Replicator--Mutator Dynamics on Networks with Spatial Nonlocality: Theory and Applications

In de studie naar hoe groepen in de loop van de tijd veranderen, kijken wetenschappers vaak naar hoe individuen kiezen tussen verschillende manieren van handelen. Stel je een menigte voor waarin iedereen probeert te beslissen of ze een populaire regel of een andere regel volgen. In veel modellen leren mensen alleen van degenen die direct naast hen staan, waarbij ze de keuzes van hun buren kopiëren. Dit lokale leren creëert broedplaatsen van overeenstemming, maar het kan een groep ook voor een lange tijd gevangen houden in één enkele gedraging. In de echte wereld stopt invloed echter zelden bij de directe buurman. Een trend kan zich verspreiden over een stad, een gerucht kan van de ene gemeenschap naar de andere springen, en een nieuw idee kan ver reizen buiten de persoon die het voor het eerst hoorde. Begrijpen hoe deze langafstandsverbindingen de manier waarop groepen evolueren veranderen, is cruciaal voor het verklaren van alles van de verspreiding van culturele gewoonten tot de stabiliteit van sociale normen.

Een nieuwe studie door onderzoekers Porikshit Mondal en Ernesto Estrada onderzoekt precies deze vraag. Ze namen een standaard wiskundig model dat wordt gebruikt om te beschrijven hoe gedragingen binnen een netwerk van mensen concurreren en muteren, en voegden daar een laag van langafstandsinvloed aan toe. In hun versie leert een individu niet alleen van zijn dichtstbijzijnde contacten; hij kan ook worden beïnvloed door mensen die verder weg zijn in het netwerk, waarbij de kracht van die invloed afneemt naarmate de afstand groter wordt. Door dit op verschillende soorten netwerken te simuleren, ontdekten de onderzoekers dat het toestaan van deze langafstandsverbindingen de uitkomst fundamenteel verandert. Wanneer mensen van anderen op afstand kunnen leren, heeft de groep veel minder willekeurige verandering nodig om divers te worden. Nog verrassender is dat als deze langafstandsverbindingen sterk genoeg zijn, het systeem plotseling kan omslaan van een staat waarin iedereen een enkele leider volgt naar een staat waarin elke mogbare gedraging even gelijkmatig wordt vertegenwoordigd.

De onderzoekers begonnen met het bouwen van een computermodel van een populatie waarbij elk persoon een specifiek gedrag aanneemt, en de algehele staat van de groep wordt gedefinieerd door hoeveel mensen elk standpunt aanhangen. In de traditionele versie van dit model is invloed strikt lokaal. Als je verbonden bent met iemand, kun je diegene misschien kopiëren; als je niet verbonden bent, ben je niet beïnvloed. Deze opzet leidt vaak tot "gedragsflocking", waarbij de hele groep uiteindelijk convergeert naar één dominante gedraging, vergelijkbaar met een school vissen die synchroon draait. Om de echte wereldcomplexiteit van afstandelijke invloed te introduceren, gebruikten het team een wiskundig hulpmiddel waarmee interacties kunnen plaatsvinden over meerdere stappen in het netwerk. Ze creëerden een systeem waarbij het "gewicht" van een invloed afhangt van hoeveel stappen twee mensen van elkaar gescheiden zijn. Een klein getal in hun model betekende dat zelfs verre verbindingen een aanzienlijk gewicht droegen, terwijl een groot getal betekend dat alleen directe buren ertoe deden.

Toen ze simulaties draalden op verschillende netwerkstructuren, waaronder small-world netwerken die sociale kringen nabootsen en willekeurige netwerken, kwam er een duidelijk patroon naar voren. In de versie met alleen lokale invloed had de groep een hoge mate van willekeurige wisseling nodig — in essentie, veel mensen die per ongeluk van mening veranderden — om uit een enkele dominante gedraging te breken en diversiteit te bereiken. Echter, wanneer de onderzoekers de langafstandsverbindingen aanzetten, werd de groep veel gevoeliger voor verandering. Ze ontdekten dat met sterke langafstandsinvloed zelfs een zeer kleine hoeveelheid willekeurige wisseling genoeg was om de dominantie van een enkele gedraging te verbrijzelen. De groep zou snel overgaan van een staat van uniformiteit naar een staat van maximale diversiteit, waarbij elke beschikbare gedraging door een vergelijkbaar aantal mensen wordt beoefend.

