Se você passou algum tempo pensando em sistemas complexos, certamente entende a importância das redes. As redes governam nosso mundo. Desde reações químicas dentro da célula até redes de relacionamentos em ecossistemas, passando por redes comerciais e políticas que moldam o curso da história.

Ou considere este artigo que você está lendo. Provavelmente, você o encontrou em rede social, baixou da rede de computadores e atualmente está decifrando o significado com sua rede neural.

Mas, por mais que eu tenha pensado em redes ao longo dos anos, até recentemente eu não entendia a importância da simples difusão.

Esse é o nosso tema de hoje: como tudo se move e se espalha de maneira caótica. Aqui estão alguns exemplos para aguçar o apetite:

• Doenças infecciosas passando de portador para portador dentro de uma população.
• Memes se espalhando pela rede de seguidores nas redes sociais.
• Um incêndio florestal.
• Ideias e práticas penetrando na cultura.
• Um cascata de nêutrons em urânio enriquecido.

Uma breve observação sobre a forma.

Diferente de todos os meus trabalhos anteriores, este ensaio é interativo [na artigo original são apresentados exemplos interativos com deslizadores e botões que controlam objetos na tela — nota do tradutor].

Então vamos começar. A primeira tarefa é desenvolver um dicionário visual para disseminação através de redes.

Um modelo simples

Tenho certeza de que todos vocês conhecem a base das redes, ou seja, nós + arestas. Para investigar a difusão, basta marcar alguns nós como ativos. Ou, como os epidemiologistas gostam de dizer, infectados:

Essa ativação ou infecção se espalha pela rede de nó para nó de acordo com as regras que desenvolveremos a seguir.

Redes reais, como regra, são muito maiores do que essa rede simples de sete nós. Elas também são muito mais complicadas. Mas, para simplificar, construiremos aqui um modelo de brinquedo para estudar a rede reticulada (lattice network).

(O que falta em realismo na rede é compensado pelo fato de que é fácil de desenhar 😉

Exceto quando indicado de outra forma, cada nó da rede tem quatro vizinhos, por exemplo:

E é preciso imaginar que essas grades se estendem infinitamente em todas as direções. Em outras palavras, não nos interessa o comportamento que ocorre apenas nas bordas da rede ou em pequenas populações.

Dado que as redes são tão organizadas, podem ser simplificadas em pixels. Por exemplo, essas duas imagens representam a mesma rede:

Em uma das variantes de comportamento, o nó ativo sempre transmite a infecção para seus vizinhos (não infectados). Mas isso é chato. Coisas muito mais interessantes acontecem quando a transmissão é probabilística.

SIR e SIS

Em modelos SIR (Suscetível-Infectado-Removido) o nó pode estar em três estados:

• Suscetível (Susceptible)
• Infectado (Infected)
• Removido (Removed)

É assim que funciona a simulação interativa [em artigo original você pode escolher a velocidade de transmissão da infecção de 0 a 1, ver o processo passo a passo ou na íntegra — nota do tradutor]:

• Os nós começam como suscetíveis, exceto por alguns nós que começam como infectados.
• Em cada passo temporal, os nós infectados têm a chance de transmitir a infecção a cada um de seus vizinhos suscetíveis com probabilidade igual à velocidade de transmissão.
• Os nós infectados então passam para o estado de 'removido', ou seja, não são mais capazes de infectar outros ou serem infectados novamente.

No contexto de uma doença, 'removido' pode significar que a pessoa morreu ou que desenvolveu imunidade ao patógeno. Dizemos que eles estão 'removidos' da simulação, porque nada mais acontece com eles.

Dependendo do que estamos tentando modelar, pode ser necessária outra modelo, diferente do SIR.

