اگر زمانی را صرف فکر کردن در مورد سیستم های پیچیده کرده اید، احتمالاً اهمیت شبکه ها را درک کرده اید. شبکه ها بر جهان ما حکومت می کنند. از واکنش‌های شیمیایی درون یک سلول، تا شبکه روابط در یک اکوسیستم، تا شبکه‌های تجاری و سیاسی که مسیر تاریخ را شکل می‌دهند.

یا این مقاله ای را که می خوانید در نظر بگیرید. احتمالاً آن را در آن پیدا کرده اید شبکه اجتماعی، دانلود شده از شبکه ی کامپیوتری و در حال حاضر در حال رمزگشایی معنی با استفاده از شما هستند شبکه عصبی.

اما به همان اندازه که در طول سال‌ها به شبکه‌ها فکر کرده‌ام، تا همین اواخر اهمیت ساده را درک نمی‌کردم انتشار.

این موضوع امروز ماست: همه چیز چگونه، چقدر آشفته حرکت می کند و گسترش می یابد. چند مثال برای افزایش اشتها:

• بیماری های عفونی که از یک ناقل به ناقل دیگر در یک جمعیت منتقل می شوند.
• میم‌ها در نمودار فالوور در شبکه‌های اجتماعی پخش می‌شوند.
• آتش سوزی جنگل.
• ایده ها و شیوه هایی که در یک فرهنگ نفوذ می کنند.
• آبشار نوترونی در اورانیوم غنی شده

یک یادداشت سریع در مورد فرم

برخلاف تمام کارهای قبلی من، این مقاله تعاملی است [در مقاله اصلی مثال‌های تعاملی با لغزنده‌ها و دکمه‌هایی ارائه می‌شوند که اشیاء روی صفحه را کنترل می‌کنند - تقریباً. مسیر].

پس بیایید شروع کنیم. اولین وظیفه ایجاد واژگان بصری برای انتشار در سراسر شبکه ها است.

مدل ساده

من مطمئن هستم که همه شما اساس شبکه ها، یعنی گره ها + لبه ها را می دانید. برای مطالعه انتشار، فقط باید برخی از گره ها را به عنوان علامت گذاری کنید فعال. یا همانطور که اپیدمیولوژیست ها دوست دارند بگویند، مبتلا شده:

این فعال‌سازی یا آلودگی از طریق شبکه از گرهی به گره دیگر طبق قوانینی که در زیر ایجاد می‌کنیم پخش می‌شود.

شبکه های واقعی معمولاً بسیار بزرگتر از این شبکه هفت گره ساده هستند. آنها همچنین بسیار گیج کننده تر هستند. اما برای سادگی، ما در اینجا یک مدل اسباب بازی برای مطالعه یک شبکه، یعنی یک شبکه مشبک می سازیم.

(آنچه که مش در واقع گرایی فاقد آن است، آن را با سهولت کشیدن جبران می کند

به استثنای مواردی که غیر از این ذکر شده است، گره های شبکه چهار همسایه دارند، به عنوان مثال:

و باید تصور کنید که این شبکه ها به طور بی پایان در همه جهات گسترش می یابند. به عبارت دیگر، ما علاقه ای به رفتاری نداریم که فقط در لبه های شبکه یا در جمعیت های کوچک رخ می دهد.

با توجه به اینکه شبکه ها به این ترتیب مرتب شده اند، می توانیم آنها را به پیکسل ساده کنیم. به عنوان مثال، این دو تصویر نشان دهنده یک شبکه هستند:

در یک رفتار، گره فعال همیشه عفونت را به همسایگان (غیر آلوده) خود منتقل می کند. اما خسته کننده است. اتفاقات خیلی جالب تری هنگام انتقال رخ می دهد احتمالی.

SIR و SIS

В مدل های SIR (مستعد - آلوده - حذف شده) یک گره می تواند در سه حالت باشد:

• مستعد
• مبتلا شده
• حذف شده

در اینجا نحوه عملکرد شبیه سازی تعاملی [در مقاله اصلی می توانید نرخ انتقال عفونت را از 0 تا 1 انتخاب کنید، روند را مرحله به مرحله یا به طور کامل ببینید - تقریباً. ترجمه]:

• گره‌ها به‌عنوان حساس شروع می‌شوند، به استثنای تعداد کمی از گره‌ها که به عنوان آلوده شروع می‌شوند.
• در هر مرحله زمانی، گره های آلوده فرصتی برای انتقال عفونت به هر یک از همسایگان حساس خود با احتمالی برابر با نرخ انتقال دارند.
• گره های آلوده سپس وارد حالت "حذف شده" می شوند، به این معنی که دیگر قادر به آلوده کردن دیگران یا آلوده شدن خود نیستند.

در زمینه بیماری، حذف ممکن است به این معنی باشد که فرد فوت کرده است یا در مقابل عامل بیماری زا مصونیت ایجاد کرده است. ما می گوییم آنها از شبیه سازی "حذف شده اند" زیرا هیچ اتفاق دیگری برای آنها نمی افتد.

بسته به آنچه ما در تلاش برای مدل سازی هستیم، ممکن است به مدلی متفاوت از SIR نیاز باشد.

