Clausura triádica y homofilia como gestores de estructura núcleo-periferia

Efectos acumulativos de la clausura triádica y la homofilia en las redes sociales.

Aili Asikainen, Gerardo Iñiguez, Javier Ureña-Carrión, Kimmo Kaski y Mikko Kivelä

Science Advances  08 May 2020:
Vol. 6, no. 19, eaax7310
DOI: 10.1126/sciadv.aax7310

Resumen
La estructura de la red social a menudo se ha atribuido a dos mecanismos de evolución de la red: clausura triádica y elección homofílica, que comúnmente se consideran de forma independiente o con modelos estáticos. Sin embargo, los estudios empíricos sugieren que su interacción dinámica genera la homofilia observada de las redes sociales del mundo real. Al combinar estos mecanismos en un modelo dinámico, confirmamos la hipótesis de larga data de que la elección de la homofilia y la clausura triádica provocan homofilia inducida. Estimamos cuánto se amplifica la homofilia observada en las redes de amistad y comunicación debido a la clausura triádica. Encontramos que los efectos acumulativos de la amplificación de homofilia también pueden conducir a la estructura de redes núcleo-periferia ampliamente documentada y a la memoria de restricciones homofílicas (equivalente a histéresis en física). El modelo muestra que incluso un sesgo individual pequeño puede provocar cambios a nivel de red, como la segregación o el dominio del grupo central. Nuestros resultados destacan que los mecanismos a nivel individual no deben analizarse por separado sin tener en cuenta la dinámica de la sociedad en su conjunto.

Introducción

Uno de los rasgos más importantes de la socialidad humana es la homofilia (1), la tendencia de personas similares a conectarse entre sí debido a sus atributos biológicos y culturales compartidos, como el género, la ocupación o la afiliación política. Se ha observado homofilia en varias redes sociales (1–5), y es una fuerza importante detrás de varios problemas sociales apremiantes, como la desigualdad, la segregación y las cámaras de eco en línea (6–8). Por lo tanto, una comprensión cuantitativa exhaustiva de los mecanismos de red que conducen a la homofilia (9-12) es esencial para promover un flujo suficiente de información (1, 13) y la igualdad de oportunidades en las redes sociales de individuos con diversas preferencias personales.
La homofilia observada en las redes sociales a menudo se atribuye a la elección de la homofilia, definida por la preferencia de las personas al elegir con quién conectarse, o a la homofilia inducida, que surge de las limitaciones en las oportunidades de los individuos para hacer conexiones (2). Estos dos mecanismos y su importancia relativa han sido objeto de estudio en la investigación de redes sociales (14, 15). Sin embargo, como lo sugieren los resultados empíricos longitudinales (16, 17), los dos mecanismos de generación de homofilia no pueden separarse sin considerar la dinámica acumulativa de ventaja (10) que impulsa la evolución de las redes sociales: la elección de la homofilia crea circunstancias para la homofilia inducida, tales como grupos de personas similares que interactúan, que luego se refuerzan aún más en ciclos de elección e inducen homofilia. Si bien la dinámica de la homofilia se entiende bien en el caso de los modelos de punto de inflexión de la segregación residencial (18, 19), aún se necesita una comprensión similar de la dinámica en las redes sociales para validar y medir la amplificación de la homofilia (17).

Aquí, presentamos un modelo mínimo de evolución de las redes sociales para analizar en qué medida las restricciones estructurales causadas por la clausura triádica y la elección interactúan homofilia. El mecanismo de clausura triádica utiliza la red social existente para crear nuevas conexiones entre personas que comparten amigos comunes, conocidos u otras conexiones. Este mecanismo ha sido reportado como la restricción estructural más común (16) y puede explicar muchas características sobresalientes de las redes sociales empíricas. Estos incluyen una gran cantidad de triángulos cerrados entre conocidos y distribuciones de grados de cola gruesa (20–23). Por lo tanto, la clausura triádica debe considerarse como el mecanismo principal en la mayoría de los modelos dinámicos mínimos de redes sociales (20, 24, 25). En nuestro enfoque, se considera que los individuos pertenecen a cualquiera de los dos grupos (a y b) que representan los valores de un atributo de interés estático (género, clase, partido, etc.), y vuelven a conectar sus conexiones mediante dos mecanismos: clausura triádica (modelando la creación de enlaces a través de contactos actuales) y conexiones aleatorias [emulando cualquier mecanismo desconocido más allá de la clausura triádica, como la clausura focal en grandes focos (16, 26)]. La opción homofilia / heterofilia se implementa al aceptar nuevos enlaces con una probabilidad de sesgo que depende de la similitud de los atributos entre los individuos.

En este estudio, caracterizamos el rico tapiz del comportamiento emergente capturado por el modelo con un análisis de bifurcación de campo medio para diferentes tamaños de grupos relativos, probabilidades de clausuras triádicas y tasas de elección de homofilia. Medimos la cantidad de homofilia observada en la red, que interpretamos como la suma de la homofilia elegida (un parámetro en el modelo) más la homofilia inducida causada por la clausura triádica que actúa en una red social homofílica. Al ajustar los parámetros del sistema con datos empíricos sobre redes de amistad y comunicación, encontramos que, en las circunstancias correctas, incluso una pequeña cantidad de opciones de homofilia puede amplificarse en gran medida por la clausura triádica para producir grandes cantidades de homofilia observada. Además, encontramos que la interacción de la clausura triádica y la homofilia puede explicar la aparición de estructuras núcleo-periferia. Estos hallazgos sugieren que las observaciones de patrones de asociación homófilos en la sociedad no deberían explicarse únicamente sobre la base de una preferencia humana por la similitud, sino como una interacción en constante evolución entre las restricciones estructurales y la homofilia, una que requiere simulación computacional como parte central de el analisis.

Definición del modelo y parámetros

Introducimos un modelo de evolución de redes sociales con una interacción simultánea de clausura o cierre triádico y elección homofílica (ver Fig. 1, A a E para una ilustración y más detalles del modelo). El modelo está estilizado de tal manera que contiene un conjunto mínimo de mecanismos simples sobre cómo se hacen y se olvidan las relaciones sociales; Los detalles más allá de estos mecanismos centrales se modelan mediante una aleatoriedad uniforme para asumir la menor cantidad de información sobre ellos. La estructura social inicial es una red aleatoria con grupos de atributos estáticos a y b (de tamaños relativos n_a y n_b, con n_a + n_b = 1) distribuidos entre nodos de manera uniforme al azar e independientemente de la estructura de red inicial, de modo que haya una fracción P_ab = P_ba de enlaces entre grupos y fracciones P_aa, P_bb dentro de cada grupo (P_ab + P_aa + P_bb = 1).





Fig. 1 Mecanismos de clausura triádica y elección homofílica.
(A) Un nodo focal seleccionado uniformemente al azar (nodo en el centro con límite verde) encuentra un vecino candidato ya sea (B) seleccionando un nodo uniformemente al azar con probabilidad 1 - c o (D) cerrando un triángulo con probabilidad c . (C y E) Para un nodo focal en el grupo i, el candidato vecino en el grupo j es aceptado con probabilidad de sesgo Sij (donde i, j ∈ {a, b}). Parametrizamos Sij con parámetros ajustables sa, sb de modo que S_aa = s_a, S_bb = s_b, S_ab = 1 − s_a y S_ba = 1 − s_b. Si se acepta el enlace potencial [línea discontinua en (B) y (D)], un enlace del nodo focal (seleccionado uniformemente al azar) se reemplaza por uno entre los nodos vecinos focales y candidatos. De lo contrario, no se vuelven a cablear los enlaces. (F) Probabilidad (T2) aa de elegir un vecino candidato con cierre triádico del mismo grupo que el nodo focal (a) en función de la homofilia observada o_a = T_aa para grupos de igual tamaño (na = nb) e igualmente conectados (T_aa = T_bb y T_ab = T_ba = 1 − T_aa). Si la red no se mezcla aleatoriamente (Taa ≠ 1/2), la probabilidad de cierre triádico eligiendo dos nodos del mismo grupo siempre es mayor que la misma probabilidad si la selección se realiza de manera uniforme al azar (1/2), lo que implica que El cierre triádico amplifica la homofilia observada existente en la red (o suprime la heterofilia). Sin embargo, el cierre triádico sin elección de homofilia no es suficiente para mantener la homofilia observada en la red, lo que haría que (T²) aa sea igual a la homofilia observada (las líneas punteadas y continuas se cruzan). Una excepción es el caso Taa = 1, donde existen dos componentes completamente separados, y el cierre triádico no puede crear enlaces entre ellos.