Se estamos simulando a propagação do sarampo ou um surto de incêndio florestal, o SIR é perfeitamente adequado. Mas suponha que estamos simulando a propagação de uma nova prática cultural, como a meditação. Primeiro, o nó (pessoa) é suscetível, pois nunca fez isso antes. Depois, se ele começar a meditar (talvez ouvindo sobre isso de um amigo), vamos modelá-lo como infectado. Mas se ele parar a prática, não morrerá e não sairá da simulação, pois no futuro poderá facilmente retomar esse hábito. Assim, ele volta ao estado suscetível.

Isso é modelo SIS (Susceptible–Infected–Susceptible). No modelo clássico, há dois parâmetros: a taxa de transmissão e a taxa de recuperação. No entanto, nas simulações deste artigo, decidi simplificar, omitindo o parâmetro da taxa de recuperação. Em vez disso, o nó infectado automaticamente retorna ao estado suscetível no próximo passo de tempo, a menos que ele esteja infectado por um de seus vizinhos. Além disso, permitimos que um nó infectado no passo n possa se infectar novamente no passo n+1 com uma probabilidade igual à taxa de transmissão.

Discussão

Como você pode ver, isso é bem diferente do modelo SIR.

Uma vez que os nós nunca são removidos, até mesmo uma grade muito pequena e limitada pode sustentar a infecção SIS por longos períodos. A infecção simplesmente salta de nó para nó e retorna.

Apesar das diferenças, SIR e SIS se mostram surpreendentemente intercambiáveis para nossos propósitos. Portanto, para o restante do artigo, focaremos no SIS - principalmente porque é mais resistente e, assim, mais interessante de trabalhar.

Nível crítico

Brincando com os modelos SIR e SIS, você pode ter notado algo sobre a durabilidade da infecção. Em taxas de transmissão muito baixas, como 10%, a infecção tende a falhar. Enquanto em valores mais altos, como 50%, a infecção se mantém viva e captura a maior parte da rede. Se a rede fosse infinita, poderíamos imaginar que ela continuaria e se espalharia eternamente.

Essa difusão ilimitada tem muitos nomes: 'viral', 'nuclear' ou (como intitulado neste artigo) crítica.

Acontece que existe um ponto específico de ruptura que separa redes subcríticas (destinadas à extinção) de redes supercríticas (capazes de crescimento infinito). Esse ponto de ruptura é chamado de limite crítico, e é uma característica bastante comum dos processos de difusão em redes convencionais.

O valor exato do limite crítico varia entre as redes. O que é comum é a existência esse valor.

[Na demonstração interativa de um artigo original é possível tentar identificar manualmente o limite crítico da rede, alterando o valor da taxa de transmissão. Ele está em algum lugar entre 22% e 23% - nota do tradutor.]

Com 22% (ou menos), a infecção acaba extinguindo-se. Com 23% (ou mais), a infecção inicial às vezes desaparece, mas na maioria das vezes consegue sobreviver e se espalhar o suficiente para garantir uma existência eterna.

(A propósito, existe toda uma área científica dedicada à busca desses limites críticos para diferentes topologias de redes. Para uma introdução rápida, recomendo rapidamente rolar pela artigo da Wikipédia sobre limite de transbordamento).

Em geral, é assim que funciona: abaixo do limite crítico, qualquer infecção finita na rede acaba por extinção garantida (com probabilidade 1). Mas acima do limite crítico, há uma probabilidade (p > 0) de que a infecção continue indefinidamente e, ao mesmo tempo, se espalhe arbitrariamente longe do local original.

No entanto, observe que uma rede supercrítica não garante, que a infecção continue indefinidamente. Na verdade, ela frequentemente se apaga, especialmente nas fases iniciais da modelagem. Vamos ver como isso acontece.

Suponha que começamos com um único nó infectado e quatro vizinhos. Na primeira etapa da simulação, a infecção tem 5 chances independentes de se espalhar (incluindo a chance de "se espalhar" para si mesma na próxima etapa):

Agora suponha que a taxa de transmissão é de 50%. Nesse caso, na primeira etapa jogamos uma moeda cinco vezes. E se saírem cinco caras, a infecção será eliminada. Isso acontece em cerca de 3% das vezes — e isso apenas na primeira etapa. A infecção que sobreviveu à primeira etapa tem alguma (geralmente menor) probabilidade de se extinguir na segunda etapa, alguma (ainda menor) probabilidade de se extinguir na terceira etapa, e assim por diante.

