Εάν έχετε αφιερώσει χρόνο σκεπτόμενοι περίπλοκα συστήματα, πιθανότατα καταλαβαίνετε τη σημασία των δικτύων. Τα δίκτυα κυβερνούν τον κόσμο μας. Από τις χημικές αντιδράσεις μέσα σε ένα κύτταρο, στον ιστό των σχέσεων σε ένα οικοσύστημα, στα εμπορικά και πολιτικά δίκτυα που διαμορφώνουν την πορεία της ιστορίας.

Ή σκεφτείτε αυτό το άρθρο που διαβάζετε. Μάλλον το βρήκατε κοινωνικό δίκτυο, λήψη από δίκτυο υπολογιστών και αυτή τη στιγμή αποκρυπτογραφούν το νόημα χρησιμοποιώντας το δικό σας νευρικό σύστημα.

Αλλά όσο και αν σκεφτόμουν τα δίκτυα όλα αυτά τα χρόνια, μέχρι πρόσφατα δεν καταλάβαινα τη σημασία του απλού διάχυση.

Αυτό είναι το θέμα μας για σήμερα: πώς, πόσο χαοτικά κινούνται και εξαπλώνονται όλα. Μερικά παραδείγματα για να ανοίξετε την όρεξή σας:

• Λοιμώδη νοσήματα που περνούν από φορέα σε φορέα μέσα σε έναν πληθυσμό.
• Τα μιμίδια εξαπλώνονται στο γράφημα των ακολούθων στα κοινωνικά δίκτυα.
• Φωτιά δάσους.
• Ιδέες και πρακτικές που διαπερνούν έναν πολιτισμό.
• Καταρράκτης νετρονίων σε εμπλουτισμένο ουράνιο.

Μια γρήγορη σημείωση για τη φόρμα.

Σε αντίθεση με όλα τα προηγούμενα έργα μου, αυτό το δοκίμιο είναι διαδραστικό [σε πρωτότυπο άρθρο Δίνονται διαδραστικά παραδείγματα με ρυθμιστικά και κουμπιά που ελέγχουν αντικείμενα στην οθόνη - περίπου. λωρίδα].

Ας ξεκινήσουμε λοιπόν. Το πρώτο καθήκον είναι να αναπτυχθεί ένα οπτικό λεξιλόγιο για διάδοση στα δίκτυα.

Απλό μοντέλο

Είμαι σίγουρος ότι όλοι γνωρίζετε τη βάση των δικτύων, δηλαδή κόμβους + άκρες. Για να μελετήσετε τη διάχυση, πρέπει απλώς να επισημάνετε ορισμένους κόμβους ως ενεργός. Ή, όπως θέλουν να πουν οι επιδημιολόγοι, μολυσμένος:

Αυτή η ενεργοποίηση ή μόλυνση εξαπλώνεται μέσω του δικτύου από κόμβο σε κόμβο σύμφωνα με τους κανόνες που θα αναπτύξουμε παρακάτω.

Τα πραγματικά δίκτυα είναι συνήθως πολύ μεγαλύτερα από αυτό το απλό δίκτυο επτά κόμβων. Είναι επίσης πολύ πιο μπερδεμένα. Αλλά για λόγους απλότητας, θα κατασκευάσουμε εδώ ένα μοντέλο παιχνιδιού για να μελετήσουμε ένα πλέγμα, δηλαδή ένα δίκτυο πλέγματος.

(Αυτό που λείπει από το πλέγμα στον ρεαλισμό, το αναπληρώνει καθώς είναι εύκολο να σχεδιαστεί 😉

Εκτός εάν αναφέρεται διαφορετικά, οι κόμβοι δικτύου έχουν τέσσερις γείτονες, για παράδειγμα:

Και πρέπει να φανταστείτε ότι αυτά τα πλέγματα εκτείνονται ατελείωτα προς όλες τις κατευθύνσεις. Με άλλα λόγια, δεν μας ενδιαφέρει η συμπεριφορά που εμφανίζεται μόνο στα άκρα του δικτύου ή σε μικρούς πληθυσμούς.

Δεδομένου ότι τα πλέγματα είναι έτσι ταξινομημένα, μπορούμε να τα απλοποιήσουμε σε pixel. Για παράδειγμα, αυτές οι δύο εικόνες αντιπροσωπεύουν το ίδιο δίκτυο:

Σε μια συμπεριφορά, ο ενεργός κόμβος μεταδίδει πάντα τη μόλυνση στους (μη μολυσμένους) γείτονές του. Αλλά είναι βαρετό. Πολύ πιο ενδιαφέροντα πράγματα συμβαίνουν κατά τη μεταγραφή πιθανολογικός.

SIR και SIS

В Μοντέλα SIR (Ευαίσθητος-Μολυσμένος-Καταργημένος) ένας κόμβος μπορεί να βρίσκεται σε τρεις καταστάσεις:

• Ευαίσθητος
• Μολυσμένος
• Καταργήθηκε

Δείτε πώς λειτουργεί η διαδραστική προσομοίωση [in πρωτότυπο άρθρο μπορείτε να επιλέξετε τον ρυθμό μετάδοσης μόλυνσης από 0 έως 1, δείτε τη διαδικασία βήμα προς βήμα ή στο σύνολό της - περίπου. μετάφρ.]:

• Οι κόμβοι ξεκινούν ως ευαίσθητοι, με εξαίρεση μερικούς κόμβους που ξεκινούν ως μολυσμένοι.
• Σε κάθε χρονικό βήμα, οι μολυσμένοι κόμβοι έχουν την ευκαιρία να μεταδώσουν τη μόλυνση σε κάθε έναν από τους ευαίσθητους γείτονές τους με πιθανότητα ίση με τον ρυθμό μετάδοσης.
• Οι μολυσμένοι κόμβοι μπαίνουν στη συνέχεια σε κατάσταση «διαγραμμένου», που σημαίνει ότι δεν είναι πλέον σε θέση να μολύνουν άλλους ή να μολυνθούν οι ίδιοι.

Στο πλαίσιο της νόσου, η αφαίρεση μπορεί να σημαίνει ότι το άτομο έχει πεθάνει ή ότι έχει αναπτύξει ανοσία στο παθογόνο. Λέμε ότι έχουν "αφαιρεθεί" από την προσομοίωση γιατί δεν τους συμβαίνει τίποτα άλλο.

Ανάλογα με το τι προσπαθούμε να μοντελοποιήσουμε, μπορεί να χρειαστεί ένα διαφορετικό μοντέλο από το SIR.