Desde su estado inicial, la red evoluciona con nodos que actualizan sus conexiones. En cada paso de tiempo, seleccionamos un nodo focal uniformemente al azar y un vecino candidato, que representa un encuentro social que podría conducir a una nueva relación social. El vecino candidato se elige por cierre triádico con probabilidad co uniformemente al azar de lo contrario [emulando cualquier otro mecanismo para la creación de enlaces más allá de la clausura triádica; (23, 27-30)]. El mecanismo de cierre triádico selecciona un vecino candidato muestreando aleatoriamente un vecino del nodo focal y luego un vecino del vecino muestreado. Si el enlace entre el nodo focal y el nodo candidato no se puede crear (porque crearía un enlace múltiple o un bucle automático, o porque el grado del nodo focal es cero), entonces no se realizan actualizaciones para el nodo focal en este paso

El enlace entre el nodo focal y el vecino candidato se crea con probabilidad S_ab si el nodo focal está en el grupo a y el vecino candidato está en el grupo b. Los elementos S_ab forman una matriz de sesgo 2 × 2 que especifica la cantidad de opciones de homofilia / heterofilia en la red social. Para simplificar, parametrizamos la matriz de sesgo como S_aa = s_a, S_ab = 1 − s_a, S_bb = s_b, y S_ba = 1 − s_b, donde s_a (s_b) es la opción homofílica para el grupo a (b). De esta manera, cuando s_a = s_b = 1/2, todos los elementos de la matriz de sesgo también son 1/2, es decir, no hay elección de sesgo de homofilia. Multiplicar la matriz de sesgo por una constante cambia la velocidad de evolución de la red, pero no los puntos fijos de la dinámica. Tenga en cuenta que el sesgo depende solo de los grupos a los que pertenecen los dos individuos, lo que significa que los individuos tienen preferencias homogéneas de preferencia (31, 32).

Por último, como mantener las conexiones sociales requiere capacidad mental e inversión de tiempo, crear nuevas conexiones implica olvidar algunas de las antiguas (33). Modelamos este proceso eliminando aleatoriamente un enlace del nodo focal después de una creación exitosa del enlace. Esto mantiene el grado del nodo focal sin cambios (el individuo realiza la inversión de tiempo) pero altera los grados de los otros dos nodos afectados, cambiando así la distribución de grados de la red. Tenga en cuenta que la eliminación aleatoria de enlaces puede abrir triángulos, mientras que en realidad, los enlaces que están rodeados por triángulos tienen más probabilidades de ser enlaces fuertes (24) y, por lo tanto, es menos probable que se eliminen. Sin embargo, aquí optamos por la eliminación aleatoria de enlaces (29), que no implica estos supuestos adicionales de comportamiento social y es una opción típica en este tipo de modelos de redes sociales [junto con la eliminación aleatoria de nodos; (26, 27)].

Resultados

En nuestro enfoque, la interacción entre homofilia y cierre triádico (en una red social con dos grupos de atributos) forma un sistema dinámico en el que la evolución desde una red inicial arbitraria depende de los parámetros que regulan la elección homofílica (s_a, s_b) y el cierre triádico (c). Al igual que con cualquier otro modelo de red, el proceso estocástico asociado exhibe fluctuaciones aleatorias, pero la dinámica promedio de las cantidades de comportamiento clave, como la distribución de grados, el coeficiente de agrupamiento y, centralmente, la homofilia observada depende determinísticamente de los parámetros del modelo. Caracterizamos el comportamiento de la red siguiendo la dinámica de nuestro modelo usando una aproximación de campo medio y confirmamos nuestros resultados con simulaciones numéricas (ver Materiales y Métodos y los Materiales Complementarios).

La cantidad de homofilia que se puede observar directamente en la red modelo no es necesariamente la misma que el parámetro de homofilia elegido en el modelo. En una red con dos grupos de igual tamaño (n_a = n_b), la homofilia observada dentro de los grupos a y b (denotado por o_a y o_b) es igual a la probabilidad de transición de que seguir un enlace de un grupo conduzca al mismo grupo (T_aa y T_bb). Por lo tanto, cuando no hay cierre triádico (c = 0), la elección es homófilo igual a la fracción esperada de nodos vecinos en el mismo grupo (s_a = o_a = T_aa y s_b = o_b = T_bb). Si uno de los grupos es más grande (n_a > n_b) y no hay cierre triádico (c = 0), la fracción de vecinos en T_aa, grupo a es más grande que el sesgo de homofilia elegido (sa). Es por eso que definimos una corrección de tamaño de grupo en la homofilia observada como
oa=nbTaana(1−Taa)+nbTaa

y equivalente para el grupo b. Tenga en cuenta que esta relación se simplifica a o_a = T_aa y o_b = T_bb cuando los grupos de atributos son del mismo tamaño (ver Fig. 1F). La homofilia observada de tamaño corregido es igual a la elección de homofilia (o_a = s_a y o_b = s_b) cuando no hay cierre triádico (c = 0; ver Materiales y métodos). En el caso del cierre triádico arbitrario (c ≥ 0), definimos además la homofilia inducida ia tal que la homofilia observada es la suma de la homofilia inducida y la elección de la homofilia.

oa=sa+ia

Consistentemente, para c = 0, tenemos i_a = 0, y todo lo que se observa homofilia en la red social es elección homofílica.

Cuando los individuos forman nuevas aristas usando el mecanismo de cierre triádico en una red con patrones de conectividad homófilos existentes, se vinculan a su propio grupo incluso sin tener una opción explícita de sesgo de homofilia (Fig. 1F). Este proceso aumenta la homofilia observada (o_a) en la red más allá de eso debido a la elección de la homofilia (s_a), lo que a su vez aumenta la probabilidad de conexiones homofílicas en los próximos eventos de cierre triádico. Es decir, la homofilia observada existente originalmente debido a la elección de la homofilia crea homofilia inducida (más oportunidades para que personas similares se conozcan), lo que a su vez crea aún más homofilia inducida. Llamamos al resultado de esta amplificación homofilial de ciclo de ventaja acumulativa, ya que la cantidad de homofilia observada (o_a) es mayor que la cantidad de homofilia elegida (s_a) (vea la Fig. 2A para una ilustración). Los resultados de esta amplificación de homofilia acumulativa se muestran para grupos de igual tamaño y elección simétrica de homofilia (s = s_a = s_b) en la Fig. 2B. En el caso extremo de que no haya cableado aleatorio (falta de otros mecanismos de creación de enlaces), incluso un sesgo de homofilia de elección moderada (s ≥ 2/3) segregará la red social en grupos completamente desconectados (ver Fig. 2B para el campo medio solución y los Materiales suplementarios para una derivación de este resultado).



Fig. 2 Interacción entre cierre triádico y elección homofílica.
(A) Esquemas de los estados estacionarios a los que la red puede converger durante el proceso de recableado (puntos fijos estables de la dinámica del modelo basados ​​en un análisis de campo medio; ver los Materiales suplementarios). Las líneas continuas (discontinuas) representan una conectividad intragrupo e intergrupal grande (baja). El punto fijo de amplificación de homofilia 0 tiene muchos enlaces dentro de los grupos y unos pocos entre (valores altos de T_aa y T_bb). En el punto fijo núcleo-periferia + (-), el grupo grande (pequeño) forma el núcleo y atrae los enlaces del grupo periférico pequeño (grande): T_ab y T_bb (T_ba y T_a) son altos, mientras que T_aa y T_ba (T_bb y T_ba) son bajos (consulte los Materiales complementarios para obtener detalles sobre la clasificación de puntos fijos). (B) Homofilia observada oa = Taa (fracción de vecinos en el mismo grupo de un nodo focal en el grupo a) al final de la dinámica en función de la elección homofilia s = sa = sb. Los tamaños de los grupos son iguales (na = nb), y la probabilidad de cierre triádico c es variada. Los cálculos de campo medio (las líneas continuas corresponden a puntos fijos estables y las líneas punteadas a las inestables) y las simulaciones numéricas (cruces) concuerdan muy bien (consulte los Materiales suplementarios para un análisis sistemático). Recuadro: Caso c = 0.9 donde existen dos puntos estables / inestables (líneas continuas / discontinuas). Como na = nb, los puntos fijos +/− son equivalentes, pero para una elección adecuada de homofilia (0.56 <s <0.70), un grupo se convierte en el núcleo y la otra periferia dependiendo de la red inicial y / o la posibilidad aleatoria.