اگر گسترش سرخک یا شیوع آتش‌سوزی را شبیه‌سازی کنیم، SIR ایده‌آل است. اما فرض کنید ما گسترش یک عمل فرهنگی جدید، مانند مراقبه را شبیه سازی می کنیم. در ابتدا گره (فرد) پذیرا است زیرا قبلاً این کار را انجام نداده است. سپس، اگر او شروع به مراقبه کرد (شاید پس از شنیدن این موضوع از یک دوست)، ما او را به عنوان آلوده الگوبرداری می کنیم. اما اگر تمرین را متوقف کند، نمی میرد و از شبیه سازی خارج نمی شود، زیرا در آینده به راحتی می تواند این عادت را دوباره به خود بگیرد. بنابراین به حالت پذیرا برمی گردد.

آن مدل SIS (مستعد – آلوده – مستعد). مدل کلاسیک دارای دو پارامتر است: سرعت انتقال و سرعت بازیابی. با این حال، در شبیه سازی های این مقاله، تصمیم گرفتم با حذف پارامتر نرخ بازیابی، آن را ساده کنم. در عوض، گره آلوده به طور خودکار در مرحله بعدی به حالت حساس باز می گردد، مگر اینکه توسط یکی از همسایگانش آلوده شده باشد. علاوه بر این، ما به یک گره آلوده در مرحله n اجازه می دهیم تا خود را در مرحله n+1 با احتمالی برابر با نرخ انتقال آلوده کند.

بحث

همانطور که می بینید، این بسیار متفاوت از مدل SIR است.

از آنجا که گره ها هرگز حذف نمی شوند، حتی یک شبکه بسیار کوچک و محدود می تواند عفونت SIS را برای مدت طولانی پشتیبانی کند. عفونت به سادگی از گره ای به گره دیگر می پرد و برمی گردد.

علی‌رغم تفاوت‌هایشان، SIR و SIS به طرز شگفت‌آوری برای اهداف ما قابل تعویض هستند. بنابراین برای بقیه این مقاله، ما به SIS می پردازیم - عمدتاً به این دلیل که دوام بیشتری دارد و بنابراین کار با آن سرگرم کننده تر است.

سطح بحرانی

پس از بازی با مدل های SIR و SIS، ممکن است چیزی در مورد طول عمر عفونت متوجه شده باشید. در نرخ انتقال بسیار پایین، مانند 10٪، عفونت تمایل به از بین رفتن دارد. در حالی که در مقادیر بالاتر، مانند 50٪، عفونت زنده می ماند و بیشتر شبکه را در اختیار می گیرد. اگر شبکه بی نهایت بود، می‌توانستیم تصور کنیم که برای همیشه ادامه می‌یابد و گسترش می‌یابد.

چنین انتشار بی حد و حصری نام های زیادی دارد: "ویروسی"، "هسته ای" یا (در عنوان این مقاله) بحرانی.

معلوم می شود وجود دارد خاص نقطه شکستی که جدا می کند شبکه های زیر بحرانی (محکوم به انقراض) از شبکه های فوق بحرانی (قابلیت رشد بی نهایت). این نقطه عطف نامیده می شود آستانه بحرانی، و این یک نشانه نسبتاً کلی از فرآیندهای انتشار در شبکه های معمولی است.

مقدار دقیق آستانه بحرانی بین شبکه‌ها متفاوت است. آنچه رایج است این است در دسترس بودن چنین معنایی

[در یک نسخه ی نمایشی تعاملی از مقاله اصلی می توانید سعی کنید با تغییر مقدار سرعت انتقال، آستانه بحرانی شبکه را به صورت دستی پیدا کنید. چیزی بین 22٪ و 23٪ است - تقریبا. ترانس.]

در 22٪ (و کمتر)، عفونت در نهایت از بین می رود. در 23٪ (و بالاتر)، عفونت اصلی گاهی اوقات از بین می رود، اما در بیشتر موارد می تواند زنده بماند و به اندازه کافی گسترش یابد تا وجود خود را برای همیشه تضمین کند.

(به هر حال، یک زمینه علمی کامل به یافتن این آستانه های بحرانی برای توپولوژی های مختلف شبکه اختصاص داده شده است. برای معرفی سریع، توصیه می کنم به سرعت در مقاله ویکی پدیا در مورد آن پیمایش کنید. آستانه نشتی).

به طور کلی، نحوه کار به این صورت است: در زیر یک آستانه بحرانی، هر گونه آلودگی محدود در شبکه تضمین شده است (با احتمال 1) در نهایت از بین می رود. اما بالاتر از یک آستانه بحرانی، احتمال (p> 0) وجود دارد که عفونت برای همیشه ادامه یابد و با انجام این کار به طور خودسرانه به دور از محل اصلی گسترش یابد.

با این حال، توجه داشته باشید که شبکه فوق بحرانی نیست ضمانت هاکه عفونت برای همیشه ادامه خواهد داشت. در واقع، اغلب محو می شود، به خصوص در مراحل اولیه شبیه سازی. بیایید ببینیم چگونه این اتفاق می افتد.

