Si vous avez passé du temps à réfléchir aux systèmes complexes, vous comprenez probablement l'importance des réseaux. Les réseaux gouvernent notre monde. Des réactions chimiques au sein d’une cellule au réseau de relations dans un écosystème, en passant par les réseaux commerciaux et politiques qui façonnent le cours de l’histoire.

Ou considérez cet article que vous lisez. Vous l'avez probablement trouvé dans réseau social, téléchargé depuis réseau informatique et je suis en train de déchiffrer le sens en utilisant votre réseau neuronal.

Mais même si j'ai pensé aux réseaux au fil des années, jusqu'à récemment, je ne comprenais pas l'importance de simples la diffusion.

C’est notre sujet d’aujourd’hui : comment, comment, de manière chaotique, tout bouge et se propage. Quelques exemples pour vous mettre en appétit :

• Maladies infectieuses qui se transmettent de porteur en porteur au sein d'une population.
• Mèmes se propageant sur le graphique des abonnés sur les réseaux sociaux.
• Feu de forêt.
• Des idées et des pratiques qui imprègnent une culture.
• Cascade de neutrons dans l'uranium enrichi.

Un petit mot sur la forme.

Contrairement à tous mes travaux précédents, cet essai est interactif [en article original des exemples interactifs sont donnés avec des curseurs et des boutons qui contrôlent les objets à l'écran - env. voie].

Alors, commençons. La première tâche consiste à développer un vocabulaire visuel destiné à être diffusé à travers les réseaux.

Modèle simple

Je suis sûr que vous connaissez tous la base des réseaux, c'est-à-dire nœuds + bords. Pour étudier la diffusion, il suffit de marquer certains nœuds comme actif. Ou, comme aiment le dire les épidémiologistes, infecté:

Cette activation ou infection se propage à travers le réseau de nœud en nœud selon les règles que nous développerons ci-dessous.

Les réseaux réels sont généralement beaucoup plus grands que ce simple réseau à sept nœuds. Ils sont aussi beaucoup plus déroutants. Mais par souci de simplicité, nous allons construire ici un modèle jouet pour étudier un treillis, c'est-à-dire un réseau de treillis.

(Ce que le maillage manque de réalisme, il le compense par sa facilité à dessiner 😉

Sauf indication contraire, les nœuds du réseau ont quatre voisins, par exemple :

Et il faut imaginer que ces réseaux s’étendent à l’infini dans toutes les directions. En d’autres termes, nous ne nous intéressons pas aux comportements qui se produisent uniquement aux limites du réseau ou dans de petites populations.

Étant donné que les réseaux sont ainsi ordonnés, nous pouvons les simplifier en pixels. Par exemple, ces deux images représentent le même réseau :

Dans un comportement, le nœud actif transmet toujours l'infection à ses voisins (non infectés). Mais c'est ennuyeux. Des choses bien plus intéressantes se produisent lors du transfert probabiliste.

SIR et SIS

В Modèles SIR (Susceptible-Infected-Removed), un nœud peut être dans trois états :

• Sensible
• Infecté
• Supprimé

Voici comment fonctionne la simulation interactive [dans article original vous pouvez sélectionner le taux de transmission de l'infection de 0 à 1, voir le processus étape par étape ou dans son intégralité - env. trad.]:

• Les nœuds commencent comme sensibles, à l’exception de quelques nœuds qui commencent comme infectés.
• À chaque pas de temps, les nœuds infectés ont une chance de transmettre l’infection à chacun de leurs voisins sensibles avec une probabilité égale au taux de transmission.
• Les nœuds infectés entrent alors dans un état « supprimé », ce qui signifie qu’ils ne sont plus capables d’infecter les autres ou d’être eux-mêmes infectés.

Dans le contexte d’une maladie, le retrait peut signifier que la personne est décédée ou qu’elle a développé une immunité contre l’agent pathogène. Nous disons qu'ils sont "supprimés" de la simulation car rien d'autre ne leur arrive.

En fonction de ce que nous essayons de modéliser, un modèle différent du SIR peut être nécessaire.