Además de la amplificación de homofilia, el mecanismo de cierre triádico y la elección de homofilia también pueden conducir a una estructura social núcleo-periferia (34-36) donde el grupo central se conecta principalmente consigo mismo, mientras que el grupo periférico se conecta casi exclusivamente con el grupo central incluso en la presencia de elección homofílica (ver Fig. 2A para una ilustración de la estructura núcleo-periferia y la Fig. 2B insertada para los resultados analíticos y de simulación). Este efecto, aparentemente opuesto al impulso de los individuos por encontrar conexiones homófilas en el grupo periférico, se debe a la gran probabilidad de encontrar un vecino candidato en el grupo central al intentar cerrar triángulos (Fig. 1D). Esta probabilidad es mayor cuando la conectividad entre los dos grupos es débil, lo que explica el papel de la elección de la homofilia en la formación de la estructura núcleo-periferia (ver Materiales complementarios para un esquema similar a la figura 1F). La amplificación por homofilia y la periferia del núcleo son dos resultados competitivos de la interacción entre el cierre triádico y la elección por homofilia. Una estructura social núcleo-periferia es posible dentro de redes de otro modo simétricas con un alto cierre triádico cuando hay suficiente opción de homofilia para impulsar la estructura núcleo-periferia, pero no lo suficiente como para inclinar el equilibrio hacia dos grupos estrechamente interconectados. Alternativamente, puede aparecer una estructura núcleo-periferia cuando hay suficiente asimetría en la red social debido a los tamaños desiguales del grupo o los sesgos de elección de la homofilia (Fig. 3).




Fig. 3 Diagramas de fase de puntos fijos disponibles.
Las áreas de sombreado diferente corresponden a rangos de parámetros en los que existen varios puntos fijos (puntos estables 0, + y - o los puntos inestables correspondientes U0, U + y U−) (ver Fig. 2A). Tenga en cuenta que los puntos fijos inestables son puntos de silla de montar con conectividades relativas cualitativamente similares que sus variantes estables. (Arriba) La opción de homofilia es la misma para ambos grupos (s = sa = sb), y los puntos fijos se muestran en función de sy c. (Abajo) La elección de homofilia para los grupos es variada, y los puntos fijos se muestran en función de sa y sb. Aquí, la probabilidad de cierre triádico se fija en c = 0.95. (Izquierda) Los grupos son del mismo tamaño (na = nb). (Derecha) Los grupos tienen un tamaño desigual (na = 0.1). La línea discontinua corresponde a los valores de los parámetros en la figura 2B y el punto a las figuras 4A y 4B. Los resultados en el panel principal de la Fig. 2B están en la región blanca con un único punto fijo (0) (panel superior izquierdo).

El aumento de las estructuras sociales de amplificación de homofilia y núcleo-periferia depende no solo de los parámetros que regulan el cierre triádico y la elección de la homofilia, sino también de las condiciones iniciales y las fluctuaciones aleatorias de la evolución de la red, lo que significa que el sistema muestra memoria de restricciones estructurales anteriores o histéresis de homofilia (vea la Fig. 2B para ver un ejemplo donde cualquiera de los dos grupos puede convertirse en el núcleo, y la Fig. 3 para un análisis más sistemático). En otras palabras, si los parámetros del sistema cambian (es decir, la elección de la homofilia y la probabilidad de cierre triádico), la red social puede experimentar cambios dramáticos, no reversibles, de modo que volver a los parámetros anteriores no devuelve el sistema al mismo estado final (es decir, El mismo punto fijo). Esto sugiere que las redes sociales pueden tener memoria persistente de homofilia, con una estructura que depende tanto de los sesgos de homofilia de elección actuales como de su historia. Por lo tanto, especulamos que el momento de las intervenciones destinadas a reducir la homofilia observada o la formación de grupos centrales en, por ejemplo, una red social en línea puede ser crítico. Una vez que la red ha alcanzado un punto estable de su dinámica o está cerca de uno, puede ser mucho más difícil conducir el sistema a otro punto estable al intentar cambiar la elección de los individuos u otros parámetros.

Las escalas de tiempo en las que la red social se dirige hacia la amplificación de homofilia o una estructura núcleo-periferia varían mucho (Fig. 4A). La amplificación de homofilia generalmente es un proceso rápido, que requiere solo unos pocos eventos de cableado por enlace para que la red social alcance un punto estable. Por otro lado, una estructura social núcleo-periferia evoluciona lentamente hacia el equilibrio, e incluso si una red eventualmente se estabilizara en una estructura núcleo-periferia, puede exhibir primero una rápida amplificación de homofilia (Fig. 4B). Este resultado sugiere que incluso si una red social real (en la sociedad o en las plataformas en línea) siguiera con precisión nuestro modelo estilístico, podría no mostrar una estructura estable de periferia central completa, sino un estado transitorio que se desplaza lentamente hacia el dominio estructural de uno grupo sobre el otro. Si la red se dirige primero hacia la amplificación homofílica, el grupo que eventualmente se convierte en el núcleo puede depender puramente de la posibilidad aleatoria (Fig. 4A).



Fig. 4 Modelo de evolución temporal.
Distancia euclidiana δ en (T_aa, T_bb) -espacio entre el estado actual de la dinámica y los puntos fijos (A) + y (B) U0 en función del tiempo t (en unidades del número promedio de veces que se selecciona un enlace para volver a cablear ) para na = nb, c = 0.9 ys = 0.6 (línea vertical discontinua en la figura 2B insertada). Los marcadores son resultados de simulación y las líneas son soluciones de campo medio. Los colores corresponden a tres configuraciones de red iniciales diferentes. (B) La dinámica amplifica la homofilia primero al acercarse rápidamente al punto inestable U0 y desviarse de él después de ∼100 pasos de tiempo. (A) Las curvas azul y naranja se acercan lentamente al punto estable núcleo-periferia +. La curva verde se aproxima al otro punto estable núcleo-periferia (-).

Para estimar cuánto difiere la homofilia observada de la homofilia elegida en las redes sociales del mundo real, así como para encontrar el punto estable que mejor se corresponda con su estructura, ajustamos varios conjuntos de datos empíricos de interacciones sociales fuera y en línea a nuestro modelo de cierre triádico y elección homofílica (Fig. 5). Utilizamos dos enfoques para ajustar los datos: (i) resolver para la elección los parámetros de homofilia sa y sa a partir de los puntos fijos de las ecuaciones de campo medio, dada la matriz T en los datos y una probabilidad de cierre triádica c [denotamos estas soluciones sa (c) y sb (c)], y (ii) utilizando un método aproximado de cálculo bayesiano (ABC) (37) para encontrar estimaciones para los parámetros del modelo (denotado por sABCa y sABCb). Para comparar fácilmente el efecto del cierre triádico a través de los conjuntos de datos, primero normalizamos la elección y observamos la homofilia de manera que 0 no implica homofilia / heterofilia en la red, y 1 implica la máxima homofilia (sˆ=2s−1 y oˆ=2o−1). Luego definimos la amplificación de homofilia A como la diferencia relativa entre la elección normalizada y las homofilias observadas

A=oˆ−sˆ∣oˆ∣=i∣o−1/2∣

(3) donde inducida homofilia i sigue la ecuación. 2. Tenga en cuenta que la homofilia observada oˆ=sˆ(0) es la misma que la estimación de campo medio para c = 0 (ver Materiales y Métodos para más detalles).



Fig. 5 Amplificación de la homofilia en las redes sociales del mundo real.
(Arriba) Amplificación de homofilia estimada A (véase la ecuación 3) para redes empíricas. Las líneas son ajustes de campo medio en función del cierre triádico c. Los puntos corresponden a los valores medios estimados de amplificación de homofilia utilizando un método ABC, representado en el cierre triádico medio estimado 〈c〉. Los enlaces, nodos y atributos en cada conjunto de datos son los siguientes: amistades de Facebook para usuarios por año de graduación en la mayor de las 100 redes (Facebook), enlaces entre blogs políticos por partido (Polblogs), amistades entre estudiantes por género (escuela), Amistades de Last.fm para usuarios por género (Last.fm), y vínculos entre personas en juntas directivas en Noruega en 2010 (Directores). El grupo más pequeño a se denota en rojo. (Gráficos de dispersión) Amplificación de homofilia estimada Aa y Ab, y la elección media estima homofilia ⟨sABCa⟩
y ⟨sABCb⟩ (ambos del método ABC) en las 100 universidades del conjunto de datos de Facebook, donde los dos grupos i = a, b (na <nb) son años de graduación. La red más grande está marcada con una cruz roja (consulte Materiales y métodos y la Tabla 1 para obtener detalles del conjunto de datos). (Inferior) Distribuciones estimadas para la elección de homofilia sABCa y sABCb utilizando el método ABC para el conjunto de datos del panel superior correspondiente (colores denotan grupo), donde las líneas verticales representan estimaciones medias (⟨sABCa⟩ y ⟨sABCb⟩).


