Unveiling hidden features of social evolution by inferring Langevin dynamics from data

Dieses Paper schlägt ein Framework auf Basis stochastischer Differentialgleichungen vor, um soziale Evolution als zeitkontinuierliche Dynamik zu modellieren, was die Quantifizierung von Irreversibilität, die Detektion exogener Perturbationen sowie die Imputation fehlender Daten ermöglicht, um die Limitationen deterministischer Ansätze bei der Analyse historischer Trajektorien zu überwinden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, die Geschichte der menschlichen Zivilisation zu verstehen, indem Sie eine Serie von unzusammenhängenden, verschwommenen Schnappschüssen betrachten. Die traditionelle Geschichtsschreibung versucht oft, diese Punkte mit geraden Linien zu verbinden, unter der Annahme, dass wir, wenn wir die Vergangenheit kennen, die Zukunft mit einer einfachen Formel vorhersagen können: „Wenn X passiert, folgt Y.“

Dieses Paper argumentiert, dass die Geschichte keine gerade Linie ist; sie ist eher wie ein betrunkener Mensch, der durch einen nebligen Wald läuft. Er hat eine allgemeine Richtung, in die er gehen möchte (den „Drift“), aber er stolpert, schwankt und wird ständig vom Wind weggestoßen (das „zufällige Rauschen“).

Die Autoren schlagen einen neuen Weg vor, die Geschichte mit einem mathematischen Werkzeug namens Langevin-Dynamik zu untersuchen. Denken Sie an dies als eine Art „Wettervorhersage für die Geschichte“. Anstatt nur zu sagen: „Morgen wird es regnen“, sagt es Ihnen die Wahrscheinlichkeit des Regens, wie stark der Wind wehen könnte und wie wahrscheinlich es ist, dass ein plötzlicher Sturm den gesamten Pfad verändern wird.

Hier ist eine Aufschlüsselung ihrer Ideen unter Verwendung einfacher Analogien:

1. Die Kernidee: Geschichte als ein „wackeliger Spaziergang“

Die meisten Geschichtsbücher behandeln Gesellschaften wie Billardkugeln: Wenn man sie in eine Richtung stößt, bewegen sie sich in diese Richtung. Die Autoren sagen, das sei falsch. Gesellschaften sind eher wie ein Blatt, das einen Fluss hinuntertreibt.

• Der Drift (Die Strömung des Flusses): Dies repräsentiert die großen, strukturellen Kräfte. Beispielsweise neigt eine Gesellschaft dazu, demokratischer zu werden, wenn sie reicher wird. Dies ist die „Strömung“, die das Blatt in eine bestimmte Richtung drückt.
• Die Diffusion (Das Wackeln): Dies repräsentiert das zufällige Chaos. Ein plötzlicher Krieg, ein brillanter Anführer, eine Pest oder eine schlechte Ernte können das Blatt zur Seite drücken, selbst gegen die Strömung.
• Die Innovation: Anstatt das Wackeln als „Rauschen“ zu ignorieren, betrachtet dieses Paper es als einen entscheidenden Teil der Geschichte. Sie nutzen Mathematik, um die „Flussströmung“ vom „zufälligen Wackeln“ zu trennen.

2. Drei Superkräfte dieser neuen Methode

Indem sie die Geschichte als diesen „wackeligen Spaziergang“ behandeln, erschließen die Autoren drei besondere Fähigkeiten, die alte Methoden nicht hatten:

A. Messung des „Zeitpfeils“ (Irreversibilität)

Stellen Sie sich vor, Sie spielen einen Film der Geschichte rückwärts ab. Würde er normal aussehen?

• Die Analogie: Wenn Sie ein Ei fallen lassen und es zerbricht, wissen Sie, dass die Zeit vorwärts läuft. Man kann ein Ei nicht „un-zerbrechen“.
• Das Ergebnis des Papers: Die Autoren entwickelten einen Score, um zu messen, wie „einwegig“ die Geschichte ist. Sie fanden heraus, dass die Geschichte im Allgemeinen eine starke Vorwärtsrichtung hat (wie ein Fluss, der bergab fließt). Sie können jedoch genau bestimmen, wann ein Land gegen den natürlichen Fluss „stromaufwärts“ ging.
• Beispiel aus der realen Welt: Sie fanden heraus, dass Länder während großer Krisen (wie der Finanzkrise 2008 oder der Pandemie 2020) vorübergehend aufhörten, ihrem üblichen Pfad zu folgen, und sich auf chaotische, unvorhersehbare Weise bewegten.

B. Das Aufspüren von „Plot Twists“ (Exogene Perturbationen)

Manchmal wird ein Blatt von einem herabfallenden Ast getroffen. Das ist ein externer Schock.