Si nous simulons la propagation de la rougeole ou une épidémie d’incendie de forêt, le SIR est idéal. Mais supposons que nous simulions la diffusion d’une nouvelle pratique culturelle, telle que la méditation. Au début, le nœud (la personne) est réceptif parce qu’il n’a jamais fait cela auparavant. Ensuite, s’il commence à méditer (peut-être après en avoir entendu parler par un ami), nous le modéliserons comme infecté. Mais s’il arrête la pratique, il ne mourra pas et ne sortira pas de la simulation, car à l’avenir, il pourra facilement reprendre cette habitude. Il retourne donc à un état réceptif.

Il Modèle SIS (Susceptible – Infecté – Sensible). Le modèle classique comporte deux paramètres : la vitesse de transmission et la vitesse de récupération. Cependant, dans les simulations de cet article, j'ai décidé de simplifier en omettant le paramètre de taux de récupération. Au lieu de cela, le nœud infecté revient automatiquement à l’état sensible au pas de temps suivant, à moins qu’il ne soit infecté par l’un de ses voisins. De plus, nous permettons à un nœud infecté à l’étape n de s’infecter lui-même à l’étape n+1 avec une probabilité égale au taux de transmission.

Discussion

Comme vous pouvez le constater, celui-ci est très différent du modèle SIR.

Étant donné que les nœuds ne sont jamais supprimés, même un réseau très petit et confiné peut supporter une infection SIS pendant une longue période. L’infection passe simplement d’un nœud à l’autre et revient.

Malgré leurs différences, SIR et SIS s’avèrent étonnamment interchangeables pour nos besoins. Donc pour le reste de cet article, nous nous en tiendrons au SIS - principalement parce qu'il est plus durable et donc plus amusant à utiliser.

Niveau critique

Après avoir joué avec les modèles SIR et SIS, vous avez peut-être remarqué quelque chose sur la longévité de l’infection. À des taux de transmission très faibles, par exemple 10 %, l’infection a tendance à disparaître. À des valeurs plus élevées, telles que 50 %, l’infection reste vivante et s’empare de la majeure partie du réseau. Si le réseau était infini, nous pourrions l’imaginer continuer et s’étendre à jamais.

Cette diffusion illimitée porte plusieurs noms : « virale », « nucléaire » ou (dans le titre de cet article) critique.

Il s'avère qu'il y a spécifique le point de rupture qui sépare réseaux sous-critiques (voué à l'extinction) de réseaux supercritiques (capable de croissance infinie). Ce tournant est appelé seuil critique, et c'est un signe assez général des processus de diffusion dans les réseaux ordinaires.

La valeur exacte du seuil critique varie selon les réseaux. Ce qui est commun c'est ceci disponibilité une telle signification.

[Dans une démo interactive de article original Vous pouvez essayer de trouver manuellement le seuil critique du réseau en modifiant la valeur de la vitesse de transmission. C'est quelque part entre 22% et 23% - env. trans.]

À 22 % (et moins), l’infection finit par disparaître. À 23 % (et plus), l’infection initiale disparaît parfois, mais dans la plupart des cas, elle parvient à survivre et à se propager suffisamment longtemps pour assurer son existence pour toujours.

(D'ailleurs, il existe tout un domaine scientifique dédié à la recherche de ces seuils critiques pour différentes topologies de réseau. Pour une introduction rapide, je vous recommande de parcourir rapidement l'article Wikipédia sur seuil de fuite).

En général, voici comment cela fonctionne : en dessous d'un seuil critique, toute infection limitée sur le réseau est garantie (avec une probabilité de 1) de disparaître à terme. Mais au-dessus d’un seuil critique, il existe une probabilité (p > 0) que l’infection se poursuive indéfiniment et, ce faisant, se propage arbitrairement loin du site d’origine.

Notez cependant que le réseau supercritique n’est pas garantiesque l'infection continuera pour toujours. En fait, cela s’estompe souvent, surtout au tout début de la simulation. Voyons comment cela se produit.

Supposons que nous ayons commencé avec un nœud infecté et quatre voisins. Lors de la première étape de modélisation, l’infection a 5 chances indépendantes de se propager (y compris la chance de se « propager » à elle-même à l’étape suivante) :

Supposons maintenant que le taux de transfert soit de 50 %. Dans ce cas, dans un premier temps, nous tirons une pièce de monnaie cinq fois. Et si cinq têtes tombent, l'infection sera détruite. Cela se produit dans environ 3 % des cas – et ce n’est que la première étape. Une infection qui survit à la première étape a une certaine probabilité (généralement plus faible) de disparaître au cours de la deuxième étape, une certaine probabilité (encore plus faible) de disparaître au cours de la troisième étape, etc.