En términos de ajustar el comportamiento de campo medio del modelo a los datos, tres redes muestran amplificación de homofilia en ambos grupos: una red de amistad de Facebook que consta de dos clases en una universidad de EE. UU. (38), una red de contacto de un día de estudiantes de primaria dividido por género (39), y una red de blogs políticos divididos por afiliación partidaria (40). El resto de ellos, una red de amistad en un sitio web para compartir hábitos de escuchar música (Last.fm) y una red de directores de la compañía (41), ambos divididos por género, muestran un patrón donde parte de la homofilia observada dentro de uno de los grupos podría explicarse por amplificación de homofilia, pero la elección de homofilia en los otros grupos podría subestimarse debido al mecanismo de cierre triádico. En el caso de la junta directiva, observamos la elección de la heterofilia dentro de los hombres y la elección de la homofilia dentro de las mujeres, lo que junto con el mecanismo de cierre triádico explica el núcleo de las directoras observadas en el estudio donde se introdujo esta red (41). En el procedimiento de ajuste de campo medio, la amplificación de homofilia máxima posible [A (c = 1)] supera el 50% para la red social de blogs políticos, la red de Facebook más grande y el consejo de administración. La estimación exacta de la elección depende de la tendencia latente de cierre triádico en la red (c). Sin embargo, la paridad de la amplificación [A (c)] es independiente de esta estimación, y el crecimiento de la amplificación es monótono en función de c.

La imagen cualitativa que obtenemos para las estimaciones de amplificación utilizando el método ABC es en su mayoría similar al proceso de ajuste de campo medio. Los cambios se producen principalmente en las escalas de los efectos para algunos conjuntos de datos, y en los datos de la escuela primaria, la amplificación casi inexistente ahora se estima como amplificación negativa. Además, el método ABC nos da una estimación de la probabilidad de cierre triádico (c^ABC〉), que varía de muy alta (para las redes de Facebook y blogs políticos) a media (para los otros conjuntos de datos). Las distribuciones posteriores completas para las variables de homofilia de elección tienen una buena cantidad de varianza, lo que significa que las estimaciones puntuales que damos son solo indicativas del comportamiento esperado (ver Fig.5 y los Materiales suplementarios para distribuciones posteriores para otros valores de parámetros). El método ABC también nos proporciona una distribución de posibles matrices T iniciales o, de manera equivalente, matrices P (consulte los Materiales suplementarios para ver las distribuciones relacionadas). Aunque para la mayoría de las redes la condición inicial es en gran medida irrelevante, para la red de blogs políticos, la homofilia observada debe ser alta en la condición inicial. Esto se debe a que la red de blogs políticos se encuentra en una parte de un espacio de parámetros con múltiples puntos fijos (es decir, histéresis de homofilia). Nuestro modelo sugiere que la red podría haber estado en un punto fijo núcleo-periferia si la red no hubiera evolucionado históricamente desde una situación estructuralmente polarizada (consulte los Materiales complementarios para más detalles).

Un análisis sistemático de 100 redes de Facebook (38) revela que la mayor parte de los valores de amplificación estimados por ABC son positivos, que van hasta el 60% observado para la mayor de estas redes (y más en algunos casos extremos). Tenga en cuenta que existen grandes diferencias entre las estimaciones de homofilia de elección (⟨sABCa⟩ y⟨sABCb), y están altamente correlacionados (r de Pearson = 0,88), lo que puede indicar que la cantidad de opciones de homofilia que observamos en cada universidad es una característica de la universidad y no de la clase de los estudiantes. Los resultados en nuestros dos procedimientos de ajuste sugieren que usar la homofilia observada como un estimador ingenuo para la elección de la homofilia puede conducir a una sobreestimación o subestimación grave de la intensidad de la homofilia (incluso para una cantidad moderada de cierre triádico) en varias redes sociales del mundo real tanto en la sociedad como en las plataformas en línea.

Discusión

Nuestros hallazgos muestran que los patrones de asociación homófilos que se ven típicamente en las redes sociales empíricas no solo surgen debido a una preferencia individual por la similitud, sino que también son el resultado de un proceso de ventaja acumulativa que tiende a amplificar este sesgo intrínseco a la elección debido a la homofilia. al cierre triádico. Mediante un modelo mínimo de evolución de las redes sociales, encontramos límites en las cantidades de cierre triádico y la elección de la homofilia necesaria para que surja dicha amplificación de la homofilia. Esto corrobora teóricamente observaciones previas en redes organizacionales (42) y de comunicación (16, 17). En el caso genérico de una cantidad moderada de eventos de cierre triádicos y grupos de atributos de tamaño similar, la elección homofílica se amplifica mediante el cierre triádico a través de un mecanismo de punto de inflexión análogo al responsable de la segregación residencial en el modelo de Schelling (18), en el que la segregación toma colocar en la topología de la red social en lugar de en el espacio físico.

Además de la amplificación de la homofilia, nuestros resultados sugieren que la interacción entre el cierre triádico y la elección de la homofilia es una explicación plausible para el surgimiento de la estructura centro-periferia que se encuentra en las redes sociales, de comunicación, académicas, comerciales y financieras (34-36). En tales estructuras, el grupo central de individuos está tan bien conectado que seguir los enlaces a través del cierre triádico casi siempre conduce al mismo grupo, haciendo que el núcleo esté aún más conectado. Si bien el cierre triádico y la homofilia ya se consideran factores contribuyentes en la formación de comunidades (grupos cohesivos y surtativos densamente conectados), el impacto de los atributos de los nodos en la estructura núcleo-periferia está menos estudiado. Nuestro modelo implica que la transición dinámica a las redes núcleo-periferia es lenta y a menudo precedida por una amplificación homofílica rápida pero temporal. Esto puede explicar en parte por qué la literatura sobre redes sociales se ha centrado en redes agrupadas en lugar de otros tipos más raros de estructuras de escala intermedia.

Los efectos combinados del cierre triádico y la elección de la homofilia también incluyen la memoria de las restricciones homofílicas, es decir, sistemas con puntos estables múltiples y coexistentes para una amplia gama de tamaños de grupos relativos y cantidades de cierre triádico y elección de la homofilia. En otras palabras, incluso si se cambian las tendencias de elección de homofilia o de cierre triádico, una red social puede preservar la memoria de su configuración estructural actual. Esto hace que sea difícil alterar la forma de una red estable, por ejemplo, variando la opción típica de homofilia de sus individuos. Sobre la base de estos hallazgos, esperamos que, al planificar intervenciones externas para reducir la segregación social inducida por homofilia, se tomen medidas de acción más temprano que tarde, ya que la escala de intervenciones con un efecto significativo en la estructura de la red social aumenta con tiempo. Aún así, se necesita más investigación antes de que podamos ofrecer sugerencias concretas sobre estrategias de intervención.

Debido a que la elección de la homofilia no es directamente observable a partir de los datos estáticos de las redes sociales, es necesario inferirla a partir de la información disponible. Dicha inferencia siempre está sujeta a asumir un modelo para la creación de datos, y las estimaciones exactas para la elección de la homofilia siempre deben interpretarse teniendo esto en cuenta. Al ajustar la solución de campo medio del modelo a los datos, se supone que la red del mundo real está en un estado estable, ya que se basa simplemente en hacer coincidir las probabilidades de enlace (T) de los datos con los estados estables del modelo. El método ABC más elaborado implica más observables y un número finito de pasos de evolución. También se podría incluir el número de pasos t como un parámetro apropiado para investigar su efecto en la convergencia del método. Los resultados de los procedimientos de ajuste de campo medio y ABC coinciden cualitativamente entre sí en el sentido de que las conclusiones generales extraídas de ellos son las mismas. Sin embargo, los valores estimados puntuales son diferentes en muchos casos, y existe una cantidad notable de variación en las distribuciones posteriores de las estimaciones de parámetros para el método ABC. Esta variación podría reducirse al permitir tamaños de red más grandes (que están limitados por restricciones computacionales), al incluir diferentes estadísticas de resumen en la función de discrepancia, al ajustar aún más los parámetros del método ABC o al incluir mecanismos adicionales en el modelo. La aplicación de estos métodos a modelos de redes mecanicistas es un enfoque relativamente nuevo (43), y se pueden esperar nuevos desarrollos en esta área a medida que estos métodos maduren.
A diferencia de nuestro enfoque, los modelos estacionarios no mecánicos, como los gráficos aleatorios exponenciales (ERGM), también se pueden utilizar para estudiar la interacción entre el cierre triádico y la homofilia (44-46). La diferencia conceptual clave para nuestro enfoque es que los ERGM son modelos de red estática, que pueden usarse para equilibrar la tendencia hacia triángulos, enlaces homofílicos, triángulos homofílicos y muchas otras características de la red como factores que explican la estructura de la red. Nuestro enfoque es más bien un modelo de interacción acumulativa de dos mecanismos explícitos y microscópicos de evolución de red [tenga en cuenta, sin embargo, que algunos modelos de evolución de red microscópica cuidadosamente elaborados pueden converger, bajo ciertos supuestos, a ERGM como estados estables (46, 47) y ERGM a menudo se muestrean con los métodos de Monte Carlo de la cadena de Markov en los que las redes se vuelven a cablear (48)]. Esto significa que los ERGM no modelan explícitamente procesos acumulativos ni dicen nada sobre escalas de tiempo múltiples o estados metaestables, lo que encontramos como consecuencia de combinar el cierre triádico con un sesgo de homofilia de elección.

