Principales hashtags
Etiqueta escalada por centralidad de Pagerank, colores de los enlaces identifican modularidad.
Principales twitteros
Etiqueta escalada por centralidad de grado.
jueves, 14 de julio de 2016
#cacerolazo en Argentina... en vivo
Primeras imágenes de la red de hashtag y usuarios del cacerolazo antitarifario
Etiqueta escalada por centralidad de Pagerank, colores de los enlaces identifican modularidad.
Etiqueta escalada por centralidad de grado.
Etiqueta escalada por centralidad de Pagerank, colores de los enlaces identifican modularidad.
Etiqueta escalada por centralidad de grado.
Que tan global sos de acuerdo a tu posicionamiento en Twitter
¿Cuán ciudadano global es usted?
Medium
En Teleport todo es sobre las ciudades y la libertad de elegir en cómo se divide su tiempo entre ellas. Después de vivir en 9 países (y 17 ciudades) tengo la curiosidad por lo que los amigos de un ciudadano global y gráficos de la ciudad realidad se vería así. Así que aquí está la mía (@keskkyla):
clic para ver una versión interactiva y seguir leyendo para obtener la suya!
Aquí están dos gráficos de nuestra co-fundador Balaji S. Srinivasan por ejemplo. Ser parte de la A16Z, Stanford y la comunidad Bitcoin sin duda tiene conexión a otro nivel!
Tuve que hacer uno sin los nodos sólo para tener una idea de las geografías conectados sin todos los excesos imagen.
¿Qué piensan ustedes? ¿Estos gráficos capturan algo intrínsecamente interesante? ¿Le ven el valor de la integración de estos para nosotros perfiles Teleport en lugar de o además del mapa de ubicación actual?
https://my.teleport.org/users/silver/
¡Déjame saber lo que piensas!
Si bien no hemos integrado esta en nuestro producto, estoy feliz para generar el gráfico como un hecho aislado. Por favor Retwittear a conseguirse en la lista:
No se olvide de compartir el amor haciendo clic en el corazón al final del puesto o seguir leyendo más de Silver Keskkula.
Medium
En Teleport todo es sobre las ciudades y la libertad de elegir en cómo se divide su tiempo entre ellas. Después de vivir en 9 países (y 17 ciudades) tengo la curiosidad por lo que los amigos de un ciudadano global y gráficos de la ciudad realidad se vería así. Así que aquí está la mía (@keskkyla):
clic para ver una versión interactiva y seguir leyendo para obtener la suya!
¿Quieres ver la suya? Sigue leyendo …
Desde que Facebook ha cerrado el acceso de terceros al propio grafo personal, empecé a cortar junto grafos interactivos de la ciudad a partir de datos de Twitter. Esencialmente estoy buscando en el campo de texto ubicación de todos mis seguidores de Twitter que estoy siguiendo, así y tratar de identificar a sus ciudades de interés. Sólo estoy mirando a las personas que siguen unos a otros como tales relaciones tienen una mayor probabilidad de ser más significativa y sólo estoy centrado en ciudades enumeradas en el campo de ubicación, aunque la ubicación etiquetada tuits podría resultar interesante.Aquí están dos gráficos de nuestra co-fundador Balaji S. Srinivasan por ejemplo. Ser parte de la A16Z, Stanford y la comunidad Bitcoin sin duda tiene conexión a otro nivel!
Tuve que hacer uno sin los nodos sólo para tener una idea de las geografías conectados sin todos los excesos imagen.
¿Qué piensan ustedes? ¿Estos gráficos capturan algo intrínsecamente interesante? ¿Le ven el valor de la integración de estos para nosotros perfiles Teleport en lugar de o además del mapa de ubicación actual?
https://my.teleport.org/users/silver/
¡Déjame saber lo que piensas!
Si bien no hemos integrado esta en nuestro producto, estoy feliz para generar el gráfico como un hecho aislado. Por favor Retwittear a conseguirse en la lista:
No se olvide de compartir el amor haciendo clic en el corazón al final del puesto o seguir leyendo más de Silver Keskkula.
domingo, 10 de julio de 2016
#NiUnaMenos 2016 en Argentina
Primera visualización
Datos obtenidos el 3 de Junio de 2016. La toma de datos ininterrumpida desde las 14 hasta las 20 horas del día. La muestra fue de 220 mil nodos (hashtags y usuarios) y 450 mil enlaces, la muestra más grande que jamás tuve que analizar.
Datos obtenidos el 3 de Junio de 2016. La toma de datos ininterrumpida desde las 14 hasta las 20 horas del día. La muestra fue de 220 mil nodos (hashtags y usuarios) y 450 mil enlaces, la muestra más grande que jamás tuve que analizar.
Muestra original
7-núcleo
8-núcleo
9-núcleo
10-núcleo
11-núcleo
12-núcleo de la muestra
sábado, 9 de julio de 2016
Identificación de difusores en redes complejas
Identificación de difusores influyentes en redes complejas
Nature Physics 6 888–893 (2010) doi:10.1038/nphys1746
Redes retratan una multitud de interacciones a través del cual la gente se reúne, las ideas se propagan y las enfermedades infecciosas se propagan dentro de un sociedad 1, 2, 3, 4, 5. La identificación de los esparcidores '' más eficientes en una red es un paso importante para la optimización del uso de los disponibles recursos y garantizar la difusión más eficaz de información. Aquí nos muestran que, en contraste con la creencia común, hay circunstancias plausibles donde los mejores esparcidores no se corresponden con el personas 6 las más céntricas, 7, 8, 9, 10. En vez más altamente conectado o, nos encontramos con que los separadores más eficientes son los situados dentro del núcleo de la red tal como se identifica por el análisis 11 de descomposición de k-cáscara (k-shell), 12, 13, y que cuando múltiples difusores se consideran simultáneamente la distancia entre ellos se convierte en el parámetro crucial que determina la extensión de la difusión. Además, se muestra que las infecciones persisten en las cáscaras de alto-k de la red en el caso en el que recuperó las personas no desarrollan inmunidad. Nuestro análisis debe proporcionar una ruta para un diseño óptimo de las estrategias de difusión eficientes.