بیایید فرض کنیم که ما با یک گره آلوده و چهار همسایه شروع کردیم. در مرحله اول مدل سازی، عفونت 5 شانس مستقل برای انتشار دارد (از جمله شانس "سرایت" به خود در مرحله بعدی):

حالا نرخ انتقال را 50 درصد فرض کنیم. در این صورت در مرحله اول یک سکه را پنج بار ورق می زنیم. و اگر پنج سر بغلتد عفونت از بین می رود. این در حدود 3٪ موارد اتفاق می افتد - و این فقط در مرحله اول است. عفونتی که در مرحله اول زنده می ماند، احتمال مرگ (معمولاً کمتر) در مرحله دوم، احتمال مرگ (حتی کمتر) در مرحله سوم و غیره دارد.

بنابراین، حتی زمانی که شبکه فوق بحرانی است - اگر نرخ انتقال 99٪ باشد - احتمال ناپدید شدن عفونت وجود دارد.

اما مهم این است که او این کار را نمی کند همیشه محو خواهد شد. اگر احتمال از بین رفتن تمام مراحل را تا بی نهایت جمع کنید، نتیجه کمتر از 1 می شود. به عبارت دیگر، احتمال غیر صفر وجود دارد که عفونت برای همیشه ادامه یابد. این همان معنایی است که یک شبکه فوق بحرانی است.

SISa: فعال سازی خود به خود

تا این مرحله، تمام شبیه سازی های ما با یک قطعه کوچک از گره های از پیش آلوده در مرکز شروع شد.

اما اگر از صفر شروع کنید چه؟ سپس ما فعال سازی خود به خودی را مدل می کنیم - فرآیندی که طی آن یک گره حساس به طور تصادفی (نه از یکی از همسایگانش) آلوده می شود.

آن نامیده می شود مدل SISa. حرف "a" مخفف "خودکار" است.

در شبیه سازی SISa، یک پارامتر جدید ظاهر می شود - نرخ فعال سازی خود به خود، که فرکانس عفونت خود به خود را تغییر می دهد (پارامتر سرعت انتقال که قبلا دیدیم نیز وجود دارد).

چه چیزی لازم است تا عفونت در سراسر شبکه پخش شود؟

بحث

ممکن است در شبیه سازی متوجه شده باشید که افزایش نرخ فعال سازی خود به خودی تغییری نمی دهد که آیا عفونت کل شبکه را فرا می گیرد یا خیر. فقط سرعت انتقال تعیین می کند که آیا شبکه زیر بحرانی است یا فوق بحرانی. و هنگامی که شبکه تحت بحران باشد (نرخ انتقال کمتر یا مساوی 22%)، بدون توجه به اینکه هر چند وقت یکبار شروع می شود، هیچ عفونتی نمی تواند به کل شبکه سرایت کند.

مثل برافروختن آتش در یک زمین مرطوب است. شما می توانید چند برگ خشک را روی آتش روشن کنید، اما شعله به سرعت خاموش می شود زیرا بقیه منظره به اندازه کافی قابل اشتعال نیست (زیر بحرانی). در حالی که در یک میدان بسیار خشک (فوق بحرانی)، یک جرقه برای شروع آتش سوزی کافی است.

موارد مشابهی در حوزه ایده ها و اختراعات مشاهده می شود. اغلب جهان برای یک ایده آماده نیست، در این صورت می توان آن را بارها و بارها اختراع کرد، اما توده ها را جذب نمی کند. از سوی دیگر، ممکن است جهان برای یک اختراع کاملاً آماده باشد (تقاضای نهفته بزرگ) و به محض تولد، مورد پذیرش همه قرار گیرد. در وسط ایده هایی وجود دارد که در چندین مکان ابداع شده و به صورت محلی منتشر می شود، اما برای هیچ نسخه ای کافی نیست که یکباره کل شبکه را جارو کند. در این دسته آخر، به عنوان مثال، کشاورزی و نوشتن را می یابیم که به طور مستقل توسط تمدن های مختلف بشری به ترتیب حدود ده و سه بار اختراع شده اند.

ایمنی

فرض کنید برخی از گره ها را کاملاً آسیب ناپذیر می کنیم، یعنی در مقابل فعال سازی مصون هستند. انگار ابتدا در یک حالت راه دور هستند و مدل SIS(a) روی گره های باقی مانده راه اندازی می شود.

نوار لغزنده ایمنی درصد گره هایی که حذف می شوند را کنترل می کند. سعی کنید مقدار آن را تغییر دهید (در حالی که مدل در حال اجرا است!) و ببینید که چگونه بر وضعیت شبکه تأثیر می گذارد، آیا فوق بحرانی خواهد بود یا خیر.

بحث

تغییر تعداد گره های پاسخگو تصویر زیر یا فوق بحرانی بودن شبکه را کاملاً تغییر می دهد. و فهمیدن دلیل آن کار سختی نیست. با تعداد زیادی میزبان غیر حساس، عفونت فرصت کمتری برای سرایت به میزبان های جدید دارد.

به نظر می رسد که این یک تعدادی پیامد عملی بسیار مهم دارد.

