🔬 physics

Impact of individual actions on the collective response of social systems

Die Studie zeigt, dass die Verteilung der Effizienz, definiert als Verhältnis von Reaktionen zu Aktionen, in drei unterschiedlichen sozialen Systemen eine universelle Struktur aufweist, und entwickelt drei statistische Minimalmodelle, um diesen Zusammenhang zwischen individuellen Handlungen und kollektiven Reaktionen zu erklären.

Ursprüngliche Autoren: Samuel Martin-Gutierrez, Juan C. Losada, Rosa M. Benito

Veröffentlicht 2026-02-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Samuel Martin-Gutierrez, Juan C. Losada, Rosa M. Benito

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Titel: Warum manche Tweets viral gehen und andere ignoriert werden – Eine Reise durch die soziale Physik

Stellen Sie sich vor, Sie sind auf einer riesigen Party. Jeder Gast (das ist der Einzelne) sagt etwas oder macht eine Geste (das ist die Aktivität). Manchmal führt das zu einem großen Gelächter, Applaus oder einer Kettenreaktion, bei der sich die ganze Party bewegt (das ist die kollektive Reaktion).

Die Forscher Samuel, Juan und Rosa haben sich gefragt: Wie genau hängt das, was eine Person tut, mit der Reaktion der ganzen Gruppe zusammen? Ist es Zufall? Hängt es davon ab, wie laut man ist? Oder davon, wie beliebt man ist?

Um das herauszufinden, haben sie drei verschiedene „Partys" untersucht:

Twitter: Jemand schreibt einen Tweet (Aktivität), und andere retweeten ihn (Reaktion).
Wikipedia: Jemand bearbeitet einen Artikel (Aktivität), und andere bearbeiten dessen Benutzerseite (Reaktion).
Wissenschaft: Ein Forscher veröffentlicht einen Artikel (Aktivität), und andere zitieren ihn (Reaktion).

Sie haben eine neue Messgröße erfunden, die sie „Effizienz" nennen.

Effizienz = (Anzahl der Reaktionen) geteilt durch (Anzahl der Aktionen).
Wenn Sie 10 Tweets schreiben und 100 Retweets bekommen, sind Sie sehr effizient.
Wenn Sie 100 Tweets schreiben und nur 1 Retweet bekommen, sind Sie wenig effizient.

Das Überraschende war: Wenn man die Effizienz aller Nutzer auf einer Grafik darstellt, sieht das Bild bei allen drei „Partys" fast gleich aus! Es gibt einen universellen Muster. Aber warum? Um das zu verstehen, haben die Forscher drei einfache Modelle (Theorien) entwickelt, die wie drei verschiedene Arten zu denken sind:

Modell 1: Der „Zufalls-Trinker" (Unabhängige Variablen)

Die Idee: Stellen Sie sich vor, die Party ist chaotisch. Jeder trinkt zufällig etwas, und die Reaktion der anderen ist völlig unabhängig davon, was der einzelne getan hat. Es ist wie ein Wurf mit zwei getrennten Würfeln: Der eine Würfel zeigt, wie viel jemand tut, der andere Würfel zeigt, wie die Gruppe reagiert. Die beiden haben nichts miteinander zu tun.

Ergebnis: Dieses Modell funktioniert gut für Wissenschaftler. Warum? Weil ein wissenschaftlicher Artikel oft Jahre braucht, um zitiert zu werden. Da die Zeit so lang ist, verschwimmen die direkten Zusammenhänge zwischen „Ich habe geschrieben" und „Jemand hat zitiert". Es sieht aus wie reiner Zufall.
Aber: Bei Twitter und Wikipedia klappt das nicht. Dort ist die Reaktion viel zu schnell und direkt, als dass sie zufällig wäre.

Modell 2: Der „Einheits-Block" (Identische Akteure)

Die Idee: Hier nehmen wir an, dass alle Gäste auf der Party gleich sind. Jeder hat die gleiche Fähigkeit, Aufmerksamkeit zu erregen. Wenn jemand viel tut (viele Tweets schreibt), bekommt er logischerweise mehr Reaktionen, einfach weil er öfter da ist. Aber: Es ist egal, wer es ist. Ein neuer Gast und ein alter Gast haben die gleiche Chance pro Tweet.

Ergebnis: Das passt viel besser! Es erklärt, warum die rechte Seite der Grafik (die sehr erfolgreichen Nutzer) bei Twitter und Wikipedia so aussieht, wie sie aussieht. Je mehr man tut, desto mehr passiert.
Das Problem: Dieses Modell sagt voraus, dass es fast keine „Versager" gibt. Wenn jemand 1.000 Tweets schreibt, müsste er laut diesem Modell auch 1.000 Retweets bekommen. Aber in der Realität gibt es Leute, die viel machen und trotzdem ignoriert werden. Das Modell kann das nicht erklären.

Modell 3: Der „Persönliche Star" (Unterscheidbare Akteure)

Die Idee: Jetzt wird es realistisch. Nicht alle Gäste sind gleich. Manche sind Stars mit vielen Freunden (viele Follower), andere sind Einzelgänger.

