки, да разискваме за растежа на знанията, използвайки нашите познания за дифузията.

В частност, дифузионният модел предоставя разбиране как да се ускори процеса: трябва да се улесни обменът на идеи между експертните възли. Това може да означава пречистване на мрежата от мъртви възли, които пречат на дифузията. Или може да означава разполагане на всички експерти в град или клъстер с висока мрежова плътност, където идеите бързо се разпространяват. Или просто да ги съберем в една стая:

Така… това е всичко, което мога да кажа за дифузията.

Но имам една последна мисъл и тя е много важна. Става дума за растежа (и стагнацията) на знанията в научните общности. Тази идея е различна по тон и съдържание от всичко, казано по-горе, но се надявам, че ще ми простите.

За научните мрежи

На илюстрацията е показан един от най-важните положителни цикли на обратна връзка в света (и той е такъв от доста време):

Възходящият ход на цикъла (K ⟶ T) е доста прост: използваме новите знания, за да разработим нови инструменти. Например, разбирането на физиката на полупроводниците ни позволява да създадем компютри.

Обаче, низходящият ход изисква известно обяснение. Как точно развитието на технологиите води до растежа на знанията?

Един от начините — може би най-простият — е, когато новите технологии ни дават нови начини за възприемане на света. Например, по-добрите микроскопи позволяват да погледнем по-дълбоко в клетката, предлагайки идеи за молекулярната биология. GPS тракери показват как се движат животните. Хидролокаторът позволява да изследваме океаните. И така нататък.

Несъмнено, това е жизненоважен механизъм, но има поне два други пътя от технология към знание. Може би не са толкова прости, но мисля, че са точно толкова важни:

Първият. Технологията води до икономическо изобилие (т.е. богатство), което позволява на повече хора да се занимават с производството на знания.

Ако 90% от населението на вашата страна се занимава със земеделие, а останалите 10% практикуват търговия (или война), хората имат много малко свободно време да разсъждават за законите на природата. Вероятно именно затова в миналото науката е била предимно насърчавана от деца на богати семейства.

САЩ годишно произвеждат над 50 000 доктори на науките. Вместо да започне работа в завод на 18 години (или по-рано), аспирантът трябва да бъде финансиран до 30 или дори 40 години — и дори тогава не е ясно дали неговата работа ще донесе някакъв реален икономически ефект. Но това е необходимо, за да може човекът да достигне напредналите граници на своята дисциплина, особено в сложни области като физика или биология.

Факт е, че от гледна точка на системи специалистите се характеризират с висока цена. А крайният източник на общественото богатство, което финансира тези специалисти, е новата технология: плугът субсидира пера.

Вторият. Новите технологии, особено в сферата на пътуванията и комуникациите, променят структурата на социалните мрежи, в които расте познанието. В частност, това позволява на експертите и специалистите да взаимодействат по-тясно помежду си.

Сред забележителните изобретения тук са печатната машина, параходите и железниците (които улесняват пътуването и / или изпращането на кореспонденция на големи разстояния), телефоните, самолетите и интернет. Всички тези технологии способстват за повишаване на плътността на мрежата, особено в рамките на специализирани общности (където се случва почти всичкото нарастване на знанията). Например, мрежите за кореспонденция, възникнали сред европейски учени в края на Средновековието, или как съвременните физици използват arXiv.

В крайна сметка и двата тези пътища са сходни. И двата увеличават плътността на мрежата от специалисти, което от своя страна води до растежа на знанията:

В продължение на много години гледах с пренебрежение на висшето образование. Краткото ми престой в аспирантурата остави неприятен вкус. Но сега, когато се оглеждам назад и размишлявам (може би да се абстрахирам от всички лични проблеми), трябва да заключа, че висшето образование все още е изключително важно.

Академичните социални мрежи (например, научноизследователски общности) са една от най-добрите и ценни структури, създадени от нашата цивилизация. Няма другаде, където сме натрупали такава голяма концентрация от специалисти, фокусирани върху производството на знания. Никъде другаде хората не развиват такава способност за разбиране и критикуване на идеите си. Това е пулсиращото сърце на напредъка. Именно в тези мрежи огънят на просвещението гори най-силно.

Но не можем да приемаме напредъка като даденост. Ако кризисът с неповторимостта на експериментите научи ни нещо, това е, че науката може да срещне системни проблеми. Това е вид деградация на мрежата.

Нека предположим, че различаваме два начина за занимаване с наука: истинската наука и карьеизмът. Истинската наука е практика, която надеждно произвежда знания. Тя е мотивирана от любопитство и се характеризира с честност (Фейнман: „Виждате ли, просто трябва да разбера света”). Карьеризмът, от друга страна, е мотивиран от професионални амбиции и се характеризира с политика и научни етикети. Той може да изглежда и да действа като наука, но не не произвежда надеждни знания.

(Да, това е преувеличена дихотомия. Просто мислен експеримент. Не се сърдете).

Факт е, че когато кариеристите заемат място в реалната научноизследователска общност, те развалят работата. Те се стремят да се изкачат нагоре, докато останалата част от общността се опитва да добие нови знания и да ги сподели. Вместо да се стремят към яснота, кариеристите усложняват и забъркват, за да изглеждат по-впечатляващи. Те се занимават (както би казал Хари Франкфурт) с научна глупост. Следователно, можем да ги моделираме като мъртви възли, нечувствителни към добросъвестния обмен на информация, необходим за растежа на знанията:

Възможно е най-добрата моделка да е такава, в която кариеристските възли не само че не са чувствителни към знания, но активно разпространяват фалшиви знания. Фалшивите знания могат да включват незначителни резултати, чиято важност е изкуствено раздута, или наистина неверни резултати, произлизащи от манипулации или фалшифицирани данни.

Независимо от това как ги моделираме, карьеристите могат със сигурност да задушат нашите научни общности.

Това е подобно на верижна ядрена реакция, от която спешно се нуждаем – необходим ни е взрив от знания – но в нашия обогатен U-235 има твърде голямо количество неактивен изотоп U-238, който потиска верижната реакция.

Разбира се, между карьеристите и истинските учени няма ясно разграничение. Във всеки от нас има малко карьеризъм. Въпросът е колко дълго ще издържи мрежата, преди разпространението на знанията да затихне.

О, вие прочетохте до края. Благодаря за четенето.

Лиценз

CC0 всички права не запазени. Можете да използвате тази работа, както смятате за необходимо :).

Благодарности

• Кевин Квок и Ники Кейс за внимателните коментари и предложения относно различни версии на черновата.
• Нику Барру — за моралната подкрепа през целия процес и за най-полезните отзиви относно моята работа.
• Киту А. за това, че ми посочи явлението перколация и праг на пропускливост.
• Джеф Лонсдейл за линка към този есей, който (въпреки многобройните си недостатъци) стана основен стимул за работата над този пост.

Примери за интерактивни есета

• Всички работи на Ники Кейс, особено «Притча за полигона» (с Ви Харт) и «Разработване на по-добър бюлетин за гласуване». Това е висока летва за това какво може да бъде интерактивно есе.
• Distill.pub: изключително качествени интерактивни описания на машинното обучение.
• Класическото произведение на Брет Виктор «Нагоре и надолу по стълбицата на абстракцията». Не се справих много добре с напредването по стълбицата, но винаги остава още един опит.

Източник: habr.com