🧬 biology

Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Diese Arbeit rahmt die Verbreitung von KI-Literacy innerhalb von Organisationen als einen Kontagionsprozess um und zeigt durch Netzwerk-Epidemiologie und maschinelles Lernen auf, dass die Lernretention primär durch strukturelle Kommunikationsnetzwerkeigenschaften und die Position eines Individuums innerhalb dieser getrieben wird, statt lediglich durch persönliche Attribute.

Ursprüngliche Autoren: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Ihr Unternehmen als eine riesige, geschäftige Stadt vor. Normalerweise denkt das Management, wenn ein neues Werkzeug wie Künstliche Intelligenz (KI) eintrifft, dass Lernen wie eine formale Schule funktioniert: Man verschickt ein Memo, hält eine Schulung ab und erwartet, dass alle gleichzeitig lernen.

Aber dieses Paper argumentt, dass Lernen eigentlich nicht so funktioniert. Stattdessen verbreitet sich Lernen wie eine Ansteckung oder ein Gerücht durch die Straßen der Stadt. Es bewegt sich von Person zu Person während der Kaffeepausen, bei kurzen Gesprächen und in „Hey, schau dir das mal an“-Momenten.

Die Forscher behandelten die Verbreitung von KI-Kenntnissen wie eine Epidemie. Sie fragten: Wenn wir das „Wissen über die Nutzung von KI“ wie ein Virus behandeln, wie schnell verbreitet es sich im Büro, und warum bleibt es an manchen Stellen stecken, während es an anderen förmlich explodiert?

Hier ist die Geschichte dessen, was sie herausgefunden haben, unterteilt in einfache Konzepte:

1. Die drei Städte (Organisationen)

Die Studie untersuchte drei verschiedene Unternehmen (nennen wir sie Stadt A, Stadt B und Stadt C) zu drei verschiedenen Zeiten. Sie kartierten, wer mit wem über KI sprach.

Stadt A war wie eine gut vernetzte Metropole. Die meisten Menschen kannten einander, und es gab ein riesiges „Stadtzentrum“, in dem fast jeder miteinander verbunden war.
Stadt B war etwas verstreuter, mit ein paar geschäftigen Knotenpunkten und vielen ruhigen Viertel.
Stadt C war eine Ansammlung isolierter Inseln. Die Menschen sprachen meist nur mit ein oder zwei spezifischen Kollegen, und diese Gruppen sprachen mit niemand anderem.

2. Die „Reproduktionszahl“ (R0)

In der Epidemiologie verwenden Wissenschaftler eine Zahl namens R0, um vorherzusagen, ob eine Krankheit sich ausbreitet.

Wenn R0 unter 1 liegt, stirbt die Krankheit aus (eine kranke Person infiziert weniger als eine andere Person).
Wenn R0 über 1 liegt, breitet sich die Krankheit aus (eine kranke Person infiziert mehr als eine andere Person).

Die Forscher berechneten eine „Lern-R0“ für jede Stadt. Diese Zahl sagte ihnen, wie gut das Kommunikationsnetzwerk des Unternehmens geeignet war, neue Fähigkeiten zu verbreiten.

Stadt A hatte eine hohe R0 (2,92). Das Netzwerk war perfekt für die Verbreitung von Ideen.
Stadt B lag in der Mitte (1,93).
Stadt C lag kaum über der Gefahrenlinie (1,14). Das Netzwerk war so kaputt, dass Ideen kaum reisen konnten.

Das Ergebnis: Das Unternehmen mit dem besten Netzwerk (Stadt A) hielt die meisten Menschen beim Lernen engagiert. Das Unternehmen mit dem kaputten Netzwerk (Stadt C) verlor fast alle Teilnehmer. Die Struktur des Netzwerks sagte den Erfolg des Lernprogramms besser voraus als der Trainingsinhalt selbst.

3. Die schrumpfende, verdichtende Gruppe

Hier ist der überraschende Teil. Im Laufe der Zeit verlor jeder Leute. Menschen antworteten nicht mehr auf Umfragen oder sprachen nicht mehr über KI. Die Netzwerke wurden kleiner.

Aber die Menschen, die blieben, sprachen immer öfter miteinander.