Εάν προσομοιώνουμε την εξάπλωση της ιλαράς ή μιας εστίας πυρκαγιάς, το SIR είναι το ιδανικό. Ας υποθέσουμε όμως ότι προσομοιάζουμε τη διάδοση μιας νέας πολιτιστικής πρακτικής, όπως ο διαλογισμός. Στην αρχή ο κόμβος (το άτομο) είναι δεκτικός γιατί δεν το έχει ξανακάνει αυτό. Έπειτα, αν αρχίσει να διαλογίζεται (ίσως αφού το ακούσει από έναν φίλο), θα τον μοντελοποιήσουμε ως μολυσμένο. Αλλά αν σταματήσει την πρακτική, δεν θα πεθάνει και δεν θα πέσει έξω από την προσομοίωση, γιατί στο μέλλον μπορεί εύκολα να ξαναπάρει αυτή τη συνήθεια. Έτσι επιστρέφει σε μια δεκτική κατάσταση.

Το Μοντέλο SIS (Ευαίσθητος–Μολυσμένος–Ευαίσθητος). Το κλασικό μοντέλο έχει δύο παραμέτρους: ταχύτητα μετάδοσης και ταχύτητα ανάκτησης. Ωστόσο, στις προσομοιώσεις για αυτό το άρθρο, αποφάσισα να απλοποιήσω παραλείποντας την παράμετρο του ποσοστού ανάκτησης. Αντίθετα, ο μολυσμένος κόμβος επιστρέφει αυτόματα στην ευαίσθητη κατάσταση στο επόμενο χρονικό βήμα, εκτός εάν έχει μολυνθεί από έναν από τους γείτονές του. Επιπλέον, επιτρέπουμε σε έναν κόμβο που έχει μολυνθεί στο βήμα n να αυτομολυνθεί στο βήμα n+1 με πιθανότητα ίση με τον ρυθμό μετάδοσης.

Συζήτηση

Όπως μπορείτε να δείτε, αυτό είναι πολύ διαφορετικό από το μοντέλο SIR.

Επειδή οι κόμβοι δεν αφαιρούνται ποτέ, ακόμη και ένα πολύ μικρό και περιορισμένο πλέγμα μπορεί να υποστηρίξει μια μόλυνση SIS για μεγάλο χρονικό διάστημα. Η μόλυνση απλώς μεταπηδά από κόμβο σε κόμβο και επανέρχεται.

Παρά τις διαφορές τους, το SIR και το SIS αποδεικνύεται ότι είναι εκπληκτικά εναλλάξιμα για τους σκοπούς μας. Επομένως, για το υπόλοιπο αυτού του άρθρου θα παραμείνουμε στο SIS - κυρίως επειδή είναι πιο ανθεκτικό και επομένως πιο διασκεδαστικό να δουλεύεις μαζί του.

Κρίσιμο επίπεδο

Αφού παίξατε με τα μοντέλα SIR και SIS, μπορεί να έχετε παρατηρήσει κάτι σχετικά με τη μακροζωία της μόλυνσης. Σε πολύ χαμηλά ποσοστά μετάδοσης, όπως 10%, η μόλυνση τείνει να εξαφανιστεί. Ενώ σε υψηλότερες τιμές, όπως το 50%, η μόλυνση παραμένει ζωντανή και καταλαμβάνει το μεγαλύτερο μέρος του δικτύου. Αν το δίκτυο ήταν άπειρο, θα μπορούσαμε να το φανταστούμε να συνεχίζει και να εξαπλώνεται για πάντα.

Μια τέτοια απεριόριστη διάχυση έχει πολλά ονόματα: "ιική", "πυρηνική" ή (στον τίτλο αυτού του άρθρου) κρίσιμος.

Αποδεικνύεται ότι υπάρχει ειδικός το σημείο ρήξης που χωρίζει υποκρίσιμα δίκτυα (καταδικασμένος σε εξαφάνιση) από υπερκρίσιμα δίκτυα (ικανός για άπειρη ανάπτυξη). Αυτό το σημείο καμπής ονομάζεται κρίσιμο όριο, και αυτό είναι ένα αρκετά γενικό σημάδι διεργασιών διάχυσης σε συνηθισμένα δίκτυα.

Η ακριβής τιμή του κρίσιμου ορίου ποικίλλει μεταξύ των δικτύων. Το κοινό είναι αυτό διαθεσιμότητα ένα τέτοιο νόημα.

[Σε ένα διαδραστικό demo από πρωτότυπο άρθρο Μπορείτε να προσπαθήσετε να βρείτε μη αυτόματα το κρίσιμο όριο δικτύου αλλάζοντας την τιμή της ταχύτητας μετάδοσης. Είναι κάπου μεταξύ 22% και 23% - περίπου. μεταφρ.]

Στο 22% (και κάτω), η μόλυνση τελικά εξαφανίζεται. Στο 23% (και άνω), η αρχική μόλυνση μερικές φορές πεθαίνει, αλλά στις περισσότερες περιπτώσεις καταφέρνει να επιβιώσει και να εξαπλωθεί αρκετά για να εξασφαλίσει την ύπαρξή της για πάντα.

(Παρεμπιπτόντως, υπάρχει ένα ολόκληρο επιστημονικό πεδίο αφιερωμένο στην εύρεση αυτών των κρίσιμων ορίων για διαφορετικές τοπολογίες δικτύου. Για μια γρήγορη εισαγωγή, συνιστώ να μετακινηθείτε γρήγορα στο άρθρο της Wikipedia σχετικά με κατώφλι διαρροής).

Σε γενικές γραμμές, ακολουθεί πώς λειτουργεί: Κάτω από ένα κρίσιμο όριο, οποιαδήποτε πεπερασμένη μόλυνση στο δίκτυο είναι εγγυημένη (με πιθανότητα 1) ότι θα εξαφανιστεί τελικά. Αλλά πάνω από ένα κρίσιμο όριο, υπάρχει μια πιθανότητα (p > 0) ότι η μόλυνση θα συνεχιστεί για πάντα, και με αυτόν τον τρόπο θα εξαπλωθεί αυθαίρετα μακριά από την αρχική τοποθεσία.

Ωστόσο, σημειώστε ότι το υπερκρίσιμο δίκτυο δεν είναι εγγυήσειςότι η μόλυνση θα συνεχιστεί για πάντα. Στην πραγματικότητα, συχνά ξεθωριάζει, ειδικά στα πολύ πρώιμα στάδια της προσομοίωσης. Ας δούμε πώς συμβαίνει αυτό.