Nuestro enfoque supone que los atributos biológicos y culturales subyacentes a la homofilia son constantes en el tiempo. Si bien este supuesto es principalmente cierto para las características individuales a largo plazo, como el género o la religión, no lo es tanto para rasgos como la afiliación política, la ocupación y las opiniones. Las redes donde los enlaces y los atributos cambian de forma adaptativa entre sí (es decir, siguiendo la dinámica coevolutiva adaptativa) se han estudiado ampliamente para detectar fenómenos biológicos, económicos y sociales (49-51). Cuando se favorecen los enlaces entre nodos con atributos similares, la dinámica adaptativa se autoorganiza en redes heterogéneas donde los grupos de individuos que comparten atributos son estructuralmente distinguibles entre sí (52–56). Tal característica genérica de las redes adaptativas hace probable que nuestras observaciones de los efectos acumulativos del cierre triádico y la homofilia se mantengan incluso en el caso de atributos individuales dependientes del tiempo (57, 58). El estudio de una interacción adaptativa entre el cierre triádico y la homofilia es una línea digna de investigación futura que puede revelar ciclos de retroalimentación adicionales y complejos entre la estructura social y la evolución de los atributos.

La simplicidad de nuestro marco sugiere que la presencia de cierre triádico y elección de homofilia para un valor de atributo dado es suficiente para explicar algunas características sobresalientes de las redes sociales empíricas como la amplificación de homofilia y las estructuras núcleo-periferia. Sin embargo, los efectos de las características más realistas de la sociedad, como la existencia de más de dos valores para un solo atributo, restricciones estructurales más allá del cierre triádico y la coexistencia de varios atributos en una población [en el espíritu del modelo cultural de Axelrod difusión (59)], quedan por estudiar. Anticipamos que nuestros resultados promueven aún más interés en la simulación computacional basada en datos de las interacciones sociales y arrojan más luz sobre la relación entre el cierre triádico y la homofilia. Esta visión ayudará a los investigadores y a los responsables políticos a diseñar estrategias de intervención para disminuir los efectos más adversos de la toma de decisiones homofílicas, incluidas las estructuras sociales segregadas, como los lugares de trabajo específicos de género y los sistemas políticos partidistas.


Ver Materiales y métodos

Cómo se viralizó el meme Harlem Shake

The Harlem Shake: Anatomía de un meme viral

The Huffington Post





Si aún no has oído hablar del Harlem Shake, debes estar viviendo en una cueva. Mucho se ha escrito sobre la rápida y global propagación de este pegadizo meme de Internet, pero poco se entiende sobre cómo se propagó. En la siguiente publicación, observamos la aparición del meme a través de los datos de Twitter. Una serie de videos remezclados junto con una serie de comunidades clave en todo el mundo desencadenaron una escalada rápida, dando al meme una visibilidad global generalizada. ¿Qué podemos aprender de los datos? ¿Quiénes fueron las comunidades iniciales detrás de esta megatendencia? ¿Quiénes fueron algunos de los creadores de tendencias y qué tuvo que ver la escena techno-DJ de Jamaica con esto?



= - = - =

El Harlem Shake es un estilo de baile nacido en la ciudad de Nueva York hace más de 30 años: “Durante el medio tiempo en los juegos de pelota callejeros celebrados en Rucker Park, un hombre delgado conocido en el vecindario como Al. B. entretendría a la multitud con suxxx propia marca de movimientos, un baile que alrededor de Harlem se hizo conocido como ‘The Al. B. "" Aunque comenzó en 1981, el Harlem shake se convirtió en la corriente principal en 2001 cuando G. Dep presentó el baile en su video musical "Let’s Get It".

Al extraer datos de Twitter, las referencias a Harlem Shake (el baile original) se vieron con bastante frecuencia antes de que se convirtiera en un meme popular. Por ejemplo, los usuarios escribirían Tweets que hacen referencia al baile de la siguiente manera:

Finally back in LA. I have almost 2 weeks of prepping and me time! *harlem shakes*

— Brian Puspos (@BrianPuspos) February 5, 2013

Existen numerosos ejemplos de Tweets con esta frase en este contexto (aquí hay algunos ejemplos), muchos de ellos utilizando el carácter * como énfasis. Kimberly Ellis, Académica de Estudios Americanos y Africanos, afirma que este tipo de lenguaje simplemente está siendo referenciado a través de la memoria cultural. Y los usuarios son muy dramáticos, por lo tanto, colocan "elementos de acción" en los tweets:

Cuando alguien tuitea: “¡Acabo de aprobar mis exámenes finales! * harlem shakes * ", es el equivalente a decir" ¡Acabo de aprobar mis exámenes finales! ¡Mírame bailar! Como puede ver, el Harlem Shake de la memoria cultural es tan enérgico, que recordar lo visual en un tweet lo hace aún más histérico y otro momento cultural compartido para los afroamericanos en Twitter.

= - = - =

Si bien la canción ahora infame de Bauuer se lanzó en el sello Mad Decent de Diplo en agosto de 2012 (publicado en YouTube el 23 de agosto de 2012), solo acumuló una visibilidad menor durante los primeros meses. Luego llegó febrero y algo cambió.

La línea de tiempo a continuación resalta los primeros días cuando el meme despegaba. En azul, vemos referencias al baile de los años 80 * harlem shakes *. Tenga en cuenta el patrón diurno, que sube y baja constantemente a diario. En contraste, la curva verde representa Tweets que usan la frase "The Harlem Shake", muchos de ellos vinculados a una de las tres primeras versiones del meme en YouTube.


El 2 de febrero, el grupo The Sunny Coast Skate (TSCS) estableció la forma del meme en un video de YouTube que subieron. El 5, PHL_On_NAN publica un remix (v2), ganando 300,000 visitas en 24 horas y provocando más parodias poco después. El 7 de febrero, YouTuber hiimrawn subió una versión titulada "Harlem Shake v3 (edición de oficina)" con el personal de la compañía de producción de videos en línea Maker Studios. El video se convierte en un éxito, acumulando más de 7,4 millones de visitas durante la semana siguiente e inspirando una serie de contribuciones de compañías de Internet conocidas, incluidas BuzzFeed, CollegeHumor, Vimeo y Facebook.

En una entrevista en video, Vernon Shaw, coordinador de desarrollo de canales en Maker Studios (producido v3), afirma que vio las dos primeras versiones en Reddit. Era evidente que estaba surgiendo una forma, y ​​después de que v2 acumuló 100k vistas, le quedó claro que esta era la etapa "pre-viral". Vernon atribuye a Reddit el hecho de ser el primero en resaltar los remixes, alegando que "se puede saber cuándo una tendencia está por comenzar al detectarla en Reddit primero ... uno o dos días antes que Facebook".

= - = - =

Aquí hay un grafo que muestra retuits durante la primera semana, a medida que se establecía el meme. Podemos identificar perfiles dominantes que ayudaron a hacer visibles los videos en Twitter, corredores de información clave. Cada nodo representa un usuario de Twitter, y cuanto más grande es un nodo, más Retweets genera ese usuario al publicar en el meme. El color más claro participó anteriormente, por lo tanto, vemos a @baauer, @dipio y @maddecent muy temprano, publicando en Twitter y acumulando Retweets. En la región inferior derecha, identificamos YouTubers influyentes que fueron clave para transmitir el meme, como @kingsleyyy, @KSIOlajidebt, @ConnorFranta y @Jenna_Marbles. Tenga en cuenta el tamaño general de estos perfiles frente a @StephenAtHome (Colbert) o incluso @YouTube. Estos influyentes YouTubers claramente desempeñaron un papel destacado en la generación de rumores en Twitter, mucho más que cuentas significativamente más grandes, como las de Stephen Colbert o YouTube.




= - = - =

Luego, en lugar de mapear Retweets, observamos las conexiones sociales entre los usuarios que publicaron en el meme. Esto nos da la capacidad de identificar las comunidades subyacentes que participan en el meme en una etapa muy temprana. En el siguiente gráfico, cada nodo representa un usuario que estaba publicando activamente y haciendo referencia al meme de Harlem Shake el 7 u 8 de febrero en Twitter. Las conexiones entre usuarios reflejan relaciones de seguimiento / amistad. El gráfico se organiza utilizando un algoritmo de fuerza dirigida y se colorea según la modularidad, destacando los grupos dominantes, regiones en el gráfico que están mucho más interconectadas. Estos grupos representan grupos de usuarios que tienden a tener algún atributo en común.