Stellen Sie sich eine große, lockere Party vor, bei der die Leute wegtreten. Die Leute, die bleiben, bilden am Ende einen engen Kreis und unterhalten sich intensiv.
Das „Lern-Netzwerk“ wuchs nicht; es konsolidierte sich. Es schrumpfte zu einem eng vernetzten Kern.
In der kaputten Stadt (Stadt C) schrumpfte das Netzwerk so sehr, dass es zu ein paar winzigen, isolierten Grüppchen wurde. In der vernetzten Stadt (Stadt A) blieb der Kern stark und dicht.

4. Wer bleibt? Es geht nicht nur um die Person

Die Forscher nutzten Computermodelle, um herauszufinden, wer engagiert blieb und wer ging. Sie erwarteten, dass vielleicht die klügsten Leute, die erfahrensten Leute oder die gebildetsten Leute bleiben würden.

Sie fanden etwas anderes heraus:

Es geht um Ihre „Adresse“ im Netzwerk: Der wichtigste Faktor war die Closeness Centrality (Nähe-Zentralität). Das ist eine schicke Art zu sagen: Wie nah sind Sie an allen anderen im Büro? Wenn Sie mitten im Gesprächsfluss stehen, ist die Wahrscheinlichkeit höher, dass Sie weiterhin lernen.
Es geht um Ihr „Viertel“: Die Abteilung, in der Sie arbeiten, spielte eine größere Rolle als Ihr Jobtitel. Einige Teams hatten eine Kultur des Teilens; andere nicht.
Das „Dienstalter-Rätsel“: Wie lange Sie schon dort arbeiten (Tenure/Betriebszugehörigkeit), hatte keine einfache „je länger, desto besser“-Beziehung. Es war nicht-linear. Das bedeutet, dass sowohl sehr neue als auch sehr alte Mitarbeiter sich anders verhielten als diejenigen in der Mitte. Die Computermodelle konnten dieses komplexe Muster erkennen, aber eine einfache mathematische Linie nicht.

5. Die wichtigste Erkenntnis

Das Paper kommt zu dem Schluss, dass Lernen eine strukturelle Eigenschaft ist.

Man kann nicht einfach eine neue Technologie kaufen und erwarten, dass sie hängen bleibt. Wenn Ihr Büro wie Stadt C (isolierte Inseln) ist, wird kein Training helfen, weil die „Straßen“ zwischen den Menschen unterbrochen sind. Sie müssen zuerst Brücken bauen.

Wenn Ihr Büro wie Stadt A (eine vernetzte Stadt) ist, wird das Lernen natürlich passieren, aber Sie müssen das „Stadtzentrum“ (die zentralen Verbinder) schützen, denn wenn diese gehen, könnte das gesamte System zusammenbrechen.

Kurz gesagt: Um Ihre Organisation zum Lernen zu bringen, konzentrieren Sie sich nicht nur auf den einzelnen Mitarbeiter. Konzentrieren Sie sich auf die Landkarte dessen, wer mit wem spricht. Wenn die Landkarte kaputt ist, wird das Lernen nicht reisen. Wenn die Landkarte vernetzt ist, wird sich das Lernen wie ein gutes Gerücht verbreiten.

Technisches Resümee: Lern-Epidemien – Ein kompartimenteller und netzwerkbasierter Ansatz zur Diffusion von KI-Literacy

Problemstellung
Organisationen verlassen sich zunehmend auf die schnelle Diffusion neuer Kompetenzen, doch traditionelle Modelle des betrieblichen Lernens behandeln das Individuum oft als die Einheit der Veränderung und vernachlässigen dabei die Kommunikationsstrukturen, die den Wissenstransfer erleichtern. Diese Lücke ist besonders akut bei generativer Künstlicher Intelligenz (KI), wo KI-Literacy kein feststehender Lehrplan ist, sondern ein bewegliches Ziel, das durch informelle, seitliche Interaktionen erworben wird. Die Autoren argumentieren, dass die Verbreitung von KI-Literacy als „komplexe Kontagion“ (complex contagion) fungiert, die eine Verstärkung durch mehrere Quellen erfordert und nicht nur durch eine einzige Exposition. Die bestehende Literatur lässt eine integrierte, empirische Behandlung vermissen, die reale Kommunikationsnetzwerke misst, explizite Epidemie-Modelle auf die Kompetenzverbreitung anwendet und interpretierbare Reproduktionszahlen ( $R_0$ ) über mehrere Organisationen hinweg ableitet, um strukturelle Ergebnisse zu vergleichen.