Figura 1: Cuando los cubos pueden no ser buenos difusores
Una representación esquemática de una red bajo la descomposición k-shell. Los dos nodos de grado k = 8 (azul y nodos amarillos) en esta red están en diferentes lugares: uno se encuentra en la periferia, (ks = 1), mientras que el otro concentrador está en el núcleo más íntimo de la red, es decir, que tiene la kS más grandes (ks = 3). b-d, la extensión de la eficiencia del proceso de propagación no puede predecirse con exactitud basa en una medida de la vecindad inmediata del nodo, tales como el grado k. Para la red de contactos de los pacientes hospitalizados (CNI), comparamos las infecciones procedentes de los nodos individuales que tienen el mismo grado k = 96 (los nodos A y B) o el mismo índice kS = 63 (los nodos A y C), con una probabilidad de infección β = 0,035 . En las parcelas correspondientes, los colores indican la probabilidad de que un nodo se infecta cuando la difusión se inicia en el origen correspondiente, siempre que esta probabilidad es mayor que 25%. Los resultados se basan en 10000 realizaciones diferentes para cada caso. En el primer caso, donde A tiene origen kS = 63, la difusión llega a un área mucho más amplia con más frecuencia, en contraste con origen B (kS = 26), donde la infección permanece en gran parte localizada en la vecindad inmediata de B. de dispersión es muy similar entre orígenes a y C, que tienen el mismo valor kS, aunque el grado de C es mucho menor que A. la importancia de la organización de la red también se pone de relieve cuando ReWire al azar la red (preservando el mismo grado para todos los nodos). En este caso, la imagen estándar se recupera: la extensión de la difusión y coincide ambos cubos contribuyen por igual en gran medida a la difusión (véase SI-Sección VI).
Redes retratan una multitud de interacciones a través del cual la gente se reúne, las ideas se propagan y las enfermedades infecciosas se propagan dentro de un sociedad 1, 2, 3, 4, 5. La identificación de los esparcidores '' más eficientes en una red es un paso importante para la optimización del uso de los disponibles recursos y garantizar la difusión más eficaz de información. Aquí nos muestran que, en contraste con la creencia común, hay circunstancias plausibles donde los mejores esparcidores no se corresponden con el personas 6 las más céntricas, 7, 8, 9, 10. En vez más altamente conectado o, nos encontramos con que los separadores más eficientes son los situados dentro del núcleo de la red tal como se identifica por el análisis 11 de descomposición de k-cáscara (k-shell), 12, 13, y que cuando múltiples difusores se consideran simultáneamente la distancia entre ellos se convierte en el parámetro crucial que determina la extensión de la difusión. Además, se muestra que las infecciones persisten en las cáscaras de alto-k de la red en el caso en el que recuperó las personas no desarrollan inmunidad. Nuestro análisis debe proporcionar una ruta para un diseño óptimo de las estrategias de difusión eficientes.
Figura 1: Cuando los cubos pueden no ser buenos difusores
Una representación esquemática de una red bajo la descomposición k-shell. Los dos nodos de grado k = 8 (azul y nodos amarillos) en esta red están en diferentes lugares: uno se encuentra en la periferia, (ks = 1), mientras que el otro concentrador está en el núcleo más íntimo de la red, es decir, que tiene la kS más grandes (ks = 3). b-d, la extensión de la eficiencia del proceso de propagación no puede predecirse con exactitud basa en una medida de la vecindad inmediata del nodo, tales como el grado k. Para la red de contactos de los pacientes hospitalizados (CNI), comparamos las infecciones procedentes de los nodos individuales que tienen el mismo grado k = 96 (los nodos A y B) o el mismo índice kS = 63 (los nodos A y C), con una probabilidad de infección β = 0,035 . En las parcelas correspondientes, los colores indican la probabilidad de que un nodo se infecta cuando la difusión se inicia en el origen correspondiente, siempre que esta probabilidad es mayor que 25%. Los resultados se basan en 10000 realizaciones diferentes para cada caso. En el primer caso, donde A tiene origen kS = 63, la difusión llega a un área mucho más amplia con más frecuencia, en contraste con origen B (kS = 26), donde la infección permanece en gran parte localizada en la vecindad inmediata de B. de dispersión es muy similar entre orígenes a y C, que tienen el mismo valor kS, aunque el grado de C es mucho menor que A. la importancia de la organización de la red también se pone de relieve cuando ReWire al azar la red (preservando el mismo grado para todos los nodos). En este caso, la imagen estándar se recupera: la extensión de la difusión y coincide ambos cubos contribuyen por igual en gran medida a la difusión (véase SI-Sección VI).
- Caldarelli, G. & Vespignani, A. (eds) Large Scale Structure and Dynamics of Complex Networks (World Scientific, 2007).