Assim, mesmo quando a rede é supercrítica — se a taxa de transmissão é de 99% — há uma probabilidade de que a infecção desapareça.

Mas o importante é que ela não sempre vai extinguir-se. Se somarmos a probabilidade de extinção de todas as etapas até o infinito, o resultado é menor que 1. Em outras palavras, com uma probabilidade não nula, a infecção continuará indefinidamente. Isso é o que significa para uma rede ser supercrítica.

SISa: ativação espontânea

Até este momento, todas as nossas simulações começaram com um pequeno pedaço de nós previamente infectados no centro.

Mas e se começarmos do zero? Então, vamos modelar a ativação espontânea — o processo pelo qual um nó receptivo é infectado aleatoriamente (não por um dos vizinhos).

Isso é é chamada de modelo SISa. A letra “a” significa «automático».

Na simulação SISa, um novo parâmetro surge — a taxa de ativação espontânea, que altera a frequência da ocorrência de infecções espontâneas (o parâmetro de taxa de transmissão, que vimos anteriormente, também está presente).

O que é necessário para que a infecção se espalhe por toda a rede?

Discussão

Na simulação, você pode ter notado que aumentar a taxa de ativação espontânea não altera se a infecção atinge toda a rede ou não. Apenas a taxa de transmissão determina se a rede é sub ou supercrítica. E quando a rede é subcrítica (taxa de transmissão menor ou igual a 22%), nenhuma infecção pode se espalhar por toda a malha, não importa com que frequência comece.

Isso é como acender um fogo em um campo molhado. Você pode queimar algumas folhas secas, mas as chamas logo se apagam, porque o restante da paisagem não pega fogo facilmente (subcrítica). Enquanto em um campo muito seco (supercrítico) basta uma faísca para que um incêndio comece.

Coisas semelhantes são observadas no campo das ideias e invenções. Muitas vezes o mundo não está pronto para a ideia, e nesse caso, ela pode ser inventada repetidamente, mas não conquista as massas. Por outro lado, o mundo pode estar completamente pronto para a invenção (uma grande demanda oculta), e assim que ela nasce, é aceita por todos. No meio estão as ideias que são inventadas em vários lugares e se espalham localmente, mas não o suficiente para que uma versão específica alcance toda a rede de uma só vez. Neste último grupo encontramos, por exemplo, a agricultura e a escrita, que foram inventadas de forma independente por diferentes civilizações humanas cerca de dez e três vezes, respectivamente.

Imunidade

Suponha que fazemos alguns nós completamente invulneráveis, ou seja, insensíveis à ativação. Isso é como se eles estivessem inicialmente em um estado remoto, enquanto o modelo SIS(a) é executado nos nós restantes.

O controle do deslizante "imunidade" regula a porcentagem de nós removidos. Tente alterar seu valor (durante a operação do modelo!) e veja como isso afeta o estado da rede, se ela se tornará supercrítica ou não.

Discussão

Mudar o número de nós imunes muda completamente o panorama, tornando a rede subcrítica ou supercrítica. E não é difícil entender o porquê. Com um grande número de nós imunes, a infecção tem menos oportunidades de se espalhar para novos hospedeiros.

Aparentemente, isso traz uma série de consequências práticas muito importantes.