Ας υποθέσουμε ότι ξεκινήσαμε με έναν μολυσμένο κόμβο και τέσσερις γείτονες. Στο πρώτο βήμα μοντελοποίησης, η μόλυνση έχει 5 ανεξάρτητες πιθανότητες εξάπλωσης (συμπεριλαμβανομένης της πιθανότητας να «εξαπλωθεί» στον εαυτό της στο επόμενο βήμα):

Τώρα ας υποθέσουμε ότι το ποσοστό μεταφοράς είναι 50%. Σε αυτή την περίπτωση, στο πρώτο βήμα γυρίζουμε ένα νόμισμα πέντε φορές. Και αν κυλήσουν πέντε κεφάλια, η μόλυνση θα καταστραφεί. Αυτό συμβαίνει σε περίπου 3% των περιπτώσεων - και αυτό είναι μόνο στο πρώτο βήμα. Μια μόλυνση που επιβιώνει στο πρώτο βήμα έχει κάποια (συνήθως μικρότερη) πιθανότητα να πεθάνει στο δεύτερο βήμα, κάποια (ακόμη μικρότερη) πιθανότητα να πεθάνει στο τρίτο βήμα, κ.λπ.

Έτσι, ακόμη και όταν το δίκτυο είναι υπερκρίσιμο -αν το ποσοστό μετάδοσης είναι 99% - υπάρχει πιθανότητα να εξαφανιστεί η μόλυνση.

Το σημαντικό όμως είναι ότι δεν το κάνει πάντα θα σβήσει. Εάν αθροίσετε την πιθανότητα να εξαφανιστούν όλα τα βήματα στο άπειρο, το αποτέλεσμα είναι μικρότερο από 1. Με άλλα λόγια, υπάρχει μια μη μηδενική πιθανότητα ότι η μόλυνση θα συνεχιστεί για πάντα. Αυτό σημαίνει για ένα δίκτυο να είναι υπερκρίσιμο.

SISa: αυθόρμητη ενεργοποίηση

Μέχρι αυτό το σημείο, όλες οι προσομοιώσεις μας ξεκίνησαν με ένα μικρό κομμάτι προ-μολυσμένων κόμβων στο κέντρο.

Τι γίνεται όμως αν ξεκινήσεις από το μηδέν; Στη συνέχεια μοντελοποιούμε την αυθόρμητη ενεργοποίηση - τη διαδικασία με την οποία ένας ευαίσθητος κόμβος μολύνεται τυχαία (όχι από έναν από τους γείτονές του).

Το καλείται Μοντέλο SISa. Το γράμμα "a" σημαίνει "αυτόματο".

Στην προσομοίωση SISa, εμφανίζεται μια νέα παράμετρος - ο ρυθμός αυθόρμητης ενεργοποίησης, που αλλάζει τη συχνότητα της αυθόρμητης μόλυνσης (υπάρχει επίσης η παράμετρος του ρυθμού μετάδοσης που είδαμε νωρίτερα).

Τι χρειάζεται για να εξαπλωθεί μια μόλυνση σε όλο το δίκτυο;

Συζήτηση

Ίσως έχετε παρατηρήσει στην προσομοίωση ότι η αύξηση του ρυθμού αυθόρμητης ενεργοποίησης δεν αλλάζει εάν η μόλυνση καταλαμβάνει ολόκληρο το δίκτυο ή όχι. Μόνο ταχύτητα μετάδοσης καθορίζει εάν το δίκτυο είναι υπο- ή υπερκρίσιμο. Και όταν το δίκτυο είναι υποκρίσιμο (ποσοστό μετάδοσης μικρότερο ή ίσο με 22%), καμία μόλυνση δεν μπορεί να εξαπλωθεί σε ολόκληρο το δίκτυο, ανεξάρτητα από το πόσο συχνά ξεκινά.

Είναι σαν να ανάβεις φωτιά σε υγρό χωράφι. Μπορείτε να ανάψετε μερικά ξερά φύλλα στη φωτιά, αλλά η φλόγα θα σβήσει γρήγορα επειδή το υπόλοιπο τοπίο δεν είναι αρκετά εύφλεκτο (υποκρίσιμο). Ενώ σε ένα πολύ ξηρό πεδίο (υπερκρίσιμο), μια σπίθα αρκεί για να αρχίσει να μαίνεται μια φωτιά.

Παρόμοια πράγματα παρατηρούνται στη σφαίρα των ιδεών και των εφευρέσεων. Συχνά ο κόσμος δεν είναι έτοιμος για μια ιδέα, οπότε μπορεί να επινοηθεί ξανά και ξανά, αλλά δεν προσελκύει τις μάζες. Από την άλλη, ο κόσμος μπορεί να είναι εντελώς έτοιμος για μια εφεύρεση (μεγάλη λανθάνουσα ζήτηση), και μόλις γεννηθεί να γίνει αποδεκτή από όλους. Στη μέση υπάρχουν ιδέες που επινοούνται σε πολλά μέρη και διαδίδονται τοπικά, αλλά δεν αρκούν για οποιαδήποτε μεμονωμένη έκδοση να σαρώσει ολόκληρο το δίκτυο ταυτόχρονα. Σε αυτήν την τελευταία κατηγορία βρίσκουμε, για παράδειγμα, τη γεωργία και τη γραφή, που εφευρέθηκαν ανεξάρτητα από διαφορετικούς ανθρώπινους πολιτισμούς περίπου δέκα και τρεις φορές, αντίστοιχα.

Ασυλία

Ας υποθέσουμε ότι κάνουμε ορισμένους κόμβους εντελώς άτρωτους, δηλαδή άτρωτους στην ενεργοποίηση. Είναι σαν να βρίσκονται αρχικά σε απομακρυσμένη κατάσταση και το μοντέλο SIS(a) εκκινείται στους υπόλοιπους κόμβους.

Το ρυθμιστικό ανοσίας ελέγχει το ποσοστό των κόμβων που αφαιρούνται. Δοκιμάστε να αλλάξετε την τιμή του (ενώ το μοντέλο εκτελείται!) και δείτε πώς επηρεάζει την κατάσταση του δικτύου, αν θα είναι υπερκρίσιμο ή όχι.

Συζήτηση

Η αλλαγή του αριθμού των κόμβων που δεν ανταποκρίνονται αλλάζει εντελώς την εικόνα του αν το δίκτυο θα είναι υπο- ή υπερκρίσιμο. Και δεν είναι δύσκολο να καταλάβεις γιατί. Με μεγάλο αριθμό μη ευαίσθητων ξενιστών, η μόλυνση έχει λιγότερες ευκαιρίες να εξαπλωθεί σε νέους ξενιστές.

Αποδεικνύεται ότι αυτό έχει μια σειρά από πολύ σημαντικές πρακτικές συνέπειες.