Deze transitie was geen langzame, geleidelijke verschuiving. De onderzoekers observeerden dat het abrupt gebeurde, zoals het omschakelen van een schakelaar. Zodra de langafstandsinvloed een bepaalde drempel overschreed, sprong het systeem bijna onmiddellijk van een staat van totale overeenstemming naar een staat van totale variëteit. Om te bevestigen dat dit een echte, scherpe verandering was en geen vloeiende curve, testten ze het systeem op verschillende manieren. Ze keken naar hoe de transitie zich gedroeg naarmate de omvang van de groep toenam, waarbij ze vonden dat de sprong scherper en meer gedefinieerd werd in grotere groepen. Ze testten ook wat er gebeurde wanneer ze de snelheid van willekeurige wisseling langzaam verhoogden en daarna langzaam verlaagden. Ze ontdekten dat het systeem niet terugkeerde naar zijn oorspronkelijke staat op hetzelfde punt; in plaats daarvan bleef het in de diverse staat, zelfs toen de wisselsnelheid daalde, een fenomeen dat bekend staat als hysteresis. Deze "geheugen" van de vorige staat, gecombineerd met het vermogen van de groep om zich in of de uniforme of de diverse staat te nestelen afhankelijk van het startpunt, bevestigde dat het systeem een duidelijke, eerste-orde faseovergang onderging.

De studie onderzocht ook of dit effect afhankelijk was van de specifieke vorm van het netwerk. Ze testten hun model op ringstructuren, willekeurige weefsels en netwerken met een paar zeer verbonden hubs. Ondanks de verschillen in hoe deze netwerken waren opgebouwd, was het resultaat hetzelfde: sterke langafstandsverbindingen stuurden het systeem consistent naar een geglobaliseerde staat van hoge diversiteit. Dit suggereert dat het vermogen om van verre bronnen te leren een krachtige kracht is die de neiging van lokale groepen om vast te lopen in een enkele gedraging kan overstijgen. De onderzoekers ontwikkelden ook een manier om te meten hoe vergelijkbaar verschillende netwerken zijn in hun gedrag. Door te kijken hoe diverse kunstmatige en echte netwerken reageerden op dezelfde mix van lokale en langafstandsinvloed, konden ze in kaart brengen welke structuren op dezelfde manier gedroegen en welke anders werkten, wat een nieuwe manier biedt om netwerken te classificeren op basis van hun dynamische potentieel in plaats van alleen op hun vorm.

De implicaties van deze bevindingen reiken verder dan abstracte wiskunde. De studie suggereert dat in elk systeem waar mensen van anderen leren — of het nu gaat om de verspreiding van een nieuwe mode, de adoptie van een politiek standpunt of de evolutie van een taal — het vermogen om over het netwerk heen te reiken een belangrijke drijfveer van diversiteit is. Als invloed beperkt is tot directe buren, kunnen groepen stagneren in één enkele modus. Maar als het netwerk ruimte biedt voor leren op afstand, kan zelfs een kleine hoeveelheid experimenteren een snelle en volledige transformatie van het gedrag van de groep triggeren. De onderzoekers toonden aan dat dit mechanisme "globalisering" bevordert in de zin dat het een systeem in staat stelt om een grote verscheidenheid aan gedragingen tegelijkertijd te ontsluiten en te behouden, waardoor voorkomt dat een enkele optie voor altijd domineert. Hun werk biedt een wiskundig kader voor het begrijpen van hoe de structuur van onze verbindingen de diversiteit van onze collectieve keuzes vormt, waarbij zij laten zien dat de afstand tussen ons even belangrijk is als de kracht van onze directe banden.