- , & Infectious Diseases of Humans: Dynamics and Control (Oxford Science Publications, 1992).
- & Mathematical Epidemiology of Infectious Diseases: Model Building, Analysis and Interpretation (Wiley Series in Mathematical & Computational Biology, 2000).
- & Modeling Infectious Diseases in Humans and Animals (Princeton Univ. Press, 2008).
- Diffusion of Innovation 4th edn (Free Press, 1995).
- , & Error and attack tolerance of complex networks.Nature 406, 378–482 (2000).
- & Epidemic spreading in scale-free networks. Phys. Rev. Lett. 86, 3200–3203 (2001).
- , , & Breakdown of the Internet under intentional attack. Phys. Rev. Lett. 86, 3682–3685 (2001).
- Centrality in social networks: Conceptual clarification. Social Networks 1,215–239 (1979).
- Theoretical foundations for centrality measures. Am. J. Sociology 96,1478–1504 (1991).
- Graph Theory and Combinatorics: Proceedings of the Cambridge Combinatorial Conference in Honor of P. Erdös Vol. 35 (Academic, 1984).
- Network structure and minimum degree. Social Networks 5, 269–287 (1983).
- , , , & A model of Internet topology using k-shell decomposition. Proc. Natl Acad. Sci. USA 104, 11150–11154 (2007).
- & Clustering in complex networks. II. Percolation properties. Phys. Rev. E 74, 056116 (2006).
- LiveJournal, http://www.livejournal.com.
- , & The contact network of inpatients in a regional healthcare system. A longitudinal case study. Math. Population Studies 14, 269–284 (2007).
- The Internet Movie Database, http://www.imdb.com.
- The mathematics of infectious diseases. SIAM Rev. 42, 599–653 (2000).
- , & Statistical Physics of Social Dynamics. Rev. Mod. Phys. 81, 591–646 (2009).
- & DIMES: Let the internet measure itself. ACM SIGCOMM Comput. Commun. Rev. 35, 71–74 (2005).
- & A critical point for random graphs with a given degree sequence.Random Struct. Algorithms 6, 161–180 (1995).
- , , & The product space conditions the development of nations. Science 317, 482–487 (2007).
- & Gonorrhea Transmission Dynamics and Control (Springer-Verlag, 1984).
- & Immunization of complex networks. Phys. Rev. E 65,036104 (2002).
- & Halting viruses in scale-free networks. Phys. Rev. E 65, 055103(2002).
- , , & Resilience of the Internet to random breakdowns. Phys. Rev. Lett. 85, 4626–4630 (2000).
- Assortative mixing in networks. Phys. Rev. Lett. 89, 208701 (2002).
- Large Network visualization tool, http://xavier.informatics.indiana.edu/lanet-vi/.
- , , & Large scale networks fingerprinting and visualization using the k-core decomposition. Adv. Neural Inform. Process. Systems 18, 41–51 (2006).
jueves, 7 de julio de 2016
La transmisión de riqueza en las principales familias florentinas sigue hasta hoy
Las familias más ricas de Florencia en 1427 siguen siendo las familias más ricas de Florencia
Gracias por el dinero, tatara-tatara-tatara-tatara abuelo. (Reuters / Juan Medina)
Por Aamna Mohdin | Quartz
Las familias más ricas de Florencia, Italia han tenido que bien por un rato-600 años para ser precisos.
Esto es según un estudio reciente realizado por dos economistas italianos, Guglielmo Barone y Sauro Mocetti, que después de analizar los contribuyentes florentinos En comparación camino de regreso en 1427 con los de 2011. La comparación de la riqueza de la familia a los que tienen el mismo apellido de hoy, sugieren las familias más ricas Florencia hace 600 años siguen siendo los mismos ahora.
"Se encontró que los que más ganan entre los contribuyentes actuales que ya ha estado en la cima de la escala socioeconómica de hace seis siglos," Barone y Mocetti notan en VoxEU. El estudio fue capaz de explotar un conjunto de datos único contribuyentes datan en 1427 fue digitalizado y tener a disposición en línea, para mostrar las tendencias a largo plazo de la movilidad económica.
Aunque los investigadores admiten los defectos a rastrear la riqueza de la familia usando apellidos, Señalan apellidos italianos son altamente Normalmente regional y tendencia a transmitir de forma lineal. Las familias en la parte superior de la escala socioeconómica seis siglos agosto son los que más ganan entre los contribuyentes actuales. Los que están en la parte superior de la escalera tenido los trabajos más prestigiosos, mientras que las familias en la parte inferior tenían ocupaciones menos estimados, con ingresos por debajo de la mediana.
La familia Medici no tuvo mayor riqueza o la mayoría de los escaños en la legislatura, sin embargo, llegó al poder. A través de los matrimonios, la familia Medici tenía una posición de centralidad en la red social, que es crucial para la comunicación, ofertas de corretaje, etc.
Si bien se trata de una pequeña sorpresa que las familias transmitan su riqueza a sus hijos, sigue siendo bastante notable que estas familias sean capaces de mantener su riqueza a través de varios asedios de Florencia, la campaña de Napoleón en Italia, la dictadura de Benito Mussolini, y dos guerras mundiales.
El estudio añade más evidencia sobre cómo los ricos siguen siendo ricos. En Inglaterra, los investigadores han demostrado previamente cómo el estatus de la familia en Inglaterra puede persistir durante más de ocho siglos, o más de 28 generaciones enteras. Es un rasgo compartido por las familias de élite en China, cuyo estado de alta ha persistido desde los años de Mao.