Methodik
Die Studie verwendet ein longitudinales Multi-Organisations-Design mit drei Institutionen (Institution 1, 2 und 3) unterschiedlicher Größe (1.000 bis 7.124 Mitarbeiter). Die Daten wurden zu drei Zeitpunkten erhoben: Baseline (T0), Mitte (T1) und Endline (T2).

Netzwerkkonstruktion: Die Teilnehmer füllten ein egozentrisches Name-Generator-Instrument aus, in dem sie bis zu zehn Kollegen nannten, mit denen sie sich im letzten 30-Tage-Zeitraum über KI ausgetauscht hatten. Gerichtete Kanten wurden durch die Häufigkeit der Gespräche gewichtet.
Soziale Netzwerkanalyse (SNA): Unter Verwendung von Python (NetworkX) berechneten die Autoren Standarddeskriptoren (Dichte, Clustering, Reziprozität, Größe der Riesengruppe) sowie knotenbasierte Metriken (Grad, Zentralitätsmaße).
Kompartimentelles Modell (SEIR): Die Autoren passten das Susceptible–Exposed–Infectious–Recovered (SEIR)-Modell an das Lernen an:
- Susceptible (Anfällig): Unwissend/nicht engagiert.
- Exposed (Exponiert): Davon erfahren, aber noch nicht anwendend.
- Infectious (Infektiös): Aktiv anwendend und übertragend.
- Recovered (Genesen): Gewohnheitsmäßige/konsolidierte Nutzung.
  Die Parameter für Transmission ( $\beta$ ) und Erholung ( $\gamma$ ) wurden fixiert ( $\beta=0,3, \gamma=0,2$ ), um die Vergleichbarkeit zwischen den Institutionen zu gewährleisten.
Schätzung der Reproduktionszahl ( $R_0$ ): Anstatt das Modell an Adoptionskurven anzupassen, wurde $R_0$ analytisch aus der Netzwerktopologie mittels der Configuration-Model-Expression geschätzt: $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$ , wobei $\tau$ die Transmissibilität und $\langle k \rangle$ die Momente der Gradverteilung darstellt.
Maschinelles Lernen für Retention: Um vorherzusagen, welche Individuen über alle Wellen hinweg engagiert blieben, bündelten die Autoren die Daten ( $N=770$ ) und trainierten Random-Forest- und Gradient-Boosting-Klassifikatoren. Prädiktoren waren Sozio-Demografie (Tenure/Betriebszugehörigkeit, Abteilung, Rolle) und die Netzwerkposition zu Baseline. Die Merkmalsrelevanz (Feature Importance) wurde neben linearen punktbiserialen Korrelationen analysiert, um nicht-lineare Beziehungen zu detektieren.
Simulation und Visualisierung: Es wurde eine browserbasierte Forschungs-Konsole entwickelt, die es Stakeholdern ermöglicht, Netzwerkdynamiken zu visualisieren, SEIR-Simulationen auf realen und synthetischen Topologien durchzuführen und kontrafaktische Szenarien (z. B. Fluktuation, Onboarding) zu explorieren.