Wenn ein Star etwas sagt, hören ihn Tausende. Seine Effizienz ist hoch.
Wenn ein Einzelgänger etwas sagt, hören ihn vielleicht nur drei Leute. Seine Effizienz ist niedrig.
Das Modell berücksichtigt also die persönlichen Eigenschaften (bei Twitter: die Anzahl der Follower).
Ergebnis: Das ist der Gewinner! Dieses Modell erklärt perfekt, warum die Grafik so aussieht. Es zeigt, dass die Reaktion der Gruppe nicht nur davon abhängt, wie viel jemand tut, sondern vor allem davon, wer er ist.

Die große Erkenntnis

Die Forscher haben herausgefunden, dass es keine einfache Regel gibt, die für alle gilt. Es kommt auf die Art der „Party" an:

Bei Wissenschaft ist die Reaktion so verzögert und komplex, dass es wie Zufall wirkt (Modell 1).
Bei sozialen Medien wie Twitter ist es eine Mischung: Die reine Menge an Aktionen hilft (Modell 2), aber der entscheidende Faktor ist der Status des Nutzers (Modell 3).

Zusammenfassend:
Wenn Sie auf Twitter etwas posten, ist Ihre Chance, viral zu gehen, nicht nur eine Frage davon, wie oft Sie posten. Es ist wie bei einer Party: Wenn Sie ein bekannter Star sind, reicht ein kleiner Witz, um die ganze Menge zu begeistern. Wenn Sie neu sind, müssen Sie vielleicht sehr laut und oft reden, um überhaupt gehört zu werden. Die Wissenschaft hat jetzt ein Werkzeug, um genau zu berechnen, wie stark dieser „Star-Faktor" im Vergleich zur reinen Arbeit zählt.

Das ist wie ein Rezept für soziale Dynamik: Wer Sie sind, ist oft wichtiger als was Sie tun.

Titel: Einfluss individueller Aktionen auf die kollektive Reaktion sozialer Systeme

Autoren: Samuel Martin-Gutierrez, Juan C. Losada, Rosa M. Benito (Universidad Politécnica de Madrid)

1. Problemstellung

In sozialen Systemen können individuelle Aktionen spontane kollektive Reaktionen auslösen. Eine zentrale, bisher offene Frage ist, wie und in welchem Ausmaß die Aktivität eines Individuums ( $A$ , Anzahl der Aktionen) mit der Reaktion des Systems ( $R$ , Anzahl der Reaktionen) verbunden ist. Bisherige Studien haben sich oft auf die Diffusion von Informationen oder die Viralität konzentriert, aber die fundamentale statistische Beziehung zwischen $A$ und $R$ sowie die zugrundeliegenden Mechanismen waren nicht vollständig geklärt. Insbesondere war unklar, ob die Verteilung der Effizienz (das Verhältnis von Reaktion zu Aktion) universell ist und ob sie durch die individuellen Merkmale der Akteure oder nur durch die reine Anzahl der Aktionen bestimmt wird.

2. Methodik

Die Autoren verfolgen einen Ansatz der „Sozialphysik", bei dem makroskopische Eigenschaften des Systems aus den einfachsten mikroskopischen Interaktionen abgeleitet werden.

Metrik: Die zentrale Messgröße ist die Effizienz $\eta$ , definiert als das Verhältnis von kollektiver Reaktion zu individueller Aktivität:
$\eta = \frac{R}{A}$
Eine hohe Effizienz bedeutet, dass das System mit geringer Trägheit auf individuelle Stimuli reagiert.
Datenquellen: Die Studie analysiert drei unterschiedliche soziale Systeme:
1. Twitter: $A$ = Anzahl originaler Tweets, $R$ = Anzahl der Retweets. (14 Datensätze zu verschiedenen Themen in Spanien, Türkei, Argentinien etc.).
2. Wikipedia: $A$ = Anzahl der Bearbeitungen durch einen Nutzer, $R$ = Anzahl der Bearbeitungen auf dessen persönlicher Nutzerseite durch andere.
3. Wissenschaftliche Zitationen: $A$ = Anzahl der Publikationen eines Autors, $R$ = Anzahl der erhaltenen Zitationen.
Modellierung: Es werden drei minimale statistische Modelle entwickelt, die unterschiedliche Abhängigkeitsgrade zwischen $A$ und $R$ betrachten. Die Verteilungen werden mittels Monte-Carlo-Simulation, direkter diskreter Berechnung und analytischer Herleitung (unter Annahme kontinuierlicher Variablen) berechnet.
- Unabhängige Variablen (InV): $A$ und $R$ sind statistisch unabhängig. Die Reaktion des Systems hängt nicht von der Aktivität des Individuums ab.
- Identische Akteure (IdA): Das System reagiert auf jede einzelne Aktion unabhängig vom Akteur, aber die kumulative Reaktion $R$ ist die Summe der Reaktionen auf $A$ Aktionen. Dies induziert eine Korrelation zwischen $A$ und $R$ , wobei alle Akteure als gleichwertig betrachtet werden.
- Unterscheidbare Akteure (DiA): Die Reaktion hängt von den spezifischen Merkmalen des Akteurs ab (z. B. Anzahl der Follower bei Twitter). Hier wird die Wahrscheinlichkeit einer Reaktion $p(r|\vec{s})$ als Funktion der Merkmale $\vec{s}$ modelliert. Für Twitter wurde ein Independent Cascade (IC) Diffusionsmodell verwendet, bei dem die Anzahl der Follower als Proxy für die Reichweite dient.