Gracias por el dinero, tatara-tatara-tatara-tatara abuelo. (Reuters / Juan Medina)Por Aamna Mohdin | Quartz
Las familias más ricas de Florencia, Italia han tenido que bien por un rato-600 años para ser precisos.
Esto es según un estudio reciente realizado por dos economistas italianos, Guglielmo Barone y Sauro Mocetti, que después de analizar los contribuyentes florentinos En comparación camino de regreso en 1427 con los de 2011. La comparación de la riqueza de la familia a los que tienen el mismo apellido de hoy, sugieren las familias más ricas Florencia hace 600 años siguen siendo los mismos ahora.
"Se encontró que los que más ganan entre los contribuyentes actuales que ya ha estado en la cima de la escala socioeconómica de hace seis siglos," Barone y Mocetti notan en VoxEU. El estudio fue capaz de explotar un conjunto de datos único contribuyentes datan en 1427 fue digitalizado y tener a disposición en línea, para mostrar las tendencias a largo plazo de la movilidad económica.
Aunque los investigadores admiten los defectos a rastrear la riqueza de la familia usando apellidos, Señalan apellidos italianos son altamente Normalmente regional y tendencia a transmitir de forma lineal. Las familias en la parte superior de la escala socioeconómica seis siglos agosto son los que más ganan entre los contribuyentes actuales. Los que están en la parte superior de la escalera tenido los trabajos más prestigiosos, mientras que las familias en la parte inferior tenían ocupaciones menos estimados, con ingresos por debajo de la mediana.
La familia Medici no tuvo mayor riqueza o la mayoría de los escaños en la legislatura, sin embargo, llegó al poder. A través de los matrimonios, la familia Medici tenía una posición de centralidad en la red social, que es crucial para la comunicación, ofertas de corretaje, etc.
Si bien se trata de una pequeña sorpresa que las familias transmitan su riqueza a sus hijos, sigue siendo bastante notable que estas familias sean capaces de mantener su riqueza a través de varios asedios de Florencia, la campaña de Napoleón en Italia, la dictadura de Benito Mussolini, y dos guerras mundiales.
El estudio añade más evidencia sobre cómo los ricos siguen siendo ricos. En Inglaterra, los investigadores han demostrado previamente cómo el estatus de la familia en Inglaterra puede persistir durante más de ocho siglos, o más de 28 generaciones enteras. Es un rasgo compartido por las familias de élite en China, cuyo estado de alta ha persistido desde los años de Mao.
martes, 5 de julio de 2016
Cooperación y su relación con el tamaño de grupo y la memoria
La cooperación surge cuando los grupos son pequeños y los recuerdos son largos, un estudio encuentra
por Katherine Unger Baillie - Phys,org
Diagrama de red social. Crédito: Daniel Tenerife / Wikipedia
La tragedia de los comunes, un concepto descrito por el ecologista Garrett Hardin, pinta una visión pesimista de la naturaleza humana. La teoría es que, si un recurso es compartido, los individuos actuarán en su propio interés, pero en contra de los intereses del grupo, por el agotamiento de ese recurso.
Sin embargo, los ejemplos de cooperación e intercambio abundan en la naturaleza, de las sociedades humanas a las bacterias unicelulares.
En un nuevo artículo, publicado en la revista como informes científicos de la Universidad de Pennsylvania investigadores utilizan la teoría de juegos para demostrar el complejo conjunto de rasgos que pueden promover la evolución de la cooperación. Su análisis demostró que los grupos pequeños en los que los actores tenían buena memoria de las acciones de sus compañeros de grupo eran más propensos a desarrollar estrategias de cooperación.
El trabajo sugiere una posible ventaja de la poderosa capacidad de memoria del ser humano: se ha alimentado nuestra capacidad como sociedad para cooperar.
"En el pasado hemos visto las interacciones de dos jugadores para determinar las estrategias evolutivas más robustos", dijo Joshua B. Plotkin, profesor del Departamento de Biología de Penn en la Escuela de Artes y Ciencias. "Nuestro nuevo análisis permite escenarios en los que los jugadores pueden reaccionar a los comportamientos y estrategias de varios otros jugadores a la vez. Nos da una imagen de un conjunto mucho más rico de las interacciones sociales, una imagen que es probable que sea más representativo de las complejidades de la humana comportamiento."
Plotkin colaboró con Alexander J. Stewart, entonces su investigador postdoctoral y ahora un investigador de la Royal Society en el University College de Londres, en el trabajo, que se basa en años de exámenes de teoría de juegos por el par.
En sus trabajos anteriores, utilizaron escenario del dilema del prisionero iterado, en el que dos jugadores se enfrentan y se puede elegir entre cooperar o no, para entender qué circunstancias promover el aumento de la generosidad frente al egoísmo.
En el nuevo documento, se agregaron dos niveles de complejidad. En primer lugar, se utilizó un escenario diferente, conocido como un juego de bienes públicos, lo que permite a los jugadores interactuar con más de un otro jugador a la vez. La puesta a punto también permitió a los investigadores para variar el número de jugadores en un juego determinado. En el juego de los bienes públicos, un jugador puede aportar una cierta cantidad de un recurso personal a una piscina pública, que luego se divide por igual entre todos los jugadores. El mayor beneficio compartido viene cuando todos los jugadores contribuyen generosamente, sino que también pone a los jugadores generosos en riesgo de perder los recursos a los jugadores egoístas, una tragedia de los comunes el escenario.