Ainsi, même lorsque le réseau est supercritique – si le taux de transmission est de 99 % – il est possible que l’infection disparaisse.

Mais l'important c'est qu'elle ne le fasse pas toujours va disparaître. Si vous additionnez la probabilité que toutes les étapes disparaissent à l’infini, le résultat est inférieur à 1. En d’autres termes, il existe une probabilité non nulle que l’infection continue pour toujours. C’est ce que signifie pour un réseau d’être supercritique.

SISa : activation spontanée

Jusqu’à présent, toutes nos simulations commençaient avec un petit morceau de nœuds pré-infectés au centre.

Mais que se passe-t-il si vous repartez de zéro ? Nous modélisons ensuite l'activation spontanée, le processus par lequel un nœud sensible est infecté par hasard (et non par l'un de ses voisins).

Il Il a appelé Modèle SISa. La lettre « a » signifie « automatique ».

Dans la simulation SISa, un nouveau paramètre apparaît : le taux d'activation spontanée, qui modifie la fréquence d'infection spontanée (le paramètre de taux de transmission que nous avons vu précédemment est également présent).

Que faut-il pour qu’une infection se propage sur tout le réseau ?

Discussion

Vous avez peut-être remarqué dans la simulation que l’augmentation du taux d’activation spontanée ne change pas si l’infection envahit ou non l’ensemble du réseau. Seulement vitesse de transmission détermine si le réseau est sous-critique ou supercritique. Et lorsque le réseau est sous-critique (taux de transmission inférieur ou égal à 22 %), aucune infection ne peut se propager à l'ensemble du réseau, quelle que soit la fréquence de son démarrage.

C'est comme allumer un feu dans un champ humide. Vous pouvez allumer le feu de quelques feuilles sèches, mais la flamme s'éteindra rapidement car le reste du paysage n'est pas assez inflammable (sous-critique). Sur un terrain très sec (supercritique), une seule étincelle suffit pour qu'un incendie se déclare.

Des choses semblables s’observent dans le domaine des idées et des inventions. Souvent, le monde n’est pas prêt pour une idée, auquel cas elle peut être inventée encore et encore, mais elle n’attire pas les masses. D’un autre côté, le monde peut être tout à fait prêt pour une invention (forte demande latente), et dès qu’elle naît, elle est acceptée par tous. Au milieu se trouvent des idées inventées à plusieurs endroits et diffusées localement, mais pas suffisamment pour qu'une seule version puisse balayer l'ensemble du réseau à la fois. Dans cette dernière catégorie, nous trouvons, par exemple, l’agriculture et l’écriture, qui ont été inventées indépendamment par différentes civilisations humaines environ dix et trois fois respectivement.

immunité

Supposons que nous rendions certains nœuds complètement invulnérables, c'est-à-dire immunisés contre l'activation. C'est comme s'ils étaient initialement dans un état distant et que le modèle SIS(a) était lancé sur les nœuds restants.

Le curseur d'immunité contrôle le pourcentage de nœuds supprimés. Essayez de modifier sa valeur (pendant que le modèle est en cours d'exécution !) et voyez comment cela affecte l'état du réseau, s'il sera supercritique ou non.

Discussion

Changer le nombre de nœuds qui ne répondent pas change complètement la question de savoir si le réseau sera sous-critique ou supercritique. Et il n'est pas difficile de comprendre pourquoi. Avec un grand nombre d’hôtes insensibles, l’infection a moins de chances de se propager à de nouveaux hôtes.

Il s’avère que cela a un certain nombre de conséquences pratiques très importantes.