یکی از آنها جلوگیری از گسترش آتش سوزی در جنگل ها است. در سطح محلی، هر فرد باید اقدامات احتیاطی خود را انجام دهد (مثلاً هرگز شعله باز را بدون مراقبت رها نکنید). اما در مقیاس بزرگ، شیوع ایزوله اجتناب ناپذیر است. بنابراین روش دیگر حفاظت این است که اطمینان حاصل شود که "شکست"های کافی (در شبکه مواد قابل اشتعال) وجود دارد تا شیوع بیماری کل شبکه را فرا نگیرد. پاکسازی ها این عملکرد را انجام می دهند:

شیوع دیگری که توقف آن مهم است یک بیماری عفونی است. در اینجا مفهوم معرفی شده است مصونیت گله. این ایده این است که برخی از افراد نمی توانند واکسینه شوند (مثلاً سیستم ایمنی ضعیفی دارند)، اما اگر افراد کافی در برابر عفونت مصون باشند، بیماری نمی تواند به طور نامحدود گسترش یابد. به عبارت دیگر، شما باید واکسن بزنید کافی بخشی از جمعیت برای انتقال جمعیت از حالت فوق بحرانی به زیر بحرانی. هنگامی که این اتفاق می افتد، ممکن است یک بیمار همچنان آلوده شود (مثلاً پس از سفر به منطقه دیگر)، اما بدون شبکه فوق بحرانی که در آن رشد کند، این بیماری فقط تعداد کمی از افراد را مبتلا می کند.

در نهایت، مفهوم گره های ایمنی توضیح می دهد که در یک راکتور هسته ای چه اتفاقی می افتد. در یک واکنش زنجیره ای، یک اتم اورانیوم 235 در حال فروپاشی حدود سه نوترون آزاد می کند که (به طور متوسط) باعث شکافت بیش از یک اتم U-235 می شود. سپس نوترون‌های جدید باعث شکافتن بیشتر اتم‌ها می‌شوند و به‌طور تصاعدی ادامه می‌دهند:

هنگام ساخت بمب، هدف اصلی این است که اطمینان حاصل شود که رشد تصاعدی بدون کنترل ادامه می یابد. اما در یک نیروگاه، هدف تولید انرژی بدون کشتن اطرافیانتان است. برای این منظور از آنها استفاده می شود میله های کنترلساخته شده از ماده ای که می تواند نوترون ها را جذب کند (به عنوان مثال، نقره یا بور). از آنجا که آنها به جای آزاد کردن نوترون جذب می کنند، آنها به عنوان گره های ایمنی در شبیه سازی ما عمل می کنند و در نتیجه از فوق بحرانی شدن هسته رادیواکتیو جلوگیری می کنند.

بنابراین ترفند یک راکتور هسته ای این است که با حرکت دادن میله های کنترلی به جلو و عقب، واکنش را نزدیک به آستانه بحرانی نگه دارد و اطمینان حاصل شود که هر زمان مشکلی پیش بیاید، میله ها به درون هسته می افتند و آن را متوقف می کنند.

درجه

درجه یک گره تعداد همسایگان آن است. تا اینجا شبکه های درجه 4 را در نظر گرفته ایم. اما اگر این پارامتر را تغییر دهید چه اتفاقی می افتد؟

به عنوان مثال، می توانید هر گره را نه تنها به چهار همسایه مستقیم، بلکه به چهار همسایه دیگر نیز به صورت مورب متصل کنید. در چنین شبکه ای درجه 8 خواهد بود.

شبکه های با درجه 4 و 8 به خوبی متقارن هستند. اما با درجه 5 (مثلا) یک مشکل پیش می آید: کدام پنج همسایه را انتخاب کنیم؟ در این حالت، ما چهار همسایه نزدیک (N، E، S، W) را انتخاب می کنیم و سپس به طور تصادفی یک همسایه را از مجموعه {NE، SE، SW، NW} انتخاب می کنیم. انتخاب به طور مستقل برای هر گره در هر مرحله زمانی انجام می شود.

بحث

باز هم، دیدن اینکه اینجا چه خبر است سخت نیست. هنگامی که هر گره همسایه های بیشتری داشته باشد، احتمال گسترش عفونت افزایش می یابد - و بنابراین شبکه به احتمال زیاد بحرانی می شود.

با این حال، همانطور که در ادامه خواهیم دید، ممکن است عواقب آن غیرمنتظره باشد.

شهرها و تراکم شبکه

تا به حال شبکه های ما کاملاً همگن بوده اند. هر گره شبیه هر گره دیگری است. اما اگر شرایط را تغییر دهیم و به حالت های مختلف گره در سراسر شبکه اجازه دهیم چه؟

به عنوان مثال، بیایید سعی کنیم شهرها را مدل کنیم. برای این کار، تراکم را در برخی از قسمت های شبکه افزایش می دهیم (درجه بالاتر گره ها). ما این کار را بر اساس داده هایی که شهروندان دارند انجام می دهیم دایره اجتماعی گسترده تر و تعاملات اجتماعی بیشترنسبت به مردم خارج از شهرها

در مدل ما، گره های حساس بر اساس درجه شان رنگ می شوند. گره‌ها در "مناطق روستایی" درجه 4 دارند (و به رنگ خاکستری روشن هستند)، در حالی که گره‌ها در "مناطق شهری" درجه‌های بالاتری دارند (و رنگ تیره‌تری دارند)، که با درجه 5 در حومه شروع می‌شود و با درجه 8 در مرکز شهر ختم می‌شود.