El segundo nivel de complejidad añadida fue imbuir a los jugadores con la capacidad para la buena memoria. Es decir, los jugadores pueden utilizar las acciones de sus rivales a partir de múltiples rondas anteriores del juego para informar a sus estrategias para las rondas posteriores. Si un jugador se encontró en varias ocasiones un jugador en un grupo que con frecuencia se comportó de manera egoísta, por ejemplo, que pueden ser más propensos a "castigar" desertor que mediante la retención de los recursos en las rondas futuras.
Además, se permitió a las poblaciones de los jugadores a "evolucionar", de tal manera que los jugadores más exitosos, los que alcanzan mayores beneficios, son más propensos a pasar sus estrategias a la siguiente generación de jugadores.
Stewart y Plotkin encontraron que cuanto más jugadores en un juego menos probable que las estrategias de cooperación podrían ganar a cabo. En cambio, la mayoría de las estrategias sólidas en grandes grupos favoreció deserción.
"Esto tiene sentido intuitivo", dijo Plotkin. "Como un grupo que aumenta el tamaño, las perspectivas de una cooperación sostenida bajan. La tentación de desertar y convertirse en un gorrón sube."
Por el contrario, sus resultados mostraron que dar a los jugadores una memoria más larga, la capacidad de recordar y basar sus decisiones en un máximo de 10 rondas previas de las acciones de sus oponentes, dio lugar a un mayor volumen relativo de las estrategias de cooperación sólidas. Parte de la razón de esto, según los investigadores, era debido a mayores recuerdos permitía a los jugadores para desarrollar una gama más amplia de las estrategias más matizadas, incluyendo los que podrían castigar a los individuos para desertar estrategias y asegurar que no hacerse cargo de la población
"A los jugadores más fuertes de memoria permitida para eliminar el desertor raro", dijo Plotkin.
En una última serie de experimentos, Stewart y Plotkin utilizan simulaciones por ordenador que permitieron la capacidad de memoria de los jugadores que evolucionar con las propias estrategias. Encontraron que no sólo se vieron favorecidos memorias más largas, pero la evolución de los recuerdos más largos dieron lugar a un aumento de la cooperación.
"Creo que una comida para llevar fascinante de nuestro estudio," Stewart dijo, "es que se puede obtener un conjunto de circunstancias en las que hay una especie de bucle de realimentación incontrolable. Recuerdos más largos favorecen una mayor cooperación y una mayor cooperación promueve la buena memoria. Ese tipo de situación , donde se pasa de un sistema más simple a uno que es más complejo, es un gran ejemplo de lo que hace la evolución, que conduce a la complejidad cada vez mayor ".
Como paso siguiente, Stewart y Plotkin les gustaría usar sujetos humanos para evaluar sus resultados matemáticos.
"Tenemos todos estos resultados acerca de qué tipo de estrategias tienen éxito que tiene en cuenta las diferentes características de las acciones de los jugadores", dijo Stewart. "Nos gustaría realizar un experimento con la gente para averiguar lo que realmente están prestando atención a cuando están jugando. Es sus pagos? ¿Es pagos de sus oponentes? Y vemos cómo esas estrategias coinciden con los que vemos en nuestros análisis ".
Explore más leyendo: Nice organisms finish first: Why cooperators always win in the long run
Más información: Alexander J. Stewart et al, Small groups and long memories promote cooperation, Scientific Reports (2016). DOI: 10.1038/srep26889
por Katherine Unger Baillie - Phys,org
Diagrama de red social. Crédito: Daniel Tenerife / Wikipedia
La tragedia de los comunes, un concepto descrito por el ecologista Garrett Hardin, pinta una visión pesimista de la naturaleza humana. La teoría es que, si un recurso es compartido, los individuos actuarán en su propio interés, pero en contra de los intereses del grupo, por el agotamiento de ese recurso.
Sin embargo, los ejemplos de cooperación e intercambio abundan en la naturaleza, de las sociedades humanas a las bacterias unicelulares.
En un nuevo artículo, publicado en la revista como informes científicos de la Universidad de Pennsylvania investigadores utilizan la teoría de juegos para demostrar el complejo conjunto de rasgos que pueden promover la evolución de la cooperación. Su análisis demostró que los grupos pequeños en los que los actores tenían buena memoria de las acciones de sus compañeros de grupo eran más propensos a desarrollar estrategias de cooperación.
El trabajo sugiere una posible ventaja de la poderosa capacidad de memoria del ser humano: se ha alimentado nuestra capacidad como sociedad para cooperar.
"En el pasado hemos visto las interacciones de dos jugadores para determinar las estrategias evolutivas más robustos", dijo Joshua B. Plotkin, profesor del Departamento de Biología de Penn en la Escuela de Artes y Ciencias. "Nuestro nuevo análisis permite escenarios en los que los jugadores pueden reaccionar a los comportamientos y estrategias de varios otros jugadores a la vez. Nos da una imagen de un conjunto mucho más rico de las interacciones sociales, una imagen que es probable que sea más representativo de las complejidades de la humana comportamiento."
Plotkin colaboró con Alexander J. Stewart, entonces su investigador postdoctoral y ahora un investigador de la Royal Society en el University College de Londres, en el trabajo, que se basa en años de exámenes de teoría de juegos por el par.