Ένα από αυτά είναι η πρόληψη της εξάπλωσης των δασικών πυρκαγιών. Σε τοπικό επίπεδο, κάθε άτομο πρέπει να λαμβάνει τις δικές του προφυλάξεις (για παράδειγμα, μην αφήνετε ποτέ ανοιχτή φλόγα χωρίς επιτήρηση). Αλλά σε μεγάλη κλίμακα, μεμονωμένες εστίες είναι αναπόφευκτες. Μια άλλη μέθοδος προστασίας λοιπόν είναι να διασφαλίσουμε ότι υπάρχουν αρκετά «σπασίματα» (στο δίκτυο εύφλεκτων υλικών) ώστε μια εστία να μην καταπιεί ολόκληρο το δίκτυο. Οι εκκαθαρίσεις εκτελούν αυτήν τη λειτουργία:

Ένα άλλο ξέσπασμα που είναι σημαντικό να σταματήσει είναι μια μολυσματική ασθένεια. Εδώ εισάγεται η έννοια ανοσία αγέλης. Αυτή είναι η ιδέα ότι μερικοί άνθρωποι δεν μπορούν να εμβολιαστούν (για παράδειγμα, έχουν μειωμένο ανοσοποιητικό σύστημα), αλλά εάν αρκετοί άνθρωποι έχουν ανοσία στη μόλυνση, η ασθένεια δεν μπορεί να εξαπλωθεί επ 'αόριστον. Με άλλα λόγια, πρέπει να εμβολιαστείτε επαρκής μέρος του πληθυσμού να μεταφέρει τον πληθυσμό από μια υπερκρίσιμη σε μια υποκρίσιμη κατάσταση. Όταν συμβεί αυτό, ένας ασθενής μπορεί ακόμα να μολυνθεί (αφού ταξιδέψει σε άλλη περιοχή, για παράδειγμα), αλλά χωρίς ένα υπερκρίσιμο δίκτυο στο οποίο θα αναπτυχθεί, η ασθένεια θα μολύνει μόνο μια μικρή χούφτα ανθρώπων.

Τέλος, η έννοια των ανοσοκόμβων εξηγεί τι συμβαίνει σε έναν πυρηνικό αντιδραστήρα. Σε μια αλυσιδωτή αντίδραση, ένα άτομο ουρανίου-235 σε διάσπαση απελευθερώνει περίπου τρία νετρόνια, τα οποία προκαλούν (κατά μέσο όρο) τη σχάση περισσότερων του ενός ατόμου U-235. Στη συνέχεια, τα νέα νετρόνια προκαλούν περαιτέρω διάσπαση των ατόμων και ούτω καθεξής εκθετικά:

Κατά την κατασκευή μιας βόμβας, το όλο θέμα είναι να διασφαλιστεί ότι η εκθετική ανάπτυξη θα συνεχιστεί ανεξέλεγκτα. Αλλά σε ένα εργοστάσιο παραγωγής ενέργειας, ο στόχος είναι να παράγεις ενέργεια χωρίς να σκοτώνεις όλους τους γύρω σου. Για το σκοπό αυτό χρησιμοποιούνται ράβδοι ελέγχου, κατασκευασμένο από υλικό που μπορεί να απορροφήσει νετρόνια (για παράδειγμα, ασήμι ή βόριο). Επειδή απορροφούν αντί να απελευθερώνουν νετρόνια, λειτουργούν ως ανοσοκόμβοι στην προσομοίωσή μας, εμποδίζοντας έτσι τον ραδιενεργό πυρήνα να γίνει υπερκρίσιμος.

Έτσι, το κόλπο για έναν πυρηνικό αντιδραστήρα είναι να διατηρείται η αντίδραση κοντά σε ένα κρίσιμο όριο μετακινώντας τις ράβδους ελέγχου εμπρός και πίσω, και να διασφαλίζεται ότι όποτε κάτι πάει στραβά, οι ράβδοι πέφτουν στον πυρήνα και τον σταματούν.

Степень

Степень ενός κόμβου είναι ο αριθμός των γειτόνων του. Μέχρι αυτό το σημείο, έχουμε εξετάσει δίκτυα βαθμού 4. Τι συμβαίνει όμως αν αλλάξετε αυτήν την παράμετρο;

Για παράδειγμα, μπορείτε να συνδέσετε κάθε κόμβο όχι μόνο με τέσσερις άμεσους γείτονες, αλλά και με τέσσερις ακόμη διαγώνια. Σε ένα τέτοιο δίκτυο ο βαθμός θα είναι 8.

Τα πλέγματα με μοίρες 4 και 8 είναι καλά συμμετρικά. Αλλά με τον βαθμό 5 (για παράδειγμα), προκύπτει ένα πρόβλημα: ποιους πέντε γείτονες πρέπει να επιλέξουμε; Σε αυτήν την περίπτωση, επιλέγουμε τέσσερις πλησιέστερους γείτονες (N, E, S, W) και στη συνέχεια επιλέγουμε τυχαία έναν γείτονα από το σύνολο {NE, SE, SW, NW}. Η επιλογή γίνεται ανεξάρτητα για κάθε κόμβο σε κάθε χρονικό βήμα.

Συζήτηση

Και πάλι, δεν είναι δύσκολο να δεις τι συμβαίνει εδώ. Όταν κάθε κόμβος έχει περισσότερους γείτονες, οι πιθανότητες εξάπλωσης της μόλυνσης αυξάνονται - και έτσι το δίκτυο είναι πιο πιθανό να γίνει κρίσιμο.

Ωστόσο, οι συνέπειες μπορεί να είναι απροσδόκητες, όπως θα δούμε παρακάτω.

Πόλεις και πυκνότητα δικτύου

Μέχρι τώρα, τα δίκτυά μας ήταν απολύτως ομοιογενή. Κάθε κόμβος μοιάζει με οποιονδήποτε άλλο. Τι γίνεται όμως αν αλλάξουμε τις συνθήκες και επιτρέψουμε διαφορετικές καταστάσεις κόμβων σε όλο το δίκτυο;

Για παράδειγμα, ας προσπαθήσουμε να μοντελοποιήσουμε πόλεις. Για να γίνει αυτό, θα αυξήσουμε την πυκνότητα σε ορισμένα σημεία του δικτύου (υψηλότερος βαθμός κόμβων). Αυτό το κάνουμε με βάση τα δεδομένα που έχουν οι πολίτες ευρύτερο κοινωνικό κύκλο και περισσότερες κοινωνικές αλληλεπιδράσειςαπό τους ανθρώπους εκτός πόλεων.

Στο μοντέλο μας, οι ευαίσθητοι κόμβοι χρωματίζονται με βάση τον βαθμό τους. Οι κόμβοι στις "αγροτικές περιοχές" έχουν βαθμό 4 (και είναι χρωματισμένοι με ανοιχτό γκρι), ενώ οι κόμβοι στις "αστικές περιοχές" έχουν υψηλότερους βαθμούς (και έχουν πιο σκούρο χρώμα), ξεκινώντας από τον βαθμό 5 στα περίχωρα και τελειώνουν με 8 στο κέντρο της πόλης .

Προσπαθήστε να επιλέξετε μια ταχύτητα διάδοσης τέτοια ώστε η ενεργοποίηση να καλύπτει πόλεις και στη συνέχεια να μην υπερβαίνει τα σύνορά τους.