Uma delas é a prevenção da propagação de incêndios florestais. Em nível local, cada pessoa deve tomar suas próprias precauções (por exemplo, nunca deixar chamas abertas sem supervisão). Mas em grande escala, surtos isolados são inevitáveis. Assim, um outro método de proteção é garantir uma quantidade suficiente de "interrupções" (na rede de materiais inflamáveis) para que um surto não se espalhe por toda a rede. Essa função é desempenhada pelos corredores:

Outro surto que é importante conter é a doença infecciosa. Aqui introduz-se o conceito de imunidade de rebanho. Esta é a ideia de que algumas pessoas não podem ser vacinadas (por exemplo, porque têm o sistema imunológico comprometido), mas se um número suficiente de pessoas for imune à infecção, a doença não poderá se espalhar indefinidamente. Em outras palavras, devemos vacinar uma parte suficiente da população para transferir a população do estado supercrítico para o estado subcrítico. Quando isso acontece, um paciente ainda pode se infectar (por exemplo, após uma viagem para outra região), mas sem uma rede supercrítica em que possa crescer, a doença infectará apenas um pequeno punhado de pessoas.

Finalmente, o conceito de nós imunes explica o que acontece em um reator nuclear. Na reação em cadeia, um átomo de urânio-235 em fissão libera cerca de três nêutrons, que causam (em média) a fissão de mais de um átomo de U-235. Novos nêutrons então provocam a fissão de átomos adicionais e assim por diante de forma exponencial:

Na criação de uma bomba, o objetivo é garantir a continuidade do crescimento exponencial sem restrições. Mas em uma usina elétrica, o objetivo é gerar energia sem causar danos a todos ao redor. Para isso, são utilizados barras de controle, feitas de materiais que podem absorver nêutrons (como prata ou boro). Como elas absorvem, e não liberam nêutrons, em nossa simulação, atuam como nós imunes, evitando assim que o núcleo radioativo entre em um estado supercrítico.

Assim, o truque de um reator nuclear é manter a reação próxima ao limite crítico, movendo as barras de controle para frente e para trás, e garantir que sempre que algo dê errado, as barras caiam no núcleo e o parem.

O grau

O grau de um nó é o número de seus vizinhos. Até este ponto, analisamos redes de grau 4. Mas o que acontece se alterarmos esse parâmetro?

Por exemplo, podemos conectar cada nó não apenas aos quatro vizinhos imediatos, mas também a mais quatro na diagonal. Em tal rede, o grau será 8.

Redes com graus 4 e 8 são bem simétricas. Mas com grau 5 (por exemplo), surge um problema: quais cinco vizinhos escolher? Neste caso, escolhemos quatro vizinhos mais próximos (N, L, S, O) e, em seguida, escolhemos aleatoriamente um vizinho do conjunto {NE, SE, SO, NO}. A escolha é feita independentemente para cada nó em cada passo do tempo.

Discussão

Novamente, não é difícil entender o que está acontecendo aqui. Quando cada nó tem mais vizinhos, as chances de disseminação da infecção aumentam — e, assim, a rede tem maior probabilidade de se tornar crítica.

No entanto, as consequências podem ser inesperadas, como veremos a seguir.

Cidades e densidade da rede

Até agora, nossas redes têm sido completamente homogêneas. Cada nó parece como qualquer outro. Mas e se mudarmos as condições e permitirmos diferentes estados dos nós em toda a rede?

Por exemplo, vamos tentar modelar cidades. Para isso, vamos aumentar a densidade em algumas áreas da rede (maior grau dos nós). Fazemos isso com base nos dados que indicam que os cidadãos têm um círculo social mais amplo e mais interações sociais, do que as pessoas fora das cidades.

No nosso modelo, os nós receptivos são coloridos com base no seu grau. Os nós na "zona rural" têm grau 4 (e são coloridos de cinza claro), enquanto os nós nas "cidades" têm graus mais altos (e são coloridos de forma mais escura), começando com grau 5 na periferia e terminando com 8 no centro da cidade.

Tente escolher uma velocidade de propagação que atinja as cidades, mas que depois não ultrapasse seus limites.

Achei essa simulação ao mesmo tempo óbvia e surpreendente. Claro, as cidades sustentam melhor o nível cultural do que as áreas rurais — todo mundo sabe disso. O que me surpreende é que parte dessa diversidade cultural surge apenas com base na topologia da rede social.