سعی کنید سرعت انتشار را به گونه ای انتخاب کنید که فعال سازی شهرها را پوشش دهد و سپس از مرزهای آنها فراتر نرود.

من این شبیه سازی را هم بدیهی و هم شگفت انگیز می دانم. البته، شهرها سطح فرهنگی را بهتر از مناطق روستایی حفظ می کنند - همه این را می دانند. چیزی که من را شگفت زده می کند این است که برخی از این تنوع فرهنگی صرفاً بر اساس توپولوژی شبکه اجتماعی ایجاد می شود.

این نکته جالبی است، من سعی می کنم آن را با جزئیات بیشتر توضیح دهم.

در اینجا با اشکالی از فرهنگ سروکار داریم که به سادگی و مستقیماً از فردی به فرد دیگر منتقل می شوند. مثلا، آداب، بازی های سالنی، گرایش های مد، گرایش های زبانی، آیین های گروهی کوچک، و محصولاتی که دهان به دهان پخش می شوند، به علاوه بسته های کامل اطلاعاتی که ما آنها را ایده می نامیم.

(توجه داشته باشید: انتشار اطلاعات بین مردم توسط رسانه ها بسیار دشوار است. تصور برخی از محیط های تکنولوژیکی بدوی، مانند یونان باستان، که تقریباً هر جرقه فرهنگ در آن از طریق تعامل در فضای فیزیکی منتقل می شد، آسان تر است.)

از شبیه سازی فوق متوجه شدم که ایده ها و اقدامات فرهنگی وجود دارد که می تواند در شهر ریشه دوانده و گسترش یابد، اما آنها به سادگی نمی توانند (از نظر ریاضی نمی توانند) در مناطق روستایی گسترش یابند. اینها همان عقاید و همان مردم هستند. نکته این نیست که ساکنان روستایی به نوعی "نزدیک فکر" هستند: آنها هنگام تعامل با یک ایده، دقیقا همان شانس گرفتن آن استمثل مردم شهر فقط خود این ایده نمی تواند در مناطق روستایی ویروسی شود، زیرا ارتباطات زیادی وجود ندارد که از طریق آن گسترش یابد.

این شاید در زمینه مد - لباس، مدل مو و غیره - ساده ترین باشد. در یک مرکز شهری، هر فرد می تواند روزانه بیش از 1000 نفر دیگر را ببیند - در خیابان، مترو، در یک رستوران شلوغ، و غیره. بر اساس فقط این تفاوت، شهر می تواند از روندهای مد بیشتری حمایت کند. و فقط قانع‌کننده‌ترین گرایش‌ها - آنهایی که بالاترین نرخ انتقال را دارند - می‌توانند جای پای خود را در خارج از شهر به دست آورند.

ما تمایل داریم فکر کنیم که اگر ایده ای خوب باشد، در نهایت به همه می رسد و اگر ایده ای بد باشد، ناپدید می شود. البته، این در موارد شدید صادق است، اما در این بین ایده‌ها و شیوه‌های زیادی وجود دارد که فقط در شبکه‌های خاصی می‌توانند به صورت ویروسی پخش شوند. این واقعا شگفت انگیز است.

نه تنها شهرها

ما در اینجا به تأثیر آن نگاه می کنیم تراکم شبکه. برای یک مجموعه معین از گره ها به عنوان یک عدد تعریف می شود دنده های واقعی، تقسیم بر عدد لبه های بالقوه. یعنی درصد اتصالات احتمالی که در واقع وجود دارد.

بنابراین مشاهده کردیم که تراکم شبکه در مراکز شهری بیشتر از مناطق روستایی است. اما شهرها تنها جایی نیستند که در آن شبکه های متراکم پیدا می کنیم.

یک مثال جالب مدارس متوسطه است. به عنوان مثال، برای یک منطقه خاص، شبکه ای را که در بین دانش آموزان مدرسه وجود دارد با شبکه ای که در بین والدین آنها وجود دارد مقایسه می کنیم. منطقه جغرافیایی یکسان و جمعیت یکسان، اما یک شبکه چند برابر متراکم تر از شبکه دیگر است. بنابراین جای تعجب نیست که مد و گرایش های زبانی بسیار سریعتر در بین نوجوانان گسترش می یابد.

به همین ترتیب، شبکه‌های نخبگان بسیار متراکم‌تر از شبکه‌های غیرنخبگان هستند - این واقعیتی که من فکر می‌کنم مورد توجه قرار نمی‌گیرد (افرادی که محبوب یا تأثیرگذار هستند زمان بیشتری را صرف شبکه‌سازی می‌کنند و بنابراین «همسایگان» بیشتری نسبت به مردم عادی دارند). بر اساس شبیه‌سازی‌های بالا، ما انتظار داریم که شبکه‌های نخبگان از برخی اشکال فرهنگی که توسط جریان اصلی پشتیبانی نمی‌شوند، صرفاً بر اساس قوانین ریاضی میانگین مدرک شبکه، پشتیبانی کنند. من شما را به حدس و گمان در مورد این که این اشکال فرهنگی ممکن است باشد، واگذار می کنم.