Βρίσκω αυτή την προσομοίωση προφανή και εκπληκτική. Φυσικά, οι πόλεις διατηρούν το πολιτιστικό επίπεδο καλύτερα από τις αγροτικές περιοχές - όλοι το γνωρίζουν αυτό. Αυτό που με εκπλήσσει είναι ότι μέρος αυτής της πολιτιστικής ποικιλομορφίας προκύπτει απλώς με βάση την τοπολογία του κοινωνικού δικτύου.

Αυτό είναι ένα ενδιαφέρον σημείο, θα προσπαθήσω να το εξηγήσω με περισσότερες λεπτομέρειες.

Εδώ έχουμε να κάνουμε με μορφές πολιτισμού που μεταδίδονται απλά και άμεσα από άνθρωπο σε άνθρωπο. Για παράδειγμα, συμπεριφορά, παιχνίδια σαλονιού, τάσεις μόδας, γλωσσικές τάσεις, τελετουργίες μικρών ομάδων και προϊόντα που διαδίδονται από στόμα σε στόμα, καθώς και ολόκληρα πακέτα πληροφοριών που ονομάζουμε ιδέες.

(Σημείωση: η διάδοση της πληροφορίας μεταξύ των ανθρώπων γίνεται εξαιρετικά δύσκολη από τα μέσα ενημέρωσης. Είναι πιο εύκολο να φανταστεί κανείς κάποιο τεχνολογικά πρωτόγονο περιβάλλον, όπως η Αρχαία Ελλάδα, όπου σχεδόν κάθε σπίθα πολιτισμού μεταδιδόταν με αλληλεπίδραση στον φυσικό χώρο.)

Από την παραπάνω προσομοίωση, έμαθα ότι υπάρχουν ιδέες και πολιτιστικές πρακτικές που μπορούν να ριζώσουν και να εξαπλωθούν στην πόλη, αλλά απλά δεν μπορούν (μαθηματικά) να εξαπλωθούν σε αγροτικές περιοχές. Αυτές είναι οι ίδιες ιδέες και οι ίδιοι άνθρωποι. Το θέμα δεν είναι ότι οι κάτοικοι της υπαίθρου είναι κατά κάποιο τρόπο «στενόμυαλοι»: όταν αλληλεπιδρούν με την ίδια ιδέα, ακριβώς τις ίδιες πιθανότητες να το πιάσειςόπως οι κάτοικοι της πόλης. Απλώς η ίδια η ιδέα δεν μπορεί να γίνει viral στις αγροτικές περιοχές, γιατί δεν υπάρχουν πολλές συνδέσεις μέσω των οποίων μπορεί να εξαπλωθεί.

Αυτό είναι ίσως πιο εύκολο να το δεις στον τομέα της μόδας - ρούχα, χτενίσματα κ.λπ. Στο δίκτυο μόδας, μπορούμε να αποτυπώσουμε την άκρη του δικτυωτού πλέγματος όταν δύο άτομα παρατηρούν ο ένας τα ρούχα του άλλου. Σε ένα αστικό κέντρο, κάθε άτομο μπορεί να δει περισσότερους από 1000 άλλους ανθρώπους κάθε μέρα - στο δρόμο, στο μετρό, σε ένα γεμάτο εστιατόριο κ.λπ. Σε μια αγροτική περιοχή, αντίθετα, κάθε άτομο μπορεί να δει μόνο μερικές δεκάδες οι υπολοιποι. Βασισμένο στο μόνο αυτή η διαφορά, η πόλη μπορεί να υποστηρίξει περισσότερες τάσεις της μόδας. Και μόνο οι πιο συναρπαστικές τάσεις—αυτές με τους υψηλότερους ρυθμούς μετάδοσης—θα μπορέσουν να αποκτήσουν βάση έξω από την πόλη.

Τείνουμε να πιστεύουμε ότι αν μια ιδέα είναι καλή, τελικά θα φτάσει σε όλους, και αν μια ιδέα είναι κακή, θα εξαφανιστεί. Φυσικά, αυτό ισχύει σε ακραίες περιπτώσεις, αλλά ενδιάμεσα υπάρχουν πολλές ιδέες και πρακτικές που μπορούν να γίνουν viral μόνο σε ορισμένα δίκτυα. Αυτό είναι πραγματικά εκπληκτικό.

Όχι μόνο πόλεις

Εδώ εξετάζουμε τον αντίκτυπο πυκνότητα δικτύου. Ορίζεται για ένα δεδομένο σύνολο κόμβων ως αριθμός πραγματικές νευρώσεις, διαιρούμενο με αριθμό πιθανές ακμές. Δηλαδή το ποσοστό των πιθανών συνδέσεων που υπάρχουν στην πραγματικότητα.

Έτσι, είδαμε ότι η πυκνότητα του δικτύου στα αστικά κέντρα είναι υψηλότερη από ό,τι στις αγροτικές περιοχές. Αλλά οι πόλεις δεν είναι το μόνο μέρος όπου βρίσκουμε πυκνά δίκτυα.

Ένα ενδιαφέρον παράδειγμα είναι τα σχολεία δευτεροβάθμιας εκπαίδευσης. Για παράδειγμα, για μια συγκεκριμένη περιοχή, συγκρίνουμε το δίκτυο που υπάρχει μεταξύ των μαθητών με το δίκτυο που υπάρχει μεταξύ των γονέων τους. Ίδια γεωγραφική περιοχή και ίδιος πληθυσμός, αλλά το ένα δίκτυο είναι πολλές φορές πυκνότερο από το άλλο. Επομένως, δεν προκαλεί έκπληξη το γεγονός ότι η μόδα και οι γλωσσικές τάσεις εξαπλώνονται πολύ πιο γρήγορα μεταξύ των εφήβων.

Ομοίως, τα δίκτυα ελίτ τείνουν να είναι πολύ πιο πυκνά από τα μη-ελίτ δίκτυα - γεγονός που νομίζω ότι υποτιμάται (οι άνθρωποι που είναι δημοφιλείς ή με επιρροή αφιερώνουν περισσότερο χρόνο σε δικτύωση και επομένως έχουν περισσότερους "γείτονες" από τους απλούς ανθρώπους). Με βάση τις παραπάνω προσομοιώσεις, αναμένουμε ότι τα δίκτυα ελίτ θα υποστηρίξουν ορισμένες πολιτιστικές μορφές που δεν μπορούν να υποστηριχθούν από το mainstream, απλά με βάση τους μαθηματικούς νόμους του μέσου βαθμού του δικτύου. Σας αφήνω να κάνετε εικασίες σχετικά με το ποιες μπορεί να είναι αυτές οι πολιτιστικές μορφές.

