Ich bin kürzlich auf die Domäne der Modellierung sozialer Netzwerke gestoßen, als ich die Artikel über Modelle der strategischen Abstimmung (unveröffentlicht), Meinungsdynamik und Einflussverteilung gelesen habe .
Alle diese Arbeiten erstellen komplexe Rechenmodelle, die soziale Netzwerke in der Regel als Graphen modellieren und schlussfolgern, dass ihr Verhalten mit dem tatsächlichen sozialen Verhalten übereinstimmt.
Ich verstehe jedoch nicht, wie diese Modelle empirisch streng sein können. Es scheint mir, dass die Möglichkeiten zur Validierung eines Modells darin bestehen, es mit empirischen Daten abzugleichen, entweder über Datenabgleich oder Vorhersage. Dies scheint in keiner dieser Zeitungen geschehen zu sein.
Wie werden diese Modelle folglich validiert?
Ich fand drei Artikel in der gleichen Richtung mit erheblich mehr empirischen Beweisen.
In der Arbeit werden Provinzen und Konflikte modelliert, um Richardsons Beobachtung zu rechtfertigen, dass das Verhältnis der Konfliktschwere zu ihrer Häufigkeit durch ein Potenzgesetz beschrieben wird. Mit anderen Worten, je mehr Abstand zwischen den einzelnen Konflikten liegt, desto mehr Opfer werden die Folge sein. Die Modelle verwenden viele Details. Eine geografische Landkarte wird erstellt und Konflikte (bis hin zu technologischem Fortschritt, politischem Strukturwandel und Ressourcenallokation) werden in Modellen mit dutzenden Parametern simuliert. Noch wichtiger ist, dass der Detaillierungsgrad des Papiers es ermöglicht, Parameter festzulegen, um historische Szenarien zu testen, um das Modell zu widerlegen oder weitere Beweise zu liefern.
Der Schwerpunkt des Papiers liegt auf der Modellierung des Wandels der öffentlichen Meinung in den Vereinigten Staaten, um eine Erklärung für zwei Phänomene zu liefern:
Um dieses Phänomen zu modellieren, wird ein Netzwerk ähnlich dem des Opinion Dynamics-Papiers aus der Frage aufgebaut, mit auferlegter Homophilie. Das Papier begründet jedoch seine Parameter in der Realität (zum Beispiel gelten Startprobleme, die viel Diskussion anregen, als selten). Im Gegensatz dazu erstellt das Opinion Dynamics-Papier Parameter für Skepsis und Empathie, ohne die Mechanismen hinter diesen Attributen und wie sie sich im Laufe der Zeit ändern könnten, groß zu berücksichtigen.
Dieses Papier begründet die Modellierung verteilter 2D-Agenten unter Verwendung der psychologischen Parameter Einfluss, Anfälligkeit und Konformität und deren Wechselwirkung. Das Modell wird dann anhand der amerikanischen politischen Meinungen validiert, die sich im Laufe der Zeit ändern.
Es gibt Arbeiten mit empirischer Grundlage im Bereich sozialer Netzwerkmodelle. Typischerweise wird dieser Realismus dadurch erreicht, dass Parameter auf empirischen Beweisen basieren, anstatt kognitive Phänomene zu vereinfachen.