در نهایت، می‌توانیم این ایده را با مدل‌سازی آن به‌عنوان عظیم و در اینترنت اعمال کنیم بسیار متراکم شهر جای تعجب نیست که بسیاری از انواع فرهنگ های جدید به صورت آنلاین در حال رشد هستند که به سادگی نمی توان آنها را در شبکه های فضایی صرف پشتیبانی کرد: سرگرمی های خاص، استانداردهای طراحی بهتر، آگاهی بیشتر از بی عدالتی، و غیره. و این فقط چیزهای خوبی نیست. همانطور که شهرهای اولیه محل پرورش بیماری هایی بودند که در تراکم کم جمعیت نمی توانستند گسترش پیدا کنند، اینترنت نیز بستری برای رشد اشکال فرهنگی بدخیم مانند طعمه کلیک، اخبار جعلی و برانگیختن خشم مصنوعی است.

دانش

"داشتن متخصص مناسب در زمان مناسب اغلب با ارزش ترین منبع برای حل خلاقانه مشکلات است." - مایکل نیلسن، اختراع کشف

ما اغلب به کشف یا اختراع به عنوان فرآیندی فکر می کنیم که در ذهن یک نابغه اتفاق می افتد. او تحت تأثیر یک جرقه الهام قرار می گیرد و - اورکا! - ناگهان روش جدیدی برای اندازه گیری حجم داریم. یا معادله گرانش. یا یک لامپ.

اما اگر دیدگاه یک مخترع تنها را در لحظه کشف در نظر بگیریم، آنگاه به پدیده نگاه می کنیم. از دیدگاه یک گره. در حالی که تفسیر اختراع به این صورت صحیح تر خواهد بود شبکه پدیده

شبکه حداقل از دو جهت مهم است. اول، ایده های موجود باید نفوذ کنند به آگاهی مخترع. اینها نقل قول هایی از یک مقاله جدید است، بخش کتابشناختی یک کتاب جدید - غول هایی که نیوتن روی شانه های آنها ایستاد. ثانیاً، شبکه برای بازگشت یک ایده جدید حیاتی است بازگشت در جهان؛ اختراعی که گسترش نیافته است به سختی ارزش دارد که آن را "اختراع" بنامیم. بنابراین، به هر دوی این دلایل، مدل‌سازی اختراع – یا به‌طور گسترده‌تر، رشد دانش – به‌عنوان یک فرآیند انتشار منطقی است.

در یک لحظه، من یک شبیه سازی تقریبی از نحوه گسترش و رشد دانش در یک شبکه ارائه خواهم کرد. اما ابتدا باید توضیح دهم.

در ابتدای شبیه سازی، چهار متخصص در هر ربع شبکه وجود دارد که به صورت زیر مرتب شده اند:

Expert 1 اولین نسخه این ایده را دارد - بگذارید آن را ایده 1.0 بنامیم. Expert 2 فردی است که می داند چگونه Idea 1.0 را به Idea 2.0 تبدیل کند. Expert 3 می داند که چگونه Idea 2.0 را به Idea 3.0 تبدیل کند. و در نهایت، کارشناس چهارم می داند که چگونه می تواند در ایده 4.0 سنگ تمام بگذارد.

این شبیه به تکنیکی مانند اوریگامی است که در آن تکنیک ها توسعه یافته و با تکنیک های دیگر ترکیب می شوند تا طرح های جالب تری ایجاد کنند. یا ممکن است حوزه ای از دانش باشد، مانند فیزیک، که در آن کارهای جدیدتر بر اساس کارهای بنیادی پیشینیان استوار است.

نکته این شبیه سازی این است که ما به هر چهار متخصص برای کمک به نسخه نهایی ایده نیاز داریم. و در هر مرحله باید ایده مورد توجه متخصص مربوطه قرار گیرد.

چند اخطار مفروضات غیر واقعی زیادی در شبیه سازی کدگذاری شده است. اینجا تنها تعداد کمی از آنها هستند:

1. فرض بر این است که ایده ها را نمی توان ذخیره و منتقل کرد، مگر از فردی به فرد دیگر (یعنی بدون کتاب یا رسانه).
2. فرض بر این است که کارشناسان دائمی در جمعیت وجود دارند که می توانند ایده ایجاد کنند، اگرچه در واقعیت عوامل تصادفی زیادی بر وقوع یک کشف یا اختراع تأثیر می گذارد.
3. هر چهار نسخه از این ایده از مجموعه یکسانی از پارامترهای SIS (نرخ باد، درصد مصونیت و غیره) استفاده می‌کنند، اگرچه احتمالاً استفاده از پارامترهای مختلف برای هر نسخه (1.0، 2.0 و غیره) واقعی‌تر است.
4. فرض بر این است که ایده N+1 همیشه ایده N را کاملاً جایگزین می کند، اگرچه در عمل اغلب هر دو نسخه قدیمی و جدید به طور همزمان منتشر می شوند، بدون برنده مشخص.

… و خیلی های دیگر.

بحث

این یک مدل ساده شده مضحک از چگونگی رشد دانش است. بسیاری از جزئیات مهم خارج از مدل باقی مانده است (به بالا مراجعه کنید). با این حال، جوهر مهم فرآیند را در بر می گیرد. و بنابراین ما می توانیم با ملاحظات در مورد رشد دانش با استفاده از دانش خود از انتشار صحبت کنیم.