3. Wichtige Beiträge

Universelle Struktur: Die Autoren zeigen, dass die Verteilung der Effizienz $\eta$ in allen drei untersuchten Systemen eine universelle Struktur aufweist: eine konkave Form mit zwei charakteristischen Tails ( $\eta < 1$ und $\eta > 1$ ).
Theoretischer Rahmen: Entwicklung eines hierarchischen Modellrahmens (InV, IdA, DiA), der als Nullmodell für komplexere, domainspezifische Ansätze dienen kann.
Analytische Lösungen: Herleitung analytischer Ausdrücke für die Effizienzverteilung im InV- und IdA-Modell, die eine schnelle Berechnung ohne Simulationen ermöglichen.
Korrelationsanalyse: Demonstration, dass die Diskrepanzen zwischen einfachen Modellen und empirischen Daten direkt mit der Stärke der Korrelation zwischen Aktivität und Reaktion zusammenhängen.

4. Ergebnisse

InV-Modell (Unabhängigkeit):
- Das Modell reproduziert die allgemeine Form der Verteilung gut, insbesondere für das Netzwerk der wissenschaftlichen Zitationen.
- Es zeigt jedoch signifikante Abweichungen bei Twitter- und Wikipedia-Daten, insbesondere im rechten Tail (hohe Effizienz).
- Die Analyse bestätigt, dass die Effizienzverteilung im rechten Tail weitgehend unabhängig von der Verteilung der Aktivität $A$ ist, aber ihre Form durch den Exponenten der Reaktionsverteilung bestimmt wird.
IdA-Modell (Identische Akteure):
- Durch die Einführung einer Abhängigkeit zwischen $R$ und $A$ (Summation von Einzelreaktionen) verbessert sich die Anpassung an die empirischen Daten im rechten Tail (hohe Effizienz) für Twitter und Wikipedia erheblich.
- Das Modell reproduziert die empirischen Korrelationen zwischen $A$ und $R$ gut.
- Limitierung: Das IdA-Modell versagt im linken Tail ( $\eta < 1$ ). Es sagt voraus, dass viele Aktionen zu einer moderaten Gesamtreaktion führen müssen, während die Daten zeigen, dass einige Akteure trotz hoher Aktivität sehr geringe Reaktionen erhalten. Dies deutet darauf hin, dass für ineffiziente Akteure die Unabhängigkeitsannahme (InV) besser gilt.
DiA-Modell (Unterscheidbare Akteure):
- Dies ist das umfassendste Modell. Es berücksichtigt, dass Akteure unterschiedliche Fähigkeiten haben, Reaktionen auszulösen (z. B. basierend auf der Follower-Anzahl).
- Ergebnis: Das DiA-Modell zeigt eine hervorragende Übereinstimmung mit den empirischen Daten für beide Tail-Bereiche (links und rechts) bei Twitter-Daten.
- Es reproduziert die empirischen Korrelationen zwischen $A$ und $R$ am genauesten (Slope $\approx 1$ in der linearen Regression).
- Dies bestätigt die Hypothese, dass die Reaktion des Systems von den individuellen Merkmalen der Akteure abhängt: Hoch-effiziente Akteure folgen dem IdA-Verhalten (starke Abhängigkeit), während niedrig-effiziente Akteure eher dem InV-Verhalten folgen (schwache Abhängigkeit).

5. Bedeutung und Fazit

Die Studie liefert einen tiefgreifenden Einblick in die Dynamik sozialer Systeme:

Universalität: Trotz der unterschiedlichen Natur der Systeme (Soziale Medien, kollaborative Plattformen, Wissenschaft) folgt die Effizienzverteilung einem universellen Muster.
Rolle der Heterogenität: Die Diskrepanzen zwischen einfachen Modellen und der Realität lassen sich durch die Heterogenität der Akteure erklären. Ein rein aggregierter Ansatz (IdA) reicht nicht aus; die individuellen Merkmale (wie Reichweite/Follower) sind entscheidend für die Vorhersage der kollektiven Reaktion.
Modellierung: Der vorgestellte Rahmen bietet robuste Nullmodelle, die helfen können, die zugrundeliegenden Mechanismen von Informationsdiffusion und kollektivem Verhalten zu isolieren, bevor komplexere, domänenspezifische Faktoren hinzugefügt werden.

Zusammenfassend zeigt die Arbeit, dass die Beziehung zwischen individueller Aktivität und kollektiver Reaktion nicht linear oder einheitlich ist, sondern durch eine Mischung aus universellen statistischen Gesetzen und der spezifischen Heterogenität der Akteure im System bestimmt wird.