En sus trabajos anteriores, utilizaron escenario del dilema del prisionero iterado, en el que dos jugadores se enfrentan y se puede elegir entre cooperar o no, para entender qué circunstancias promover el aumento de la generosidad frente al egoísmo.
En el nuevo documento, se agregaron dos niveles de complejidad. En primer lugar, se utilizó un escenario diferente, conocido como un juego de bienes públicos, lo que permite a los jugadores interactuar con más de un otro jugador a la vez. La puesta a punto también permitió a los investigadores para variar el número de jugadores en un juego determinado. En el juego de los bienes públicos, un jugador puede aportar una cierta cantidad de un recurso personal a una piscina pública, que luego se divide por igual entre todos los jugadores. El mayor beneficio compartido viene cuando todos los jugadores contribuyen generosamente, sino que también pone a los jugadores generosos en riesgo de perder los recursos a los jugadores egoístas, una tragedia de los comunes el escenario.
El segundo nivel de complejidad añadida fue imbuir a los jugadores con la capacidad para la buena memoria. Es decir, los jugadores pueden utilizar las acciones de sus rivales a partir de múltiples rondas anteriores del juego para informar a sus estrategias para las rondas posteriores. Si un jugador se encontró en varias ocasiones un jugador en un grupo que con frecuencia se comportó de manera egoísta, por ejemplo, que pueden ser más propensos a "castigar" desertor que mediante la retención de los recursos en las rondas futuras.
Además, se permitió a las poblaciones de los jugadores a "evolucionar", de tal manera que los jugadores más exitosos, los que alcanzan mayores beneficios, son más propensos a pasar sus estrategias a la siguiente generación de jugadores.
Stewart y Plotkin encontraron que cuanto más jugadores en un juego menos probable que las estrategias de cooperación podrían ganar a cabo. En cambio, la mayoría de las estrategias sólidas en grandes grupos favoreció deserción.
"Esto tiene sentido intuitivo", dijo Plotkin. "Como un grupo que aumenta el tamaño, las perspectivas de una cooperación sostenida bajan. La tentación de desertar y convertirse en un gorrón sube."
Por el contrario, sus resultados mostraron que dar a los jugadores una memoria más larga, la capacidad de recordar y basar sus decisiones en un máximo de 10 rondas previas de las acciones de sus oponentes, dio lugar a un mayor volumen relativo de las estrategias de cooperación sólidas. Parte de la razón de esto, según los investigadores, era debido a mayores recuerdos permitía a los jugadores para desarrollar una gama más amplia de las estrategias más matizadas, incluyendo los que podrían castigar a los individuos para desertar estrategias y asegurar que no hacerse cargo de la población
"A los jugadores más fuertes de memoria permitida para eliminar el desertor raro", dijo Plotkin.
En una última serie de experimentos, Stewart y Plotkin utilizan simulaciones por ordenador que permitieron la capacidad de memoria de los jugadores que evolucionar con las propias estrategias. Encontraron que no sólo se vieron favorecidos memorias más largas, pero la evolución de los recuerdos más largos dieron lugar a un aumento de la cooperación.
"Creo que una comida para llevar fascinante de nuestro estudio," Stewart dijo, "es que se puede obtener un conjunto de circunstancias en las que hay una especie de bucle de realimentación incontrolable. Recuerdos más largos favorecen una mayor cooperación y una mayor cooperación promueve la buena memoria. Ese tipo de situación , donde se pasa de un sistema más simple a uno que es más complejo, es un gran ejemplo de lo que hace la evolución, que conduce a la complejidad cada vez mayor ".
Como paso siguiente, Stewart y Plotkin les gustaría usar sujetos humanos para evaluar sus resultados matemáticos.
"Tenemos todos estos resultados acerca de qué tipo de estrategias tienen éxito que tiene en cuenta las diferentes características de las acciones de los jugadores", dijo Stewart. "Nos gustaría realizar un experimento con la gente para averiguar lo que realmente están prestando atención a cuando están jugando. Es sus pagos? ¿Es pagos de sus oponentes? Y vemos cómo esas estrategias coinciden con los que vemos en nuestros análisis ".
Explore más leyendo: Nice organisms finish first: Why cooperators always win in the long run
Más información: Alexander J. Stewart et al, Small groups and long memories promote cooperation, Scientific Reports (2016). DOI: 10.1038/srep26889
viernes, 1 de julio de 2016
ARS aplicado al Medioevo y la nueva comprensión de la Historia
Cómo la nueva ciencia de la historia computacional está cambiando el estudio del pasado
La aplicación de la teoría de redes con los registros medievales sugiere que los acontecimientos históricos se rigen por "leyes de la historia", al igual que la naturaleza esté regida por las leyes de la física.
por Emerging Technology from the arXiv 23 de Junio de 2016
Una de las características curiosas de ciencia de las redes es que las mismas redes subyacen a los fenómenos completamente diferentes. Como resultado, estos fenómenos tienen similitudes profundas que están lejos de ser evidente a primera vista. Buenos ejemplos incluyen la propagación de la enfermedad, el tamaño de los incendios forestales, e incluso la distribución de la magnitud del sismo, que todos siguen un patrón similar. Este es un resultado directo de su compartiendo la misma estructura de la red.
Así que por lo general es de extrañar que las mismas "leyes" surgen cuando los físicos encuentran las mismas redes subyacentes otros fenómenos. Exactamente esto ha sucedido en varias ocasiones en las ciencias sociales. ciencia de las redes sociales ahora permite a los científicos para modelar las sociedades, para estudiar la forma en que las ideas, los chismes, las modas, y así sucesivamente flujo a través de la sociedad, e incluso para estudiar cómo esto influye en la opinión.