Τέλος, μπορούμε να εφαρμόσουμε αυτήν την ιδέα στο Διαδίκτυο μοντελοποιώντας το ως τεράστιο και πολύ πυκνό πόλη. Δεν αποτελεί έκπληξη το γεγονός ότι πολλά νέα είδη κουλτούρας ευδοκιμούν στο Διαδίκτυο που απλά δεν μπορούν να υποστηριχθούν σε καθαρά χωρικά δίκτυα: εξειδικευμένα χόμπι, καλύτερα πρότυπα σχεδιασμού, μεγαλύτερη επίγνωση της αδικίας κ.λπ. Και δεν είναι μόνο ωραία πράγματα. Ακριβώς όπως οι πρώτες πόλεις ήταν τόποι αναπαραγωγής για ασθένειες που δεν μπορούσαν να εξαπλωθούν σε χαμηλές πυκνότητες πληθυσμού, έτσι και το Διαδίκτυο είναι γόνιμο έδαφος για κακοήθεις πολιτιστικές μορφές όπως το κλικ, οι ψεύτικες ειδήσεις και η πρόκληση τεχνητής οργής.

Γνώση

«Το να έχεις τον κατάλληλο ειδικό τη σωστή στιγμή είναι συχνά η πιο πολύτιμη πηγή για δημιουργική επίλυση προβλημάτων». — Michael Nielsen, Inventing Discovery

Συχνά σκεφτόμαστε την ανακάλυψη ή την εφεύρεση ως μια διαδικασία που εμφανίζεται στο μυαλό μιας ιδιοφυΐας. Χτυπιέται από μια λάμψη έμπνευσης και - Εύρηκα! — ξαφνικά έχουμε έναν νέο τρόπο μέτρησης του όγκου. Ή την εξίσωση της βαρύτητας. Ή μια λάμπα.

Αλλά αν πάρουμε την άποψη ενός μοναχικού εφευρέτη τη στιγμή της ανακάλυψης, τότε εξετάζουμε το φαινόμενο από τη σκοπιά ενός κόμβου. Ενώ θα ήταν πιο σωστό να ερμηνευθεί η εφεύρεση ως δίκτυο φαινόμενο.

Το δίκτυο είναι σημαντικό με τουλάχιστον δύο τρόπους. Πρώτον, οι υπάρχουσες ιδέες πρέπει να διεισδύσουν στη συνείδηση εφευρέτης. Αυτά είναι αποσπάσματα από ένα νέο άρθρο, τη βιβλιογραφική ενότητα ενός νέου βιβλίου - οι γίγαντες στους ώμους των οποίων στάθηκε ο Νεύτων. Δεύτερον, το δίκτυο είναι κρίσιμο για την επιστροφή μιας νέας ιδέας πίσω στον κόσμο? μια εφεύρεση που δεν έχει εξαπλωθεί δύσκολα αξίζει να ονομαστεί «εφεύρεση». Έτσι, και για τους δύο αυτούς λόγους, είναι λογικό να μοντελοποιήσουμε την εφεύρεση —ή, ευρύτερα, την ανάπτυξη της γνώσης— ως διαδικασία διάχυσης.

Σε λίγο, θα παρουσιάσω μια πρόχειρη προσομοίωση του πώς η γνώση μπορεί να εξαπλωθεί και να αναπτυχθεί μέσα σε ένα δίκτυο. Αλλά πρώτα πρέπει να εξηγήσω.

Στην αρχή της προσομοίωσης, υπάρχουν τέσσερις ειδικοί σε κάθε τεταρτημόριο του πλέγματος, διατεταγμένοι ως εξής:

Ο Expert 1 έχει την πρώτη εκδοχή της ιδέας - ας την ονομάσουμε Idea 1.0. Ο ειδικός 2 είναι το άτομο που ξέρει πώς να μετατρέψει την Ιδέα 1.0 σε Ιδέα 2.0. Ο ειδικός 3 ξέρει πώς να μετατρέψει το Idea 2.0 σε Idea 3.0. Και τέλος, ο τέταρτος ειδικός ξέρει πώς να βάλει τις τελευταίες πινελιές στο Idea 4.0.

Αυτό είναι παρόμοιο με μια τεχνική όπως το origami, όπου οι τεχνικές αναπτύσσονται και συνδυάζονται με άλλες τεχνικές για να δημιουργήσουν πιο ενδιαφέροντα σχέδια. Ή μπορεί να είναι ένα πεδίο γνώσης, όπως η φυσική, στο οποίο η πιο πρόσφατη εργασία βασίζεται στη θεμελιώδη εργασία των προκατόχων.

Το θέμα αυτής της προσομοίωσης είναι ότι χρειαζόμαστε και τους τέσσερις ειδικούς για να συνεισφέρουν στην τελική εκδοχή της ιδέας. Και σε κάθε στάδιο η ιδέα πρέπει να γνωστοποιείται στον κατάλληλο ειδικό.

Μερικές επιφυλάξεις. Υπάρχουν πολλές μη ρεαλιστικές υποθέσεις που κωδικοποιούνται στην προσομοίωση. Εδώ είναι μερικά μόνο από αυτά:

1. Υποτίθεται ότι οι ιδέες δεν μπορούν να αποθηκευτούν και να μεταδοθούν παρά μόνο από άτομο σε άτομο (δηλαδή, χωρίς βιβλία ή μέσα).
2. Υποτίθεται ότι υπάρχουν μόνιμοι ειδικοί στον πληθυσμό που μπορούν να δημιουργήσουν ιδέες, αν και στην πραγματικότητα πολλοί τυχαίοι παράγοντες επηρεάζουν την εμφάνιση μιας ανακάλυψης ή εφεύρεσης.
3. Και οι τέσσερις εκδόσεις της ιδέας χρησιμοποιούν το ίδιο σύνολο παραμέτρων SIS (ρυθμός baud, ποσοστό ανοσίας κ.λπ.), αν και είναι πιθανώς πιο ρεαλιστικό να χρησιμοποιηθούν διαφορετικές παραμέτρους για κάθε έκδοση (1.0, 2.0, κ.λπ.)
4. Υποτίθεται ότι η ιδέα N+1 αντικαθιστά πάντα εντελώς την ιδέα N, αν και στην πράξη συχνά κυκλοφορούν ταυτόχρονα τόσο η παλιά όσο και η νέα έκδοση, χωρίς ξεκάθαρο νικητή.

… και πολλοί άλλοι.

Συζήτηση

Αυτό είναι ένα γελοία απλοποιημένο μοντέλο για το πώς η γνώση αναπτύσσεται πραγματικά. Υπάρχουν πολλές σημαντικές λεπτομέρειες εκτός του μοντέλου (βλ. παραπάνω). Ωστόσο, αποτυπώνει τη σημαντική ουσία της διαδικασίας. Και έτσι μπορούμε, με επιφυλάξεις, να μιλήσουμε για την ανάπτυξη της γνώσης χρησιμοποιώντας τις γνώσεις μας για τη διάχυση.