L’un d’eux consiste à empêcher la propagation des incendies de forêt. Au niveau local, chacun doit prendre ses propres précautions (par exemple, ne jamais laisser une flamme nue sans surveillance). Mais à grande échelle, des épidémies isolées sont inévitables. Une autre méthode de protection consiste donc à s'assurer qu'il y a suffisamment de « ruptures » (dans le réseau de matières inflammables) pour qu'une épidémie n'engloutisse pas l'ensemble du réseau. Les compensations remplissent cette fonction :

Une autre épidémie qu’il est important d’arrêter est celle d’une maladie infectieuse. Ici, le concept est introduit immunité collective. C’est l’idée selon laquelle certaines personnes ne peuvent pas être vaccinées (par exemple, leur système immunitaire est affaibli), mais si suffisamment de personnes sont immunisées contre l’infection, la maladie ne peut pas se propager indéfiniment. En d’autres termes, vous devriez vacciner suffisant partie de la population pour transférer la population d'un état supercritique à un état sous-critique. Lorsque cela se produit, un patient peut encore être infecté (après avoir voyagé dans une autre région, par exemple), mais sans réseau supercritique dans lequel se développer, la maladie n’infectera qu’une petite poignée de personnes.

Enfin, la notion de ganglions immunitaires explique ce qui se passe dans un réacteur nucléaire. Dans une réaction en chaîne, un atome d'uranium 235 en décomposition libère environ trois neutrons, qui provoquent (en moyenne) la fission de plus d'un atome d'uranium 235. Les nouveaux neutrons provoquent alors une nouvelle division des atomes, et ainsi de suite de façon exponentielle :

Lors de la construction d’une bombe, l’objectif est de garantir que la croissance exponentielle se poursuive de manière incontrôlée. Mais dans une centrale électrique, le but est de produire de l’énergie sans tuer tout le monde autour de soi. A cet effet, ils sont utilisés barres de commande, fabriqué à partir d'un matériau capable d'absorber les neutrons (par exemple, l'argent ou le bore). Parce qu’ils absorbent plutôt qu’ils ne libèrent des neutrons, ils agissent comme des nœuds immunitaires dans notre simulation, empêchant ainsi le noyau radioactif de devenir supercritique.

L’astuce d’un réacteur nucléaire est donc de maintenir la réaction près d’un seuil critique en déplaçant les barres de contrôle d’avant en arrière, et de garantir que chaque fois que quelque chose tourne mal, les barres tombent dans le cœur et l’arrêtent.

Diplôme

Diplôme d'un nœud est le nombre de ses voisins. Jusqu’à présent, nous avons considéré des réseaux de degré 4. Mais que se passe-t-il si vous modifiez ce paramètre ?

Par exemple, vous pouvez connecter chaque nœud non seulement à quatre voisins immédiats, mais également à quatre autres en diagonale. Dans un tel réseau, le diplôme sera de 8.

Les réseaux de degrés 4 et 8 sont bien symétriques. Mais avec le degré 5 (par exemple), un problème se pose : quels cinq voisins choisir ? Dans ce cas, nous sélectionnons quatre voisins les plus proches (N, E, S, W), puis sélectionnons au hasard un voisin dans l'ensemble {NE, SE, SW, NW}. Le choix est fait indépendamment pour chaque nœud à chaque pas de temps.

Discussion

Encore une fois, il n'est pas difficile de voir ce qui se passe ici. Lorsque chaque nœud a plus de voisins, les risques de propagation de l’infection augmentent et le réseau est donc plus susceptible de devenir critique.

Toutefois, les conséquences peuvent être inattendues, comme nous le verrons ci-dessous.

Villes et densité des réseaux

Jusqu’à présent, nos réseaux étaient totalement homogènes. Chaque nœud ressemble aux autres. Mais que se passerait-il si nous modifiions les conditions et autorisons différents états de nœuds à travers le réseau ?

Par exemple, essayons de modéliser des villes. Pour ce faire, nous augmenterons la densité dans certaines parties du réseau (degré plus élevé de nœuds). Nous faisons cela sur la base des données dont disposent les citoyens cercle social plus large et plus d’interactions socialesque les gens en dehors des villes.

Dans notre modèle, les nœuds sensibles sont colorés en fonction de leur degré. Les nœuds des « zones rurales » ont le degré 4 (et sont colorés en gris clair), tandis que les nœuds des « zones urbaines » ont des degrés plus élevés (et sont de couleur plus foncée), commençant par le degré 5 en périphérie et se terminant par 8 au centre-ville.

Essayez de choisir une vitesse de propagation telle que l'activation couvre les villes et ne dépasse ensuite pas leurs frontières.