Uno de los grupos más densos incluye @baauer, @diplo, @maddecent y otros DJs y músicos. Claramente son una comunidad central que publicaron el meme desde el principio. Identificamos esto claramente en el gráfico Retweet anterior. En rojo y verde (arriba, derecha) vemos regiones del gráfico que destacan varias comunidades de YouTube. Estos son usuarios cuya identidad web dominante es su página de YouTube. Si bien muchos de ellos tienen identificadores de Twitter, todos se vinculan a su página de YouTube como una identidad principal, mientras que muchos se describen a sí mismos como 'YouTubers'. Vemos una densa comunidad de usuarios brasileños (derecha), raperos jamaiquinos (arriba a la izquierda). ciudad (abajo) y usuarios de París, Francia (abajo, centro-izquierda). En el centro, hay cuentas como BroBible y theBERRY / theCHIVE que fueron uno de los primeros medios de comunicación nuevos en identificar el meme como interesante.

La región púrpura en el gráfico (lado izquierdo) representa a los usuarios afroamericanos de Twitter que hacen referencia a Harlem Shake en su contexto original. Hay muy poca densidad allí, ya que no es realmente una comunidad muy unida, sino más bien un segmento de usuarios que están culturalmente alineados y claramente están mucho más interconectados entre sí que con otros grupos.

Si ejecutamos un análisis similar en los dos días siguientes (9 y 10 de febrero), vemos surgir diferentes comunidades y una estructura gráfica mucho más unida:



Si bien todavía existe el mismo grupo de músicos y DJ (en turquesa), hay muchos más YouTubers autoidentificados tanto en los EE. UU. como en el Reino Unido. Al mismo tiempo, hay un importante grupo de jugadores / machinima que también participa, así como un contingente jamaicano en crecimiento y bastantes perfiles holandeses (púrpura - izquierda). Además, vemos varias cuentas de celebridades y medios que captaron el meme: @jimmyfallon, @mashable y @huffingtonpost.

Al capturar las dos instantáneas, también podemos dar sentido a la evolución del meme a medida que se hace más y más visible. Al principio, las comunidades conectadas sin apretar por separado por los videos. En cuestión de días, vemos a los principales medios de comunicación saltar a bordo, y un paisaje mucho más entrelazado. Vemos cómo se iluminan diferentes regiones del mundo e identificamos comunidades de entusiastas importantes de YouTube que efectivamente hacen que este contenido se difunda.

= - = - = - =

En este caso, vemos una red clara de YouTubers influyentes en los EE. UU. Y el Reino Unido combinados con un denso grupo de músicos y DJ que ayudaron a que este meme sea increíblemente visible. También vemos cómo se extendió rápidamente por todo el mundo, con densos contingentes en Jamaica, Sudáfrica, Brasil, Francia y los Países Bajos. Al comparar dos instantáneas en el tiempo, vemos literalmente la diferencia entre una tendencia emergente entre las comunidades basadas en intereses libremente conectadas, a un grupo denso más conectado donde los medios digitales amplifican significativamente.

Los memes se han convertido en una especie de espectáculo de masas distribuido. La cultura se está creando, remezclando y reforzando dentro de las redes sociales, y los memes se están convirtiendo en un mecanismo que capta la atención de las personas y define lo que es "genial" o "moderno". Vemos que más y más compañías y marcas intentan asociarse con ciertos memes, como una forma de mantener una conexión con su audiencia, ganar el factor genial. Pepsi hizo esto con el Harlem Shake y vio una respuesta increíblemente positiva. A medida que mejoramos en la identificación de estas tendencias y las comunidades que marcan tendencias desde el principio, aumentará la presión para participar.

A medida que las redes sociales se entrelazan a nivel mundial, estamos presenciando un número creciente de memes conquistando el mundo en general. Estos momentos son puntos críticos en el tiempo, donde hay niveles significativos de atención hacia una entidad específica, ya sea una broma, un video divertido o un tema político. La recopilación de datos de las redes sociales puede ayudarnos a identificar puntos críticos en el tiempo, así como las comunidades subyacentes y los creadores de tendencias para los memes basados ​​en el humor, o los creadores de la agenda para los políticos.

La vida de un hashtag en 24 horas retratada en Gephi

Las antiguas redes comerciales que enmarcan las actuales

De los elefantes de guerra a la electrónica barata: la globalización moderna tiene sus raíces en antiguas redes comerciales

Anna M. Kotarba-Morley
Profesor de Arqueología, Universidad de Flinders
The Conversation


Muchos piensan en la globalización como un fenómeno moderno y corporativo, y se ha relacionado fácilmente con la propagación del coronavirus.

Pero la globalización no es nueva. La investigación arqueológica muestra que comenzó en la antigüedad.

Una economía global, con consumismo de lujo e interconectividad global, unió Europa, África y Asia hace al menos 5.000 años y se generalizó hace 2.000 años.

Durante la última década, las excavaciones arqueológicas de los antiguos puertos comerciales han revelado redes prósperas de comercio marítimo y terrestre que florecieron en el mundo antiguo.

Los descubrimientos recientes desafían nuestra comprensión de las economías globales y la conectividad internacional a través de estudios de arquitectura, bienes comerciales excavados y “ecofactos”: evidencia orgánica (como semillas, polen o varios sedimentos) asociados con la actividad humana.

Los puertos y centros comerciales vinculaban la civilización del valle del Indo en el sur de Asia con los de la antigua Dilmun (actual Bahrein), una puerta sur de Mesopotamia, hace unos 4.500 años.

Los imperios romano y Han, y todos los demás, estaban conectados directamente a través de puestos de avanzada en el Océano Índico hace unos 2.000 años, presagiando nuestro mundo globalizado.

Bienes comunes y lujos exóticos

Berenike, una pequeña ciudad romana de unos 2.000 habitantes en la costa sur del Mar Rojo de Egipto, fue uno de los principales centros comerciales internacionales. El sitio estuvo operativo durante más de 800 años desde su fundación por el faraón Ptolomeo II para traer elefantes de guerra africanos a Egipto.

La ciudad fue uno de los puntos de partida del Periplus Maris Erythraei (Circunnavegación del Mar Rojo), una antigua guía comercial escrita en el siglo I d. C. Ubicada estratégicamente en el extremo norte de los vientos monzónicos, Berenike recibió mercancías del otro lado del Océano Índico para ser empacadas en caravanas de camellos y transportadas a lo largo de las rutas del desierto hacia el Nilo. En el puerto de Coptos en el Nilo, las mercancías se volvieron a cargar en los barcos fluviales que viajaban a Alejandría y luego a través del Mediterráneo.




Un mapa de 1597 que representa las ubicaciones del Periplus del Mar Eritreo. Wikimedia Commons

Las excavaciones en Berenike han arrojado restos orgánicos, bienes comerciales comunes y lujos exóticos. Estos atestiguan contactos tan al norte y oeste como España y Gran Bretaña y tan al sur y al este como el sur de Arabia, África subsahariana y Sri Lanka. Indirectamente, estos puertos proporcionaron contacto con Vietnam, Tailandia y el este de Java.

Se cree que Berenike cayó en desuso alrededor del siglo VI d. C. debido a la peste de Justiniano.


Una excavación en Berenike. Anna M. Kotarba-Morley, autor proporcionado

Un mundo interconectado

Los humanos han estado involucrados en la navegación desde la Edad de Piedra. Con el tiempo, las tecnologías de construcción naval y navegación mejoraron. Hace más de 2.000 años, la gente de mar india, árabe y romana dominaba las rutas del monzón.

Al comprender los patrones de viento del Mar Rojo y los monzones del Océano Índico, el viaje al sur de Asia podría hacerse sin depender de los saltos costeros que requieren mucho tiempo.


La comprensión de los vientos y las corrientes en el Mar Rojo, Asia y Europa se mejoró mucho en la época romana. Anna M. Kotarba-Morley, autor proporcionado

A finales del siglo XV y principios del XVI, exploradores como Cristóbal Colón, Vasco de Gama y Fernando de Magallanes emprendieron viajes con un propósito casi resuelto: adquirir especias exóticas. Esta "Era de la Exploración" se produjo mucho después de que el comercio a distancia cubriera continentes.

En julio de 1497, de Gama salió de Lisboa y llegó al puerto keniano de Malindi en abril. Allí, contrató a un matemático árabe, Ahmed Ibn Magid, que navegó sin problemas por la ruta del monzón hasta el puerto indio de Kozhikode.

Después de circunnavegar África y 23 días de viaje en mar abierto, da Gama e Ibn Magid llegaron a la costa de Malabar en un viaje de menos de un año.

Viajes similares también habrían tomado poco menos de un año en la época romana: por mar desde Roma a Alejandría, por río desde Alejandría a Coptos, por caravana de Coptos a un puerto del Mar Rojo y a través del mar hasta la India. Dependiendo de los vientos monzónicos, los comerciantes romanos podían emprender este viaje solo una vez al año en cada dirección.

En los siglos XVIII y principios del XIX, las mejoras en la construcción naval y la apertura del Canal de Suez redujeron el viaje de Inglaterra a la India a entre cuatro y seis meses, durante todo el año en ambas direcciones. Hoy en día, el Canal de Suez registra más de 20,000 pasajes al año.

Hoy en día, los potentes buques de carga modernos tardan 20 días en la misma ruta. Puedes volar de Londres a Mumbai en nueve horas.