Esse é um ponto interessante, vou tentar explicar em mais detalhes.

Aqui lidamos com formas de cultura que se transmitem de forma simples e direta de pessoa para pessoa. Por exemplo, maneirismos, jogos de salão, tendências de moda, tendências linguísticas, rituais de pequenos grupos e produtos que se espalham de boca em boca, além de pacotes inteiros de informações que chamamos de ideias.

(Nota: a disseminação de informações entre as pessoas é extremamente dificultada pelos meios de comunicação de massa. É mais fácil imaginar um ambiente tecnologicamente primitivo, como a Grécia Antiga, onde quase cada faísca de cultura era transmitida por interação no espaço físico).

Da simulação apresentada, aprendi que existem ideias e práticas culturais que podem se enraizar e se espalhar na cidade, mas que simplesmente não conseguem se disseminar na zona rural (matematicamente não podem). São as mesmas ideias e as mesmas pessoas. Não é que os habitantes rurais sejam "menos inteligentes": ao interagir com a mesma ideia, eles têm exatamente as mesmas chances de adotá-la, como os urbanos. Simplesmente a própria ideia não pode se tornar viral na zona rural, pois lá não há tantas conexões pelas quais ela possa se espalhar.

Isso, talvez, seja mais fácil de ver na área da moda - roupas, penteados e assim por diante. Na rede da moda, podemos observar a aresta da grade, quando duas pessoas notam as roupas uma da outra. No centro da cidade, cada pessoa pode ver diariamente mais de 1000 outras pessoas - na rua, no metrô, em um restaurante lotado e assim por diante. No campo, por outro lado, cada pessoa só pode ver algumas dezenas de outras. Baseado apenas nessa diferença, a cidade pode suportar mais tendências de moda. E apenas as tendências mais convincentes - com a maior velocidade de transmissão - conseguirão se estabelecer fora da cidade.

Tendemos a pensar que se a ideia é boa, ela eventualmente alcançará a todos, e se a ideia é ruim, desaparecerá. Sem dúvida, isso é verdade em casos extremos, mas entre eles há uma infinidade de ideias e práticas que podem se tornar virais apenas em certas redes. Isso é realmente impressionante.

Não só cidades

Estamos aqui considerando a influência da densidade da rede. Ela é definida para um determinado conjunto de nós como o número de arestas reais, dividido pelo número de arestas potenciais. Ou seja, a porcentagem de possíveis conexões que realmente existem.

Então, vimos que a densidade da rede nos centros urbanos é maior do que nas áreas rurais. Mas as cidades não são o único lugar onde encontramos redes densas.

Um exemplo interessante são as escolas secundárias. Por exemplo, para uma área específica, comparando a rede que existe entre os alunos com a rede que existe entre seus pais. A mesma área geográfica e a mesma densidade populacional, mas uma rede é várias vezes mais densa que a outra. Portanto, não é surpreendente que as tendências de moda e linguísticas se espalhem muito mais rapidamente entre os adolescentes.

Da mesma forma, redes de elite tendem a ser muito mais densas do que redes não-elitárias — na minha opinião, esse fato é subestimado (pessoas que são populares ou influentes gastam mais tempo criando redes, e portanto têm mais "vizinhos" do que pessoas comuns). Com base nas simulações mencionadas, esperamos que redes de elite sustentem determinadas formas culturais que não podem ser mantidas pelo mainstream, simplesmente devido às leis matemáticas, em razão da média da densidade das redes. Deixo você pensando sobre quais podem ser essas formas culturais.

Por fim, podemos aplicar essa ideia à internet, modelando-a como uma imensa e muito densa cidade. Não é surpreendente que na internet prosperem muitos novos tipos de cultura que simplesmente não podem ser sustentados em redes puramente espaciais: hobbies de nicho, melhores padrões de design, maior conscientização sobre injustiça, etc. E isso não são apenas coisas agradáveis. Assim como as primeiras cidades eram criadouros de doenças que não podiam se espalhar em baixa densidade populacional, a internet é um meio fértil para formas culturais malignas, como clickbait, notícias falsas e incitação a falsa indignação.

