🔬 physics

Understanding friendship formation with explainable machine learning

Utilizzando un modello di machine learning interpretabile su un campione di studenti, lo studio dimostra che la formazione dei legami sociali è guidata prevalentemente dalla struttura di rete locale, mentre le caratteristiche individuali influenzano solo una piccola frazione di relazioni più deboli e meno strutturalmente radicate.

Autori originali: María Pereda

Pubblicato 2026-03-23

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: María Pereda

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🌍 L'Amicizia è una questione di "Chi Conosci" o di "Chi Sei"?

Immagina di entrare in una grande festa scolastica piena di 3.395 studenti. La domanda che gli scienziati si pongono è: cosa fa sì che due persone diventino amici (o nemici)?

È perché hanno la stessa personalità? (Es. "Siamo entrambi gentili e intelligenti").
Oppure è perché il loro ambiente sociale li spinge insieme? (Es. "Abbiamo un amico in comune che ci presenta").

Per rispondere, gli autori di questo studio hanno usato un "detective digitale" molto speciale chiamato EBM (una macchina intelligente che non solo indovina, ma spiega perché ha fatto quella previsione).

Ecco cosa hanno scoperto, usando delle metafore semplici:

1. Il Re della Festa: La "Triade" (La struttura sociale)

Immagina che la scuola sia un enorme gioco di lego. La scoperta più grande è che la struttura del gioco è molto più importante dei pezzi singoli.

L'analogia: Pensa a due persone che non si conoscono. Se hanno un amico in comune (un "ponte" tra di loro), è molto probabile che diventeranno amici. Se quell'amico comune li presenta, la strada è spianata.
Il risultato: Lo studio ha scoperto che il 91% delle amicizie (o inimicizie) è spiegato da questo "ponte". È come se la rete sociale avesse una sua forza di gravità: ti spinge verso le persone che sono già collegate ai tuoi amici. Questo fattore è così potente che supera di gran lunga la personalità delle persone.

2. I "Piccoli Ribelli": Quando conta la Personalità

C'è però un piccolo gruppo di casi (meno dell'1% delle amicizie) dove la struttura sociale non basta. Qui, conta di più chi sei.

L'analogia: Immagina due persone che si incontrano in un angolo della festa dove non c'è nessuno, senza amici in comune. In questo caso, la loro amicizia dipende da quanto sono gentili (prosocialità) o da come pensano.
Il risultato: Questi casi sono rari. Succedono spesso tra studenti del primo anno, quando la rete di amicizie non è ancora stabile. È come se, all'inizio, la personalità fosse il motore, ma appena la rete si forma, la struttura prende il sopravvento.

3. La Sorpresa: Le "Relazioni Deboli"

Gli scienziati hanno notato qualcosa di interessante su queste poche amicizie guidate dalla personalità.

L'analogia: Le amicizie guidate dalla "struttura" (gli amici degli amici) sono come alberi robusti con radici profonde: sono stabili, positive e difficili da spezzare. Le amicizie guidate solo dalla "personalità" (senza amici in comune) sono come fiori di campo: possono essere belle, ma sono più fragili, a volte sono anche "nemici" (relazioni negative) e non hanno la stessa stabilità.
Il risultato: Quando la personalità domina, spesso si tratta di relazioni più deboli o addirittura negative. Quando la struttura domina, sono quasi sempre amicizie solide e positive.

4. Il Mistero dei "Vuoti"

C'era un vecchio dubbio: "Se due persone non hanno nessun amico in comune, la loro amicizia dipende dalla personalità?".
Lo studio ha risposto: No.

L'analogia: Anche se non ci sono ponti tra due persone, il fatto che non ci siano ponti è di per sé un'informazione potente. La macchina intelligente ha capito che l'assenza di una struttura sociale è la ragione principale, non la personalità. È come dire: "Non siamo amici perché non abbiamo nessuno che ci unisce", non "Non siamo amici perché non ci piacciamo".