به طور خاص، مدل انتشار بینشی در مورد چگونگی ارائه می دهد سرعت بخشیدن به روند: نیاز به تسهیل تبادل نظر بین گره های خبره. این ممکن است به معنای پاکسازی شبکه از گره های مرده باشد که مانع انتشار می شوند. یا می تواند به معنای قرار دادن همه کارشناسان در یک شهر یا خوشه با تراکم شبکه بالا باشد که در آن ایده ها به سرعت پخش می شوند. یا فقط آنها را در یک اتاق جمع کنید:

بنابراین... این تمام چیزی است که می توانم در مورد انتشار بگویم.

اما من آخرین فکر را دارم و آن بسیار مهم است. این در مورد رشد استو رکود) دانش در جوامع علمی. این ایده از نظر لحن و محتوا با هر چیز فوق متفاوت است، اما امیدوارم مرا ببخشید.

درباره شبکه های علمی

تصویر یکی از مهم ترین حلقه های بازخورد مثبت در جهان را نشان می دهد (و مدت زیادی است که اینگونه بوده است):

سیر صعودی چرخه (K ⟶ T) بسیار ساده است: ما از دانش جدید برای توسعه ابزارهای جدید استفاده می کنیم. به عنوان مثال، درک فیزیک نیمه هادی ها به ما امکان می دهد کامپیوتر بسازیم.

با این حال، حرکت رو به پایین نیاز به توضیحی دارد. چگونه توسعه فناوری منجر به افزایش دانش می شود؟

یکی از راه‌ها - شاید مستقیم‌ترین - این است که فناوری‌های جدید راه‌های جدیدی برای درک جهان به ما می‌دهند. به عنوان مثال، بهترین میکروسکوپ‌ها به شما امکان می‌دهند تا در یک سلول عمیق‌تر نگاه کنید و بینش‌هایی را برای زیست‌شناسی مولکولی فراهم می‌کنند. ردیاب های GPS نحوه حرکت حیوانات را نشان می دهند. سونار به شما اجازه می دهد تا اقیانوس ها را کشف کنید. و غیره.

این بدون شک یک مکانیسم حیاتی است، اما حداقل دو مسیر دیگر از فناوری به دانش وجود دارد. آنها ممکن است به این سادگی نباشند، اما به نظر من به همان اندازه مهم هستند:

اول. فناوری منجر به فراوانی اقتصادی (یعنی ثروت) می شود که به افراد بیشتری اجازه می دهد تا در تولید دانش شرکت کنند.

اگر 90 درصد از جمعیت کشور شما به کشاورزی مشغول هستند و 10 درصد باقیمانده به نوعی تجارت (یا جنگ) مشغول هستند، در این صورت مردم وقت آزاد بسیار کمی برای فکر کردن به قوانین طبیعت دارند. شاید به همین دلیل است که در زمان های گذشته علم عمدتاً توسط فرزندان خانواده های ثروتمند ترویج می شد.

ایالات متحده سالانه بیش از 50 مدرک دکترا تولید می کند. به جای اینکه فردی در سن 000 سالگی (یا زودتر) در کارخانه کار کند، یک دانشجوی فارغ التحصیل باید تا سن 18 یا شاید 30 سالگی بودجه دریافت کند - و حتی در آن زمان نیز مشخص نیست که آیا کار آنها تأثیر اقتصادی واقعی خواهد داشت یا خیر. اما لازم است که انسان به خط مقدم رشته خود به ویژه در رشته های پیچیده ای مانند فیزیک یا زیست شناسی برسد.

واقعیت این است که از دیدگاه سیستمی، متخصصان گران هستند. و منبع نهایی ثروت عمومی که بودجه این متخصصان را تأمین می کند، فناوری جدید است: گاوآهن به قلم یارانه می دهد.

دوم. فناوری‌های جدید به‌ویژه در زمینه سفر و ارتباطات، ساختار شبکه‌های اجتماعی را تغییر می‌دهند که دانش در آن رشد می‌کند. به ویژه، به متخصصان و متخصصان اجازه می دهد تا تعامل نزدیک تری با یکدیگر داشته باشند.

اختراعات قابل توجه در اینجا عبارتند از: ماشین چاپ، کشتی های بخار و راه آهن (تسهیل سفر و/یا ارسال نامه در مسافت های طولانی)، تلفن، هواپیما و اینترنت. همه این فناوری ها به افزایش تراکم شبکه کمک می کنند، به ویژه در جوامع تخصصی (جایی که تقریباً همه رشد دانش اتفاق می افتد). به عنوان مثال، شبکه های مکاتباتی که در پایان قرون وسطی در میان دانشمندان اروپایی پدید آمد، یا روشی که فیزیکدانان مدرن از arXiv استفاده می کنند.

در نهایت هر دوی این مسیرها شبیه هم هستند. هر دو تراکم شبکه متخصصان را افزایش می دهند که به نوبه خود منجر به افزایش دانش می شود:

برای سال‌های متمادی از تحصیلات عالی بی‌اعتنا بودم. دوره کوتاه من در مقطع کارشناسی ارشد طعم بدی در دهانم ایجاد کرد. اما حالا که به گذشته نگاه می کنم و فکر می کنم (فارغ از تمام مشکلات شخصی)، باید به این نتیجه برسم که تحصیلات عالی همچنان ادامه دارد فوق العاده مهم.