La rápida propagación sin precedentes de COVID-19 es solo uno de los muchos legados del mundo antiguo globalizado.

Viejo mundo internacionalizado

Dado que las fronteras se cierran y las restricciones de viaje siguen siendo generalizadas, muchos cuestionan la globalización "moderna", pero las redes de intercambio y comercio a larga distancia han interconectado al mundo desde la Edad del Bronce (3300-1200 a. C.).


Un fresco de barcos y un pueblo costero, fechado entre 1650 y 1500 a. Wikimedia Commons

Las investigaciones arqueológicas en curso ayudan a dar forma a narrativas importantes relacionadas con la movilidad humana, colocando debates modernos sobre el intercambio intercultural, las narrativas de migrantes contra expatriados, las religiones globales y locales, la migración forzada y voluntaria, así como los patrones de adaptación y asimilación dentro de un marco histórico más amplio .

En el mundo de la creciente división política, es importante recordar que el mundo antiguo, con todas sus deficiencias, era abierto, tolerante y multirracial. No era tan sorprendentemente diferente al mundo de hoy.

Usando aprendizaje automático para predicción del brote de COVID-19

Una metodología de aprendizaje automático para la predicción en tiempo real del brote COVID-19 2019-2020 mediante búsquedas en Internet, alertas de noticias y estimaciones de modelos mecanicistas

Dianbo Liu, Leonardo Clemente, Canelle Poirier, Xiyu Ding, Matteo Chinazzi, Jessica T Davis, Alessandro Vespignani, Mauricio Santillana
ArXiv


Presentamos una metodología oportuna y novedosa que combina estimaciones de enfermedades a partir de modelos mecanicistas con trazas digitales, a través de metodologías de aprendizaje automático interpretables, para pronosticar de manera confiable la actividad COVID-19 en las provincias chinas en tiempo real. Específicamente, nuestro método es capaz de producir pronósticos estables y precisos 2 días antes de la hora actual, y se utiliza como insumos (a) informes oficiales de salud del Centro Chino para el Control y la Prevención de Enfermedades (CDC de China), (b) relacionados con COVID-19 actividad de búsqueda en Internet de Baidu, (c) actividad de medios informativos informada por Media Cloud, y (d) pronósticos diarios de actividad COVID-19 de GLEAM, un modelo mecanicista basado en agentes. Nuestra metodología de aprendizaje automático utiliza una técnica de agrupamiento que permite la explotación de sincronías geoespaciales de la actividad COVID-19 en las provincias chinas, y una técnica de aumento de datos para tratar el pequeño número de observaciones históricas de actividad de la enfermedad, característica de brotes emergentes. El poder predictivo de nuestro modelo supera a una colección de modelos de referencia en 27 de las 32 provincias chinas, y podría extenderse fácilmente a otras geografías actualmente afectadas por el brote de COVID-19 para ayudar a los tomadores de decisiones.

2004 04019

Leer más publicaciones en Calaméo

Las diez dimensiones del intercambio social

Diez dimensiones sociales de las conversaciones

Usando la inteligencia artificial para encontrar los bloques de construcción de nuestras relaciones
Luca Maria Aiello || Medium

Las relaciones sociales son primordiales. Determinan dónde trabajamos, con quién nos casamos y qué hacemos. Es por eso que los investigadores de ciencias sociales, y más recientemente sus primos de "ciencias sociales computacionales", dedicaron considerables esfuerzos para establecer categorizaciones sistemáticas de las dimensiones sociológicas fundamentales que describen las relaciones humanas. Intentamos descubrir cuáles son las dimensiones fundamentales de las relaciones sociales y cómo detectarlas automáticamente a partir de los datos de interacción en línea.

Al compilar una extensa revisión de los hallazgos de décadas en sociología y psicología social, identificamos diez dimensiones que se han utilizado ampliamente para clasificar las relaciones:

• Intercambio de conocimiento
• Dinámica de poder (p. Ej., Entre un jefe y su empleado)
• Condición de estado: conferir apreciación, gratitud o admiración.
• Expresiones de confianza
• Dar apoyo emocional o práctico
• Romance
• Similitud: intereses, motivaciones o perspectivas compartidas
• Identidad: sentido de pertenencia a un grupo o comunidad
• Divertido
• Conflicto

Resulta que las personas encuentran estas dimensiones muy identificables. A través de un pequeño experimento de crowdsourcing, le pedimos a 200 personas que deletrearan palabras que describieran sus conexiones sociales y descubrimos que todas encajaban en las 10 dimensiones.

Ser capaz de cuantificar estas 10 dimensiones a partir de los datos de interacción es bastante útil porque, combinándolos en proporciones oportunas, se puede dibujar una descripción precisa, explicable e intuitiva de la naturaleza de la mayoría de las relaciones.

En nuestro trabajo que se presentará en The Web Conference 2020, utilizamos el procesamiento del lenguaje natural para medir las 10 dimensiones del texto conversacional. Le pedimos a los trabajadores colectivos que etiqueten 9,000 comentarios de Reddit con las 10 dimensiones. Utilizamos estos datos para entrenar herramientas de IA que pueden predecir todas las dimensiones con bastante precisión a partir de cualquier texto, para 🤓 ojos: usando BERT y LSTM obtuvimos AUC que van desde 0.75 (Identidad) a 0.98 (Romance).

Y ahora, la parte divertida. Aplicamos nuestra herramienta a los datos en línea para descubrir cómo se utilizan las 10 dimensiones en diferentes contextos y en diferentes niveles de agregación: mensajes individuales, relaciones, grupos e incluso Estados enteros en los EE. UU.

Dimensiones sociales en mensajes individuales - guiones de películas

Los diálogos con guiones de películas son representaciones ficticias pero plausibles de conversaciones que abarcan un amplio espectro de emociones humanas y tipos de relaciones. Ejecutamos nuestros modelos en todas las líneas de películas del corpus de guiones de películas de Cornell, y descubrimos cuáles son las dimensiones transmitidas por las líneas de películas icónicas.

A continuación, algunas líneas de algunas películas icónicas del siglo XX. Informamos los niveles detectados de las 10 dimensiones en los diagramas de inserción; los que están por encima de la línea punteada son los más significativos.


“Solo un Caballero Jedi completamente entrenado, con La Fuerza como su aliado, conquistará a Vader y su Emperador. Si terminas tu entrenamiento ahora, si eliges el camino rápido y fácil, como lo hizo Vader, te convertirás en un agente del mal "- Ben Kenobi

Ben transfiere su conocimiento de los caminos de la Fuerza a Luke. Esta línea destaca la relación de poder entre el maestro y el alumno, y advierte sobre conflictos inminentes.



"Frankie, eres un buen anciano y has sido leal a mi padre durante años ... así que espero que puedas explicar lo que quieres decir" - Michael Corleone
A Michael le gusta pensar en sí mismo como un hombre de honor. Él rinde homenaje a su amigo por sus servicios y le otorga confianza a raíz de las sospechas de traición.


"Mira, Dave, sé que eres sincero y que estás tratando de hacer un trabajo competente, y que estás tratando de ser útil, pero puedo asegurarte que el problema está en las unidades AO y en tu equipo de prueba "- HAL 9000

Parece que la supercomputadora HAL 9000 está tratando de proporcionar algún soporte técnico (= conocimiento + soporte) a un astronauta cada vez más preocupado.



"Pero, como le gusta tanto observar, doctor, no soy humano" - Spock

La identidad de un vulcano, expresada ante el sacrificio extremo.

Dimensiones sociales en las relaciones - Twitter

La "Isla de los lazos" es uno de los juegos de tinghy.org. Los jugadores marcan a sus amigos de Twitter con 3 dimensiones que mejor describen sus relaciones con ellos.

Las dimensiones estimadas a nivel de mensaje pueden predecir las dimensiones que las personas usarían para describir sus relaciones sociales. Para demostrarlo, recopilamos datos de tinghy.org, una plataforma de juegos que recoge las percepciones de las personas sobre sus amigos de Twitter (ver foto a la izquierda). Descubrimos que podemos obtener buenas predicciones de las etiquetas de nivel de relación (por ejemplo, una relación basada en la confianza) mirando 20 respuestas de Twitter o más entre las dos personas involucradas.

Dimensiones sociales de las comunidades - Enron corp. correos electrónicos

Enron Corporation era una empresa estadounidense fundada en 1985 que se declaró en quiebra en 2001, cuando sus prácticas sistemáticas de fraude contable fueron expuestas al público. Después del escándalo y la investigación resultante, The Enron Email Dataset fue lanzado al público. Observamos cómo las expresiones de diferentes dimensiones variaban con el tiempo en los correos electrónicos de Enron, en promedio.