Para ello han utilizado las herramientas desarrolladas para estudiar otras disciplinas. Es por eso que el nuevo campo de la ciencia social computacional ha vuelto tan poderoso tan rápidamente.
Fig. 2: Modelo de red de lazos de parentesco entre los miembros principales de la élite Bizantina (número de nodos = 107) centrados en el Emperador Andronikos II Palaiologos en los años 1321 a 1328 DC; los nodos are coloreados de acuerdo al agrupamiento identificado con la ayuda del algoritmo de Newman (imagen: Johannes Preiser-Kapeller, 2015, creada con el software ORA*)
Pero hay otro campo de la actividad, que también se beneficia: el estudio de la historia. A lo largo de la historia, los seres humanos han formado redes que han jugado un papel profundo en la manera han desarrollado los hechos. Los historiadores han comenzado recientemente a la reconstrucción de estas redes que utilizan fuentes históricas, tales como la correspondencia y los registros de la época.
Hoy en día, Johannes Preiser-Kapeller en la Academia de Ciencias de Austria en Viena explica cómo este enfoque está proyectando una nueva luz sobre diversos acontecimientos históricos. De hecho, el trabajo ha descubierto patrones previamente desconocidos en la forma en la historia se desarrolla. De la misma manera que los patrones en la naturaleza revelan las leyes de la física, estos descubrimientos revelan las primeras leyes de la historia.
Preiser-Kapeller se ha centrado en los conflictos medievales y en particular las relativas al Imperio bizantino en el siglo 14, que se concentra en torno a Constantinopla, un enlace entre las redes comerciales de Europa y Asia. Este fue un período de conflicto significativo debido a los cambios fuerzas políticas, la peste, y el cambio climático causado por una pequeña edad de hielo durante la Edad Media.
Preiser-Kapeller ha reconstruido las redes políticas que existían en el momento usando sobrevivir a la correspondencia y otros registros históricos. En estas redes, cada persona influyente es un nodo, y los enlaces se dibujan entre los que comparten relaciones significativas. Para ser registrado en la red, estos enlaces tienen que ser registrados en correspondencia con frases tales como Mi noble tía o Mi primo imperial. También registra cómo éstos cambian con el tiempo.
Utilizando algoritmos estándar para estudiar diversas medidas de la estructura de la red, Preiser-Kapeller encontraron grupos dentro de la red, identifica los actores más importantes en una red, y se examina cómo los individuos agrupados en torno a otros que eran similares de alguna manera.
Cómo cambian con el tiempo estas medidas resulta tener un vínculo importante con los principales acontecimientos que se desarrollaron más tarde. Por ejemplo, Preiser-Kapeller dice, la fragmentación de la red política crea las condiciones para una guerra civil que debilitó de forma permanente el Imperio bizantino. En última instancia, se derrumbó en 1453.
Estos cambios también siguieron algunos patrones interesantes. "La distribución de frecuencias del número de lazos de conflicto activados en un año tiende a seguir una ley de potencias," dice Preiser-Kapeller. Exactamente los mismos patrones de ley de potencia surgen cuando los científicos estudian la complejidad de la distribución del tamaño de las guerras, epidemias y religiones.
Una cuestión interesante es si los mismos patrones aparecen en otra parte de la historia. Para averiguarlo, se comparó la red de Bizancio con los de otros cinco períodos de conflicto medieval en Europa, África y Asia.
Y los resultados son una lectura interesante. "En promedio en los cinco unidades políticas, un cambio de regla en un año aumentó la probabilidad de que otro cambio en el siguiente triple año", dice Preiser-Kapeller. Así que mientras más cerca esté de una conmoción, más probabilidades hay de ser otro pronto. O en otras palabras, trastornos tienden a agruparse.
Esa es una regla que debe sonar familiar a los geofísicos. Existe un fenómeno similar en los registros del terremoto: la más reciente de un terremoto grande, mayor es la probabilidad de que otro grande pronto. Esto se conoce como la ley de Omori-que los terremotos tienden a agruparse.
No es de extrañar que surjan efectos similares en estos sistemas, ya que ambos están gobernados por la misma ciencia de las redes. Los historiadores estarían en todo su derecho a adoptar este y otros patrones como "leyes de la historia."
Estas leyes están maduras para su posterior estudio. Aunque la complejidad que surge de la teoría de redes en muchas áreas de la ciencia se ha estudiado durante décadas, ha habido casi ningún tipo de investigación en el campo de la historia. Eso sugiere que hay una fruta madura que se tenía por la primera generación de historiadores computacionales, como Preiser-Kapeller. Espere escuchar más sobre él un futuro próximo.
Ref: arxiv.org/abs/1606.03433 : Calculating the Middle Ages? The Project “Complexities and Networks in the Medieval Mediterranean and the Near East”
La aplicación de la teoría de redes con los registros medievales sugiere que los acontecimientos históricos se rigen por "leyes de la historia", al igual que la naturaleza esté regida por las leyes de la física.
por Emerging Technology from the arXiv 23 de Junio de 2016
Una de las características curiosas de ciencia de las redes es que las mismas redes subyacen a los fenómenos completamente diferentes. Como resultado, estos fenómenos tienen similitudes profundas que están lejos de ser evidente a primera vista. Buenos ejemplos incluyen la propagación de la enfermedad, el tamaño de los incendios forestales, e incluso la distribución de la magnitud del sismo, que todos siguen un patrón similar. Este es un resultado directo de su compartiendo la misma estructura de la red.