شبکه های اجتماعی دانشگاهی (به عنوان مثال، جوامع تحقیقاتی) یکی از پیشرفته ترین و ارزشمندترین ساختارهایی هستند که تمدن ما ایجاد کرده است. ما در هیچ کجا تمرکز بیشتری از متخصصان متمرکز بر تولید دانش را جمع آوری نکرده ایم. هیچ کجا مردم توانایی بیشتری برای درک و انتقاد از ایده های یکدیگر پیدا نکرده اند. این قلب تپنده پیشرفت است. در این شبکه ها است که آتش روشنگری شدیدتر می سوزد.

اما ما نمی توانیم پیشرفت را بدیهی بدانیم. اگر آزمایش بحران تکرار ناپذیری و اگر چیزی به ما آموخت، این بود که علم می تواند مشکلات سیستمی داشته باشد. این یک نوع تخریب شبکه است.

فرض کنید بین دو روش انجام علم تمایز قائل شویم: علم واقعی и شغل گرایی. علم واقعی شیوه هایی است که به طور قابل اعتماد دانش تولید می کنند. انگیزه آن کنجکاوی است و با صداقت مشخص می شود (فاینمن: "می بینی، من فقط باید دنیا را درک کنم"). برعکس، شغل گرایی ناشی از جاه طلبی های حرفه ای است و با بازی سیاسی و میانبرهای علمی مشخص می شود. ممکن است مانند علم به نظر برسد و عمل کند، اما هیچ دانش قابل اعتماد تولید می کند.

(بله، این یک دوگانگی اغراق آمیز است. فقط یک آزمایش فکری است. من را سرزنش نکنید).

واقعیت این است که وقتی حرفه ای ها در جامعه تحقیقاتی واقعی جای می گیرند، کار را خراب می کنند. آنها برای ارتقای خود تلاش می کنند در حالی که بقیه افراد جامعه تلاش می کنند دانش جدید را به دست آورند و به اشتراک بگذارند. حرفه ای ها به جای تلاش برای وضوح، همه چیز را پیچیده و اشتباه می کنند تا تاثیرگذارتر به نظر برسند. آنها درگیر (به قول هری فرانکفورت) مزخرفات علمی هستند. و از این رو می‌توانیم آن‌ها را به‌عنوان گره‌های مرده، غیرقابل نفوذ در برابر تبادل عادلانه اطلاعات لازم برای رشد دانش، مدل کنیم:

شاید بهترین مدل مدلی باشد که در آن گره های شغلی نه تنها نسبت به دانش نفوذ ناپذیر باشند، بلکه فعالانه منتشر کنند. دانش جعلی. دانش جعلی می تواند شامل نتایج بی اهمیتی باشد که اهمیت آنها به طور مصنوعی افزایش یافته است، یا نتایج واقعاً نادرستی که از دستکاری یا داده های ساختگی ناشی می شوند.

مهم نیست که چگونه از آنها الگوبرداری کنیم، متخصصان حرفه ای قطعا می توانند جوامع علمی ما را خفه کنند.

این مانند واکنش زنجیره ای هسته ای است که ما شدیداً به آن نیاز داریم - ما به انفجار دانش نیاز داریم - فقط U-235 غنی شده ما دارای مقدار زیادی ایزوتوپ غیر واکنشی U-238 است که واکنش زنجیره ای را سرکوب می کند.

البته هیچ تفاوت واضحی بین کارشناسان و دانشمندان واقعی وجود ندارد. هرکدام از ما ذره ای از شغل گرایی در درون خود پنهان شده است. سوال این است که شبکه چقدر می تواند قبل از محو شدن انتشار دانش دوام بیاورد.

اوه، شما تا آخر بخوانید. ممنون که خواندید.

مجوز

CC0 تمامی حقوق محفوظ نیست شما می توانید از این کار به دلخواه استفاده کنید :).

تقدیر و تشکر

• کوین کواک и نیکی کیس برای نظرات و پیشنهادات متفکرانه در مورد نسخه های مختلف پیش نویس.
• نیک بار - برای حمایت اخلاقی در کل فرآیند و برای مفیدترین بازخورد در مورد کارم.
• Keith A. برای اشاره به پدیده نفوذ و آستانه نفوذ به من.
• جف لونزدیل برای پیوند به این یک مقاله است، که (با وجود کاستی های فراوان) انگیزه اصلی کار روی این پست بود.

نمونه انشا تعاملی

• تمام کارهای نیکی کیس، به ویژه. "مثل چند ضلعی ها" (با وی هارت) و "توسعه رای گیری بهتر". این یک نوار بالا برای آنچه که یک مقاله تعاملی می تواند باشد است.
• Distill.pub: توضیحات تعاملی با کیفیت فوق العاده بالا از یادگیری ماشین.
• اثر کلاسیک برت ویکتور "بالا و پایین از نردبان انتزاع". من در بالا رفتن از پله ها خوب نبودم، اما همیشه یک تلاش بیشتر وجود دارد.

منبع: www.habr.com