Cómo la presencia de cinco dimensiones sociales en los correos electrónicos de los empleados de Enron cambia con el tiempo, en comparación con el análisis de sentimientos tradicional (realizado con la herramienta Vader). Las parcelas están marcadas con cuatro eventos importantes en la historia de Enron: i) el comienzo de las preocupaciones sobre la estabilidad financiera de la empresa; ii) la primera ronda de despidos; iii) el inicio de pérdidas financieras; iv) la declaración de quiebra.

La evolución de las dimensiones conversacionales revela una imagen rica que coincide con las etapas conocidas de la caída de Enron. Cuando surgieron las preocupaciones iniciales, el intercambio de estatus y apoyo se desplomó: el pánico comenzó a extenderse y los empleados dejaron de celebrar sus logros, agradeciéndose mutuamente y ofreciendo consuelo. Aproximadamente tres meses después, la frecuencia del intercambio de conocimientos se redujo drásticamente: a medida que aumentaron las preocupaciones, los empleados dedicaron menos tiempo a ocuparse de sus tareas cotidianas. Unas semanas antes de los despidos, cuando quedó claro que muchos empleados habrían sido despedidos, el conflicto explotó y la estructura de poder colapsó: se dieron menos órdenes a la multitud de empleados enojados que se dieron cuenta de los recortes de empleos que obstaculizaban. A raíz de los despidos, los que lograron permanecer en la empresa se apoyaron durante unas semanas antes del inminente crack.

Dimensiones sociales en la sociedad - Estadísticas de los Estados Unidos

Por último, probamos si la presencia de esas dimensiones en las conversaciones está asociada con los resultados del mundo real a nivel social. Extrajimos las diez dimensiones sociales de 160 millones de mensajes de Reddit publicados por 1 millón de usuarios a quienes pudimos geo-referenciar a nivel de los Estados Unidos. Realizamos un análisis geográfico para estudiar la relación entre la presencia de las 10 dimensiones y los resultados socioeconómicos, estimados por las estadísticas oficiales. En particular, verificamos la relación entre:

• Intercambio de conocimiento y nivel de educación promedio.
• Intercambio de conocimientos e ingresos medios.
• Expresión de apoyo social y tasas de suicidio

Como se esperaba, el conocimiento está positivamente asociado a los niveles de educación y a la riqueza: el intercambio de conocimiento es un motor de innovación y crecimiento económico. El apoyo se asocia positivamente con las tasas de suicidio: las personas afectadas por la depresión, especialmente aquellas que tienen pensamientos suicidas, no tienden a confiar en sus compañeros y buscan apoyo social en diferentes contextos, a menudo en línea.


Todas las dimensiones combinadas predicen las estadísticas oficiales con bastante precisión (hasta un R2 ajustado de 0,52), incluso después de descontar los factores de confusión como la densidad de población.

Las expresiones de las dimensiones sociales en el lenguaje en línea se correlacionan con los resultados sociales relevantes estimados por las estadísticas oficiales a nivel de los Estados Unidos.

¿Para qué es todo esto?

La capacidad de extraer automáticamente las dimensiones fundamentales del intercambio social del texto podría contribuir a crear herramientas de investigación y análisis para las redes sociales. Creemos que la dinámica de una serie de procesos mediados por las redes sociales podría reinterpretarse con nuestra aplicación del modelo de 10 dimensiones a las redes de conversación. Por ejemplo, los investigadores podrían observar los fenómenos de difusión de información, difusión de noticias falsas, polarización y creación de enlaces a la luz de las diez dimensiones sociales.

Las empresas de redes sociales podrían monitorear la prevalencia de las diez dimensiones en el discurso público en línea como una forma de detectar y promover interacciones positivas y significativas, por ejemplo, aquellas basadas en el apoyo y la confianza, en lugar de simplemente castigar el mal comportamiento.

Alcanzar la inmunidad colectiva puede deparar muchísimas muertes

Lo que no dicen los defensores de la inmunidad colectiva "natural"

Intenta alcanzarlo sin una vacuna, y millones morirán.

Por Carl T. Bergstrom y Natalie Dean || The New York Times

El Dr. Bergstrom es profesor de biología en la Universidad de Washington. El Dr. Dean es profesor asistente de bioestadística en la Universidad de Florida.




Crédito ... Maxwell Holyoke-Hirsch

El coronavirus se movió tan rápido por todo el mundo en parte porque nadie tenía inmunidad previa. Si no se verifica su propagación, se producirá una pérdida catastrófica de vidas. Sin embargo, algunos políticos, epidemiólogos y comentaristas aconsejan que el curso de acción más práctico es controlar las infecciones y al mismo tiempo permitir la creación de la llamada inmunidad colectiva.

El concepto de inmunidad colectiva se describe típicamente en el contexto de una vacuna. Cuando se vacunan suficientes personas, un patógeno no puede propagarse fácilmente a través de la población. Si está infectado con sarampión pero todas las personas con las que interactúa han sido vacunadas, la transmisión se detendrá en seco.

Los niveles de vacunación deben mantenerse por encima de un umbral que depende de la transmisibilidad del patógeno. Todavía no sabemos exactamente qué tan transmisible es el coronavirus, pero decimos que cada persona infecta un promedio de otras tres. Eso significaría que casi dos tercios de la población necesitarían ser inmunes para conferir inmunidad colectiva.

En ausencia de una vacuna, desarrollar inmunidad a una enfermedad como Covid-19 requiere estar realmente infectado con el coronavirus. Para que esto funcione, la infección previa debe conferir inmunidad contra futuras infecciones. Aunque esperanzados, los científicos aún no están seguros de que este sea el caso, ni saben cuánto durará esta inmunidad. El virus fue descubierto hace solo unos meses.

Pero incluso suponiendo que la inmunidad sea duradera, una gran cantidad de personas debe estar infectada para alcanzar el umbral de inmunidad colectiva requerida. Dado que las estimaciones actuales sugieren que aproximadamente del 0,5 al 1 por ciento de todas las infecciones son fatales, eso significa muchas muertes.

Quizás lo más importante para entender es que el virus no desaparece mágicamente cuando se alcanza el umbral de inmunidad colectiva. Eso no es cuando las cosas se detienen, es solo cuando comienzan a desacelerarse.

Una vez que se ha creado suficiente inmunidad en la población, cada persona infectará a menos que otra persona, por lo que una nueva epidemia no puede comenzar de nuevo. Pero una epidemia que ya está en marcha continuará extendiéndose. Si 100,000 personas son infecciosas en el pico y cada una infecta a 0.9 personas, todavía son 90,000 nuevas infecciones, y más después de eso. Un tren desbocado no se detiene en el instante en que la vía comienza a inclinarse cuesta arriba, y un virus que se propaga rápidamente no se detiene justo cuando se alcanza la inmunidad colectiva.

Si la pandemia no se controlaba en los Estados Unidos, podría continuar durante meses después de que se alcanzara la inmunidad colectiva, infectando a muchos millones más en el proceso.

Para cuando terminara la epidemia, una proporción muy grande de la población habría sido infectada, muy por encima de nuestro umbral de inmunidad colectiva esperado de alrededor de dos tercios. Estas infecciones adicionales son lo que los epidemiólogos denominan "sobreimpulso".

Después de la inmunidad colectiva ... Más infecciones

La inmunidad colectiva no detiene a un virus en su camino. El número de infecciones continúa aumentando después de alcanzar la inmunidad colectiva.

Por el New York Times

Algunos países están intentando estrategias destinadas a "inmunizar" la inmunidad de la población al coronavirus sin una vacuna. Suecia, por ejemplo, está pidiendo a las personas mayores y aquellos con problemas de salud subyacentes que se sometan a cuarentena, pero mantiene abiertas muchas escuelas, restaurantes y bares. Muchos comentaristas han sugerido que esta también sería una buena política para los países más pobres como la India. Pero dada la tasa de mortalidad, no hay forma de hacerlo sin un gran número de víctimas, y de hecho, Suecia ya ha visto muchas más muertes que sus vecinos.

Tal como lo vemos, ahora es demasiado pronto para levantar las manos y proceder como si la gran mayoría de la población mundial se infectara inevitablemente antes de que una vacuna esté disponible.

Además, no debemos confiar demasiado en nuestra capacidad de realizar una "quemadura controlada" con una pandemia que explotó en todo el mundo en cuestión de semanas a pesar de los esfuerzos extraordinarios para contenerla.

Desde los primeros días de la pandemia, hemos estado utilizando el distanciamiento social para aplanar su curva. Esto disminuye la tensión en el sistema de salud. Le da tiempo a la comunidad científica para desarrollar tratamientos y vacunas, así como para aumentar la capacidad de prueba y rastreo. Si bien este es un virus extraordinariamente difícil de manejar, países como Nueva Zelanda y Taiwán han tenido un éxito temprano, desafiando la narrativa de que el control es imposible. Debemos aprender de sus éxitos.

No habría nada rápido o indoloro en alcanzar la inmunidad colectiva sin una vacuna.