🎯 La Conclusione in Pillole

Immagina la formazione delle amicizie come la costruzione di un edificio:

Le fondamenta (La Struttura): Per la stragrande maggioranza delle persone, le amicizie si costruiscono seguendo le fondamenta già posate (gli amici degli amici). È il meccanismo principale.
I dettagli (La Personalità): Solo in alcuni casi specifici, o quando l'edificio è appena iniziato (primo anno), la personalità dei singoli "mattoni" fa la differenza. Ma anche lì, spesso si tratta di "mattoni" un po' instabili o che creano tensioni.

In sintesi: Siamo molto più influenzati dal nostro ambiente sociale (chi ci circonda) che dalla nostra personalità individuale quando si tratta di fare amicizia. Tuttavia, usare l'intelligenza artificiale "spiegabile" ci ha permesso di vedere che anche i piccoli dettagli contano, ma solo in contesti molto specifici e delicati.

Titolo

Comprensione della formazione dell'amicizia tramite Machine Learning Spiegabile (Explainable Machine Learning)

1. Problema e Contesto

La formazione dei legami sociali è un fenomeno complesso in cui rimane dibattuto il ruolo relativo dei tratti individuali intrinseci (come la personalità, il genere o le preferenze cognitive) rispetto alla struttura locale della rete (l'ambiente sociale circostante).
Studi precedenti hanno dimostrato che metriche strutturali, in particolare l'influenza triadica (la somma dei percorsi indiretti di lunghezza due tra due nodi), sono eccellenti predittori della polarità di un legame (amicizia o inimicizia), superando spesso i modelli basati su tratti personali. Tuttavia, rimane aperta la questione se esistano sottogruppi di legami guidati da tratti individuali, specialmente in assenza di percorsi strutturali diretti, e quali siano le caratteristiche specifiche di tali legami. L'obiettivo è superare i modelli "black-box" per comprendere perché e quando i tratti individuali influenzano la formazione dei legami.

2. Metodologia

Dataset e Caratteristiche

Dati: 3.395 studenti di 13 scuole secondarie in Spagna.
Relazioni: Legami sociali diretti e con segno (da -2 "molto cattivo" a +2 "molto buono"). Per l'analisi binaria, sono stati considerati solo gli estremi: amicizia (+2) e inimicizia (-2 o -1).
Feature Individuali:
- Genere (maschio, femmina, non binario).
- Riflessione Cognitiva (CRT): Punteggio da 0 a 3 basato sul Cognitive Reflection Test.
- Prosocialità: Punteggio normalizzato [0, 1] basato su scelte economiche.
Feature Strutturale:
- Influenza Triadica ( $I_{ij}$ ): Somma dei percorsi diretti di lunghezza 2 tra $i$ e $j$ ( $\sum_k w_{ik}w_{kj}$ ).

Modelli e Approccio

Il lavoro confronta quattro classificatori: due reti neurali profonde (TensorFlow, PyTorch), XGBoost e la Macchina di Boosting Spiegabile (EBM - Explainable Boosting Machine).

Scelta del Modello: L'EBM è stato selezionato per la sua capacità di combinare alte prestazioni predittive con la trasparenza interpretativa.
Architettura EBM: È un modello additivo generalizzato (GAM) che include interazioni a coppie. La funzione di previsione è:
$g(E[Y]) = \beta_0 + \sum_j f_j(x_j) + \sum_{i \neq j} f_{ij}(x_i, x_j)$
dove $f_j$ e $f_{ij}$ sono funzioni apprese tramite gradient boosting con alberi di regressione poco profondi. Questo permette di visualizzare il contributo marginale di ogni feature e delle interazioni.
Validazione: Cross-validazione nidificata stratificata (5 fold esterni, 5 interni) con Random OverSampling applicato solo ai fold di training per gestire lo sbilanciamento delle classi.