Συγκεκριμένα, το μοντέλο διάχυσης παρέχει μια εικόνα για το πώς επιταχύνετε τη διαδικασία: Ανάγκη διευκόλυνσης της ανταλλαγής ιδεών μεταξύ κόμβων ειδικών. Αυτό μπορεί να σημαίνει εκκαθάριση του δικτύου από νεκρούς κόμβους που εμποδίζουν τη διάχυση. Ή θα μπορούσε να σημαίνει την τοποθέτηση όλων των ειδικών σε μια πόλη ή ένα σύμπλεγμα με υψηλή πυκνότητα δικτύου όπου οι ιδέες διαδίδονται γρήγορα. Ή απλώς συλλέξτε τα σε ένα δωμάτιο:

Λοιπόν... αυτό είναι το μόνο που μπορώ να πω για τη διάχυση.

Αλλά έχω μια τελευταία σκέψη, και είναι πολύ σημαντική. Πρόκειται για ανάπτυξηκαι στασιμότητα) γνώση στις επιστημονικές κοινότητες. Αυτή η ιδέα είναι διαφορετική σε τόνο και περιεχόμενο από οτιδήποτε παραπάνω, αλλά ελπίζω να με συγχωρήσετε.

Σχετικά με τα επιστημονικά δίκτυα

Η εικόνα δείχνει έναν από τους πιο σημαντικούς βρόχους θετικής ανάδρασης στον κόσμο (και ήταν έτσι εδώ και αρκετό καιρό):

Η ανοδική εξέλιξη του κύκλου (K ⟶ T) είναι αρκετά απλή: χρησιμοποιούμε νέες γνώσεις για να αναπτύξουμε νέα εργαλεία. Για παράδειγμα, η κατανόηση της φυσικής των ημιαγωγών μας επιτρέπει να κατασκευάσουμε υπολογιστές.

Ωστόσο, η πτωτική κίνηση απαιτεί κάποια εξήγηση. Πώς η ανάπτυξη της τεχνολογίας οδηγεί σε αύξηση της γνώσης;

Ένας τρόπος —ίσως ο πιο άμεσος— είναι όταν οι νέες τεχνολογίες μας δίνουν νέους τρόπους αντίληψης του κόσμου. Για παράδειγμα, τα καλύτερα μικροσκόπια σάς επιτρέπουν να κοιτάξετε βαθύτερα μέσα σε ένα κύτταρο, παρέχοντας πληροφορίες για τη μοριακή βιολογία. Οι ιχνηλάτες GPS δείχνουν πώς κινούνται τα ζώα. Το σόναρ σάς επιτρέπει να εξερευνήσετε τους ωκεανούς. Και ούτω καθεξής.

Αυτός είναι αναμφίβολα ένας ζωτικής σημασίας μηχανισμός, αλλά υπάρχουν τουλάχιστον δύο άλλοι δρόμοι από την τεχνολογία στη γνώση. Μπορεί να μην είναι τόσο απλά, αλλά νομίζω ότι είναι εξίσου σημαντικά:

Πρώτα. Η τεχνολογία οδηγεί σε οικονομική αφθονία (δηλαδή πλούτο), η οποία επιτρέπει σε περισσότερους ανθρώπους να συμμετέχουν στην παραγωγή γνώσης.

Εάν το 90% του πληθυσμού της χώρας σας ασχολείται με τη γεωργία και το υπόλοιπο 10% ασχολείται με κάποια μορφή εμπορίου (ή πολέμου), τότε οι άνθρωποι έχουν πολύ λίγο ελεύθερο χρόνο για να σκεφτούν τους νόμους της φύσης. Ίσως αυτός είναι ο λόγος που σε παλαιότερες εποχές η επιστήμη προωθούνταν κυρίως από παιδιά πλούσιων οικογενειών.

Οι Ηνωμένες Πολιτείες παράγουν περισσότερα από 50 Ph.D. κάθε χρόνο. Αντί ένα άτομο να πάει να εργαστεί σε ένα εργοστάσιο σε ηλικία 000 ετών (ή νωρίτερα), ένας μεταπτυχιακός φοιτητής πρέπει να χρηματοδοτηθεί μέχρι την ηλικία των 18 ή ίσως 30 ετών — και ακόμη και τότε δεν είναι σαφές εάν η εργασία του θα έχει πραγματικό οικονομικό αντίκτυπο. Αλλά είναι απαραίτητο για ένα άτομο να φτάσει στην πρώτη γραμμή της πειθαρχίας του, ειδικά σε πολύπλοκα πεδία όπως η φυσική ή η βιολογία.

Το γεγονός είναι ότι από την άποψη των συστημάτων, οι ειδικοί είναι ακριβοί. Και η απόλυτη πηγή δημόσιου πλούτου που χρηματοδοτεί αυτούς τους ειδικούς είναι η νέα τεχνολογία: το άροτρο επιδοτεί το στυλό.

Δεύτερος. Οι νέες τεχνολογίες, ειδικά στον τομέα των ταξιδιών και των επικοινωνιών, αλλάζουν τη δομή των κοινωνικών δικτύων στα οποία αναπτύσσεται η γνώση. Συγκεκριμένα, επιτρέπει σε ειδικούς και ειδικούς να αλληλεπιδρούν στενότερα μεταξύ τους.

Οι αξιοσημείωτες εφευρέσεις εδώ περιλαμβάνουν το τυπογραφείο, τα ατμόπλοια και τους σιδηρόδρομους (που διευκολύνουν τα ταξίδια ή/και την αποστολή αλληλογραφίας σε μεγάλες αποστάσεις), τα τηλέφωνα, τα αεροπλάνα και το Διαδίκτυο. Όλες αυτές οι τεχνολογίες συμβάλλουν στην αύξηση της πυκνότητας του δικτύου, ειδικά σε εξειδικευμένες κοινότητες (όπου συμβαίνει σχεδόν όλη η ανάπτυξη της γνώσης). Για παράδειγμα, τα δίκτυα αλληλογραφίας που εμφανίστηκαν μεταξύ των Ευρωπαίων επιστημόνων στο τέλος του Μεσαίωνα ή ο τρόπος με τον οποίο οι σύγχρονοι φυσικοί χρησιμοποιούν το arXiv.

Τελικά, και τα δύο αυτά μονοπάτια είναι παρόμοια. Και τα δύο αυξάνουν την πυκνότητα του δικτύου ειδικών, γεγονός που με τη σειρά του οδηγεί σε αύξηση της γνώσης:

Για πολλά χρόνια ήμουν αρκετά απορριπτικός για την τριτοβάθμια εκπαίδευση. Η σύντομη θητεία μου στο μεταπτυχιακό άφησε μια άσχημη γεύση στο στόμα μου. Αλλά τώρα που κοιτάζω πίσω και σκέφτομαι (εκτός από όλα τα προσωπικά προβλήματα), πρέπει να καταλήξω στο συμπέρασμα ότι η τριτοβάθμια εκπαίδευση εξακολουθεί να είναι υπερβολικά σπουδαίος.