Conhecimento

"Atrair o especialista certo no momento certo é frequentemente o recurso mais valioso para uma solução criativa de problemas." — Michael Nielsen, "Inventando Descobertas"

Frequentemente pensamos em descoberta ou invenção como um processo que ocorre na mente de um único gênio. Ele é atingido por um raio de inspiração e — eureka! — de repente temos uma nova maneira de medir volume. Ou uma equação da gravidade. Ou uma lâmpada.

Mas se adotarmos o ponto de vista do inventor solitário no momento da descoberta, olhamos para o fenômeno do ponto de vista de um nó. Enquanto seria mais correto interpretar a invenção como um fenômeno de rede. A rede é importante em pelo menos duas relações. Primeiro, ideias já existentes devem penetrar

na consciência do inventor. São citações de um novo artigo, a seção bibliográfica de um novo livro — gigantes, cujos ombros Newton se apoiou. Em segundo lugar, a rede é crucial para trazer a nova ideia de volta voltar no mundo; uma invenção que não se espalhou dificilmente pode ser chamada de "invenção". Assim, por ambas as razões, faz sentido modelar a invenção — ou, de forma mais ampla, o crescimento do conhecimento — como um processo de difusão.

Em um momento, apresentarei uma simulação básica de como o conhecimento pode se espalhar e crescer dentro de uma rede. Mas primeiro, preciso explicar.

No início da simulação, há quatro especialistas em cada quadrante da grade, dispostos da seguinte forma:

O especialista 1 recebe a primeira versão da ideia — vamos chamá-la de Ideia 1.0. O especialista 2 é a pessoa que sabe como transformar a Ideia 1.0 na Ideia 2.0. O especialista 3 sabe como converter a Ideia 2.0 na Ideia 3.0. E, por fim, o quarto especialista sabe como fazer os toques finais para criar a Ideia 4.0.

É semelhante a uma técnica como o origami, onde métodos são desenvolvidos e combinados com outros métodos para criar construções mais interessantes. Ou pode ser um campo de conhecimento, como a física, onde os trabalhos posteriores se baseiam nos trabalhos fundamentais de antecessores.

O cerne desta simulação é que precisamos de todos os quatro especialistas para contribuir com a versão final da ideia. E em cada etapa, a ideia precisa ser apresentada ao especialista correspondente.

Algumas ressalvas. A simulação codifica muitas suposições irrealistas. Aqui estão apenas algumas delas:

1. Pressupõe-se que as ideias não podem ser preservadas e transmitidas de outra forma que não de pessoa para pessoa (ou seja, não há livros ou meios de comunicação).
2. Pressupõe-se que há especialistas permanentes na população capazes de gerar ideias, embora, na realidade, muitos fatores aleatórios influenciem a emergência de uma descoberta ou invenção.
3. Um mesmo conjunto de parâmetros SIS (taxa de transmissão, percentual de resistência, etc.) é utilizado para todas as quatro versões da ideia, embora seja mais realista, provavelmente, usar diferentes parâmetros para cada versão (1.0, 2.0, etc.)
4. Pressupõe-se que a ideia N+1 sempre substitui completamente a ideia N, embora, na prática, muitas vezes tanto a versão antiga quanto a nova circulem simultaneamente, sem um vencedor categórico.

… e muitos outros.

Discussão

Este é um modelo absurdamente simplificado de como na verdade o conhecimento cresce. Fora do modelo, muitos detalhes importantes ficaram de fora (veja acima). No entanto, ele captura a essência do processo. Portanto, podemos, com ressalvas, discutir o crescimento do conhecimento, usando o que sabemos sobre difusão.