• Die Analogie: Wenn Sie eine Straße entlanggehen und plötzlich von einem Fremden angestoßen werden, ist das eine „Perturbation“ (Störung).
• Das Ergebnis des Papers: Ihre Mathematik kann zwischen einem „normalen Wackeln“ (wie einer leichten Änderung der Wirtschaft aufgrund des Wetters) und einem „massiven Schock“ (wie einer Revolution oder einem Krieg) unterscheiden.
• Beispiel aus der realen Welt: Sie identifizierten die Proteste von 1968 in Frankreich als eine „statistische Anomalie“ – einen riesigen, unerwarteten Sprung, den die normalen Regeln der Geschichte nicht erklären konnten. Es war ein Moment, in dem der „Wind“ das Blatt völlig vom Fluss wegblies.

C. Das Ausfüllen von Lücken (Probabilistische Imputation)

Historische Aufzeichnungen sind voller Lücken. Wir wissen vielleicht, wie ein Land im Jahr 1900 und 1920 aussah, aber nichts dazwischen.

• Die Analogie: Wenn Sie die Reifenspuren eines Autos im Schlamm von Punkt A nach Punkt B sehen, können Sie den Pfad erraten, den es in der Mitte genommen hat, auch wenn Sie ihn nicht gesehen haben.
• Das Ergebnis des Papers: Anstatt einfach eine gerade Linie zwischen den Punkten zu ziehen (was falsch wäre), nutzen sie ihr „wackeliger Spaziergang“-Modell, um tausende möglicher Pfade zu simulieren, die das Land genommen könnte. Dies liefert ein viel realistischeres Bild der fehlenden Jahre, indem die Tatsache berücksichtigt wird, dass Geschichte unordentlich und unsicher ist.

3. Was sie tatsächlich getestet haben

Die Autoren haben nicht nur über Theorie gesprochen; sie haben dies an zwei echten Datensätzen getestet:

• Moderne Politik (Der „Reiche-Welt“-Test): Sie betrachteten 149 Länder von 1995 bis 2022 und verfolgten Demokratie, Ungleichheit und Wohlstand.
  • Entdeckung: Sie fanden heraus, dass in wohlhabenden Ländern hohe Ungleichheit wie eine „Falle“ wirkt. Sie schwächt die „Strömung“, die Gesellschaften normalerweise in Richtung Demokratie drückt, und macht sie viel wahrscheinlicher anfällig dafür, zufällig in den Autoritarismus zurückzugleiten.
• Antike Zivilisationen (Der „Seshat“-Test): Sie untersuchten antike Gesellschaften (wie Rom, China und Ägypten) mithilfe einer Datenbank historischer Fakten.
  • Entdeckung: Sie fanden heraus, dass Zivilisationen im Allgemeinen eine Trichterform annehmen (größer und komplexer werden). Sie konnten jedoch spezifische Momente identifizieren, in denen eine Zivilisation plötzlich in ihrer Komplexität „sprang“ (wie Rom beim Aufbau seiner Bürokratie) oder kollabierte (wie der Untergang des Weströmischen Reiches), wobei sie zwischen einem langsamen Niedergang und einem plötzlichen Absturz unterschieden.

Das große Fazit

Dieses Paper behauptet nicht, die Zukunft vorherzusagen oder zu sagen, dass die Geschichte zufällig ist. Stattdessen bietet es eine bessere Karte.

Alte Karten sagten: „Wenn du hierhin gehst, wirst du dort ankommen.“
Diese neue Karte sagt: „Wenn du hierhin gehst, ist es wahrscheinlich, dass du dort ankommst, aber es gibt eine 20-prozentige Chance, dass ein Sturm dich vom Kurs abbringt, und hier ist genau der Ort, an dem diese Stürme stattfinden.“

Es hilft Historikern, aufzuhören zu fragen: „Warum ist das passiert?“ und stattdessen zu fragen: „Wie wahrscheinlich war es, dass dies geschieht, und welche Art von Schock war nötig, damit es geschah?“ Es verwandelt die Geschichte von einer Erzählung des festgeschriebenen Schicksals in eine Erzählung von Wahrscheinlichkeiten, Chancen und strukturellen Strömungen.