Así que por lo general es de extrañar que las mismas "leyes" surgen cuando los físicos encuentran las mismas redes subyacentes otros fenómenos. Exactamente esto ha sucedido en varias ocasiones en las ciencias sociales. ciencia de las redes sociales ahora permite a los científicos para modelar las sociedades, para estudiar la forma en que las ideas, los chismes, las modas, y así sucesivamente flujo a través de la sociedad, e incluso para estudiar cómo esto influye en la opinión.
Para ello han utilizado las herramientas desarrolladas para estudiar otras disciplinas. Es por eso que el nuevo campo de la ciencia social computacional ha vuelto tan poderoso tan rápidamente.
Fig. 2: Modelo de red de lazos de parentesco entre los miembros principales de la élite Bizantina (número de nodos = 107) centrados en el Emperador Andronikos II Palaiologos en los años 1321 a 1328 DC; los nodos are coloreados de acuerdo al agrupamiento identificado con la ayuda del algoritmo de Newman (imagen: Johannes Preiser-Kapeller, 2015, creada con el software ORA*)
Pero hay otro campo de la actividad, que también se beneficia: el estudio de la historia. A lo largo de la historia, los seres humanos han formado redes que han jugado un papel profundo en la manera han desarrollado los hechos. Los historiadores han comenzado recientemente a la reconstrucción de estas redes que utilizan fuentes históricas, tales como la correspondencia y los registros de la época.
Hoy en día, Johannes Preiser-Kapeller en la Academia de Ciencias de Austria en Viena explica cómo este enfoque está proyectando una nueva luz sobre diversos acontecimientos históricos. De hecho, el trabajo ha descubierto patrones previamente desconocidos en la forma en la historia se desarrolla. De la misma manera que los patrones en la naturaleza revelan las leyes de la física, estos descubrimientos revelan las primeras leyes de la historia.
Preiser-Kapeller se ha centrado en los conflictos medievales y en particular las relativas al Imperio bizantino en el siglo 14, que se concentra en torno a Constantinopla, un enlace entre las redes comerciales de Europa y Asia. Este fue un período de conflicto significativo debido a los cambios fuerzas políticas, la peste, y el cambio climático causado por una pequeña edad de hielo durante la Edad Media.
Preiser-Kapeller ha reconstruido las redes políticas que existían en el momento usando sobrevivir a la correspondencia y otros registros históricos. En estas redes, cada persona influyente es un nodo, y los enlaces se dibujan entre los que comparten relaciones significativas. Para ser registrado en la red, estos enlaces tienen que ser registrados en correspondencia con frases tales como Mi noble tía o Mi primo imperial. También registra cómo éstos cambian con el tiempo.
Utilizando algoritmos estándar para estudiar diversas medidas de la estructura de la red, Preiser-Kapeller encontraron grupos dentro de la red, identifica los actores más importantes en una red, y se examina cómo los individuos agrupados en torno a otros que eran similares de alguna manera.
Cómo cambian con el tiempo estas medidas resulta tener un vínculo importante con los principales acontecimientos que se desarrollaron más tarde. Por ejemplo, Preiser-Kapeller dice, la fragmentación de la red política crea las condiciones para una guerra civil que debilitó de forma permanente el Imperio bizantino. En última instancia, se derrumbó en 1453.
Estos cambios también siguieron algunos patrones interesantes. "La distribución de frecuencias del número de lazos de conflicto activados en un año tiende a seguir una ley de potencias," dice Preiser-Kapeller. Exactamente los mismos patrones de ley de potencia surgen cuando los científicos estudian la complejidad de la distribución del tamaño de las guerras, epidemias y religiones.
Una cuestión interesante es si los mismos patrones aparecen en otra parte de la historia. Para averiguarlo, se comparó la red de Bizancio con los de otros cinco períodos de conflicto medieval en Europa, África y Asia.
Y los resultados son una lectura interesante. "En promedio en los cinco unidades políticas, un cambio de regla en un año aumentó la probabilidad de que otro cambio en el siguiente triple año", dice Preiser-Kapeller. Así que mientras más cerca esté de una conmoción, más probabilidades hay de ser otro pronto. O en otras palabras, trastornos tienden a agruparse.
Esa es una regla que debe sonar familiar a los geofísicos. Existe un fenómeno similar en los registros del terremoto: la más reciente de un terremoto grande, mayor es la probabilidad de que otro grande pronto. Esto se conoce como la ley de Omori-que los terremotos tienden a agruparse.
No es de extrañar que surjan efectos similares en estos sistemas, ya que ambos están gobernados por la misma ciencia de las redes. Los historiadores estarían en todo su derecho a adoptar este y otros patrones como "leyes de la historia."
Estas leyes están maduras para su posterior estudio. Aunque la complejidad que surge de la teoría de redes en muchas áreas de la ciencia se ha estudiado durante décadas, ha habido casi ningún tipo de investigación en el campo de la historia. Eso sugiere que hay una fruta madura que se tenía por la primera generación de historiadores computacionales, como Preiser-Kapeller. Espere escuchar más sobre él un futuro próximo.
Ref: arxiv.org/abs/1606.03433 : Calculating the Middle Ages? The Project “Complexities and Networks in the Medieval Mediterranean and the Near East”
Suscribirse a:
Entradas (Atom)