Τα ακαδημαϊκά κοινωνικά δίκτυα (π.χ. ερευνητικές κοινότητες) είναι μια από τις πιο προηγμένες και πολύτιμες δομές που έχει δημιουργήσει ο πολιτισμός μας. Πουθενά δεν έχουμε συγκεντρώσει μεγαλύτερη συγκέντρωση ειδικών επικεντρωμένων στην παραγωγή γνώσης. Πουθενά οι άνθρωποι δεν έχουν αναπτύξει μεγαλύτερη ικανότητα να κατανοούν και να επικρίνουν ο ένας τις ιδέες του άλλου. Είναι η καρδιά της προόδου που χτυπά. Σε αυτά τα δίκτυα καίει πιο έντονα η φωτιά της διαφώτισης.

Αλλά δεν μπορούμε να θεωρούμε δεδομένη την πρόοδο. Αν πείραμα κρίση μη αναπαραγωγιμότητας και αν μας δίδαξε κάτι, ήταν ότι η επιστήμη μπορεί να έχει συστημικά προβλήματα. Αυτό είναι ένα είδος υποβάθμισης του δικτύου.

Ας υποθέσουμε ότι διακρίνουμε δύο τρόπους επιστήμης: πραγματική επιστήμη и καριερισμός. Η πραγματική επιστήμη είναι πρακτικές που παράγουν αξιόπιστα γνώση. Υποκινείται από την περιέργεια και χαρακτηρίζεται από ειλικρίνεια (Feynman: «Βλέπεις, απλά πρέπει να κατανοήσω τον κόσμο»). Ο καριερισμός, αντίθετα, υποκινείται από επαγγελματικές φιλοδοξίες και χαρακτηρίζεται από το παιχνίδι με την πολιτική και τις επιστημονικές συντομεύσεις. Μπορεί να μοιάζει και να λειτουργεί σαν επιστήμη, αλλά όχι παράγει αξιόπιστη γνώση.

(Ναι, πρόκειται για υπερβολική διχογνωμία. Απλά ένα πείραμα σκέψης. Μη με κατηγορείτε).

Γεγονός είναι ότι όταν οι καριερίστες καταλαμβάνουν χώρο στην πραγματική ερευνητική κοινότητα, καταστρέφουν τη δουλειά. Προσπαθούν να προωθήσουν τον εαυτό τους ενώ η υπόλοιπη κοινότητα προσπαθεί να αποκτήσει και να μοιραστεί νέα γνώση. Αντί να επιδιώκουν τη σαφήνεια, οι καριερίστες περιπλέκουν και μπερδεύουν τα πάντα για να ακούγονται πιο εντυπωσιακά. Ασχολούνται με (όπως θα έλεγε και ο Χάρι Φρανκφούρτης) επιστημονικές ανοησίες. Και ως εκ τούτου θα μπορούσαμε να τους μοντελοποιήσουμε ως νεκρούς κόμβους, αδιαπέραστους στη δίκαιη ανταλλαγή πληροφοριών που είναι απαραίτητες για την ανάπτυξη της γνώσης:

Ίσως το καλύτερο μοντέλο είναι αυτό στο οποίο οι καριεριστικοί κόμβοι δεν είναι απλώς αδιαπέραστοι στη γνώση, αλλά διαδίδουν ενεργά ψεύτικη γνώση. Η ψευδής γνώση μπορεί να περιλαμβάνει ασήμαντα αποτελέσματα των οποίων η σημασία είναι τεχνητά διογκωμένη ή πραγματικά ψευδή αποτελέσματα που προκύπτουν από χειραγώγηση ή κατασκευασμένα δεδομένα.

Ανεξάρτητα από το πώς τους μοντελοποιούμε, οι καριερίστες σίγουρα μπορούν να στραγγαλίσουν τις επιστημονικές μας κοινότητες.

Είναι σαν την πυρηνική αλυσιδωτή αντίδραση που χρειαζόμαστε απεγνωσμένα - χρειαζόμαστε μια έκρηξη γνώσης - μόνο το εμπλουτισμένο U-235 μας έχει πάρα πολύ από το μη αντιδραστικό ισότοπο U-238, το οποίο καταστέλλει την αλυσιδωτή αντίδραση.

Φυσικά, δεν υπάρχει σαφής διαφορά μεταξύ καριεριστών και πραγματικών επιστημόνων. Ο καθένας μας κρύβει λίγο καριερισμό μέσα του. Το ερώτημα είναι πόσο καιρό μπορεί να διαρκέσει το δίκτυο προτού εξασθενίσει η διάδοση της γνώσης.

Α, διαβάσατε μέχρι το τέλος. Ευχαριστούμε που το διαβάσατε.

Άδεια

CC0 Δεν διατηρούνται όλα τα δικαιώματα. Μπορείτε να χρησιμοποιήσετε αυτό το έργο όπως σας ταιριάζει :).

Ευχαριστώ

• Κέβιν Κουόκ и Νίκυ Κέις για προσεκτικά σχόλια και προτάσεις σχετικά με διάφορες εκδοχές του σχεδίου.
• Νικ Μπαρ — για ηθική υποστήριξη σε όλη τη διαδικασία και για την πιο χρήσιμη ανατροφοδότηση για τη δουλειά μου.
• Keith A. που μου επισήμανε το φαινόμενο της διήθησης και το κατώφλι της διήθησης.
• Τζεφ Λόνσντεϊλ για τον σύνδεσμο προς αυτό είναι ένα δοκίμιο, που (παρά τις πολλές του ελλείψεις) ήταν η κύρια ώθηση για να εργαστεί κανείς σε αυτή τη θέση.

Διαδραστικά Δείγματα Δοκιμίου

• Όλο το έργο του Nicky Case, π.χ. "Η παραβολή των πολυγώνων" (με τον Βι Χαρτ) και «Ανάπτυξη καλύτερου ψηφοδελτίου». Αυτό είναι ένα υψηλό επίπεδο για το τι μπορεί να είναι ένα διαδραστικό δοκίμιο.
• απόσταγμα.pub: Εξαιρετικά υψηλής ποιότητας διαδραστικές περιγραφές μηχανικής μάθησης.
• Κλασικό έργο του Bret Victor «Πάνω και Κάτω η Σκάλα της Αφαίρεσης». Δεν ήμουν πολύ καλός στο να ανεβαίνω τις σκάλες, αλλά υπάρχει πάντα μια ακόμη προσπάθεια.

Πηγή: www.habr.com