Je trouve cette simulation à la fois évidente et surprenante. Bien sûr, les villes maintiennent mieux le niveau culturel que les zones rurales, tout le monde le sait. Ce qui me surprend, c’est qu’une partie de cette diversité culturelle découle simplement de la topologie du réseau social.

C’est un point intéressant, je vais essayer de l’expliquer plus en détail.

Il s’agit ici de formes de culture qui se transmettent simplement et directement de personne à personne. Par exemple, manières, les jeux de société, les tendances de la mode, les tendances linguistiques, les rituels en petits groupes et les produits diffusés par le bouche à oreille, ainsi que des paquets entiers d'informations que nous appelons des idées.

(Remarque : la diffusion de l'information entre les gens est rendue extrêmement difficile par les médias. Il est plus facile d'imaginer un environnement technologiquement primitif, comme la Grèce antique, où presque chaque étincelle de culture était transmise par interaction dans l'espace physique.)

De la simulation ci-dessus, j’ai appris qu’il existe des idées et des pratiques culturelles qui peuvent prendre racine et se propager dans la ville, mais qu’elles ne peuvent tout simplement pas (mathématiquement impossible) se propager dans les zones rurales. Ce sont les mêmes idées et les mêmes personnes. Le problème n’est pas que les résidents ruraux soient en quelque sorte « fermés d’esprit » : lorsqu’ils interagissent avec la même idée, ils exactement les mêmes chances de l'attrapercomme les citadins. C’est juste que l’idée elle-même ne peut pas devenir virale dans les zones rurales, car il n’existe pas beaucoup de liens par lesquels elle peut se propager.

C'est peut-être le plus facile à voir dans le domaine de la mode - vêtements, coiffures, etc. Dans le réseau de la mode, nous pouvons capturer le bord du treillis lorsque deux personnes remarquent les tenues de l'autre. Dans un centre urbain, chaque personne peut voir plus de 1000 XNUMX autres personnes chaque jour - dans la rue, dans le métro, dans un restaurant bondé, etc. Dans une zone rurale, au contraire, chaque personne ne peut en voir que quelques dizaines. autres. Basé sur seulement cette différence, la ville est en mesure de soutenir davantage de tendances de la mode. Et seules les tendances les plus convaincantes – celles dont les taux de transmission sont les plus élevés – pourront s’implanter en dehors de la ville.

Nous avons tendance à penser que si une idée est bonne, elle finira par atteindre tout le monde, et si une idée est mauvaise, elle disparaîtra. Bien sûr, cela est vrai dans des cas extrêmes, mais entre les deux, il existe de nombreuses idées et pratiques qui ne peuvent devenir virales que sur certains réseaux. C'est vraiment incroyable.

Pas seulement les villes

Nous examinons ici l'impact densité du réseau. Il est défini pour un ensemble donné de nœuds comme un nombre vraies côtes, divisé par le nombre bords potentiels. C’est-à-dire le pourcentage de connexions possibles qui existent réellement.

Ainsi, nous avons vu que la densité du réseau dans les centres urbains est plus élevée que dans les zones rurales. Mais les villes ne sont pas les seuls endroits où l’on trouve des réseaux denses.

Un exemple intéressant est celui des écoles secondaires. Par exemple, pour un domaine précis, nous comparons le réseau qui existe entre les écoliers avec celui qui existe entre leurs parents. Même zone géographique et même population, mais un réseau est plusieurs fois plus dense que l’autre. Il n’est donc pas surprenant que les tendances mode et linguistiques se propagent beaucoup plus rapidement chez les adolescents.

De même, les réseaux d’élite ont tendance à être beaucoup plus denses que les réseaux non élitistes – un fait qui, à mon avis, est sous-estimé (les personnes populaires ou influentes passent plus de temps à réseauter et ont donc plus de « voisins » que les gens ordinaires). Sur la base des simulations ci-dessus, nous nous attendons à ce que les réseaux d'élite soutiennent certaines formes culturelles qui ne peuvent pas être soutenues par le courant dominant, simplement sur la base des lois mathématiques du degré moyen du réseau. Je vous laisse spéculer sur ce que pourraient être ces formes culturelles.