Technische Zusammenfassung

Technisches Resümee: Enthüllung verborgener Merkmale der sozialen Evolution durch die Inferenz von Langevin-Dynamiken aus Daten

Problemstellung
Die Arbeit adressiert eine fundamentale Einschränkung in der quantitativen Geschichtswissenschaft und Politischen Ökonomie: die Abhängigkeit von deterministischen Momentaufnahmen oder Durchschnittseffekten (z. B. regressionsbasierten Methoden), die versagen, die kontinuierliche, inhärent unsichere Natur historischer Trajektorien zu erfassen. Bestehende Werkzeuge der „Credibility Revolution“ (z. B. Difference-in-Differences, Instrumentvariablen) sind effektiv bei der Schätzung durchschnittlicher kausaler Effekte, bieten jedoch nur begrenzten Einblick in die Variabilität historischer Pfade, die Akkumulation von Unsicherheit über die Zeit oder die Unterscheidung zwischen strukturellen Trends und kontingenten Ereignissen. Historische Daten sind zudem durch Spärlichkeit, unregelmäßige Abtastung, fehlende Einträge und heterogene Messqualität charakterisiert. Die Autoren argumentieren, dass es essenziell ist, historischen Wandel als stochastischen Prozess statt als deterministischen Prozess zu behandeln, um zwischen aleatorischer Unsicherheit (intrinscher Zufälligkeit aus verborgenen Freiheitsgraden) und epistemischer Unsicherheit (unvollständige Information und Messfehler) zu unterscheiden.

Methodik
Die Autoren schlagen ein Framework vor, das den Zustand einer Gesellschaft als einen Vektor modelliert, der sich in kontinuierlicher Zeit gemäß einer Stochastischen Differentialgleichung (SDE) entwickelt. Der Zustand $x_t$ repräsentiert makroskopische Variablen (z. B. Demokratie, Ungleichheit, Komplexität), und seine Entwicklung wird durch folgendes bestimmt:
$$dx_t = F(x_t)dt + \sqrt{2D(x_t)}dW_t$$
wobei $F(x_t)$ ein Driftfeld (deterministische strukturelle Trends) und $D(x_t)$ eine Diffusionsmatrix (Ausmaß und Kovarianz intrinsischer stochastischer Fluktuationen) ist.

Das Framework umfasst drei wesentliche technische Komponenten:

1. Konstruktion des Zustandsraums: Rohdaten historischer Indikatoren (oft kategorial oder ordinal) werden mittels dimensionalitätsreduzierender Techniken (z. B. PCA) und Log-Transformationen zur Handhabung von Heteroskedastizität auf einen kontinuierlichen, niedrigdimensionalen latenten Zustandsraum abgebildet. Dies erzeugt einen kohärenten Vektor $x_t \in \mathbb{R}^d$.
2. SDE-Inferenz: Um mit spärlichen und unregelmäßigen Daten umzugehen, verwenden die Autoren zwei komplementäre Inferenzmethoden:
   • Langevin Bayesian Networks (LBN): Verwendet für den Datensatz der modernen politischen Ökonomie (Anwendung 1). Diese Methode nutzt neuronale Netze, um Drift und Diffusion zu approximieren, trainiert auf die Übereinstimmung mit Kramers-Moyal-Koeffizienten (bedingte Momente). Sie nutzt Stochastic Weight Averaging-Gaussian (SWAG), um die epistemische Unsicherheit über ein Ensemble von Modellen zu quantifizieren.
   • Nichtparametrische Gauß-Prozess-SDE (npSDE): Verwendet für den Datensatz historischer Zivilisationen (Anwendung 2), der extrem spärlich ist. Diese Methode modelliert Drift und Diffusion als Gauß-Prozesse und verwendet simulationsbasierte Likelihood-Optimierung, was sie robust gegenüber unregelmäßigen Abtastungsintervallen macht, ohne dichte Daten zu erfordern.
3. Analytische Fähigkeiten: Das Framework erschließt drei spezifische analytische Werkzeuge:
   • Irreversibilität: Quantifiziert den „Pfeil der Geschichte“, indem das Log-Likelihood-Verhältnis zwischen einer Vorwärts-Trajektorie und ihrer zeitumgekehrten Entsprechung berechnet wird. Dies misst den Grad der Zeit-Asymmetrie und der strukturellen Richtungsgebundenheit.
   • Detektion exogener Perturbationen: Identifiziert Übergänge, die unter den gelernten endogenen Dynamiken statistisch unwahrscheinlich sind. Dies geschieht über eine Metrik der „normalisierten Überraschung“ (normalized surprisal), die echte externe Schocks (z. B. Kriege, Pestepidemien) von seltenen, aber möglichen internen Fluktuationen unterscheidet.
   • Probabilistische Imputation: Nutzt die gelernte SDE, um aus der bedingten Verteilung $P(x_t | x_0, x_T)$ zu sampeln, um fehlende historische Daten zu ergänzen, wobei die nichtlinearen Dynamiken und die intrinsische Volatilität gewahrt bleiben, anstatt einfache lineare Interpolationen zu verwenden.