Der Autor von zwei der von mir in der Frage zitierten Artikel, Alan Tsang, war so freundlich, meine Skepsis per persönlicher Korrespondenz zu entkräften:
Die Prämisse hinter beiden Papieren war, die Auswirkungen eines bestimmten psychologischen Phänomens zu untersuchen, indem es isoliert untersucht wurde. Wir orientieren uns an eher konventionellen Agentenmodellen aus der Ökonomie, die von völlig rationalen Akteuren ausgehen. Wir wollen sehen, was passiert, wenn das rationale Verhalten so angepasst wird, dass es eine Verhaltenskomponente enthält. Insbesondere interessieren uns die qualitativen Wirkungen, die erzeugt werden, und die Mechanismen, durch die diese erzielt werden. Eine agentenbasierte Simulation ist der ideale Weg, um dies zu untersuchen, da sie es uns ermöglicht, einen Drilldown durchzuführen und Messungen vorzunehmen, die in einer tatsächlichen Gemeinschaft unmöglich oder sehr schwierig wären. Wir machen also mehr Mathematik und weniger Wissenschaft. Die Ergebnisse der Arbeiten liefern qualitative Einblicke in plausible Auswirkungen dieser Verhaltensweisen auf ein größeres System. Der nächste Schritt könnte sicherlich darin bestehen, das Modell anhand realer Daten zu validieren, aber das Ziel des Papiers ist nicht, „Full Stack“-Wissenschaft durchzuführen. Vielmehr hoffen wir, dass es sich als nützliche Komponente in einem detaillierteren Modell erweisen würde, das für die Datenerfassung in freier Wildbahn verwendet werden soll.
Allerdings sind wir auch daran interessiert, unser Modell auch anhand realer Daten zu validieren, aber sie sind schwer zu bekommen. Zum Beispiel hat Facebook mit ziemlicher Sicherheit Zugang zu Daten, die verwendet werden können, um Homophilie in Netzwerken zu erkennen und wie sie Meinungen im Laufe der Zeit beeinflussen könnten. Aber die Daten sind sehr urheberrechtlich geschützt, und selbst wenn wir sie erhalten würden, könnten ethische Bedenken ihre Verwendung einschränken. Wie Sie im Folgebeitrag angemerkt haben, gibt es einige Artikel, die die politische Zugehörigkeit untersuchen, und diese könnten möglicherweise nützliche Grundwahrheiten sein. Aber ich habe nicht den Hintergrund, um einen solchen Datensatz von Grund auf richtig zusammenzustellen (da dazu sowohl eine Zeitreihe von Meinungen als auch die zugrunde liegende Netzwerkstruktur erforderlich wären). Darüber hinaus sind sicherlich auch andere Effekte am Werk, die die Analyse verfälschen können. Wir' Wir denken darüber nach, Daten für die letzten kanadischen Wahlen zu sammeln, da strategisches Wählen so weit verbreitet und erfolgreich war, aber alle Daten, die wir sammeln, werden wahrscheinlich von der Struktur sozialer Netzwerke getrennt sein. Vielleicht könnten einige aggregierte Netzwerkeigenschaften abgeleitet werden (z. B. basierend auf der Region), aber es wäre ein vielschichtiges Problem.
Die Arbeit „ Können Roboter gute Modelle biologischen Verhaltens machen “ von Barbara Webb stammt aus einem etwas anderen Bereich, nämlich der Modellierung biologischer Organismen mit Robotertechnik, zum Beispiel der Herstellung künstlicher Kakerlaken.
Es hat eine brillante theoretische Untersuchung der Modellierung in Bezug auf Erkenntnistheorie und Wissenschaftsphilosophie. Für Ihre Frage ist es möglich, dass Ihre Skepsis in Bezug auf die im Papier genannten Abmessungen 5 und 6 besteht, dh strukturelle Genauigkeit und Leistung übereinstimmen.
Wenn beispielsweise ein soziales Netzwerk Zufallsgraphen wie Erdős-Rényi verwendet, wird in Bezug auf die strukturelle Genauigkeit eine Annahme getroffen, die von den tatsächlichen Gradverteilungen menschlicher sozialer Netzwerke nicht erfüllt wird.
In Bezug auf die Leistungsübereinstimmung kann die Genauigkeit der Vorhersage des Modells auf verschiedenen Genauigkeitsstufen bewertet werden. Beispielsweise kann das Modell die Trends qualitativ „erfassen“, was für groß angelegte Simulationen gut genug sein kann oder nicht.
Auf der anderen Seite würde man präzise numerische Vorhersagen finden und ihre Übereinstimmung mit realen Daten untersuchen. Ich denke, dass die meisten Modelle irgendwo dazwischen liegen.
Artem Kaznatcheev