Enfin, nous pouvons appliquer cette idée à Internet en le modélisant comme étant immense et très serré ville. Il n’est pas surprenant que de nombreux nouveaux types de culture prospèrent en ligne qui ne peuvent tout simplement pas être soutenus par des réseaux purement spatiaux : des passe-temps de niche, de meilleures normes de conception, une plus grande conscience de l’injustice, etc. Tout comme les premières villes étaient un terrain fertile pour des maladies qui ne pouvaient pas se propager dans de faibles densités de population, Internet est un terrain fertile pour des formes culturelles malveillantes telles que les pièges à clics, les fausses nouvelles et l’indignation artificielle.

Знания

« Avoir le bon expert au bon moment est souvent la ressource la plus précieuse pour résoudre de manière créative un problème. » — Michael Nielsen, Inventer la découverte

Nous pensons souvent à la découverte ou à l’invention comme à un processus qui se produit dans l’esprit d’un seul génie. Il est frappé par un éclair d'inspiration et - Eurêka ! — tout à coup, nous avons une nouvelle façon de mesurer le volume. Ou l'équation de la gravité. Ou une ampoule.

Mais si nous prenons le point de vue d'un inventeur solitaire au moment de la découverte, nous observons alors le phénomène du point de vue d'un nœud. S'il serait plus correct d'interpréter l'invention comme réseau le phénomène.

Le réseau est important à au moins deux égards. Premièrement, les idées existantes doivent pénétrer dans la conscience inventeur. Ce sont des citations d'un nouvel article, la section bibliographique d'un nouveau livre - les géants sur les épaules desquels se tenait Newton. Deuxièmement, le réseau est essentiel au retour d'une nouvelle idée retour dans le monde; une invention qui ne s'est pas répandue ne vaut guère la peine d'être qualifiée d'« invention ». Ainsi, pour ces deux raisons, il est logique de modéliser l’invention – ou, plus largement, la croissance des connaissances – comme un processus de diffusion.

Dans un instant, je présenterai une simulation approximative de la manière dont les connaissances peuvent se propager et se développer au sein d'un réseau. Mais je dois d’abord expliquer.

Au début de la simulation, il y a quatre experts dans chaque quadrant de la grille, disposés comme suit :

L'expert 1 possède la première version de l'idée - appelons-la Idée 1.0. L'expert 2 est la personne qui sait transformer l'idée 1.0 en idée 2.0. L'Expert 3 sait transformer l'Idée 2.0 en Idée 3.0. Et enfin, le quatrième expert sait mettre la touche finale à l'Idée 4.0.

Ceci est similaire à une technique comme l'origami, où les techniques sont développées et combinées avec d'autres techniques pour créer des designs plus intéressants. Il peut également s'agir d'un domaine de la connaissance, comme la physique, dans lequel des travaux plus récents s'appuient sur les travaux fondamentaux de leurs prédécesseurs.

Le but de cette simulation est que nous avons besoin que les quatre experts contribuent à la version finale de l’idée. Et à chaque étape, l'idée doit être portée à l'attention de l'expert approprié.

Quelques mises en garde. De nombreuses hypothèses irréalistes sont codées dans la simulation. Voici quelques-uns d'entre eux:

1. On suppose que les idées ne peuvent être stockées et transmises que de personne à personne (c'est-à-dire pas de livres ni de médias).
2. On suppose qu'il existe dans la population des experts permanents capables de générer des idées, même si en réalité de nombreux facteurs aléatoires influencent la survenance d'une découverte ou d'une invention.
3. Les quatre versions de l'idée utilisent le même ensemble de paramètres SIS (débit en bauds, pourcentage d'immunité, etc.), bien qu'il soit probablement plus réaliste d'utiliser des paramètres différents pour chaque version (1.0, 2.0, etc.)
4. On suppose que l’idée N+1 supplante toujours complètement l’idée N, même si, dans la pratique, les anciennes et les nouvelles versions circulent souvent simultanément, sans qu’il n’y ait de vainqueur clair.

… et plein d'autres.

Discussion

Il s’agit d’un modèle ridiculement simplifié de la manière dont les connaissances se développent réellement. De nombreux détails importants restent en dehors du modèle (voir ci-dessus). Cependant, il capture l’essence importante du processus. On peut donc, avec réserves, parler de croissance des connaissances en utilisant nos connaissances de diffusion.