Wesentliche Ergebnisse
Das Framework wurde auf zwei unterschiedliche Domänen angewendet:

• Anwendung 1: Evolution der Politischen Ökonomie (Moderne Ära):

  • Unter Verwendung von Daten aus 149 Ländern (V-Dem, WID, Maddison) inferierten die Autoren ein Driftfeld, das zeigt, dass hohe wirtschaftliche Ungleichheit einen „destabilisierenden Druck“ auf demokratische Institutionen ausübt, insbesondere in Kontexten mit hohem BIP, in denen die strukturelle Resilienz schwindet.
  • Das Diffusionsfeld offenbarte, dass Demokratiewerte eine hohe Volatilität aufweisen, insbesondere in Regimen mit hoher Ungleichheit und hohem BIP, während die Ungleichheit selbst relativ robust bleibt.
  • Die Irreversibilitätsanalyse bestätigte einen anhaltenden globalen Trend weg vom Gleichgewicht, identifizierte jedoch spezifische Rückgänge, die mit großen Krisen (Große Rezession, COVID-19) korrespondieren, bei denen die Trajektorien vom strukturellen Drift abwichen.
  • Die Perturbationsdetektion identifizierte erfolgreich historische Anomalien wie die Anschläge vom 11. September und den Mensalão-Skandal und unterschied dabei zwischen Ereignissen, die strukturell bedeutsam waren, und solchen, die statistisch extrem, aber nicht zwingend strukturell transformativ waren.

• Anwendung 2: Historische Zivilisationen (Seshat/Polaris-Datensatz):

  • Analyse von 27 Natürlichen Geographischen Gebieten (NGAs) über Jahrtausende hinweg unter Verwendung von Skala und Komputation als Zustandsvariablen.
  • Das globale Driftfeld ähnelt einem „Trichter“, der politische Gebilde mit geringer Komplexität zu höherer Komplexität zieht, mit einem Plateau des Zugewinns auf mittleren Niveaus.
  • Fallstudien:
    • Paris Basin: Identifizierte eine schnelle, statistisch überraschende Beschleunigung der „Komputation“ (institutionelle Kapazität), die richtungsgebunden strukturiert (irreversibel) war, was auf einen diskreten institutionellen Übergang hindeutet.
    • Latium: Unterschied zwischen einem „institutionellen Aufschwung“ (richtungsgebunden strukturiert) und einer späteren imperialen Kontraktion (statistisch überraschend, aber nicht stark irreversibel), was Letzteres als ereignisartige Störung und nicht als deterministischen Drift in Richtung Kollaps kennzeichnet.
    • Middle Yellow River Valley: Zeigte einen anhaltenden Drift mit episodischen Kontraktionen auf, was Intervalle hervorhebt, in denen Periodisierungsannahmen (z. B. dynastische Übergänge) aufgrund niedriger Übergangswahrscheinlichkeiten einer genaueren historischen Prüfung bedürfen.

Bedeutung und Ansprüche
Das Paper behauptet, dass die Übernahme einer stochastischen Perspektive analytische Fähigkeiten freisetzt, die rein deterministischen oder statischen Modellen nicht zur Verfügung stehen. Insbesondere:

1. Vereinheitlichte Methodik: Es bietet ein einheitliches Framework, um Stabilität, Kontingenz und Dynamik zu sezieren und geht über die Dichotomie von „strukturellem Determinismus vs. reinem Zufall“ hinaus.
2. Quantifizierung von Unsicherheit: Es trennt und quantifiziert explizit aleatorische und epistemische Unsicherheit, was es ermöglicht, zwischen echten Überraschungen und Artefakten schlechter Modellbeschränkungen zu unterscheiden.
3. Diagnostische Kraft: Die Metriken der Irreversibilität und Perturbation dienen als „Triage“-Werkzeuge, die Historiker auf spezifische Intervalle lenken, in denen die Daten auf schnelle Rekonfigurationen, externe Schocks oder Kodierungsambiguitäten hindeuten, und so Ziele für qualitative Untersuchungen priorisieren.
4. Philosophischer Wandel: Die Autoren argumenten, dass die Behandlung sozialer Dynamiken als stochastisch das Konzept von Handlungsfähigkeit (Agency) und Verantwortung neu rahmt, indem die Geschichte nicht als ein einziger realisierbarer Pfad, sondern als eine Verteilung über mögliche Trajektorien betrachtet wird, die durch strukturelle Zwänge und irreduzible Kontingenz geformt werden.

Das Paper wahrt eine moderate Haltung und räumt ein, dass SDEs reduzierte Darstellungen sind und dass die geschätzten Drift- und Diffusions-Terme nicht als direkte kausale Kräfte interpretiert werden sollten. Stattdessen fassen sie bedingte statistische Tendenzen zusammen, die testbare Hypothesen über zugrunde liegende Mechanismen und institutionelle Rahmenbedingungen generieren können. Das Framework wird als ergänzende Ebene zu bestehenden sozialwissenschaftlichen Methoden präsentiert, die besonders wertvoll für die Bewältigung der Herausforderungen fragmentarischer und unregelmäßiger historischer Daten ist.