The building blocks of social structure: simulating constraints of social network analysis for inference about group-level properties
이 논문은 전역적 사회 네트워크 지표를 개별적 성향, 생태적 제약, 관찰 편향과 같은 기저의 행동 과정과 연결하는 시뮬레이션 모델을 제시함으로써, 이러한 요인들을 무시하는 것이 동물의 집단 수준 사회 구조에 대한 편향된 추론으로 어떻게 이어질 수 있는지를 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
동물들은 개체들이 끊임없이 모였다가 흩어지는 복잡한 사회적 세계에서 살아갑니다. 이러한 사회가 어떻게 작동하는지 이해하기 위해 과학자들은 종종 사회 네트워크 분석이라는 방법을 사용합니다. 이 접근 방식은 집단을 연결의 지도로 취급하는데, 여기서 모든 동물은 하나의 점이 되고 그들이 함께 발견될 때마다 그들을 잇는 선이 됩니다. 연구자들은 이 선들의 수를 세고 그것들이 얼마나 촘촘하게 짜여 있는지를 측정함으로써, 연결이 얼마나 밀집되어 있는지 또는 집단이 어떻게 작은 원형들로 나뉘는지와 같이 집단의 전반적인 형태를 설명하는 수치들을 계산할 수 있습니다. 이 수치들은 서로 다른 종을 비교하거나 사회가 시간이 흐름에 따라 어떻게 변하는지 추적하는 데 강력한 도구가 됩니다. 그러나 결정적인 의문이 남아 있습니다. 과연 이 수치들이 동물의 숨겨진 사회적 선호도를 진정으로 반영하는 것일까요, 아니면 단순히 집단의 크기, 동물의 이동 방식, 또는 과학자들이 관찰한 시간에 의해 만들어진 인위적인 결과물일까요? 만약 이 수치들이 이러한 외부 요인들에 의해 왜곡된다면, 연구자들은 왜 사회가 특정한 방식으로 구축되었는지에 대해 잘못된 결론을 내릴 수도 있습니다.
한 연구팀은 분열-융합 사회(fission-fusion society), 즉 침팬지와 보노보의 사회처럼 집단이 빈번하게 나누어지고 합쳐지는 유형의 사회적 시스템에 대한 디지털 모델을 구축하여 이 수수께끼를 풀고자 했습니다. 야생의 실제 동물을 관찰하는 대신, 그들은 각 개체가 누구와 가까이 있고 싶어 하는지에 대한 구체적이고 숨겨진 선호도를 가진 가상의 인구 집단을 만들었습니다. 그런 다음 컴퓨터를 이용해 이 가상의 동물들이 하루 동안 일시적인 무리를 형성하는 방식을 시뮬레이션하도록 프로그래밍했는데, 이는 현장 연구자들이 그들을 관찰하는 방식을 모사한 것입니다. 연구팀은 사회 지도가 어떻게 변하는지 보기 위해 게임의 규칙을 체계적으로 변경하며 수천 번의 시뮬레이션을 실행했습니다. 그들은 전체 집단의 크기가 커질 때, 일일 무리의 크기가 변동할 때, 어떤 개체들이 본래 더 사교적일 때, 그리고 연구자들이 관찰한 시간이 달라질 때 어떤 일이 발생하는지 테스트했습니다.
시뮬레이션 결과, 사회 구조를 설명하는 데 사용되는 수치들은 예상했던 것보다 훨씬 더 맥락에 민감하다는 것이 밝혀졌습니다. 변화를 일으키는 가장 강력한 동인은 단순히 집단 내 동물의 수였습니다. 집단이 커짐에 따라 계산된 개체 간의 연결은 덜 조밀해졌는데, 이는 동물들이 덜 친근해졌기 때문이 아니라 단지 함께 있을 수 있는 조합의 수가 더 많아졌기 때문이었습니다. 연구자들이 이를 고려하여 계산을 조정하더라도, 집단의 크기는 여로 다른 측정값들을 복잡하고 비선형적인 방식으로 왜곡했습니다. 예를 들어, 각 동물이 나머지 집단과 얼마나 연결되어 있는지에 대한 변동성은 집단 크기에 따라 급격히 변했는데, 이는 집단이 커지면 특정 성격과 상관없이 자연스럽게 개체 간의 차이가 더 많이 발생함을 시사합니다.
연구는 관찰자의 행동 또한 동물의 행동만큼 중요하다는 것을 보여주었습니다. 시뮬레이션에서 연구자들이 본래 더 사교적인 개체들에게 더 집중했을 때, 결과적인 사회 지도는 상당히 다르게 나타났으며, 이는 해당 특정 동물들의 중요성을 과장하고 집단의 전반적인 모습을 왜축했습니다. 마찬가지로, 집단을 관찰한 시간의 길이도 깊은 영향을 미쳤습니다. 30일과 같은 짧은 관찰 기간은 매우 가변적이고 종종 오해의 소지가 있는 결과를 낳았으며, 집단을 실제보다 더 파편화되고 예측 불가능하게 보이게 만들었습니다. 시뮬레이션은 수치가 안정되어 신뢰할 수 있게 되려면 연구자가 최소 180일, 즉 개체당 약 2일 동안은 관찰해야 한다는 점을 나타냈습니다.
아마도 가장 놀라운 점은, 긴밀하게 연결된 하위 집단, 즉 클리크(cliques)의 존재가 반드시 사회 지도를 더 분절되게 보이게 만드는 것은 아니라는 사실을 연구팀은 발견했습니다. 이러한 클리크의 수와 집단의 전반적인 구조 사이의 관계는 직선적이지 않았습니다. 어떤 경우에는 몇 개의 뚜렷한 클리크가 집단을 더 통합된 것처럼 보이게 했고, 다른 경우에는 날카로운 분열을 일으켰습니다. 이 결과는 실제 침팬지와 보노보 집단이 경직되고 영구적인 클리크를 형성하지 않을 가능성이 높음을 시사했습니다. 대신 그들은 사회가 영구적으로 갈라질 위험을 피하기 위해 어느 정도의 사회적 불확실성을 용인하며 유연한 구조를 유지합니다.
궁극적으로 이 연구는 동물 사회를 연구하는 모든 이들에게 중요한 경고이자 지침 역할을 합니다. 이 연구는 우리가 사회 네트워크로부터 계산하는 수치들이 동물의 마음을 들여다보는 직접적인 창이 아니라, 진정한 사회적 선호도, 환경적 제약, 그리고 우리 자신의 관찰 한계가 혼합된 산물임을 입증합니다. 연구자들은 사회를 설명하는 단 하나의 "정확한" 수치를 찾아낸 것이 아닙니다. 대신, 사회 네트워크 지표가 실제로 무엇을 의미하는지 이해하려면 먼저 그것이 측정된 구체적인 조건이 무엇인지 이해해야 함을 보여주었습니다. 이 시뮬레이션을 통해 과학자들은 진정한 사회적 행동의 신호와 인구통계학적 및 관찰적 편향이라는 소음을 분리함으로써, 사회 구조라는 "블랙박스"를 열고 집단이 함께 살아가는 방식을 형성하는 진정한 진화적 힘을 이해하기 시작할 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.