En particulier, le modèle de diffusion donne un aperçu de la façon dont accélérer le processus: Nécessité de faciliter l'échange d'idées entre les nœuds experts. Cela peut impliquer de nettoyer le réseau des nœuds morts qui entravent la diffusion. Cela pourrait également impliquer de placer tous les experts dans une ville ou un cluster doté d'un réseau à haute densité où les idées se propagent rapidement. Ou rassemblez-les simplement dans une seule pièce :

Alors... c'est tout ce que je peux dire sur la diffusion.

Mais j'ai une dernière pensée, et elle est très importante. C'est une question de croissanceet la stagnation) connaissances dans les communautés scientifiques. Cette idée est différente dans le ton et le contenu de tout ce qui précède, mais j'espère que vous me pardonnerez.

À propos des réseaux scientifiques

L’illustration montre l’une des boucles de rétroaction positive les plus importantes au monde (et c’est ainsi depuis un certain temps) :

La progression ascendante du cycle (K ⟶ T) est assez simple : on utilise de nouvelles connaissances pour développer de nouveaux outils. Par exemple, comprendre la physique des semi-conducteurs nous permet de construire des ordinateurs.

Cependant, cette tendance à la baisse nécessite quelques explications. Comment le développement de la technologie conduit-il à une augmentation des connaissances ?

L’une des solutions, peut-être la plus directe, consiste à ce que les nouvelles technologies nous offrent de nouvelles façons de percevoir le monde. Par exemple, les meilleurs microscopes vous permettent d’examiner plus profondément l’intérieur d’une cellule, fournissant ainsi des informations pour la biologie moléculaire. Les trackers GPS montrent comment les animaux se déplacent. Sonar vous permet d'explorer les océans. Et ainsi de suite.

Il s’agit sans aucun doute d’un mécanisme vital, mais il existe au moins deux autres voies allant de la technologie à la connaissance. Ils ne sont peut-être pas aussi simples, mais je pense qu’ils sont tout aussi importants :

Premier. La technologie conduit à l’abondance économique (c’est-à-dire à la richesse), qui permet à davantage de personnes de s’engager dans la production de connaissances.

Si 90 % de la population de votre pays est engagée dans l'agriculture et que les 10 % restants sont engagés dans une forme de commerce (ou de guerre), alors les gens ont très peu de temps libre pour réfléchir aux lois de la nature. C’est peut-être la raison pour laquelle, autrefois, la science était principalement encouragée par les enfants issus de familles riches.

Les États-Unis produisent chaque année plus de 50 000 doctorats. Au lieu d’aller travailler dans une usine à 18 ans (ou avant), un étudiant diplômé doit être financé jusqu’à 30 ou peut-être 40 ans – et même alors, il n’est pas clair si son travail aura un réel impact économique. Mais il est nécessaire qu’une personne atteigne l’avant-garde de sa discipline, notamment dans des domaines complexes comme la physique ou la biologie.

Le fait est que d’un point de vue systémique, les spécialistes coûtent cher. Et la source ultime de richesse publique qui finance ces spécialistes est la nouvelle technologie : la charrue subventionne l’enclos.

Deuxième. Les nouvelles technologies, notamment dans le domaine des voyages et des communications, modifient la structure des réseaux sociaux dans lesquels se développent les connaissances. Il permet notamment aux experts et aux spécialistes d’interagir plus étroitement les uns avec les autres.

Les inventions notables incluent l'imprimerie, les bateaux à vapeur et les chemins de fer (facilitant les voyages et/ou l'envoi de courrier sur de longues distances), les téléphones, les avions et Internet. Toutes ces technologies contribuent à accroître la densité des réseaux, en particulier au sein des communautés spécialisées (où se produit presque toute la croissance des connaissances). Par exemple, les réseaux de correspondance apparus entre scientifiques européens à la fin du Moyen Âge ou la manière dont les physiciens modernes utilisent arXiv.

En fin de compte, ces deux chemins sont similaires. Tous deux augmentent la densité du réseau de spécialistes, ce qui entraîne à son tour une augmentation des connaissances :

Pendant de nombreuses années, j’ai été assez dédaigneux à l’égard de l’enseignement supérieur. Mon court passage aux études supérieures m’a laissé un mauvais goût dans la bouche. Mais maintenant que je regarde en arrière et que je réfléchis (au-delà de tous mes problèmes personnels), je dois conclure que l'enseignement supérieur est encore excessivement important.