Em particular, o modelo de difusão oferece uma compreensão sobre como acelerar o processo: é necessário facilitar a troca de ideias entre os nós especialistas. Isso pode significar limpar a rede de nós mortos que impedem a difusão. Ou pode significar colocar todos os especialistas em uma cidade ou aglomerado com alta densidade de rede, onde as ideias se espalham rapidamente. Ou simplesmente reuni-los em uma única sala:

Então... isso é tudo que posso dizer sobre difusão.

Mas tenho um último pensamento, e ele é muito importante. Trata-se do crescimento (e estagnação) do conhecimento nas comunidades científicas. Esta ideia é diferente em tom e conteúdo de tudo que foi dito acima, mas espero que você me perdoe.

Sobre redes científicas

A ilustração mostra um dos ciclos de retroalimentação positiva mais importantes do mundo (e ele tem sido assim por um bom tempo):

O movimento ascendente do ciclo (K ⟶ T) é bastante simples: usamos novos conhecimentos para desenvolver novas ferramentas. Por exemplo, a compreensão da física dos semicondutores nos permite criar computadores.

No entanto, o movimento descendente requer alguma explicação. Como o desenvolvimento de tecnologias leva ao crescimento do conhecimento?

Uma das formas — talvez a mais direta — é quando novas tecnologias nos dão novas maneiras de perceber o mundo. Por exemplo, melhores microscópios permitem olhar mais profundamente dentro de uma célula, levantando ideias para a biologia molecular. Rastreador GPS mostra como os animais se movem. Sonar permite explorar os oceanos. E assim por diante.

Sem dúvida, este é um mecanismo vital, mas existem pelo menos outros dois caminhos da tecnologia para o conhecimento. Eles podem não ser tão simples, mas acredito que são igualmente importantes:

Primeiro. A tecnologia leva à abundância econômica (ou seja, à riqueza), permitindo que mais pessoas se dediquem à produção de conhecimento.

Se 90% da população do seu país está envolvida na agricultura e os outros 10% se dedicam a algum tipo de comércio (ou guerra), as pessoas têm muito pouco tempo livre para refletir sobre as leis da natureza. Talvez seja por isso que, no passado, a ciência era principalmente promovida por crianças de famílias ricas.

Os EUA produzem mais de 50.000 doutores por ano. Em vez de o indivíduo ir trabalhar em uma fábrica aos 18 anos (ou antes), o estudante de doutorado precisa ser financiado até os 30 ou, possivelmente, até os 40 anos — e mesmo assim, não está claro se seu trabalho trará algum efeito econômico real. Mas isso é necessário para que a pessoa atinja fronteiras avançadas em sua disciplina, especialmente em áreas complexas como física ou biologia.

O fato é que, do ponto de vista sistêmico, especialistas custam caro. E a fonte final da riqueza pública que financia esses especialistas é a nova tecnologia: a arado subsidia a pena.

Segundo. Novas tecnologias, especialmente na esfera de viagens e comunicações, estão mudando a estrutura das redes sociais, onde o conhecimento cresce. Em particular, isso permite que especialistas interajam mais de perto uns com os outros.

Entre as invenções notáveis estão a imprensa, barcos a vapor e ferrovias (que facilitam viagens e/ou envios de correspondência a longas distâncias), telefones, aviões e a internet. Todas essas tecnologias contribuem para aumentar a densidade da rede, especialmente dentro de comunidades especializadas (onde ocorre quase todo o crescimento do conhecimento). Por exemplo, redes de correspondência que surgiram entre cientistas europeus no final da Idade Média, ou como físicos modernos utilizam o arXiv.

No final, ambos os caminhos são semelhantes. Ambos aumentam a densidade da rede de especialistas, o que, por sua vez, leva ao crescimento do conhecimento:

Durante muitos anos, eu tinha uma atitude bastante desdenhosa em relação ao ensino superior. Uma breve estadia na pós-graduação deixou um gosto amargo na boca. Mas agora, ao olhar para trás e pensar (sem me deixar levar por problemas pessoais), devo concluir que o ensino superior ainda é extremamente importante.