3. Risultati Chiave

A. Dominanza dell'Influenza Triadica

L'EBM conferma che l'influenza triadica è il predittore dominante, spiegando il 91,47% dei casi con un contributo superiore al 50% dell'impatto totale.
Solo lo 0,24% dei legami è dominato dai tratti individuali, mentre il 1,27% è guidato da interazioni tra tratti e struttura.
I grafici di dipendenza mostrano che l'influenza triadica ha una relazione monotona e strutturata: valori positivi aumentano la probabilità di amicizia, valori negativi aumentano quella di inimicizia.

B. Il Sottogruppo di Legami Dominati da Tratti Individuali

Esiste una piccola frazione di legami (145 casi, 0,24%) in cui i tratti individuali (prosocialità, CRT) superano l'influenza strutturale. L'analisi di questo sottogruppo rivela:

Natura dei Legami: Non derivano da condizioni strutturali radicalmente diverse, ma corrispondono a legami più deboli e meno radicati strutturalmente.
Polarità: Sono significativamente più propensi a essere legami negativi (35,9% contro il 23,5% dei legami dominati dalla triade).
Equilibrio Strutturale: Presentano un rapporto di equilibrio (balanced ratio) inferiore (media ~~0,68) rispetto ai legami dominati dalla triade (~~0,75), indicando una minore coerenza nelle configurazioni triadiche.
Fattori Demografici: Questo sottogruppo è concentrato tra gli studenti del secondo anno, suggerendo che il tempo trascorso nell'ambiente sociale modula il meccanismo di formazione (i tratti individuali potrebbero guidare le prime connessioni prima che si stabilizzino le strutture triadiche).
Prosocialità: Gli individui in questi legami mostrano punteggi di prosocialità leggermente più alti, ma l'effetto è limitato.

C. Il Caso dei Legami Senza Percorsi Strutturali

Contrariamente all'ipotesi precedente che suggeriva che i legami senza percorsi di lunghezza due ( $A^2_{ij} = 0$ ) fossero guidati da affinità personali:

L'EBM dimostra che nessuno di questi 1.337 legami è spiegato dai tratti individuali.
Anche in assenza di percorsi, la previsione è guidata dal valore zero dell'influenza triadica.
Interpretazione: L'assenza di rinforzo strutturale è essa stessa un segnale informativo. Il modello non attribuisce la causa a tratti latenti, ma all'assenza stessa di embeddedness strutturale.

4. Contributi e Significato

Conferma della Gerarchia dei Meccanismi: Lo studio valida che la struttura locale della rete (triadic closure) è il motore principale della formazione dei legami sociali, superando di gran lunga i tratti individuali su scala globale.
Visione Stratificata: Si propone una visione a strati della formazione dei legami:
- Livello Globale: Dominato da meccanismi strutturali stabili e bilanciati.
- Livello Locale/Specifico: In contesti meno vincolati (legami deboli, negativi o iniziali), i tratti individuali possono emergere come fattori determinanti.
Ridefinizione dei Legami Isolati: Si smentisce l'idea che i legami senza connessioni indirette siano guidati da tratti personali; essi sono invece definiti dall'assenza di rinforzo strutturale.
Valore dell'EBM: Il lavoro dimostra come l'uso di modelli di Machine Learning spiegabili (XAI) sia cruciale nelle scienze sociali non solo per la previsione, ma per disvelare i meccanismi causali sottostanti, distinguendo tra correlazione globale e causalità locale.

Conclusione

La ricerca suggerisce che la dinamica di formazione dell'amicizia non è una dicotomia semplice tra individuo e struttura, ma un processo evolutivo. I legami iniziali o deboli possono essere sensibili alle predisposizioni individuali, ma man mano che le relazioni si consolidano, vengono assorbiti e governati da meccanismi strutturali di equilibrio e chiusura triadica. L'EBM ha permesso di quantificare e visualizzare questa transizione con una precisione inedita.