Les réseaux sociaux universitaires (par exemple les communautés de recherche) constituent l’une des structures les plus avancées et les plus précieuses que notre civilisation ait créées. Nulle part nous n’avons accumulé une plus grande concentration de spécialistes axés sur la production de connaissances. Nulle part les gens n’ont développé une plus grande capacité à comprendre et à critiquer les idées des autres. C’est le cœur battant du progrès. C’est dans ces réseaux que le feu de l’illumination brûle le plus fortement.

Mais nous ne pouvons pas tenir les progrès pour acquis. Si crise d'irreproductibilité des expériences et si cela nous a appris quelque chose, c’est que la science peut avoir des problèmes systémiques. Il s'agit d'une sorte de dégradation du réseau.

Supposons que nous distinguions deux manières de faire de la science : vraie science и carriérisme. La vraie science est constituée de pratiques qui produisent des connaissances de manière fiable. Il est motivé par la curiosité et caractérisé par l'honnêteté (Feynman : « Vous voyez, j'ai juste besoin de comprendre le monde »). Le carriérisme, au contraire, est motivé par des ambitions professionnelles et se caractérise par des jeux politiques et des raccourcis scientifiques. Cela peut ressembler et agir comme de la science, mais aucun produit des connaissances fiables.

(Oui, c'est une dichotomie exagérée. Juste une expérience de pensée. Ne me blâmez pas).

Le fait est que lorsque les carriéristes prennent de la place dans la véritable communauté de recherche, ils ruinent le travail. Ils s'efforcent de se promouvoir tandis que le reste de la communauté tente d'acquérir et de partager de nouvelles connaissances. Au lieu de rechercher la clarté, les carriéristes compliquent et confondent tout pour paraître plus impressionnants. Ils se livrent (comme dirait Harry Frankfurt) à des absurdités scientifiques. Nous pourrions donc les modéliser comme des nœuds morts, imperméables à l’échange équitable d’informations nécessaires à la croissance des connaissances :

Le meilleur modèle est peut-être celui dans lequel les nœuds carriéristes ne sont pas seulement imperméables au savoir, mais diffusent activement les connaissances. fausse connaissance. Les fausses connaissances peuvent inclure des résultats insignifiants dont l’importance est artificiellement gonflée, ou des résultats véritablement faux résultant de manipulations ou de données fabriquées.

Quelle que soit la façon dont nous les modélisons, les carriéristes peuvent certainement étouffer nos communautés scientifiques.

C'est comme la réaction nucléaire en chaîne dont nous avons désespérément besoin - nous avons besoin d'une explosion de connaissances - seul notre U-235 enrichi contient trop d'isotope non réactif U-238, ce qui supprime la réaction en chaîne.

Bien entendu, il n’y a pas de différence nette entre les carriéristes et les vrais scientifiques. Chacun de nous a un petit peu de carriérisme caché en lui. La question est de savoir combien de temps le réseau peut durer avant que la diffusion des connaissances ne s’efface.

Oh, tu as lu jusqu'au bout. Merci pour la lecture.

Licence

CC0 Tous droits non réservés. Vous pouvez utiliser ce travail comme bon vous semble :).

Remerciements

• Kévin Kwok и Cas Nicky pour des commentaires et des suggestions réfléchis sur les différentes versions du projet.
• Nick Barr — pour mon soutien moral tout au long du processus et pour mes commentaires les plus utiles sur mon travail.
• Keith A. de m'avoir signalé le phénomène de percolation et le seuil de percolation.
• Geoff Lonsdale pour le lien vers c'est un essai, qui (malgré ses nombreuses lacunes) a été le principal moteur du travail sur ce poste.

Exemples d'essais interactifs

• Tout le travail de Nicky Case, en particulier. "La parabole des polygones" (avec Vi Hart) et "Développer un meilleur bulletin de vote". Il s’agit d’une barre haute pour ce que peut être un essai interactif.
• distill.pub: Descriptions interactives d’une qualité exceptionnelle de l’apprentissage automatique.
• Œuvre classique de Bret Victor "De haut en bas de l'échelle de l'abstraction". Je n'étais pas très doué pour monter les escaliers, mais il y a toujours une tentative supplémentaire.

Source: habr.com