Wichtigste Ergebnisse

Strukturelle Heterogenität: Die drei Organisationen wiesen distinkte Baseline-Netzwerktopologien auf. Institution 1 bildete eine große, verbundene Riesengruppe (79,6 % der Knoten); Institution 2 war stärker verteilt mit einem kleineren Kern; Institution 3 war hochgradig fragmentiert und wurde von isolierten reziproken Paaren dominiert.
Netzwerk-Kontraktion und Konsolidierung: In allen drei Organisationen schrumpften die Diskussionsnetzwerke in ihrer Größe (weniger Knoten und Kanten) über die Zeit, wurden jedoch dichter. Dies deutet darauf hin, dass sich die breitere Population zwar zurückzog, die verbleibenden Teilnehmer jedoch dichtere, kohäsivere Cluster bildeten.
Korrelation von $R_0$ und Retention: Die Baseline- $R_0$ -Werte waren 2,92 (Inst. 1), 1,93 (Inst. 2) und 1,14 (Inst. 3). Diese Rangfolge entsprach exakt den Retention-Raten der Teilnehmer über alle drei Wellen hinweg (44,4 %, 28,3 % bzw. 11,4 %). Organisationen mit einer höheren strukturellen Kapazität zur Lernverbreitung hielten mehr Lernende.
Prädiktoren der Retention: Maschinelle Lernmodelle identifizierten die Abteilung und die Closeness Centrality als die stärksten Prädiktoren für die Retention. Bemerkenswerterweise zeigte die Betriebszugehörigkeit (Tenure) eine nahezu null korrelierende lineare Beziehung zur Retention ( $r = -0,001$ ), war jedoch ein Top-Feature in nicht-linearen Baum-Modellen, was auf eine komplexe, nicht-monotone Beziehung hindeutet, bei der sowohl sehr neue als auch sehr erfahrene Mitarbeiter anders agieren können als die mittlere Gruppe.
Zentralitätsmetriken: Die Closeness Centrality war die informativste Netzwerkmetrik. Die Eigenvector Centrality erwies sich als wenig aussagekräftig, da sie aufgrund der Netzwerkfragmentierung in disjunkten Komponenten gegen Null kollabierte.

Wesentliche Beiträge

Neukonzeption des Lernens als Kontagion: Die Studie wendet erfolgreich netzwerkepidemiologische Werkzeuge auf das organisationale Lernen an, indem sie KI-Literacy als komplexe Kontagion behandelt, die von Netzwerkkohäsion und Redundanz abhängt.
Topologische $R_0$ für das Lernen: Die Autoren bieten eine Methode, um eine basisale Reproduktionszahl für das Lernen direkt aus der Netzwerktopologie zu schätzen, ohne Adoptionskurven anpassen zu müssen, was einen strukturellen Metrik für die Lernkapazität einer Organisation liefert.
Nicht-lineare Erkenntnisse: Durch die Kombination von baumbasiertem maschinellem Lernen mit linearen Korrelationen zeigt die Studie, dass individuelle Attribute wie die Betriebszugehörigkeit die Retention auf nicht-lineare Weise beeinflussen, was traditionelle statistische Methoden möglicherweise übersehen würden.
Interaktive Werkzeuge: Die Entwicklung einer eigenständigen Forschungs-Konsole ermöglicht es nicht-technischen Stakeholdern, mit Netzwerkdaten zu interagieren, Simulationen durchzuführen und Diffusionsdynamiken zu visualisieren, ohne die zugrunde liegende Analyse-Pipeline ausführen zu müssen.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die Frage, ob eine Organisation lernt, eine neue Technologie zu nutzen, zu einem erheblichen Teil eine strukturelle Eigenschaft ihres Kommunikationsnetzwerks ist und nicht bloß die Summe individueller Bemühungen. Die Übereinstimmung zwischen der topologischen Baseline- $R_0$ und der letztendlichen Retention legt nahe, dass die Netzwerkstruktur die Obergrenze der Lern-Diffusion bestimmt.

Die Autoren argumenten, dass dieser Rahmen es Organisationen ermöglicht, von diffusen Intuitionen über die Kultur zu messbaren Größen überzugehen. Speziell kann $R_0$ als Diagnosewerkzeug dienen: In fragmentierten Netzwerken (niedriges $R_0$ ) sollte die Priorität darauf liegen, Brücken zwischen isolierten Gruppen zu bauen, bevor weitere Inhalte hinzugefügt werden; in kohäsiven Netzwerken (hohes $R_0$ ) sollte der Fokus darauf liegen, den verbundenen Kern zu schützen. Die Studie kommt zu dem Schluss, dass individuelle Attribute zwar wichtig sind, aber oft durch die Interaktion mit der Netzwerkposition und dem lokalen Kontext wirken, was Ansätze erfordert, die nicht-lineare strukturelle Beziehungen erfassen. Die Autoren bleiben bescheiden und merken an, dass die Übereinstimmung von $R_0$ und Retention auf Basis von drei Organisationen beruht und als Hypothese für weitere Tests zu behandeln ist, insbesondere angesichts der Einschränkungen durch unterschiedliche Erhebungsabdeckungen in der Stichprobe.