Redes sociais acadêmicas (por exemplo, comunidades de pesquisa) são uma das estruturas mais sofisticadas e valiosas criadas pela nossa civilização. Em nenhum lugar acumulamos uma concentração tão grande de especialistas focados na produção de conhecimento. Em nenhum lugar as pessoas desenvolveram uma capacidade tão apurada de entender e criticar as ideias umas das outras. Este é o coração pulsante do progresso. É nessas redes que o fogo da iluminação arde com mais intensidade.

Mas não podemos levar o progresso como garantido. Se a crise da não reprodutibilidade dos experimentos nos ensinou algo, é que a ciência pode enfrentar problemas sistêmicos. Isso, em certa medida, degrada a rede.

Suponhamos que diferenciamos duas maneiras de fazer ciência: a verdadeira ciência e o careerismo. A verdadeira ciência envolve práticas que produzem conhecimento de forma confiável. É motivada pela curiosidade e é caracterizada pela honestidade (Feynman: "Veja, eu só preciso entender o mundo"). O careerismo, por outro lado, é motivado por ambições profissionais e se caracteriza pela política e rótulos científicos. Ele pode parecer e agir como ciência, mas não produz conhecimento confiável.

(Sim, essa é uma dicotomia exagerada. Apenas um experimento mental. Não se ofenda).

A questão é que, quando os careeristas ocupam espaço em uma verdadeira comunidade científica, eles prejudicam o trabalho. Eles buscam promover a si mesmos, enquanto o restante da comunidade tenta adquirir e compartilhar novos conhecimentos. Em vez de buscar clareza, os careeristas complicam e confundem as coisas para parecerem mais impressionantes. Eles se envolvem (como diria Harry Frankfurt) em besteiras científicas. E, portanto, poderíamos modelá-los como nós mortos, insensíveis à boa troca de informações necessária para o crescimento do conhecimento:

Possivelmente, o melhor modelo é aquele em que nós careeristas não são apenas insensíveis ao conhecimento, mas ativamente disseminam conhecimentos falsos. Conhecimentos falsos podem incluir resultados insignificantes, cuja importância é artificialmente inflacionada, ou resultados verdadeiramente falsos que surgem devido a manipulações ou dados fabricados.

Independentemente de como os modelamos, os carreiristas certamente podem sufocar nossas comunidades científicas.

Isso se assemelha a uma reação nuclear em cadeia que precisamos desesperadamente — precisamos de uma explosão de conhecimento — mas em nosso U-235 enriquecido, há uma mistura excessiva do isótopo não reativo U-238, que suprime a reação em cadeia.

Claro, não há distinção clara entre carreiristas e verdadeiros cientistas. Há um pouco de carreirismo em cada um de nós. A questão é: quanto tempo a rede aguentará antes que a disseminação do conhecimento diminua.

Oh, você leu até o fim. Obrigado pela leitura.

Licença

CC0 todos os direitos não reservados. Você pode usar este trabalho como achar melhor :).

Agradecimentos

• Kevin Quok e Niki Case pelos comentários perspicazes e sugestões sobre várias versões do rascunho.
• Nick Barr — pelo apoio moral ao longo de todo o processo e pelo feedback mais útil sobre meu trabalho.
• Kit A. por me apontar o fenômeno da percolação e o limiar de fluxo.
• Jeff Lonsdale pela referência para este ensaio, que (apesar de suas várias falhas) foi o principal impulso para o trabalho neste post.

Exemplos de ensaios interativos

• Todos os trabalhos de Niki Case, especialmente «A Parábola dos Polígonos» (com Vi Hart) e «Desenvolvendo um Melhor Boletim de Votação». Esse é um alto padrão do que um ensaio interativo pode ser.
• Distill.pub: descrições interativas de aprendizado de máquina de qualidade excepcional.
• O clássico trabalho de Bret Victor «Subindo e Descendo a Escada da Abstração». Eu não me saí muito bem ao subir a escada, mas sempre há uma nova tentativa.

Fonte: habr.com